提取完成后的數(shù)據(jù)示例如表1 所示。

表1 數(shù)據(jù)抽取示例

3.1.2 語言模型預(yù)訓(xùn)練

SC-ABCA 涉及引用語義相似度的計(jì)算，需要適當(dāng)?shù)淖匀徽Z言處理工具提供詞分布式表示支持。先前研究中常用的TF-IDF（term frequency-inverse doc‐ument frequency）方法易導(dǎo)致詞形和詞義的割裂[6]，而學(xué)科知識結(jié)構(gòu)探測任務(wù)往往不易獲得訓(xùn)練BERT（bidirectional encoder representation from transformers）等模型的先驗(yàn)知識。因此，在考慮效率和可擴(kuò)展性的基礎(chǔ)上，選擇word2vec 來對實(shí)驗(yàn)領(lǐng)域的全文語料庫進(jìn)行詞的分布式表示預(yù)訓(xùn)練。word2vec 算法使用神經(jīng)網(wǎng)絡(luò)以無監(jiān)督的方式從大型語料庫中學(xué)習(xí)詞的語義和詞與詞間的上下文關(guān)聯(lián)[50]，使詞語不限于詞語本身形態(tài)，還與相關(guān)詞保持著主題聯(lián)系。在其兩種主要模式中，CBOW（continuous bag of words) 通過輸入中心詞t的上下文窗口內(nèi)的詞來預(yù)測中心詞t，并通過負(fù)采樣和反向傳播更新詞嵌入向量矩陣。相對于另一種模式skip-gram，其對稀有詞的敏感度更低，更適合大規(guī)?？茖W(xué)文獻(xiàn)語料庫建模。

為了預(yù)先擬合特定領(lǐng)域的詞特征和詞間關(guān)系，本研究將實(shí)驗(yàn)領(lǐng)域全文數(shù)據(jù)集中的所有全文文章用作語料，預(yù)訓(xùn)練并生成領(lǐng)域word2vec 模型，以支持后續(xù)引用語義相似度計(jì)算。

3.1.3 引用位置的標(biāo)準(zhǔn)結(jié)構(gòu)學(xué)習(xí)

不同于共被引分析，引文耦合分析的分析對象是兩篇施引文獻(xiàn)，這意味著它們的章節(jié)結(jié)構(gòu)可能是不同的，無法用先前研究中的引文臨近指數(shù)（cita‐tion proximity index，CPI）等方式[5]進(jìn)行位置比較及計(jì)算相似度。為解決這一問題，本研究利用機(jī)器學(xué)習(xí)方法將引文在一篇論文中出現(xiàn)的位置，映射至三種標(biāo)準(zhǔn)化的章節(jié)類型——背景綜述型（Type I）、方法過程型（Type M）和拓展延伸型（Type F），它們的定義如表2 所示。

表2 標(biāo)準(zhǔn)化章節(jié)類型及定義

通過提取文章章節(jié)的特定特征（包括章節(jié)每字均含引文密度、章節(jié)含有引文在全文的占比、章節(jié)含有期刊類引文密度、章節(jié)標(biāo)題詞向量等），在該領(lǐng)域1861 條章節(jié)信息的人工標(biāo)注集上進(jìn)行訓(xùn)練。最終選擇表現(xiàn)最優(yōu)的支持向量機(jī)（support vector ma‐chine，SVM）模型，準(zhǔn)確率（accuracy，ACC）為0.91，受試者工作特征（receiver operating characteristic，ROC）曲線如圖2 所示。該模型將用于根據(jù)引文所在的章節(jié)特征，進(jìn)行標(biāo)準(zhǔn)化章節(jié)結(jié)構(gòu)映射。

圖2 備選映射模型的受試者工作特征曲線(ROC curve)彩圖請見https://qbxb.istic.ac.cn/CN/volumn/home.shtml。MNB：mul‐tinomial naive Bayes（多項(xiàng)式貝葉斯）；SVM：support vector machine（支持向量機(jī)）；RF：random forest（隨機(jī)森林）；kNN：k-nearest neighbor（k最鄰近）；area：曲線下面積。

3.2 增強(qiáng)型引文耦合強(qiáng)度計(jì)算

在SC-ABCA 中，增強(qiáng)型引文耦合相似度是核心部分，也是進(jìn)一步計(jì)算作者間聯(lián)系的基礎(chǔ)。

設(shè)作者A 撰有論文pA，作者B 有論文pB，pA與pB存在參考文獻(xiàn)交集R，對于任意一個耦合參考文獻(xiàn)條目r∈R，利用Gl?nzel 等[51]所建議的用于平緩融合異源數(shù)據(jù)的余弦角加權(quán)式，融合pA與pB關(guān)于r的引用語義相似度SemSimr(pA,pB)和引用語境相似度CtxSimr(pA,pB)，累加作為pA與pB的增強(qiáng)型引文耦合相似度SCBC_Relevance，即

其中，w1+w2= 1，w1、w2將通過調(diào)參獲得最優(yōu)配比；引用語義相似度和引用語境相似度的具體定義將在3.2.1 節(jié)和3.2.2 節(jié)中具體介紹。在SC-ABCA 中，增強(qiáng)型引文耦合相似度計(jì)算一方面用于層次化耦合聯(lián)系并探測語義和語境上更相似的耦合聯(lián)系，另一方面也用于篩除在語義或語境上相似度極低的耦合聯(lián)系，在本研究中，計(jì)算后的語義或語境相似性值在全局排名最低20%以內(nèi)的低值耦合連邊將被消減。

