竇金花，張彬蕊，錢(qián)曉松

【院士專(zhuān)欄：中華文化數(shù)字化創(chuàng)新設(shè)計(jì)研究新范式】

人工智能賦能文化遺產(chǎn)領(lǐng)域的研究綜述——基于CiteSpace的可視化分析

竇金花，張彬蕊，錢(qián)曉松

（北京科技大學(xué) 機(jī)械工程學(xué)院，北京 100083）

對(duì)人工智能賦能文化遺產(chǎn)的國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行系統(tǒng)的梳理與總結(jié)，分析當(dāng)前研究的熱點(diǎn)與未來(lái)趨勢(shì)。以Web of Science數(shù)據(jù)庫(kù)和CNKI數(shù)據(jù)庫(kù)中人工智能賦能文化遺產(chǎn)領(lǐng)域的文獻(xiàn)為研究對(duì)象，運(yùn)用CiteSpace軟件對(duì)文獻(xiàn)進(jìn)行可視化，從文獻(xiàn)發(fā)表數(shù)量、學(xué)科分布、作者與機(jī)構(gòu)合作、國(guó)家與地區(qū)分布、研究熱點(diǎn)、研究趨勢(shì)六個(gè)方面，以文獻(xiàn)計(jì)量的方法對(duì)可視化結(jié)果及文獻(xiàn)主題進(jìn)行分析與綜述。國(guó)內(nèi)外對(duì)人工智能賦能文化遺產(chǎn)的研究總量較少，但總體研究數(shù)量呈增長(zhǎng)趨勢(shì)；受人工智能技術(shù)發(fā)展影響較大，研究多在計(jì)算機(jī)學(xué)科中展開(kāi)；核心作者與機(jī)構(gòu)之間合作較少，需要進(jìn)一步加強(qiáng)合作；中國(guó)、意大利、西班牙、英國(guó)開(kāi)展了較多研究且影響力較高，研究影響力與學(xué)者所在國(guó)家的文化遺產(chǎn)豐富程度密切相關(guān)；研究熱點(diǎn)上，深度學(xué)習(xí)、知識(shí)圖譜是該領(lǐng)域內(nèi)較為熱門(mén)的應(yīng)用技術(shù)，對(duì)文化遺產(chǎn)的數(shù)字化處理、信息組織與虛擬修復(fù)是較為熱門(mén)的研究范疇；研究趨勢(shì)上，文化遺產(chǎn)與人工智能技術(shù)將會(huì)進(jìn)一步緊密結(jié)合，應(yīng)用人工智能技術(shù)對(duì)物質(zhì)文化遺產(chǎn)、非物質(zhì)文化遺產(chǎn)進(jìn)行保護(hù)與傳承具有重要意義。研究梳理了文化遺產(chǎn)與人工智能技術(shù)的結(jié)合現(xiàn)狀，探索了未來(lái)文化遺產(chǎn)事業(yè)發(fā)展的新方向，在文化遺產(chǎn)與科技創(chuàng)新融合的路徑上，為文化遺產(chǎn)保護(hù)與傳承的研究提供了更多思路。

文化遺產(chǎn)；人工智能；CiteSpace；可視化分析

文化遺產(chǎn)（Cultural Heritage，CH）包括物質(zhì)文化遺產(chǎn)和非物質(zhì)文化遺產(chǎn)，從存在形態(tài)來(lái)看，也分為有形文化遺產(chǎn)和無(wú)形文化遺產(chǎn)。對(duì)有形的文化遺產(chǎn)，根據(jù)《保護(hù)世界文化和自然遺產(chǎn)公約》定義，文化遺產(chǎn)包含古跡、建筑群、遺址[1]。對(duì)無(wú)形的文化遺產(chǎn)，根據(jù)聯(lián)合國(guó)教科文組織《保護(hù)非物質(zhì)文化遺產(chǎn)公約》中的定義，“非物質(zhì)文化遺產(chǎn)”指被各社區(qū)、群體，有時(shí)是個(gè)人，視為其文化遺產(chǎn)組成部分的各種社會(huì)實(shí)踐、觀念表述、表現(xiàn)形式、知識(shí)、技能及相關(guān)的工具、實(shí)物、手工藝品和文化場(chǎng)所[2]。近年來(lái)，隨著人工智能（Artificial Intelligence，AI）、大數(shù)據(jù)分析等技術(shù)在各領(lǐng)域的應(yīng)用，國(guó)內(nèi)外文化遺產(chǎn)領(lǐng)域結(jié)合人工智能技術(shù)開(kāi)展了一系列的研究工作。人工智能是研究開(kāi)發(fā)能夠模擬、延伸和擴(kuò)展人類(lèi)智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)技術(shù)科學(xué)[3]。隨著人工智能技術(shù)的快速發(fā)展，人工智能生成內(nèi)容（AI Generated Content，AIGC）技術(shù)的應(yīng)用也使文化領(lǐng)域面臨新的機(jī)遇與挑戰(zhàn)，基于人工智能技術(shù)推動(dòng)文化遺產(chǎn)的創(chuàng)造性轉(zhuǎn)化及創(chuàng)新性發(fā)展，對(duì)文化遺產(chǎn)的保護(hù)與傳承具有重要意義。人工智能技術(shù)作為新一輪科技革命和產(chǎn)業(yè)變革的核心力量，在國(guó)內(nèi)外文化遺產(chǎn)的保護(hù)與傳承工作中發(fā)揮著重要的作用，人工智能技術(shù)如何賦能文化遺產(chǎn)領(lǐng)域成為學(xué)界關(guān)注的熱點(diǎn)。

本文運(yùn)用CiteSpace軟件對(duì)Web of Science數(shù)據(jù)庫(kù)與CNKI數(shù)據(jù)庫(kù)中的國(guó)內(nèi)外相關(guān)文獻(xiàn)進(jìn)行計(jì)量與可視化分析，并結(jié)合文獻(xiàn)內(nèi)容梳理人工智能賦能文化遺產(chǎn)領(lǐng)域的研究現(xiàn)狀及研究熱點(diǎn)，預(yù)測(cè)該研究主題的發(fā)展趨勢(shì)，為文化遺產(chǎn)的保護(hù)、傳承及可持續(xù)性發(fā)展提供參考。

