李成贊，黎建輝，王學志，沈志宏，杜一

（1.中國科學院計算機網絡信息中心，北京 100190；2.中國科學院大學，北京 100049）

1 引言

科學數(shù)據(jù)是科研活動的輸入和產出，是科技創(chuàng)新的核心驅動要素。國際數(shù)據(jù)公司（International Data Corporation，IDC）最新報告“Data Age 2025”指出，全球信息化數(shù)據(jù)量以每兩年翻一番的速度快速增長，截至2020年，全球信息化數(shù)據(jù)存儲量達到47ZB。而全球僅有3%的潛在有價值的數(shù)據(jù)被開發(fā)利用，經過深入分析和挖掘的數(shù)據(jù)則更少[1]。通過Data Citation Index（DCI）的統(tǒng)計分析數(shù)據(jù)進一步發(fā)現(xiàn)，截至2018年年底，DCI中被引用過1次及以上的數(shù)據(jù)集僅占所收錄數(shù)據(jù)集的11.83%。

多項調查研究表明，數(shù)據(jù)用戶通過訪問存儲庫、機構網站或者搜索引擎發(fā)現(xiàn)和獲取數(shù)據(jù)仍然是當前開放共享數(shù)據(jù)資源傳播的主要途徑[2-4]。在數(shù)據(jù)量激增、信息過載的大數(shù)據(jù)時代，被動地等待用戶檢索和發(fā)現(xiàn)數(shù)據(jù)的方式在一定程度上限制了數(shù)據(jù)的傳播和重用。

學術論文經歷了超過350年的發(fā)展歷史[5]，形成了超大規(guī)模的知識流動和信息傳播的復雜引文網絡。引文網絡中隱含了由文獻作者所組成的研究群體，該群體具有相似或相關的研究方向。通過復雜網絡的社區(qū)發(fā)現(xiàn)，算法可以將引文網絡劃分成不同的研究群體[6-7]。

隨著科學數(shù)據(jù)愈加迫切的開放共享需求與數(shù)據(jù)出版物實際低下的傳播效率以及重復利用率之間的矛盾日益顯著，如何利用現(xiàn)有學術論文形成的復雜引文網絡，向作為科學數(shù)據(jù)主要用戶的科研人員和學者進行數(shù)據(jù)資源的主動和精準推薦，以加速數(shù)據(jù)資源的傳播和重用，具有重要的研究價值和現(xiàn)實意義。

2 研究現(xiàn)狀

復雜網絡的研究工作起源已久。隨著計算機技術的發(fā)展，尤其是1998—1999年，Watts等[8]、Bar‐abási等[9]提出了小世界網絡模型和無標度網絡模型，開啟了復雜網絡研究的熱潮。眾多學者開始關注復雜網絡的結構、特征、信息傳播機制、動力學原理等理論研究[10-12]。隨著復雜網絡理論研究的深入，越來越多的學者利用復雜網絡理論知識研究和探討政治選舉、疾病傳播預測、人口遷徙、碳排放、經濟模式等現(xiàn)實問題[13-18]。

引文網絡作為一種典型的復雜網絡，許多學者利用引文網絡開展中心性分析、路徑分析、聚類分析、知識傳播分析等研究工作[19-24]。在基于引文網絡的社區(qū)發(fā)現(xiàn)研究方面，也已有相當長的一段歷史，1963年Kessler[25]提出了文獻耦合的概念；1973—1974年，Small等[26-27]提出了共引網絡的概念；1981年，White則首次提出作者共著的概念[28]。Huang等[29]學者利用引文網絡的共引和文獻耦合關系，開展領域前沿檢測研究。2004年，Newman[30]利用不同學科的論文作者信息，分析了作者之間協(xié)作關系的社區(qū)結構，并提出基于模塊度的層次社區(qū)結構分類方法。2018年，韓青等[31]基于文獻共被引特征開展文獻相似度計算研究工作。此外，國內外諸多學者還利用引文網絡開展學者、論文和期刊的影響力評價研究[32-34]。而在基于引文網絡的推薦研究方面，West等[35]基于論文引文網絡分層聚類方法，采用科學知識的層次結構，通過為不同的用戶建立多維關聯(lián)度進行論文推薦。Haruna等[36]通過研究基于共引關聯(lián)矩陣的相似性度量進行學術論文推薦。