3.2.1 引用語義相似度

本研究將引用語義相似度定義為：兩篇文章同時引用一篇參考文獻(xiàn)時在主題內(nèi)容上的相似性。主題內(nèi)容相似性的計(jì)算基于3.1.2節(jié)預(yù)訓(xùn)練的word2vec模型。

在完成全文數(shù)據(jù)抽取后，每一篇論文p對于任意一篇參考文獻(xiàn)r都存在一個引用內(nèi)容文本列表Conr(p)，那么，對于作者A 與B 任意一對發(fā)生耦合的文章pA和pB的任意一篇共有參考文獻(xiàn)r，都有Conr(pA)=[conA1,conA2,…,conAn] 和 Conr(pB)=[conB1,conB2,…,conBm]。將兩個列表中的元素枚舉配對，分別從預(yù)訓(xùn)練的word2vec 模型中取出詞向量，組成句向量作余弦相似度計(jì)算并作累加，那么，引文耦合語境相似分值SemSimr(pA,pB)可定義為

3.2.2 引用語境相似度

本研究將引用語境相似度定義為：兩篇文章同時引用一篇參考文獻(xiàn)時在全文結(jié)構(gòu)內(nèi)具有的語境特征，包括提及次數(shù)和提及的章節(jié)位置。章節(jié)位置的標(biāo)準(zhǔn)化基于3.1.3 節(jié)的結(jié)構(gòu)映射模型。

從以往研究來看，大多數(shù)的引用集中于背景綜述型章節(jié)，而在此處的引用大多是不重要的[52-53]。因而，本研究以背景綜述型為基準(zhǔn)值1，分別為方法過程型和拓展延伸型分配權(quán)重系數(shù)θM和θF，兩者的具體數(shù)值將通過調(diào)參程序（參見4.3.1 節(jié)）在一定范圍內(nèi)搜索、調(diào)優(yōu)。

經(jīng)過上述過程，每一篇論文p對于任意一篇參考文獻(xiàn)r都將形成一個引用位置權(quán)重列表Locr(p)=[θ1,θ2,…,θn]。對于作者A 與B 任一對發(fā)生耦合的論文pA與pB的任意一篇參考文獻(xiàn)r，引文耦合語境相似分值CtxSimr(pA,pB)的計(jì)算公式為

其中考慮了兩個主要部分：①r對pA與pB的重要性大小，通過加和pA與pB關(guān)于r的位置權(quán)重列表總和獲得；②r對pA與pB的重要均衡性，通過將兩個位置權(quán)重列表的較小值除以較大值獲得。式(3)的意義在于：如果一篇參考文獻(xiàn)r在pA與pB出現(xiàn)更多次數(shù)并分布于更重要的位置，且在pA與pB中的重要性更為類似，那么pA與pB對于參考文獻(xiàn)r將具有更高的引用語境相似性。

3.3 “論文-主題-作者”聚合映射

在計(jì)算增強(qiáng)型引文耦合連邊并構(gòu)建起論文層引文耦合矩陣后，進(jìn)行如圖3 所示的“論文-主題-作者”聚合映射流程。與先前研究不同，本研究沒有采用直接取兩個作者參考文獻(xiàn)交集或取加權(quán)參考集最小值累加的做法，而是將作者的每篇論文視作一個相對獨(dú)立的研究場景，首先在獨(dú)立場景內(nèi)探討引用語義和語境的相似性，在經(jīng)聚類獲得學(xué)科知識結(jié)構(gòu)后，通過分布轉(zhuǎn)化手段構(gòu)建作者間的聯(lián)系強(qiáng)度。

圖3 “文獻(xiàn)-主題-作者”聚合映射流程示意

設(shè)引文耦合矩陣構(gòu)建的網(wǎng)絡(luò)中存在文獻(xiàn)節(jié)點(diǎn)集合V={v1,v2,…,vn}，在應(yīng)用社團(tuán)發(fā)現(xiàn)算法后產(chǎn)生主題社團(tuán)集合T={t1,t2…,tm}。對于任意一位作者文獻(xiàn)集P={p1,p2,…,pk}中的任意一篇論文pi與任一主題tj∈T的關(guān)聯(lián)緊密度wij，可用pi與tj下所有文獻(xiàn)節(jié)點(diǎn)的連邊權(quán)重總和計(jì)算，即

其中，vq∈V。δ內(nèi)算式vq∈tj為真時，δ(vq∈tj)=1；假時，δ(vq∈tj)=0。那么，每位作者的文獻(xiàn)集合主題分布可表示為進(jìn)而可得出該 作 者 的 興 趣 向 量 分 布 為ψ=（ψ中的所有元素加和將被置為1），表示該作者與現(xiàn)存主題的聯(lián)系緊密度偏重。在對所有作者進(jìn)行興趣向量生成后，獲得作者興趣向量矩陣及作者相關(guān)性矩陣。