1 數(shù)據(jù)來(lái)源與研究方法

1.1 數(shù)據(jù)來(lái)源與處理

國(guó)際文獻(xiàn)在Web of Science核心合集數(shù)據(jù)庫(kù)中以“cultural heritage”“AI”及具體的人工智能技術(shù)關(guān)鍵詞作為主題進(jìn)行組合檢索，共檢索到347條文獻(xiàn)記錄，檢索式如下：TS = (((AI) OR (knowledge graph) OR (deep learning) OR (machine learning) OR (neural networks) OR (CNN) OR (NLP) OR (LSTM) OR (RNN) OR (GNN) OR (GAN) OR (GA)) AND (cultural heritage))。國(guó)內(nèi)文獻(xiàn)則在CNKI數(shù)據(jù)庫(kù)中以“文化遺產(chǎn)+人工智能（AI）關(guān)鍵詞”為主題對(duì)中文總庫(kù)進(jìn)行組合檢索，僅保留有檢索記錄的檢索式進(jìn)行列表（檢索式見(jiàn)表1），共得到236條文獻(xiàn)記錄。以“非遺”或“文化”+“AI關(guān)鍵詞”的方式進(jìn)行補(bǔ)充檢索，并添加領(lǐng)域知名學(xué)者文獻(xiàn)，最終獲得檢索結(jié)果記錄244條。為確保文獻(xiàn)質(zhì)量，本研究對(duì)以上檢索結(jié)果進(jìn)行了精煉，剔除了會(huì)議記錄、在線(xiàn)發(fā)表、社論材料等，去除重復(fù)文獻(xiàn)，并手動(dòng)剔除了綜述類(lèi)文獻(xiàn)、與人工智能算法及文化遺產(chǎn)研究不相關(guān)的文獻(xiàn)，最終得到256篇國(guó)際文獻(xiàn)和209篇國(guó)內(nèi)文獻(xiàn)作為本文分析工作的數(shù)據(jù)源，檢索與篩選流程見(jiàn)圖1。按照上述檢索方式進(jìn)行檢索并篩選后得到的文獻(xiàn)在WOS數(shù)據(jù)庫(kù)中最早發(fā)表于2003年，在CNKI數(shù)據(jù)庫(kù)中最早發(fā)表于2006年，受本研究對(duì)文獻(xiàn)進(jìn)行檢索時(shí)的時(shí)間限制，設(shè)置檢索文獻(xiàn)的發(fā)表時(shí)間截至2022年12月31日。因此，本文將分析文獻(xiàn)的發(fā)表時(shí)間為2003年1月1日至2022年12月31日。

表1 CNKI數(shù)據(jù)庫(kù)主要檢索式列表

Tab.1 List of main search strategies of the CNKI database

1.2 研究方法

本文以精煉后的256篇國(guó)際文獻(xiàn)和209篇國(guó)內(nèi)文獻(xiàn)作為分析樣本，選用CiteSpace軟件進(jìn)行計(jì)量分析，繪制文獻(xiàn)知識(shí)圖譜，從文獻(xiàn)發(fā)表數(shù)量、學(xué)科領(lǐng)域、作者合作、機(jī)構(gòu)合作、研究主題五個(gè)角度出發(fā)，梳理國(guó)內(nèi)外人工智能賦能文化遺產(chǎn)領(lǐng)域的研究熱點(diǎn)與趨勢(shì)，探討研究進(jìn)展。

圖1 文獻(xiàn)檢索與處理流程

2 國(guó)內(nèi)外研究基本情況

2.1 文獻(xiàn)發(fā)表數(shù)量

基于時(shí)間分布的文獻(xiàn)發(fā)表數(shù)量可以從宏觀角度反映該研究領(lǐng)域的發(fā)展?fàn)顩r。如圖2所示，該圖反映了WOS數(shù)據(jù)庫(kù)中2003年至2022年人工智能賦能文化遺產(chǎn)領(lǐng)域研究的文獻(xiàn)發(fā)表數(shù)量情況。從總體上看，近20年間國(guó)際該領(lǐng)域文獻(xiàn)數(shù)量呈顯著增長(zhǎng)趨勢(shì)，從2014年起文獻(xiàn)開(kāi)始增多，2017年文獻(xiàn)數(shù)量突增，2018年有所回落，2019年至2021年文獻(xiàn)發(fā)表數(shù)量呈逐年激增趨勢(shì)。如圖3所示，展示了CNKI數(shù)據(jù)庫(kù)中2006年至2022年該研究領(lǐng)域的文獻(xiàn)發(fā)表情況，分析可知，國(guó)內(nèi)與國(guó)際文獻(xiàn)發(fā)表情況幾乎一致。2017年文獻(xiàn)數(shù)量的爆發(fā)式增長(zhǎng)與2016年谷歌AlphaGo擊敗世界圍棋高手，迎來(lái)“人工智能60周年”發(fā)展拐點(diǎn)有關(guān)[4]。自此事件后，各國(guó)紛紛將人工智能技術(shù)研發(fā)提升至國(guó)家戰(zhàn)略層面，對(duì)人工智能技術(shù)相關(guān)研究的關(guān)注度日益上升。國(guó)內(nèi)學(xué)界為響應(yīng)國(guó)家《“互聯(lián)網(wǎng)+”人工智能三年行動(dòng)實(shí)施方案》和《促進(jìn)新一代人工智能產(chǎn)業(yè)發(fā)展三年行動(dòng)計(jì)劃（2018—2020年）》等計(jì)劃方案，紛紛投入與人工智能技術(shù)相關(guān)的研究當(dāng)中，將人工智能技術(shù)與行業(yè)結(jié)合的應(yīng)用實(shí)踐研究推向了高潮[5]。

圖2 2003年至2022年WOS數(shù)據(jù)庫(kù)人工智能賦能文化遺產(chǎn)領(lǐng)域文獻(xiàn)發(fā)表數(shù)量趨勢(shì)

圖3 2006年至2022年CNKI數(shù)據(jù)庫(kù)人工智能賦能文化遺產(chǎn)領(lǐng)域文獻(xiàn)發(fā)表數(shù)量趨勢(shì)

觀察國(guó)內(nèi)外文獻(xiàn)發(fā)表趨勢(shì)，2022年人工智能應(yīng)用于文化遺產(chǎn)領(lǐng)域的文獻(xiàn)發(fā)表數(shù)量有所減少。在中國(guó)知網(wǎng)檢索“人工智能”關(guān)鍵詞，選擇中文期刊數(shù)據(jù)庫(kù)并將檢索結(jié)果可視化，觀察到2022年人工智能相關(guān)研究數(shù)量同樣有所減少。由于計(jì)算機(jī)算力限制、學(xué)科發(fā)展規(guī)律等原因，人工智能技術(shù)的發(fā)展不可避免地會(huì)受到部分阻礙，因此人工智能賦能文化遺產(chǎn)的相關(guān)研究數(shù)量也有所減少。然而觀察AIGC在2023年年初的高熱度，未來(lái)1～2年對(duì)人工智能賦能文化遺產(chǎn)的研究熱度將有所提升，且人工智能技術(shù)尚有廣闊的提升空間，未來(lái)學(xué)界對(duì)人工智能技術(shù)的研究將持續(xù)保持較高熱度，新技術(shù)最終要在實(shí)踐應(yīng)用中落地，人工智能應(yīng)用于文化遺產(chǎn)領(lǐng)域仍有廣闊的研究前景。