總體來看，在復雜網絡的理論、模型、算法以及應用等方面，已形成了蔚為可觀的研究成果，基于引文網絡的知識傳播、社區(qū)發(fā)現(xiàn)、影響力評價方面的研究同樣成效顯著。但是到目前為止，基于引文網絡利用社區(qū)發(fā)現(xiàn)方法進行數(shù)據(jù)資源推薦，改善開放共享數(shù)據(jù)資源傳播和重用現(xiàn)狀，并深入分析“合著、共引、耦合”不同關聯(lián)社區(qū)構建方式，在數(shù)據(jù)推薦效果上的差異性方面，開展的深入研究和實踐工作則相對較少。

3 研究方法與數(shù)據(jù)準備

3.1 研究思路

通過學術論文引文網絡的社區(qū)發(fā)現(xiàn)算法，可以將引文網絡劃分成不同的社區(qū)網絡。每個社區(qū)網絡內的研究群體具有相似或相關的研究方向。若能夠發(fā)現(xiàn)并驗證某數(shù)據(jù)資源對特定社區(qū)網絡中某個或某些學術論文具有研究或參考價值，則可以認為該社區(qū)網絡中的其他論文作者也可能會對該數(shù)據(jù)資源產生興趣，并據(jù)此向該社區(qū)網絡進行相應數(shù)據(jù)資源的推薦，以充分利用引文網絡的知識傳播機制加速數(shù)據(jù)資源的傳播和重用。

如圖1所示，基于引文網絡社區(qū)發(fā)現(xiàn)的數(shù)據(jù)推薦算法具體步驟為：

圖1 基于引文網絡社區(qū)發(fā)現(xiàn)的數(shù)據(jù)推薦原理與步驟

（1）構建引文網絡關聯(lián)模型，基于圖數(shù)據(jù)庫引擎建立學術論文的引文關聯(lián)網絡；

（2）基于合著、共引、耦合關系，利用模塊度Louvain社區(qū)發(fā)現(xiàn)算法，發(fā)現(xiàn)具有相似或相關研究方向的社區(qū)網絡；

（3）利用論文與數(shù)據(jù)集基于內容相似性或引用等關系，分別建立數(shù)據(jù)集與3種引文社區(qū)網絡之間的關聯(lián)；

（4）將與數(shù)據(jù)集建立起關聯(lián)的3種社區(qū)網絡中各論文節(jié)點，進行疊加去重后進行數(shù)據(jù)推薦。

3.2 數(shù)據(jù)準備

如表1所示，為了開展研究，本文基于互聯(lián)網開放數(shù)據(jù)資源以及Web of Science核心數(shù)據(jù)庫獲得了以下測試數(shù)據(jù)：

表1 待推薦測試數(shù)據(jù)集

（1）發(fā)布于PANGAEA、Dryad、美國國家海洋和大氣局NOAA（National Oceanic and Atmospheric Administration）等，并在Earth System Science Data（ESSD）數(shù)據(jù)期刊上以數(shù)據(jù)論文方式進行出版的8個數(shù)據(jù)集，用作待推薦測試數(shù)據(jù)集；

（2）8個數(shù)據(jù)集的施引學術論文共計1001篇，用于推薦算法效果的測試與驗證；

（3）ESSD期刊中論文的施引論文5037篇，以及此5037篇論文的施引論文53809篇和參考文獻337483篇，用于學術論文引文網絡模型構建以及基于社區(qū)發(fā)現(xiàn)進行數(shù)據(jù)推薦測試。

4 引文關聯(lián)網絡建模

4.1 關聯(lián)網絡模型

針對數(shù)據(jù)集、論文、作者以及三者相互之間的引用、發(fā)表、合作等關系構建關聯(lián)知識網絡，將數(shù)據(jù)集、論文作者等實體以及實體間關聯(lián)，表示為一個頂點集以及頂點集的鄰接鏈表，每個鄰接鏈表存儲一個頂點的所有邊，并采用標準化的圖結構描述實體頂點及其關聯(lián)邊。具體引文關聯(lián)網絡模型設計如圖2所示。

圖2 引文關聯(lián)網絡模型

為了存儲引文網絡數(shù)據(jù)信息，并且方便基于引文網絡開展社區(qū)發(fā)現(xiàn)工作，本文選擇圖數(shù)據(jù)庫Neo4j作為引文網絡數(shù)據(jù)的存儲方案。圖數(shù)據(jù)庫善于處理大規(guī)模、復雜、互連接的數(shù)據(jù)。如圖3所示，相比采用傳統(tǒng)關系型數(shù)據(jù)庫，基于圖數(shù)據(jù)庫的關聯(lián)查詢時間復雜度可以保持在常數(shù)級別。此外，Neo4j還提供了高效的圖算法、推薦系統(tǒng)和OLAP（online analytical processing）風格的分析服務[37]。