4 實(shí)證研究

4.1 技術(shù)路線

實(shí)證研究的技術(shù)路線如圖4 所示。首先確定實(shí)驗(yàn)領(lǐng)域及期刊，在遵守中國知網(wǎng)（China National Knowledge Infrastructure，CNKI） 訪問規(guī) 則的 情況下獲取目標(biāo)領(lǐng)域的全文HTML 頁面。在解析后，將引用位置、提及次數(shù)、引用內(nèi)容文本和全文本語料用于SC-ABCA 的增強(qiáng)型引文耦合強(qiáng)度計(jì)算，并生成增強(qiáng)型引文耦合矩陣用于論文層聚類；在此基礎(chǔ)上，經(jīng)聚合映射過程形成作者興趣向量矩陣和相關(guān)性矩陣；最后，利用降維可視化技術(shù)、k-means 聚類和多種評估手段，將SC-ABCA 與現(xiàn)有ABCA 模型、對照組模型（含聚合映射過程但不使用全文數(shù)據(jù)）進(jìn)行多方位的量化比較，獲得研究結(jié)論。

圖4 實(shí)證研究技術(shù)路線

4.2 數(shù)據(jù)來源

本研究選擇圖情領(lǐng)域?yàn)閷?shí)驗(yàn)領(lǐng)域，其因有三：①圖情領(lǐng)域作為交叉學(xué)科，其學(xué)科的復(fù)雜性和較弱的體系結(jié)構(gòu)適合聚類對比實(shí)驗(yàn)；②在中文學(xué)術(shù)領(lǐng)域中，圖情領(lǐng)域較為活躍，且研究模式、出版較為規(guī)范；③本課題組研究領(lǐng)域同為圖情領(lǐng)域，便于解讀結(jié)果。在確定實(shí)驗(yàn)領(lǐng)域后，將時間跨度定為2016—2020 年，于2021 年6 月5 日開展數(shù)據(jù)采集工作，取CNKI 中“圖書情報與數(shù)字圖書館”領(lǐng)域綜合影響因子在1.0 以上的21 本期刊為數(shù)據(jù)來源（表3），并以論文發(fā)表年至2021 年每年平均被引1 次及以上的論文為數(shù)據(jù)采集對象，共采集到具有HTML 全文本格式的論文13562 篇，占期刊發(fā)文總量的85.5%。

表3 論文全文本數(shù)據(jù)來源與數(shù)量統(tǒng)計(jì) 篇

在對數(shù)據(jù)進(jìn)行初步處理和解析，篩除HTML 頁面格式不規(guī)范、缺乏重要信息的文獻(xiàn)后，最終獲得12468 篇用于后續(xù)實(shí)驗(yàn)的全文本數(shù)據(jù)，涉及作者6232 人（人工查證并排除了77 位疑似存在重名問題的學(xué)者），共產(chǎn)生參考文獻(xiàn)條目247402 個，總耦合邊數(shù)323516 條。文獻(xiàn)的耦合頻次分布、作者發(fā)文量分布、作者的耦合頻次分布如圖5 所示。

圖5 文獻(xiàn)與作者數(shù)據(jù)分布統(tǒng)計(jì)

由于作者引文耦合分析旨在分析活躍作者并傾向于發(fā)現(xiàn)當(dāng)前領(lǐng)域內(nèi)的知識結(jié)構(gòu)，與以往研究不同，本研究不設(shè)置作者選取閾值，而是將所有作者（6232 位）全部納入后續(xù)實(shí)驗(yàn)流程中。本研究的所有計(jì)算均在第一作者模式下展開，不選擇全作者模式的原因有以下兩點(diǎn)：①為了更好地與原始ABCA 進(jìn)行比較；②避免額外干擾因素，如掛名問題等。

4.3 研究方法

4.3.1 參數(shù)調(diào)優(yōu)方法

SC-ABCA 中有兩套參數(shù)需要在實(shí)際應(yīng)用時調(diào)優(yōu)，分別是：引用語境相似度即式(3)中引用位置列表Locr(P)可能涉及的章節(jié)重要性權(quán)重θM和θF，以及式(1)中引用語義相似度的權(quán)重w1和引用語境相似度的權(quán)重w2。面向這兩套參數(shù)，調(diào)優(yōu)過程分為兩個階段：第一階段，將w1置為最小值0，w2置為最大值1，通過模型表現(xiàn)優(yōu)劣選取最優(yōu)的θM和θF配置組；在第一階段基礎(chǔ)上，第二階段再進(jìn)行w1和w2的最佳配比調(diào)控。

上述調(diào)優(yōu)均需要利用標(biāo)注數(shù)據(jù)集對論文層社團(tuán)發(fā)現(xiàn)結(jié)果進(jìn)行測驗(yàn)。由于節(jié)點(diǎn)數(shù)目眾多，作為實(shí)證研究又缺乏分類先驗(yàn)知識，因此，本研究隨機(jī)抽取1000 對文獻(xiàn)節(jié)點(diǎn)對進(jìn)行關(guān)鍵詞語義相似度計(jì)算基礎(chǔ)上的人工判讀確認(rèn)。當(dāng)節(jié)點(diǎn)對在研究背景、研究方法、研究對象三個方面有兩者以上相同或相似時，人工標(biāo)注節(jié)點(diǎn)對為相關(guān)。在此基礎(chǔ)上，將1000 條標(biāo)注節(jié)點(diǎn)對與社團(tuán)發(fā)現(xiàn)結(jié)果進(jìn)行如表4 所示的比對，并計(jì)算精確率、召回率、F1 值和準(zhǔn)確率，分別為以選擇最優(yōu)配置組合用于后續(xù)實(shí)驗(yàn)。