綜上所述，對(duì)比國(guó)際與國(guó)內(nèi)的文獻(xiàn)發(fā)表數(shù)量分布情況可知，國(guó)內(nèi)外文獻(xiàn)發(fā)表的趨勢(shì)基本一致，2017年出現(xiàn)第一波文獻(xiàn)發(fā)表數(shù)量的小高峰，從2019年起至2021年呈激增趨勢(shì)。由于樣本中文獻(xiàn)的研究范疇為人工智能與文化遺產(chǎn)兩學(xué)科交叉，多體現(xiàn)為技術(shù)在人文領(lǐng)域的應(yīng)用，因此文獻(xiàn)發(fā)文趨勢(shì)與人工智能領(lǐng)域的發(fā)展情況存在較大關(guān)聯(lián)。

2.2 學(xué)科分布

2.2.1 國(guó)際研究學(xué)科分布

如圖4所示，展示了WOS數(shù)據(jù)庫(kù)中本研究檢索文獻(xiàn)的學(xué)科分布情況。分析可知，近20年國(guó)際上對(duì)人工智能賦能文化遺產(chǎn)領(lǐng)域的研究與計(jì)算機(jī)科學(xué)、工程學(xué)、化學(xué)、材料科學(xué)、通訊、地理、遙感、環(huán)境科學(xué)、藝術(shù)、物理學(xué)等學(xué)科密切相關(guān)。其中，計(jì)算機(jī)科學(xué)、工程學(xué)分別占學(xué)科分布的31%、22%，這說(shuō)明國(guó)際上該領(lǐng)域研究多在計(jì)算機(jī)科學(xué)與工程學(xué)學(xué)科中展開(kāi)，且多為將文化遺產(chǎn)作為研究對(duì)象的技術(shù)方法研究。此外，化學(xué)、材料科學(xué)分別占學(xué)科分布的9%和7%，這和文化遺產(chǎn)保護(hù)與修復(fù)相關(guān)研究有關(guān)。地理、遙感、環(huán)境科學(xué)等學(xué)科與建筑文化遺產(chǎn)研究密切相關(guān)。

圖4 WOS數(shù)據(jù)庫(kù)排名前10的學(xué)科分布

2.2.2 國(guó)內(nèi)研究學(xué)科分布

統(tǒng)計(jì)國(guó)內(nèi)人工智能賦能文化遺產(chǎn)的文獻(xiàn)學(xué)科分布情況，取統(tǒng)計(jì)結(jié)果中排名前10的學(xué)科進(jìn)行可視化處理，其分布情況見(jiàn)圖5。其中，計(jì)算機(jī)軟件及計(jì)算機(jī)應(yīng)用占學(xué)科分布的33%，占比第一，這說(shuō)明國(guó)內(nèi)人工智能與文化遺產(chǎn)領(lǐng)域的研究在計(jì)算機(jī)軟件及計(jì)算機(jī)應(yīng)用學(xué)科中展開(kāi)最多。自動(dòng)化技術(shù)占學(xué)科分布的18%，占比第二，自動(dòng)化技術(shù)與人工智能的學(xué)科領(lǐng)域有所交叉，人工智能包括對(duì)機(jī)器的感知、思維和行為三個(gè)方面的能力研究，人工智能的應(yīng)用體現(xiàn)了自動(dòng)化的特點(diǎn)，即讓機(jī)械能夠體現(xiàn)人類(lèi)的意識(shí)，并加強(qiáng)對(duì)機(jī)器控制的自動(dòng)化[6]；應(yīng)用人工智能技術(shù)對(duì)文化遺產(chǎn)的圖像、音頻、文稿等數(shù)字資源進(jìn)行自動(dòng)化分類(lèi)、識(shí)別等，能夠提高文化遺產(chǎn)研究的效率，優(yōu)化文化遺產(chǎn)資源的存儲(chǔ)與管理模式。美術(shù)書(shū)法雕塑與攝影學(xué)科占學(xué)科分布的10%，占比第三，聚集在文化遺產(chǎn)領(lǐng)域應(yīng)用人工智能技術(shù)進(jìn)行視覺(jué)相關(guān)的處理工作?？脊艑W(xué)科占學(xué)科分布的9%，占比第四，圖書(shū)情報(bào)與數(shù)字圖書(shū)館學(xué)科占比7%，建筑科學(xué)與工程學(xué)科占比3%。此外，熱門(mén)學(xué)科分布中還包括輕工業(yè)手工業(yè)、文化、音樂(lè)舞蹈，體現(xiàn)了人工智能與手工藝、設(shè)計(jì)、藝術(shù)的密切關(guān)聯(lián)。

圖5 CNKI數(shù)據(jù)庫(kù)排名前10的學(xué)科分布

2.3 核心作者與機(jī)構(gòu)

2.3.1 國(guó)際研究核心作者與機(jī)構(gòu)分布

2.3.1.1 核心作者

圖6 WOS數(shù)據(jù)庫(kù)文獻(xiàn)作者共現(xiàn)圖譜

表2 WOS數(shù)據(jù)庫(kù)文獻(xiàn)核心作者列表

Tab.2 List of core authors in WOS

觀察節(jié)點(diǎn)之間連線(xiàn)情況可以發(fā)現(xiàn)曾建立合作的作者團(tuán)體。結(jié)合領(lǐng)域作者圖譜與發(fā)文頻次統(tǒng)計(jì)表，分析作者合作情況可知，以Pierdicca和Paolanti為首的作者團(tuán)體將人工智能技術(shù)應(yīng)用于文化遺產(chǎn)領(lǐng)域的多個(gè)研究中。他們提出了一種游客視覺(jué)注意力模型，使用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)觀察畫(huà)作的成人和兒童的眼動(dòng)數(shù)據(jù)進(jìn)行學(xué)習(xí)，進(jìn)而通過(guò)眼動(dòng)數(shù)據(jù)實(shí)現(xiàn)對(duì)游客的分類(lèi)[8]。對(duì)歷史建筑的數(shù)字化重構(gòu)，他們提出了一種基于點(diǎn)云分割的深度學(xué)習(xí)框架，使用深度學(xué)習(xí)技術(shù)對(duì)歷史建筑的3D點(diǎn)云進(jìn)行語(yǔ)義分割。對(duì)點(diǎn)云進(jìn)行高效語(yǔ)義分割能夠幫助研究人員快速識(shí)別不同類(lèi)型的歷史建筑元素，從而提高分析歷史建筑結(jié)構(gòu)、構(gòu)建參數(shù)化3D模型的效率[9]。