圖3 關系型數(shù)據(jù)庫與圖數(shù)據(jù)庫算法復雜性對比

表2以數(shù)據(jù)集頂點為例，展示了引文關聯(lián)網絡模型中實體的形式化表達。表3給出了數(shù)據(jù)集與引文網絡關聯(lián)關系，即頂點間的關聯(lián)邊的形式化表達。

表2 數(shù)據(jù)集頂點實體模型

表3 數(shù)據(jù)集與引文網絡關聯(lián)關系模型

4.2 關聯(lián)網絡構建

1）合著網絡

如圖4所示，基于合著關系的關聯(lián)網絡構建原理為：如果兩名作者存在過論文合作關系，那么說明兩名作者存在一定的關聯(lián)性。兩名作者合作的論文數(shù)量越多，則說明這兩名作者關系越緊密。

圖4 基于合著關系構建關聯(lián)

2）共引網絡

如圖5所示，基于共引關系的關聯(lián)網絡構建原理為：如果兩篇論文同時被某篇論文所引用，那么說明這兩篇論文存在一定的關聯(lián)性。兩篇論文同被引次數(shù)越高，說明這兩篇論文的相似性或者關聯(lián)度越高。

圖5 基于共引關系構建關聯(lián)

3）耦合網絡

如圖6所示，基于耦合關系的關聯(lián)網絡構建原理為：如果兩篇論文有相同的參考文獻，那么說明這兩篇論文存在一定的關聯(lián)性。兩篇論文相同的參考文獻數(shù)量越多，則說明這兩篇論文的相似性或者關聯(lián)度越高。

圖6 基于耦合關系構建關聯(lián)

5 引文網絡的社區(qū)發(fā)現(xiàn)

目前，常用的社區(qū)發(fā)現(xiàn)算法包括：圖分割、層次聚類、劃分優(yōu)化以及標簽傳播等社區(qū)發(fā)現(xiàn)算法[38-39]。本文基于引文網絡所開展的社區(qū)發(fā)現(xiàn)工作，主要采用基于模塊度的Louvain算法實現(xiàn)。該算法的優(yōu)點是高效并且準確，被公認是性能最好的社區(qū)發(fā)現(xiàn)算法之一[40]。

模塊度和模塊度增量是Louvain算法中兩個最主要的參數(shù)。其中，模塊度Q用于描述劃分的社區(qū)內部節(jié)點的緊密程度，是評價社區(qū)劃分效果的重要指標。其計算公式[41]為

其中，m表示網絡中邊的總數(shù)；A表示節(jié)點間的重，若網絡中未引入權重，則Aij=1；ki表示節(jié)點k的度；σ(ci,cj)表示判斷社區(qū)ci與社區(qū)cj，如果是同一個社區(qū)，則取值為1，否則，取值為0。

在利用Louvain算法進行社區(qū)劃分過程中，對每個節(jié)點i，依次嘗試把節(jié)點i分配到其每個鄰居節(jié)點所在的社區(qū)，并計算分配前后的模塊度增量ΔQ，其簡化后的計算公式為

其中，ki,in表示社區(qū)c內節(jié)點與節(jié)點i的邊權重之和；表示與社區(qū)c內的節(jié)點相連的邊的權重之和。

6 “數(shù)據(jù)集-社區(qū)網絡”關聯(lián)構建與推薦

數(shù)據(jù)集與社區(qū)網絡之間關聯(lián)的構建，是在引文網絡社區(qū)發(fā)現(xiàn)工作完成之后，整個數(shù)據(jù)推薦算法至關重要的一環(huán)。能否通過關聯(lián)構建將數(shù)據(jù)集引導到真正對其感興趣的社區(qū)網絡是決定數(shù)據(jù)推薦最終成效的關鍵。構建數(shù)據(jù)集與引文社區(qū)網絡之間的關聯(lián)關系可以有引用、相似性度量等方式。由于引用關系存在時間滯后性和不確定性，在數(shù)據(jù)集發(fā)布的最初階段，主要采用相似性度量方式構建關聯(lián)；當數(shù)據(jù)集發(fā)表超過一定時間，并出現(xiàn)施引論文時，亦可采用引用關系進行關聯(lián)構建。