表4 預(yù)測結(jié)果與標(biāo)注數(shù)據(jù)的比對方法

4.3.2 聚類與降維技術(shù)

1）論文層社團(tuán)發(fā)現(xiàn)

為避免直接、籠統(tǒng)地進(jìn)行作者級的引文耦合計(jì)算，本研究首先構(gòu)建作者在知識層面的聯(lián)系。通過Louvain 算法進(jìn)行論文層的社團(tuán)發(fā)現(xiàn)，以揭示領(lǐng)域知識結(jié)構(gòu)，為后續(xù)作者興趣向量的生成提供維度參照。

Louvain 算法是Blondel 等[54]在2008 年提出的社團(tuán)發(fā)現(xiàn)方法，能夠?qū)瑪?shù)億節(jié)點(diǎn)的大規(guī)模網(wǎng)絡(luò)進(jìn)行快速的社區(qū)發(fā)現(xiàn)。Louvain 算法的基本過程分為兩步：①將網(wǎng)絡(luò)中每個節(jié)點(diǎn)i視為一個社團(tuán)S，對于S的所有鄰接社團(tuán)T，嘗試把i移入T中，保留產(chǎn)生模塊度增量最大的一次移動；對所有節(jié)點(diǎn)都執(zhí)行此操作。②將上一過程獲得的新社團(tuán)轉(zhuǎn)化為新節(jié)點(diǎn)，新的邊權(quán)重來自社團(tuán)間的邊權(quán)重之和，形成簡化網(wǎng)絡(luò)。不斷重復(fù)上述兩個過程，直到模塊度不再增加。對于大型網(wǎng)絡(luò)而言，Louvain 算法具有高效、高精度的特點(diǎn)。

2）作者層聚類方法

在獲得作者興趣向量矩陣并轉(zhuǎn)化作者相關(guān)性矩陣（參見3.3 節(jié)）后，本研究使用k均值聚類算法（k-means）進(jìn)行作者層的聚類。k-means 是一種常用的迭代求解的聚類分析算法，其基本原理是：首先選擇盡可能相距較遠(yuǎn)的k個樣本為初始化質(zhì)心，再循環(huán)計(jì)算數(shù)據(jù)集中每個樣本點(diǎn)到質(zhì)心距離，將其歸入最近質(zhì)心類別并更新質(zhì)心位置，直到質(zhì)心變動距離收斂為止。本研究選擇k-means 的原因有二：①算法復(fù)雜度低，可應(yīng)對大規(guī)模數(shù)據(jù)集；②聚類結(jié)果有效、直觀，易于理解和解釋。

3）降維可視化技術(shù)

本研究使用t 分布隨機(jī)近鄰嵌入（t-distribution stochastic neighbor embedding，t-SNE） 對模型樣本產(chǎn)生的矩陣進(jìn)行降維和可視化。t-SNE 是一種非線性降維技術(shù)，適合在低維空間中嵌入并可視化高維數(shù)據(jù)，其保證在原始空間中距離相近的點(diǎn)在投影至低維空間后仍然相近[55]。t-SNE 算法包括兩個階段：第一階段，對每個數(shù)據(jù)點(diǎn)與其他節(jié)點(diǎn)的相似性分布進(jìn)行建模，將相似性轉(zhuǎn)換為概率分布，其中，原始空間中的相似度由高斯聯(lián)合概率（Gaussian joint probabilities）表示，低維空間中的相似度由t 分布（student's t-distribution）表示，這有助于數(shù)據(jù)點(diǎn)在低維空間中分布得更均勻；第二階段，利用梯度下降法最小化上述兩種概率分布的相對熵（Kullback-Leibler divergence），即找到高維空間向低維空間的最優(yōu)變換。

t-SNE 相較于主成分分析、多維尺度變換等降維技術(shù)更為靈活，可避免直接降維的數(shù)據(jù)重疊，易于直觀地觀察數(shù)據(jù)在多種尺度、流形、聚類形態(tài)下的分布情況；相較于其前身SNE（stochastic neigh‐bor embedding）[56]，能夠緩解數(shù)據(jù)點(diǎn)的中心擁擠趨向。目前，t-SNE 已廣泛應(yīng)用于基因組學(xué)、自然語言處理、生物信息學(xué)等領(lǐng)域的研究中。

4.3.3 評估方法

1）對照組構(gòu)建

為防止SC-ABCA 方法中部分改進(jìn)舉措的無效性或干擾性，便于對比和效果呈現(xiàn)，本研究設(shè)置了對照組模型。如表5 所示，對照組模型將具有與SC-ABCA 一致的雙層架構(gòu)，擁有“論文-主題-作者”聚合映射過程；但其不使用全文本數(shù)據(jù)，僅將文獻(xiàn)耦合次數(shù)作為引文耦合強(qiáng)度。