以Belhi和Bouras為首的作者團(tuán)體基于深度學(xué)習(xí)技術(shù)對(duì)文化遺產(chǎn)圖像進(jìn)行了系列應(yīng)用方法的研究。在文化遺產(chǎn)圖像修復(fù)的工作中，他們提出了一種改進(jìn)的基于深度學(xué)習(xí)的文化遺產(chǎn)圖像修復(fù)及補(bǔ)全框架，以提高文化遺產(chǎn)圖像的修復(fù)效果[10]。針對(duì)文化遺產(chǎn)圖像的研究，他們還提出了一種基于深度學(xué)習(xí)的文化遺產(chǎn)圖像缺失標(biāo)簽的補(bǔ)全方法，使用深度學(xué)習(xí)算法對(duì)文化遺產(chǎn)圖像及其文本標(biāo)簽進(jìn)行訓(xùn)練，從而實(shí)現(xiàn)機(jī)器對(duì)文化遺產(chǎn)圖像的自動(dòng)分類(lèi)，進(jìn)而補(bǔ)全該文化遺產(chǎn)作品的缺失標(biāo)簽[11]。三維全息成像技術(shù)可應(yīng)用于博物館中，提供文化遺產(chǎn)的數(shù)字化交互方式，他們提出了一種基于深度學(xué)習(xí)的方法以提高三維全息成像的質(zhì)量，以博物館中的文物作為研究對(duì)象，對(duì)他們提出的方法開(kāi)展實(shí)驗(yàn)及驗(yàn)證工作[12]。

Cao作為通訊作者，與Geng、Yao、Chu、Ren都曾開(kāi)展過(guò)研究合作，這5人互相之間也存在著合作關(guān)系，該作者團(tuán)體對(duì)文物虛擬修復(fù)開(kāi)展了一系列研究。2020年，Geng等[13]提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的兵馬俑碎片點(diǎn)云簡(jiǎn)化方法，該方法可以減少點(diǎn)云數(shù)據(jù)的存儲(chǔ)空間，并提高文物數(shù)字化存儲(chǔ)的效率。針對(duì)兵馬俑碎片點(diǎn)云的研究，Yao等[14]在2021年發(fā)表的論文中提出了兵馬俑碎片的修復(fù)框架。以兵馬俑為研究對(duì)象，2021年，Chu等[15]在論文中提出了一種基于神經(jīng)網(wǎng)絡(luò)的兵馬俑孔洞虛擬修復(fù)方法?；谶@項(xiàng)研究，Ren等[16]在2022年提出了一種基于多尺度采樣生成對(duì)抗網(wǎng)絡(luò)的框架，用于填充3D點(diǎn)云中的空白區(qū)域，為文化遺產(chǎn)保護(hù)中的歷史文物數(shù)字化工作提供了有效工具。

綜上所述，由WOS數(shù)據(jù)庫(kù)中核心作者團(tuán)體的研究工作可以初步獲知國(guó)際上人工智能應(yīng)用于文化遺產(chǎn)領(lǐng)域的研究熱點(diǎn)，學(xué)者們更關(guān)注文化遺產(chǎn)的虛擬修復(fù)，并開(kāi)展了對(duì)文化遺產(chǎn)圖像、文物標(biāo)簽、3D點(diǎn)云的虛擬修復(fù)研究。

2.3.1.2 發(fā)文機(jī)構(gòu)

了解領(lǐng)域內(nèi)核心發(fā)文機(jī)構(gòu)及機(jī)構(gòu)間合作情況，可以促進(jìn)領(lǐng)域?qū)W術(shù)合作與交流。在CiteSpace軟件中選擇節(jié)點(diǎn)“institution”，其他參數(shù)不變，對(duì)WOS數(shù)據(jù)庫(kù)中提取的文獻(xiàn)進(jìn)行分析，得到機(jī)構(gòu)合作圖譜，見(jiàn)圖7。由于篇幅限制，文中僅展現(xiàn)文獻(xiàn)統(tǒng)計(jì)中出現(xiàn)頻次大于等于3次的領(lǐng)域研究機(jī)構(gòu)，見(jiàn)表3。國(guó)際上在該領(lǐng)域展開(kāi)研究的科研機(jī)構(gòu)數(shù)量為203，建立過(guò)的合作關(guān)系數(shù)量為126。綜合分析可知，大學(xué)是國(guó)際上該領(lǐng)域開(kāi)展研究的主要陣地，此外，該領(lǐng)域研究的核心機(jī)構(gòu)主要分布于中國(guó)和意大利，以及其他諸如希臘、土耳其等擁有悠久歷史文化與文化遺產(chǎn)的國(guó)家，這些大學(xué)所在城市也與當(dāng)?shù)匚幕z產(chǎn)豐富程度密切相關(guān)。可見(jiàn)，國(guó)際上研究機(jī)構(gòu)多與當(dāng)?shù)匚幕z產(chǎn)機(jī)構(gòu)合作開(kāi)展領(lǐng)域研究。其中，意大利的那不勒斯費(fèi)德里科二世大學(xué)在文獻(xiàn)統(tǒng)計(jì)樣本中出現(xiàn)了7次，說(shuō)明其在該領(lǐng)域十分活躍。其次，中國(guó)的西北大學(xué)、天津大學(xué)、武漢大學(xué)等也在該領(lǐng)域較為活躍。

2.3.2 國(guó)內(nèi)研究核心作者與機(jī)構(gòu)分布

2.3.2.1 核心作者

圖7 WOS數(shù)據(jù)庫(kù)研究機(jī)構(gòu)合作圖譜

表3 國(guó)際研究機(jī)構(gòu)列表

Tab.3 List of international institutions

圖8 CNKI數(shù)據(jù)庫(kù)文獻(xiàn)作者共現(xiàn)圖譜

劉子豪、葉利華與賈小軍、鄧洪濤等曾構(gòu)建較為緊密的合作關(guān)系，他們針對(duì)非遺紋樣開(kāi)展了一系列研究。他們首先提出了一種基于VGGNet卷積神經(jīng)網(wǎng)絡(luò)的藍(lán)印花布紋樣分類(lèi)方法[22]。而后，他們又基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)藍(lán)印花布紋樣基元開(kāi)展了分類(lèi)工作[23]。

表4 CNKI數(shù)據(jù)庫(kù)文獻(xiàn)核心作者列表

Tab.4 List of core authors in CNKI

綜上所述，國(guó)內(nèi)外作者對(duì)人工智能和文化遺產(chǎn)領(lǐng)域結(jié)合的研究文獻(xiàn)發(fā)表數(shù)量較少，且側(cè)重點(diǎn)不同。國(guó)際研究人員更傾向于對(duì)人工智能技術(shù)應(yīng)用于文化遺產(chǎn)虛擬修復(fù)展開(kāi)研究，而國(guó)內(nèi)研究人員則更傾向于對(duì)非遺文本、圖像、紋樣開(kāi)展研究工作。

2.3.2.2 發(fā)文機(jī)構(gòu)