本文主要采用相似性度量方式，構建數(shù)據(jù)集與引文社區(qū)網絡之間的關聯(lián)，具體構建方法為：首先，基于向量空間模型對數(shù)據(jù)集和論文的標題與摘要信息進行矢量化與特征提?。黄浯?，在特征提取過程中，利用TF-IDF算法進行詞向量權值計算；最后，利用余弦相似度計算數(shù)據(jù)集與引文網絡中論文的相似度。

向量空間模型（vector space model，VSM）是自然語言處理中一種常用的模型，該模型由Gerard Salto等于1969年提出[42]。向量空間模型VSM將文本內容映射為一個特征向量V(d)=(t1,w1(d);…;tn,wn(d))，其 中ti(i=1,2,…,n)為 一 列 詞 條 項，wi(d)為ti在文檔d中的權值[42]。

TF-IDF（term frequency-inverse document fre‐quency）是一種用于信息檢索與數(shù)據(jù)挖掘的常用加權技術。字詞的重要性與其在單文本內容中出現(xiàn)的次數(shù)成正比，同時也與其在整個語料庫中出現(xiàn)的頻率成反比[43]。TF-IDF的計算公式為

其中，ni,j是該詞ti在文檔dj中的出現(xiàn)次數(shù)；是在文檔中所有字詞的出現(xiàn)次數(shù)之和；|D|表示語料庫中的文檔總數(shù)；|{j:ti∈dj}|指包含詞語ti的文檔數(shù)目，為避免被除數(shù)為零，一般情況下使用1+|{j:ti∈dj}|。

在特征提取過程中，由于選取的測試數(shù)據(jù)集和論文均為英文格式，因此，直接選擇空格進行分詞操作。為了提高相似性度量的準確度，本文在進行特征提取時，需要對a、the、of等常用詞進行停用處理，同時，還需要對英文的標點符號和數(shù)字等通過正則表達式方式進行清除。

此外，數(shù)據(jù)集di與論文dj之間的相似性度量采用余弦相似性進行實現(xiàn)，具體計算公式[44]為

其中，wk(di)表示數(shù)據(jù)集di描述信息中詞k的權重，該權重由公式(3)計算所得。

7 實驗結果

本文首先基于實驗數(shù)據(jù)進行了引文關聯(lián)網絡的構建，然后分別從合著、共引和耦合三種網絡關聯(lián)方式利用基于模塊度的Louvain社區(qū)發(fā)現(xiàn)算法完成了社區(qū)發(fā)現(xiàn)工作。為了提高社區(qū)內論文間的相關度、減少社區(qū)規(guī)模，本文選擇當兩篇論文出現(xiàn)共被引次數(shù)超過4次（含）以上時，構建兩篇論文的共引關聯(lián)；當兩篇論文相同的參考文獻超過5篇（含）時，構建兩篇論文的耦合關系。基于三種關系的社區(qū)發(fā)現(xiàn)最終結果如圖7所示。此外，圖7還展示了待推薦數(shù)據(jù)集與社區(qū)網絡之間通過相似性度量或者引用關系構建關聯(lián)的示例效果。

圖7 引文網絡三種社區(qū)發(fā)現(xiàn)效果與數(shù)據(jù)集推薦示例

利用引文網絡社區(qū)發(fā)現(xiàn)，對實驗數(shù)據(jù)進行推薦的效果如表4所示。本文在基于標題和摘要進行相似性度量以構建數(shù)據(jù)集與引文社區(qū)網絡的關聯(lián)時，選擇關聯(lián)數(shù)據(jù)論文的條件為相似度>0.50，如果相似度>0.50的論文數(shù)量超過5個，那么選擇相似度最高的5個論文構建關聯(lián)。由表4可知，在基于相似度的關聯(lián)構建方式下，除了數(shù)據(jù)集4推薦效果較差外，其他7個數(shù)據(jù)集的推薦論文中，覆蓋真實施引論文的概率均超過60%，平均覆蓋率為80.02%。這說明了通過相似度進行數(shù)據(jù)集與引文社區(qū)網絡之間的關聯(lián)關系構建，能夠有效的將待推薦數(shù)據(jù)集正確引導至可能對其感興趣的社區(qū)網絡中。針對推薦效果較差的數(shù)據(jù)集4，本文進一步通過選擇該數(shù)據(jù)集的第一篇施引論文，作為數(shù)據(jù)集與引文社區(qū)網絡的關聯(lián)構建方式。在該關聯(lián)網絡構建方式下，數(shù)據(jù)集4的真實施引論文被推薦到的覆蓋率達到了80.38%，這一定程度上說明了基于被引關系構建數(shù)據(jù)集與引文社區(qū)網絡間關聯(lián)的方法同樣有效。本文未計算推薦算法的查準率，主要是由于目前尚無法確認數(shù)據(jù)集對推薦的未施引論文沒有價值。這些被推薦而未施引的論文也可能是這些數(shù)據(jù)集的潛在感興趣用戶，該推測尚有待做進一步驗證。