表5 三組模型樣本的基本配置對比

2）聚類形態(tài)（外部）評估

聚類形態(tài)（外部）評估即通過數(shù)據(jù)圖中數(shù)據(jù)點(diǎn)分布是否具有清晰的聚類形態(tài)來判定聚類效果的好壞。本研究中使用輪廓系數(shù)（silhouette index）來量化聚類的形態(tài)表現(xiàn)，其將主要應(yīng)用在k-means 聚類時的最優(yōu)k值選取中。設(shè)有數(shù)據(jù)集D，并已通過某一算法獲得了若干類簇，那么輪廓系數(shù)的計(jì)算方法定義為

其中，I(i)表示D內(nèi)任一節(jié)點(diǎn)i與其所屬類簇內(nèi)其他節(jié)點(diǎn)的距離均值；E(i)表示節(jié)點(diǎn)i與其所屬類簇的最近鄰簇內(nèi)節(jié)點(diǎn)的距離均值。輪廓系數(shù)越大，說明數(shù)據(jù)集D內(nèi)的類簇間距越遠(yuǎn)，聚類形態(tài)越佳。

3）聚類內(nèi)容（內(nèi)部）評估

僅僅從聚類的形態(tài)進(jìn)行聚類效果評估是不夠的。良好的聚類通常應(yīng)具有真實(shí)性和較強(qiáng)的類簇內(nèi)在屬性聯(lián)系，完全以聚類形態(tài)為導(dǎo)向的評估，將忽略類簇可能存在的層次特征（如子群的存在）。然而，作為實(shí)證研究，完整的分類先驗(yàn)知識難以獲取，這使得蘭德系數(shù)、互信息等常用聚類評估無法使用。在此，本研究借鑒了Boyack 等[44]提出的類簇內(nèi)容一致性檢驗(yàn)方法，提出以下兩種聚類內(nèi)容評估指標(biāo)。

（1）內(nèi)容凝聚度增值（content coherence gain）。內(nèi)容凝聚度增值用于評估當(dāng)前數(shù)據(jù)集內(nèi)各類簇中的樣本內(nèi)容屬性的一致程度，定義為

其中，G表示當(dāng)前已獲得的類簇集合G={c1,表示類簇c中所有樣本與類簇質(zhì)心間的關(guān)鍵詞集word2vec 向量的余弦相似度均值，ξ表示與類簇c等大的隨機(jī)生成類簇，取差值并以類簇大小為權(quán)加總所有c∈G，獲得內(nèi)容凝聚度增值。其意義在于，評估當(dāng)前算法獲得的聚類類簇多大程度上具有高于隨機(jī)水平的內(nèi)容內(nèi)聚性。

（2）直引概率增值（directed citation probability gain）。直引概率增值用于表示當(dāng)前算法獲得的聚類結(jié)果發(fā)生類內(nèi)直引的概率在多大程度上高于隨機(jī)水平。定義為

其中，G表示當(dāng)前數(shù)據(jù)集D已獲得的類簇集合G={c1,c2,…,ck}；對于其中任一類簇c中的任一點(diǎn)i，dc(i,c)表示i引用類內(nèi)樣本的次數(shù)，dc(i,ξ)表示i引用與類簇c等大的隨機(jī)生成類簇ξ內(nèi)樣本的次數(shù)，為D中的所有i計(jì)算后取均值作為聚類結(jié)果的直引概率增值，意為平均而言，聚類后的樣本點(diǎn)多大程度上傾向于引用類內(nèi)而非隨機(jī)生成的節(jié)點(diǎn)。

4.4 實(shí)證結(jié)果

4.4.1 調(diào)參結(jié)果

本節(jié)展示3.3 節(jié)中各參數(shù)的最優(yōu)權(quán)重配置調(diào)整結(jié)果。經(jīng)上文所述的數(shù)據(jù)抽取與預(yù)處理后，共獲得12468 個文獻(xiàn)節(jié)點(diǎn)和323516 個總耦合連邊，本節(jié)參數(shù)調(diào)整均在此基礎(chǔ)上展開。

（1）語境相似度計(jì)算中的位置權(quán)重θM和θF權(quán)重配置與F1-score 分值如圖6 所示。結(jié)合三維柱形圖和切面投影圖可知，當(dāng)拓展延伸型章節(jié)權(quán)重θF略高于基準(zhǔn)值1（背景綜述型章節(jié)值）且方法過程型章節(jié)θM略高于θF時，模型表現(xiàn)較優(yōu)；當(dāng)θM、θF和基準(zhǔn)值過于接近或差值過大時，模型表現(xiàn)呈下降趨勢。在本研究中，最優(yōu)配置應(yīng)位于(θM= 1.6,θF=1.2)處。

圖6 引用位置的權(quán)重參數(shù)調(diào)整結(jié)果

（2）語義相似度w1和語境相似度w2的權(quán)重配比及得分如表6 所示。由表6 可知，語義相似度權(quán)重為0.6、語境相似性權(quán)重為0.4 時模型具有最優(yōu)的效果。此外，最終調(diào)優(yōu)的模型相較于對照組，即通常使用的文獻(xiàn)耦合分析法，F(xiàn)1-score 提升超過13 個百分點(diǎn)，準(zhǔn)確率（ACC） 提升超過10 個百分點(diǎn)。這從定量角度說明，引入全文本數(shù)據(jù)可以為傳統(tǒng)文獻(xiàn)耦合分析帶來明顯的聚類效果提升。