統(tǒng)計(jì)國(guó)內(nèi)人工智能與文化遺產(chǎn)領(lǐng)域文獻(xiàn)的發(fā)文機(jī)構(gòu)情況，可得國(guó)內(nèi)研究機(jī)構(gòu)合作圖譜（見(jiàn)圖9），并統(tǒng)計(jì)出現(xiàn)頻次大于等于3的國(guó)內(nèi)研究機(jī)構(gòu)，記錄于表5中。國(guó)內(nèi)在該領(lǐng)域進(jìn)行過(guò)研究的機(jī)構(gòu)數(shù)統(tǒng)計(jì)為124，機(jī)構(gòu)間建立過(guò)的合作數(shù)量為46。網(wǎng)絡(luò)密度是一個(gè)社會(huì)網(wǎng)絡(luò)中成員間相互聯(lián)系的強(qiáng)度，成員間交流的密切程度和頻度決定了他們的網(wǎng)絡(luò)密度[24]。圖譜中該領(lǐng)域國(guó)內(nèi)研究機(jī)構(gòu)的網(wǎng)絡(luò)密度為0.006，網(wǎng)絡(luò)密度的數(shù)值過(guò)低，說(shuō)明國(guó)內(nèi)機(jī)構(gòu)之間并未建立起頗具凝聚力的科研團(tuán)體。

綜合分析可知，國(guó)內(nèi)研究機(jī)構(gòu)同樣以大學(xué)為主。以南京大學(xué)信息管理學(xué)院為中心，與江蘇省數(shù)據(jù)工程與知識(shí)服務(wù)重點(diǎn)實(shí)驗(yàn)室、武漢大學(xué)信息管理學(xué)院、南京農(nóng)業(yè)大學(xué)信息管理學(xué)院、金陵圖書(shū)館、上海科學(xué)技術(shù)情報(bào)研究所等實(shí)驗(yàn)室、高校、機(jī)構(gòu)建立了領(lǐng)域合作關(guān)系。咸陽(yáng)博物院與北京建筑大學(xué)、北京市測(cè)繪設(shè)計(jì)研究院曾建立領(lǐng)域合作關(guān)系，實(shí)現(xiàn)產(chǎn)學(xué)研互通。此外，西北大學(xué)、青海師范大學(xué)、華中師范大學(xué)、云南師范大學(xué)、寧夏大學(xué)等高校在領(lǐng)域內(nèi)發(fā)文頻次較多，貢獻(xiàn)了較多研究成果。

2.4 國(guó)家/地區(qū)分布

據(jù)統(tǒng)計(jì)，國(guó)際上有53個(gè)國(guó)家對(duì)人工智能+文化遺產(chǎn)的交叉領(lǐng)域開(kāi)展了研究工作。國(guó)家之間的合作關(guān)系及研究情況見(jiàn)圖10。整合各國(guó)家在統(tǒng)計(jì)中出現(xiàn)的頻次并進(jìn)行排序，計(jì)算其中心性，受篇幅限制，文中僅取統(tǒng)計(jì)頻次前15位進(jìn)行展示，結(jié)果見(jiàn)表6。其中，中國(guó)居首位，發(fā)表了95篇文章，且中介中心性最高，為0.32，可見(jiàn)我國(guó)對(duì)該領(lǐng)域研究的重視程度與影響力。中介中心性是指網(wǎng)絡(luò)中經(jīng)過(guò)某點(diǎn)并連接這兩點(diǎn)的最短路徑占這兩點(diǎn)之間的最短路徑線(xiàn)總數(shù)之比[25]，如果一個(gè)行動(dòng)者處于許多交往網(wǎng)絡(luò)的路徑上，可以認(rèn)為此人居于重要的地位[26]，具有較高中介中心性的節(jié)點(diǎn)在結(jié)構(gòu)中占據(jù)十分重要的地位。在CiteSpace中，中介中心性超過(guò)0.1的節(jié)點(diǎn)稱(chēng)為關(guān)鍵節(jié)點(diǎn)，且中介中心性越高，節(jié)點(diǎn)的紫色邊緣越厚。意大利居于第二位，發(fā)表了55篇文章，中介中心性為0.24?？梢?jiàn)，意大利在該領(lǐng)域的研究地位也十分重要。西班牙、英國(guó)的中介中心性皆大于0.1，說(shuō)明其在人工智能賦能文化遺產(chǎn)領(lǐng)域研究工作的重要程度較高。

圖9 CNKI數(shù)據(jù)庫(kù)研究機(jī)構(gòu)合作圖譜

表5 CNKI數(shù)據(jù)庫(kù)研究機(jī)構(gòu)

Tab.5 List of institutions in CNKI

圖10 國(guó)家研究合作圖譜

表6 各國(guó)發(fā)文情況統(tǒng)計(jì)

Tab.6 Publication volume statistics of each country

此外，法國(guó)、美國(guó)、希臘、韓國(guó)在該領(lǐng)域中皆發(fā)表了10篇以上的文章，在圖10中可見(jiàn)這些國(guó)家彼此之間和與其他國(guó)家之間的聯(lián)系都非常緊密，不可忽視這些國(guó)家對(duì)人工智能與文化遺產(chǎn)領(lǐng)域研究工作的重要性。

3 研究熱點(diǎn)與趨勢(shì)分析

3.1 研究熱點(diǎn)分析

3.1.1 國(guó)際研究熱點(diǎn)分析

3.1.1.1 高頻關(guān)鍵詞

關(guān)鍵詞是文章的核心概括，其頻次與熱度呈正相關(guān)，因此可以通過(guò)對(duì)高頻關(guān)鍵詞的統(tǒng)計(jì)快速了解該領(lǐng)域的研究主題與熱點(diǎn)[27]。在CiteSpace軟件中選擇“Keywords”節(jié)點(diǎn)，其余參數(shù)不變，選擇WOS數(shù)據(jù)庫(kù)文獻(xiàn)項(xiàng)目，生成關(guān)鍵詞共現(xiàn)圖譜，見(jiàn)圖11。圖中每個(gè)節(jié)點(diǎn)代表一個(gè)關(guān)鍵詞，節(jié)點(diǎn)半徑的大小表示該關(guān)鍵詞出現(xiàn)的頻次高低，半徑越大，該關(guān)鍵詞出現(xiàn)的頻次越高。統(tǒng)計(jì)各關(guān)鍵詞出現(xiàn)頻次，計(jì)算各關(guān)鍵詞的中介中心性，結(jié)果見(jiàn)表7?！拔幕z產(chǎn)”“深度學(xué)習(xí)”“機(jī)器學(xué)習(xí)”是出現(xiàn)頻次最高的三個(gè)關(guān)鍵詞，關(guān)鍵詞“文化遺產(chǎn)”的中介中心性最高，為0.61，說(shuō)明實(shí)驗(yàn)所用數(shù)據(jù)與文化遺產(chǎn)關(guān)聯(lián)性高，未偏離研究范疇。深度學(xué)習(xí)與機(jī)器學(xué)習(xí)是人工智能領(lǐng)域的重要分支技術(shù)，兩個(gè)關(guān)鍵詞的中介中心性分別為0.32和0.4，僅次于“文化遺產(chǎn)”的中介中心性，說(shuō)明在文化遺產(chǎn)領(lǐng)域中應(yīng)用人工智能技術(shù)時(shí)，深度學(xué)習(xí)和機(jī)器學(xué)習(xí)是主流技術(shù)。由于深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)研究分支，在本文分析的文獻(xiàn)樣本中，關(guān)鍵詞“機(jī)器學(xué)習(xí)”與“深度學(xué)習(xí)”常同時(shí)出現(xiàn)，因此兩個(gè)關(guān)鍵詞所指向的文獻(xiàn)多有重合。