表4 基于引文網絡社區(qū)發(fā)現(xiàn)的數(shù)據(jù)推薦效果

另外，通過合著、共引和耦合三種關聯(lián)網絡，利用社區(qū)發(fā)現(xiàn)算法所構建的社區(qū)網絡對最終推薦效果的影響程度來看，基于耦合關系構建的社區(qū)網絡貢獻度最大，且最穩(wěn)定；合著關系次之。而基于共引關系構建的社區(qū)網絡，因受數(shù)據(jù)集發(fā)布時間長短和數(shù)據(jù)集真實被引用次數(shù)的影響而效果差異較大。

8 結論

數(shù)據(jù)開放共享的目的是重用，而當前數(shù)據(jù)出版物的利用率和傳播效率整體偏低。為了加速科學數(shù)據(jù)的傳播和重用，提升科學數(shù)據(jù)開放共享成效，本文提出了一種基于引文網絡社區(qū)發(fā)現(xiàn)的數(shù)據(jù)推薦方法。該方法首先通過構建“數(shù)據(jù)集-論文-作者”之間的關聯(lián)網絡，利用Louvain算法分別從合著、共引和耦合三種關聯(lián)方式進行社區(qū)發(fā)現(xiàn)；然后，通過數(shù)據(jù)集與學術論文的標題及描述信息，基于TF-IDF算法與余弦相似性度量，構建數(shù)據(jù)集與學術論文引文網絡社區(qū)間的關聯(lián)，并以此進行數(shù)據(jù)推薦。從實驗結果可見，測試數(shù)據(jù)集所推薦的論文中，真實施引論文平均覆蓋率超過了80%，這說明了基于引文網絡社區(qū)發(fā)現(xiàn)的數(shù)據(jù)推薦方法，能夠有效發(fā)現(xiàn)數(shù)據(jù)集潛在感興趣的論文或作者。同時，可以發(fā)現(xiàn)在數(shù)據(jù)推薦效果的貢獻度和穩(wěn)定性方面，基于耦合關系的社區(qū)發(fā)現(xiàn)表現(xiàn)最優(yōu)，合著關系次之，而引用關系則受出版時間長短和被引次數(shù)的影響導致效果差異較大。

基于引文網絡社區(qū)發(fā)現(xiàn)的數(shù)據(jù)推薦方法，在真實施引論文被成功推薦的查全率方面表現(xiàn)良好。但是，該方法仍然存在進一步研究和優(yōu)化的空間。首先，在數(shù)據(jù)推薦結果的查準率方面，對于進行了數(shù)據(jù)集推薦的未施引論文是否對推薦數(shù)據(jù)集感興趣，是否可以成為推薦數(shù)據(jù)集的潛在使用對象，亦或者推薦的數(shù)據(jù)集對未施引論文是否完全沒有價值，尚有待進一步研究和驗證。另外，在數(shù)據(jù)推薦算法中，可以進一步引入權重計算，并根據(jù)待推薦論文與數(shù)據(jù)集的關聯(lián)路徑距離以及論文在社區(qū)網絡中的重要程度優(yōu)化推薦策略。

最后，本文希望通過基于引文網絡社區(qū)發(fā)現(xiàn)的數(shù)據(jù)推薦方法的研究和實踐工作，能夠充分利用現(xiàn)有學術論文經過幾百年的發(fā)展歷史所形成的龐大引文網絡和完善的知識傳播機制，推動開放科學數(shù)據(jù)的傳播和重用，為提高科學數(shù)據(jù)開放共享水平，以及促進科技創(chuàng)新和經濟社會發(fā)展做出貢獻。