表6 語義和語境相似度權(quán)重配比及得分

4.4.2 論文層社團(tuán)發(fā)現(xiàn)結(jié)果

在確定最優(yōu)參數(shù)的SC-ABCA 后，以所有實(shí)驗(yàn)文獻(xiàn)為節(jié)點(diǎn)，增強(qiáng)型耦合聯(lián)系強(qiáng)度為邊權(quán)構(gòu)建論文層的耦合網(wǎng)絡(luò)，用于發(fā)現(xiàn)領(lǐng)域知識結(jié)構(gòu)以支持后續(xù)作者興趣向量的生成。SC-ABCA 與對照組的論文層級網(wǎng)絡(luò)基本情況如表7 所示。由表7 可見，SCABCA 網(wǎng)絡(luò)相較于對照組更為稀疏，且在模塊度水平接近的情況下含有更多的模塊。

表7 論文層網(wǎng)絡(luò)基本信息

圖7展示了SC-ABCA 及對照組在論文層級的社團(tuán)發(fā)現(xiàn)結(jié)果，其中的流量刻畫了兩組結(jié)果的對應(yīng)聯(lián)系，模塊標(biāo)簽名來自各模塊含有論文標(biāo)題與關(guān)鍵詞的TF-IDF 抽取結(jié)果和人工查驗(yàn)總結(jié)。圖7 顯示，SC-ABCA 相較于對照組，發(fā)現(xiàn)了更多、更細(xì)的研究主題，例如，對照組的#8 公共文化服務(wù)被細(xì)分為閱讀推廣與閱讀療法、圖書館公共文化服務(wù)、微信平臺與微服務(wù)等5 個模塊；#5 移動圖書館、社交媒體與知識共享被細(xì)分至個性化推薦研究、虛擬社區(qū)與知識互動行為研究、信息搜索與信息偶遇、社交媒體與社交網(wǎng)絡(luò)等6 個模塊；#16 科學(xué)計(jì)量與科技評價被細(xì)分至科技評價、學(xué)科交叉與合作研究等4個模塊；#9 專利情報與智能技術(shù)應(yīng)用被細(xì)分至科技前沿識別與演化路徑分析、專利情報分析、深度學(xué)習(xí)與自然語言處理應(yīng)用等5 個模塊。

圖7 論文層級聚類結(jié)果對比

需要注意的是，由于領(lǐng)域知識結(jié)構(gòu)中存在眾多零散模塊，本研究僅保留含有節(jié)點(diǎn)量在總體1%及以上的主要主題模塊，便于后續(xù)作者興趣向量生成。SC-ABCA 共獲得30 個（含總節(jié)點(diǎn)量91.5%），對照組共獲得12 個（含總節(jié)點(diǎn)量92.7%）。

4.4.3 作者層聚類結(jié)果

本節(jié)將比較提出方法SC-ABCA 與ABCA 及對照組的作者研究興趣社群發(fā)現(xiàn)效果。

在將論文層級的耦合聚類與領(lǐng)域知識結(jié)構(gòu)轉(zhuǎn)化為作者的研究興趣分布，形成每個作者的研究興趣向量后，SC-ABCA 生成了5476 個30 維的作者興趣向量，對照組生成了5800 個12 維的作者興趣向量，進(jìn)而將兩個作者興趣向量矩陣分別轉(zhuǎn)化為5476×5476 和5800×5800 的Pearson 相 關(guān) 系 數(shù) 矩 陣；對于ABCA，遵循原始版本中的計(jì)算和矩陣構(gòu)建方法[1]，生成5960×5960 的作者引文耦合矩陣，并同樣轉(zhuǎn)化為Pearson 相關(guān)系數(shù)矩陣。

圖10 對照組作者聚類結(jié)果

將轉(zhuǎn)化后的SC-ABCA 矩陣、對照組矩陣和AB‐CA 矩陣分別作為t-SNE 降維技術(shù)和k-means 聚類算法的輸入。首先利用t-SNE 形成3 個矩陣在低維空間的可視化群落分布，然后利用輪廓系數(shù)曲線分別確定超參數(shù)k（類別數(shù)量）的取值，在此基礎(chǔ)上為群落著色，如圖8~圖11 所示。

圖8 輪廓系數(shù)曲線

由圖8~圖11 可直觀觀察到3 種矩陣所形成的領(lǐng)域作者興趣社群分布狀況。SC-ABCA 的作者興趣社群呈星狀、團(tuán)狀分布，社群繁多并且小而緊湊；對照組形成的作者興趣社群呈樹狀分布，各社群面積較大但劃分較為明確；ABCA 形成的作者興趣社群分布中存在一個巨大而聚類特征不明確的團(tuán)簇，總體聚類效果不佳。