機(jī)器學(xué)習(xí)的研究主旨是使用計(jì)算機(jī)模擬人類(lèi)的學(xué)習(xí)活動(dòng)，它是研究計(jì)算機(jī)識(shí)別現(xiàn)有知識(shí)、獲取新知識(shí)、不斷改善性能和實(shí)現(xiàn)自身完善的方法[28]。此處論述內(nèi)容為傳統(tǒng)機(jī)器學(xué)習(xí)技術(shù)相關(guān)文獻(xiàn)，深度學(xué)習(xí)相關(guān)文獻(xiàn)將在下文論述。在文獻(xiàn)樣本中，應(yīng)用傳統(tǒng)機(jī)器學(xué)習(xí)算法，主要是對(duì)文化遺產(chǎn)內(nèi)容進(jìn)行特征提取、分類(lèi)、預(yù)測(cè)，其次還有針對(duì)文化遺產(chǎn)保護(hù)所做的部分工作。如Rahaman等[29]基于光譜成像技術(shù)對(duì)文化遺產(chǎn)領(lǐng)域中的紡織品染料進(jìn)行研究，運(yùn)用機(jī)器學(xué)習(xí)算法提出了一種對(duì)紡織品無(wú)損的顏料分類(lèi)方法。Stover等[30]為確定古代匿名文本的作者，運(yùn)用機(jī)器學(xué)習(xí)方法對(duì)拉丁文本進(jìn)行計(jì)算分析，進(jìn)而確定了該文本的作者。

Granata等[31]提出了基于機(jī)器學(xué)習(xí)算法的威尼斯潮位預(yù)測(cè)模型，從建筑與城市保護(hù)的角度保護(hù)世界文化遺產(chǎn)。此外，一部分文獻(xiàn)將傳統(tǒng)機(jī)器學(xué)習(xí)算法與深度學(xué)習(xí)算法結(jié)合，以解決文化遺產(chǎn)領(lǐng)域中的問(wèn)題。例如，Matrone等[32]對(duì)大型三維文物分類(lèi)的機(jī)器學(xué)習(xí)與深度學(xué)習(xí)方法進(jìn)行了比較，綜合兩種方法的優(yōu)缺點(diǎn)，提出了一種融合了兩種方法優(yōu)點(diǎn)的文化遺產(chǎn)點(diǎn)云語(yǔ)義分割體系結(jié)構(gòu)。

圖11 WOS數(shù)據(jù)庫(kù)文獻(xiàn)關(guān)鍵詞共現(xiàn)圖譜

深度學(xué)習(xí)的思想由多倫多大學(xué)的Hinton等[33]于 2006 年提出。深度學(xué)習(xí)近年來(lái)在語(yǔ)音識(shí)別、計(jì)算機(jī)視覺(jué)等多類(lèi)應(yīng)用中取得了突破性的進(jìn)展[34]。深度學(xué)習(xí)架構(gòu)模擬與人類(lèi)大腦神經(jīng)連接方式相似的結(jié)構(gòu)，可以從大量輸入數(shù)據(jù)中學(xué)習(xí)有效的信息特征，能夠用于分類(lèi)、回歸和信息檢索等特定問(wèn)題中[35]。通過(guò)深度學(xué)習(xí)得到神經(jīng)元相互連接而成的深度網(wǎng)絡(luò)結(jié)構(gòu)稱(chēng)為深度神經(jīng)網(wǎng)絡(luò)，其中，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是深度神經(jīng)網(wǎng)絡(luò)中應(yīng)用較多的網(wǎng)絡(luò)結(jié)構(gòu)之一。

卷積神經(jīng)網(wǎng)絡(luò)是重要的深度學(xué)習(xí)算法，近年來(lái)已廣泛應(yīng)用于圖像分類(lèi)、人臉識(shí)別、音頻檢索等領(lǐng)域中[36]。卷積神經(jīng)網(wǎng)絡(luò)是第一個(gè)真正意義上的成功訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法模型，在網(wǎng)絡(luò)的輸入是多維信號(hào)時(shí)具有更明顯的優(yōu)勢(shì)[37]?！熬矸e神經(jīng)網(wǎng)絡(luò)”在文獻(xiàn)關(guān)鍵詞中出現(xiàn)頻次排名第四，且中介中心性為0.1，說(shuō)明卷積神經(jīng)網(wǎng)絡(luò)在研究樣本中應(yīng)用較多。文化遺產(chǎn)包含視覺(jué)、聽(tīng)覺(jué)要素，應(yīng)用CNN對(duì)文化遺產(chǎn)領(lǐng)域中圖像、音頻進(jìn)行分類(lèi)、識(shí)別、檢索取得一定成果。高頻關(guān)鍵詞中的“識(shí)別”“分類(lèi)”在一定程度上印證了這一點(diǎn)，同時(shí)也說(shuō)明在文化遺產(chǎn)領(lǐng)域，對(duì)文化遺產(chǎn)的識(shí)別和分類(lèi)研究是較為熱門(mén)的。

Bhuyan等[38]基于SVM算法和CNN模型，對(duì)傳統(tǒng)舞蹈表演的動(dòng)作模式進(jìn)行識(shí)別，實(shí)現(xiàn)對(duì)傳統(tǒng)舞蹈表演動(dòng)作的分類(lèi)。Tang等[39]基于Faster R-CNN檢測(cè)和識(shí)別水族手稿字符。Jones等[40]運(yùn)用CNN對(duì)X射線(xiàn)熒光光譜進(jìn)行自動(dòng)分類(lèi)，X射線(xiàn)熒光光譜在文化遺產(chǎn)領(lǐng)域中廣泛應(yīng)用于對(duì)藝術(shù)家所用顏料的鑒定。Zhang等[41]將CNN用于對(duì)中國(guó)書(shū)法的字體和風(fēng)格進(jìn)行分類(lèi)。Condorelli等[42]提出了一種基于深度學(xué)習(xí)的自動(dòng)檢測(cè)視頻素材中被毀古跡的方法，以減少在視頻歷史檔案中檢索古跡的人力成本。

此外，關(guān)鍵詞“人工智能”“神經(jīng)網(wǎng)絡(luò)”“模型”“特征提取”“計(jì)算機(jī)視覺(jué)”“數(shù)字人文”“藝術(shù)”“點(diǎn)云”“非物質(zhì)文化遺產(chǎn)”的出現(xiàn)頻次也較高。表7中列舉的關(guān)鍵詞作為本領(lǐng)域的研究熱點(diǎn)，國(guó)際上在該領(lǐng)域以文化遺產(chǎn)為中心，將深度學(xué)習(xí)、機(jī)器學(xué)習(xí)作為核心技術(shù)，主要應(yīng)用計(jì)算機(jī)視覺(jué)的方法，對(duì)文化遺產(chǎn)進(jìn)行識(shí)別、分類(lèi)、特征提取、保護(hù)等，這符合數(shù)字人文研究的跨學(xué)科性質(zhì)。

3.1.1.2 高被引文獻(xiàn)

高被引文獻(xiàn)是領(lǐng)域內(nèi)普遍認(rèn)可且具有突出貢獻(xiàn)的文獻(xiàn)，分析高被引文獻(xiàn)的情況可以獲知該領(lǐng)域的核心文獻(xiàn)，迅速了解領(lǐng)域內(nèi)核心及熱點(diǎn)的研究范疇。統(tǒng)計(jì)國(guó)際文獻(xiàn)被引情況，將文獻(xiàn)在WOS全部數(shù)據(jù)庫(kù)中的被引情況按照被引頻次降序排列，統(tǒng)計(jì)數(shù)據(jù)記錄截止到本研究進(jìn)行前。由于篇幅的限制，文中僅取被引頻次在排名前10的文獻(xiàn)進(jìn)行列表展示，結(jié)果如表8所示，高被引論文發(fā)表的時(shí)間跨度為2015年至2020年。其中，Yu等[43]于2017年發(fā)表的文獻(xiàn)被引71次，該文章將知識(shí)圖譜技術(shù)引入中醫(yī)藥領(lǐng)域，建立了中醫(yī)養(yǎng)生知識(shí)庫(kù)。知識(shí)圖譜是人工智能重要的分支技術(shù)，中醫(yī)藥是中華民族重要的非物質(zhì)文化遺產(chǎn)，將知識(shí)圖譜應(yīng)用于中醫(yī)藥領(lǐng)域，是人工智能技術(shù)與非物質(zhì)文化遺產(chǎn)領(lǐng)域的結(jié)合方式之一。Fiorucci等[44]于2020年發(fā)表的文獻(xiàn)共被引63次，該研究調(diào)研了機(jī)器學(xué)習(xí)和文化遺產(chǎn)的相關(guān)文獻(xiàn)及案例，對(duì)文化遺產(chǎn)領(lǐng)域中機(jī)器學(xué)習(xí)技術(shù)的使用情況進(jìn)行了分析與總結(jié)。在建筑文化遺產(chǎn)領(lǐng)域，Pierdicca等[9]提出了一種針對(duì)點(diǎn)云分割的深度學(xué)習(xí)框架，以實(shí)現(xiàn)對(duì)建筑文化遺產(chǎn)數(shù)字模型的點(diǎn)云分割。同樣在建筑文化遺產(chǎn)領(lǐng)域，Llamas等[45]于2017年發(fā)表的文獻(xiàn)共被引61次，該研究應(yīng)用基于深度學(xué)習(xí)技術(shù)對(duì)建筑文化遺產(chǎn)圖像進(jìn)行分類(lèi)，以提升文化遺產(chǎn)數(shù)字化處理的效率。Grilli[46]介紹了一種基于機(jī)器學(xué)習(xí)的3D文化遺產(chǎn)或其表面紋理分類(lèi)的方法。Proietti等[47]描述了一種基于機(jī)器學(xué)習(xí)和模式識(shí)別的方法以檢測(cè)和分析博物館環(huán)境中的粉塵，為場(chǎng)館管理人員提供參考，以減少灰塵對(duì)藝術(shù)作品的損害。Dou等[48]探索了構(gòu)建非遺知識(shí)圖譜的方法，以中國(guó)非遺文化之二十四節(jié)氣為研究對(duì)象，建立非遺知識(shí)數(shù)據(jù)庫(kù)，并構(gòu)建了非遺知識(shí)圖譜，為大眾提供了更全面的知識(shí)體系，同時(shí)助力相關(guān)機(jī)構(gòu)對(duì)非遺知識(shí)進(jìn)行管理。

表7 WOS數(shù)據(jù)庫(kù)文獻(xiàn)高頻關(guān)鍵詞列表

Tab.7 List of high-frequency key words in WOS

觀察全部高被引文獻(xiàn)可知，國(guó)際上該領(lǐng)域的核心研究主要基于深度學(xué)習(xí)與機(jī)器學(xué)習(xí)技術(shù)對(duì)文化遺產(chǎn)進(jìn)行分類(lèi)、識(shí)別、虛擬修復(fù)、保護(hù)，以及對(duì)文化遺產(chǎn)進(jìn)行知識(shí)圖譜的構(gòu)建。

表8 WOS數(shù)據(jù)庫(kù)高被引文獻(xiàn)列表

3.1.2 國(guó)內(nèi)研究熱點(diǎn)分析

3.1.2.1 高頻關(guān)鍵詞

對(duì)國(guó)內(nèi)文獻(xiàn)進(jìn)行關(guān)鍵詞聚類(lèi)，得到關(guān)鍵詞共現(xiàn)圖譜，見(jiàn)圖12。對(duì)關(guān)鍵詞出現(xiàn)頻次進(jìn)行統(tǒng)計(jì)，并計(jì)算中介中心性，見(jiàn)表9。結(jié)合圖譜與列表分析可知，“知識(shí)圖譜”與“深度學(xué)習(xí)”出現(xiàn)頻次最高，且中心性分別為0.23和0.49，說(shuō)明國(guó)內(nèi)于該領(lǐng)域研究的技術(shù)熱點(diǎn)為知識(shí)圖譜與深度學(xué)習(xí)技術(shù)，二者都是人工智能領(lǐng)域的重要分支技術(shù)。

知識(shí)圖譜的概念由Google于2012年正式提出，其最初作為智能化搜索引擎的基礎(chǔ)，被應(yīng)用于提高搜索引擎的能力。知識(shí)圖譜是結(jié)構(gòu)化的語(yǔ)義知識(shí)庫(kù)，用于以符號(hào)形式描述物理世界中的概念及其相互關(guān)系。其基本組成單位是“實(shí)體–關(guān)系–實(shí)體”三元組、實(shí)體及其相關(guān)屬性-值對(duì)，實(shí)體間通過(guò)關(guān)系相互聯(lián)結(jié)，構(gòu)成網(wǎng)狀的知識(shí)結(jié)構(gòu)[49]。隨著智能信息技術(shù)的發(fā)展，知識(shí)圖譜已被廣泛應(yīng)用于智能搜索、智能問(wèn)答、個(gè)性化推薦等領(lǐng)域[50]。