由圖8 可知，對照組明顯的輪廓系數(shù)峰值出現(xiàn)在k=11 處；SC-ABCA 的輪廓系數(shù)峰值出現(xiàn)相對較晚且平緩，最優(yōu)k值達(dá)到27；ABCA 的輪廓系數(shù)曲線不具有收斂峰值，結(jié)合觀察k=11 時的次高峰與圖11，將其k值定為11。從輪廓系數(shù)峰值的橫向?qū)Ρ葋砜?，ABCA 遠(yuǎn)落后于另兩者，而SC-ABCA 不及未使用全文信息的對照組，這可能是因?yàn)镾C-AB‐CA 的聚類群落更多且分布更為臨近，群落間的平均距離不及對照組而導(dǎo)致輪廓系數(shù)稍低。

圖9 SC-ABCA作者聚類結(jié)果

圖11 ABCA作者聚類結(jié)果

本研究進(jìn)而從聚類內(nèi)容指標(biāo)比較三者的差異。圖12 展示了3 個模型在各自最優(yōu)k值下的內(nèi)容凝聚度增值和直引概率增值。在兩個評估指標(biāo)上，使用聚合映射方法的SC-ABCA 和對照組均獲得遠(yuǎn)優(yōu)于現(xiàn)有ABCA 的分值；而利用全文數(shù)據(jù)計(jì)算增強(qiáng)型引文耦合強(qiáng)度的SC-ABCA 相較于不使用全文數(shù)據(jù)的對照組又有大幅提升，內(nèi)容凝聚度增值提升約27.7%，直引概率增值提升約50.0%。這說明在SCABCA 發(fā)現(xiàn)的作者興趣社群內(nèi)，作者從事的研究主題具有更強(qiáng)的群內(nèi)一致性，更傾向于引用群內(nèi)作者的研究成果。

圖12 內(nèi)容凝聚度增值和直引概率增值評估結(jié)果

為排除SC-ABCA 較高的k值可能攜帶的內(nèi)容凝聚度增值優(yōu)勢，在多個k值上進(jìn)行再評估，并繪制內(nèi)容凝聚度增值曲線。如圖13 所示，內(nèi)容凝聚度增值的提升并不僅僅是更細(xì)的社群劃分帶來的，對照組在輪廓系數(shù)到達(dá)峰值（k=11）后，內(nèi)容凝聚度增值已在0.22 左右臨近飽和，而SC-ABCA 的內(nèi)容凝聚度增值直至輪廓系數(shù)收斂點(diǎn)（k=27） 后才在0.28 左右臨近飽和，并仍保留有稍高的增長趨勢?？傮w來看，SC-ABCA 在聚類內(nèi)部評估上的表現(xiàn)優(yōu)于對照組，并大幅優(yōu)于現(xiàn)有ABCA。

圖13 內(nèi)容凝聚度增值曲線圖

5 討 論

結(jié)合上述結(jié)果可以得出結(jié)論，本研究提出的SC-ABCA 相較于現(xiàn)有ABCA 具更優(yōu)的作者興趣社群發(fā)現(xiàn)效果。即使面對大規(guī)模的作者總量，SC-AB‐CA 仍呈現(xiàn)出更佳、更細(xì)致的聚類群落分布，其劃分出的作者興趣社群具有更高的群內(nèi)同質(zhì)性——同群作者具有更強(qiáng)的研究關(guān)鍵詞一致性，具有更高的互引概率。本研究有以下發(fā)現(xiàn)。

（1）融入全文數(shù)據(jù)的增強(qiáng)型引文耦合強(qiáng)度有利于發(fā)現(xiàn)更為細(xì)致的學(xué)科知識結(jié)構(gòu)。不論在論文層還是作者層，SC-ABCA 與不使用全文數(shù)據(jù)的對照組的結(jié)果差異都在于前者發(fā)現(xiàn)了更多的群落，這使得每個群落下的樣本具有更強(qiáng)的同質(zhì)性。一般來說，科學(xué)文獻(xiàn)通常需要對相關(guān)著作進(jìn)行密集引用，其中既涉及與該文獻(xiàn)密切相關(guān)的領(lǐng)域，也涉及次相關(guān)或弱相關(guān)的基礎(chǔ)前身領(lǐng)域，若僅考慮簡單的引用計(jì)數(shù)，將很難及時地將新興子領(lǐng)域從父領(lǐng)域或其他緊密相關(guān)的領(lǐng)域中細(xì)分出來；而SC-ABCA 考慮了施引方在引用不同程度相關(guān)的參考文獻(xiàn)時，引文具有的特定語義和語境特征，這大大豐富了現(xiàn)有耦合強(qiáng)度的深度和可解釋性，有利于使特定的研究主題群落在術(shù)語、上下文，甚至研究邏輯與習(xí)慣上呈現(xiàn)出不同于其他主題群落的特征表現(xiàn)。因此，更易于呈現(xiàn)出細(xì)致的學(xué)科知識結(jié)構(gòu)發(fā)現(xiàn)效果。

（2）利用論文層耦合聚類形成的知識結(jié)構(gòu)來映射構(gòu)建作者興趣向量是可行的?，F(xiàn)有ABCA 慣例式地采用了將作者來自不同論文的所有參考文獻(xiàn)直接歸攏為集合以參與運(yùn)算的做法，由于作者是比科技文獻(xiàn)更為復(fù)雜的主體（可能具有多元化的研究興趣），這一做法并不恰當(dāng)。例如，對于那些已極為成熟的主題領(lǐng)域，盡管某作者僅在該主題少量發(fā)文，也極易與該主題領(lǐng)域內(nèi)的眾多作者產(chǎn)生耦合聯(lián)系，如果該作者另有主要從事的主題領(lǐng)域，那么他將被不正確地歸入這一成熟主題領(lǐng)域；如果該作者的主要從事領(lǐng)域是一新領(lǐng)域且其扮演著關(guān)鍵節(jié)點(diǎn)角色，那么新領(lǐng)域可能也將被“吞噬”，難以發(fā)現(xiàn)。數(shù)據(jù)量越大，越趨于復(fù)雜，這一關(guān)鍵問題就越發(fā)明顯，如圖11 所示的巨型噪聲群簇。本研究首先在論文層，即作者的獨(dú)立研究場景內(nèi)進(jìn)行了基于引用語義和語境特征的耦合網(wǎng)絡(luò)聚類，然后將作者的每一篇論文投射到聚類形成的領(lǐng)域知識結(jié)構(gòu)中，計(jì)算該論文與每個主題的聯(lián)系緊密程度，以此將作者的文獻(xiàn)集轉(zhuǎn)化為作者興趣向量，這在本質(zhì)上將作者間的引文耦合相似性轉(zhuǎn)化為了作者間知識結(jié)構(gòu)的相似性，使作者間的聯(lián)系更為穩(wěn)定，更具魯棒性，能更好地應(yīng)對大規(guī)模數(shù)據(jù)。

（3） SC-ABCA 具有一定的可拓展性和應(yīng)用前景。相較于以往嚴(yán)格限制分析對象數(shù)量的作者級引文分析方法，SC-ABCA 不再僅限于對少數(shù)“領(lǐng)域精英”的分析，而是能夠勝任分析大規(guī)模作者群體的任務(wù)，并為其中的多樣化作者個體提供更為可靠的相似性分析結(jié)果，可進(jìn)而投入眾多大數(shù)據(jù)級的學(xué)術(shù)用戶信息服務(wù)應(yīng)用場景中，有望為合作預(yù)測與推薦、科研用戶畫像、科研群組知識服務(wù)等提供精準(zhǔn)化支持。

6 結(jié) 語

本研究提出了一種增強(qiáng)型的作者引文耦合分析方法SC-ABCA。該方法面向現(xiàn)有作者引文耦合關(guān)系強(qiáng)度對于有限的外在著錄信息的依賴問題，通過對施引文獻(xiàn)全文本的挖掘，基于全文層面的引用語義和語境特征計(jì)算引文耦合強(qiáng)度，從施引動機(jī)間的相似性這一本質(zhì)層面，為引文耦合關(guān)系提供了更具差異性和可解釋性的空間，是對傳統(tǒng)文獻(xiàn)計(jì)量方法在全文本可用背景下的有益延展與創(chuàng)新。同時，該方法進(jìn)一步考慮了單作者的多元化研究興趣，利用“論文-主題-作者”聚合映射代替ABCA 面向作者直接歸攏文獻(xiàn)的過程，使作者在各研究論文中體現(xiàn)的引用語義和語境特征均能獨(dú)立地參與耦合關(guān)系強(qiáng)度的計(jì)算，為更細(xì)致、更具魯棒性的作者興趣社群發(fā)現(xiàn)提供了可能。通過與ABCA、設(shè)置對照組的量化對比實(shí)驗(yàn)和評估，本研究發(fā)現(xiàn)SC-ABCA 相較于現(xiàn)有方法具有更優(yōu)的作者興趣社群發(fā)現(xiàn)效果，并適用于面向大體量作者的分析，這可能拓寬現(xiàn)有方法的適用范圍，使之更易對接廣泛的下游應(yīng)用，具有一定拓展前景。

然而，SC-ABCA 也存在著局限。首先，SCABCA 的運(yùn)行依賴于學(xué)術(shù)論文的全文本格式數(shù)據(jù)，而此類數(shù)據(jù)的獲取在當(dāng)下仍然不成熟，尤其在國內(nèi)，部分領(lǐng)域的全文數(shù)據(jù)獲取相對不易，全文本格式也不夠規(guī)范，這可能影響SC-ABCA 在當(dāng)前的實(shí)際可用性和分析結(jié)果的完整性。其次，SC-ABCA中的引文范圍定義沿用了先前研究的結(jié)論[35]，而更準(zhǔn)確的引文范圍識別需要額外的機(jī)器學(xué)習(xí)模型支持；最后，在本研究開展的對比研究中，為了降低多作者署名帶來未知干擾因素，僅使用了第一作者的計(jì)算模式，如何考慮單篇文章中各合作者的主題偏向性是SC-ABCA 有效應(yīng)用全作者和分?jǐn)?shù)計(jì)數(shù)模式前必須解決的問題。

當(dāng)前，科技論文的全文本獲取、解析，包括基本規(guī)律的揭示已不再困難，但如何利用好這些豐富的全文本層數(shù)據(jù)，如何將它們與適當(dāng)?shù)募夹g(shù)、理論有機(jī)融合，如何最大限度地發(fā)揮它們的價值并推動現(xiàn)有情報分析方法的精準(zhǔn)化革新，是從事該方向的學(xué)者乃至整個圖情領(lǐng)域仍須重點(diǎn)考慮和關(guān)注的問題。