圖12 CNKI數(shù)據(jù)庫(kù)文獻(xiàn)關(guān)鍵詞共現(xiàn)圖譜

表9 國(guó)內(nèi)文獻(xiàn)高頻關(guān)鍵詞列表

Tab.9 List of high-frequency key words in CNKI

國(guó)內(nèi)知識(shí)圖譜技術(shù)在文化遺產(chǎn)領(lǐng)域的應(yīng)用多見(jiàn)于文化遺產(chǎn)數(shù)字化領(lǐng)域，利用知識(shí)圖譜對(duì)文化遺產(chǎn)文本內(nèi)容進(jìn)行信息組織，從而達(dá)到以數(shù)字化的方式對(duì)文化遺產(chǎn)相關(guān)信息進(jìn)行研究、管理、保護(hù)和傳承。劉紹南等[51]對(duì)文物知識(shí)圖譜的構(gòu)建方法與未來(lái)應(yīng)用進(jìn)行了總結(jié)與探討。在古城文化遺產(chǎn)領(lǐng)域，鐘琳穎等[52]提出了基于知識(shí)圖譜的敘事地圖設(shè)計(jì)思路，為古城歷史文化遺產(chǎn)研究提供了參考。梁勇奇等[53]構(gòu)建了全球世界文化遺產(chǎn)領(lǐng)域知識(shí)圖譜，并基于領(lǐng)域知識(shí)圖譜對(duì)世界文化遺產(chǎn)的景觀特征、文化延續(xù)性、土地覆被狀態(tài)及遺產(chǎn)與城市、社區(qū)的空間關(guān)系進(jìn)行了特征分析。

在文化遺產(chǎn)領(lǐng)域，深度學(xué)習(xí)技術(shù)應(yīng)用廣泛，在文化遺產(chǎn)的元素識(shí)別與處理、風(fēng)格遷移、虛擬修復(fù)、圖像與音頻分類(lèi)等方向均有相應(yīng)的研究工作開(kāi)展。胡昊天等[54]基于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)模型開(kāi)發(fā)了非遺文本自動(dòng)分詞系統(tǒng)，為非遺文本自動(dòng)分詞及分詞結(jié)果的多維可視化分析提供了工具。史先進(jìn)等[55]基于深度學(xué)習(xí)圖像識(shí)別技術(shù)提出了一種甲骨字符圖像自動(dòng)標(biāo)注算法。鄧筱等[56]提出了一種改進(jìn)的深度學(xué)習(xí)算法，綜合考慮了中國(guó)傳統(tǒng)織錦的特征，取得了較好的織錦作品的風(fēng)格遷移效果。在虛擬修復(fù)方面，劉潔[57]基于對(duì)抗生成網(wǎng)絡(luò)提出了一種改進(jìn)的唐卡圖像修復(fù)算法。陳玉紅等[58]基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)唐卡尊像的自動(dòng)分類(lèi)。

觀察圖譜可見(jiàn)“圖像修復(fù)”“圖像分割”“圖像分類(lèi)”“圖像識(shí)別”節(jié)點(diǎn)的出現(xiàn)頻次較高，這些是計(jì)算機(jī)視覺(jué)的熱門(mén)研究方向。文化遺產(chǎn)的存在形式有較多視覺(jué)要素，因此應(yīng)用計(jì)算機(jī)視覺(jué)相關(guān)技術(shù)對(duì)文化遺產(chǎn)展開(kāi)的研究較多。將列表中的關(guān)鍵詞作為領(lǐng)域研究熱點(diǎn)，進(jìn)一步分析可知，國(guó)內(nèi)在人工智能與文化遺產(chǎn)結(jié)合領(lǐng)域的熱點(diǎn)研究為，以知識(shí)圖譜和深度學(xué)習(xí)為技術(shù)重點(diǎn)，關(guān)注計(jì)算機(jī)視覺(jué)技術(shù)在文化遺產(chǎn)領(lǐng)域的應(yīng)用，對(duì)文化遺產(chǎn)的數(shù)字化圖像資料進(jìn)行圖像分割、圖像修復(fù)、圖像分類(lèi)、特征提取、目標(biāo)檢測(cè)，并以此開(kāi)展了眾多研究。

3.1.2.2 高被引文獻(xiàn)

統(tǒng)計(jì)國(guó)內(nèi)人工智能與文化遺產(chǎn)領(lǐng)域文獻(xiàn)的被引情況，倒序排列并取被引頻次>10的文獻(xiàn)展示，見(jiàn)表10。分析可知，國(guó)內(nèi)領(lǐng)域高被引文獻(xiàn)集中出現(xiàn)在2019年至2021年，這與人工智能技術(shù)的發(fā)展和國(guó)家對(duì)文化遺產(chǎn)的政策支持有關(guān)。劉肖健等[59]于2016年發(fā)表文獻(xiàn)共被引56次。該文獻(xiàn)使用聚類(lèi)算法基于傳統(tǒng)紋樣圖庫(kù)提取色彩特征，并開(kāi)發(fā)了基于色彩網(wǎng)絡(luò)的配色設(shè)計(jì)輔助技術(shù)。黃永林等[60]于2019年發(fā)表的文獻(xiàn)提出將人工智能相關(guān)技術(shù)應(yīng)用于媒體與傳播中，以智能媒體構(gòu)建新的傳播形態(tài)，助力文化遺產(chǎn)的傳播。向遙[61]基于圖像聚類(lèi)和區(qū)域匹配的顏色遷移算法，對(duì)古建筑進(jìn)行虛擬色彩修復(fù)。觀察高被引文獻(xiàn)列表可知，國(guó)內(nèi)學(xué)者在該領(lǐng)域發(fā)表的核心文獻(xiàn)多集中于使用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、知識(shí)圖譜等技術(shù)，對(duì)文化遺產(chǎn)進(jìn)行特征提取、分類(lèi)、識(shí)別等，這一特點(diǎn)與國(guó)際相似。此外，將人工智能應(yīng)用于非遺場(chǎng)景下的創(chuàng)新設(shè)計(jì)也是國(guó)內(nèi)相關(guān)學(xué)者關(guān)注的熱點(diǎn)。覃京燕等[62]以景泰藍(lán)為例，從非遺的數(shù)字化、信息化、網(wǎng)絡(luò)化、智能化方面，對(duì)非遺的保護(hù)、傳承和傳播路徑進(jìn)行了研究，提出利用人工智能技術(shù)提高非遺數(shù)字化傳播能力，借助人工智能技術(shù)對(duì)非遺實(shí)體資源進(jìn)行呈現(xiàn)和展示，使非遺在更大范圍內(nèi)傳播、轉(zhuǎn)化。

表10 CNKI數(shù)據(jù)庫(kù)高被引文獻(xiàn)列表

Tab.10 List of highly cited literature in CNKI

3.2 研究趨勢(shì)分析

3.2.1 國(guó)際研究趨勢(shì)分析

3.2.1.1 突現(xiàn)詞分析

突現(xiàn)詞是指在某段時(shí)間內(nèi)使用頻次快速增長(zhǎng)的關(guān)鍵詞，可以用來(lái)預(yù)測(cè)領(lǐng)域內(nèi)的新興趨勢(shì)[63]。突現(xiàn)度越高，越能說(shuō)明在一段時(shí)間內(nèi)該趨勢(shì)的研究強(qiáng)度，分析突現(xiàn)詞可以得到該研究領(lǐng)域在時(shí)間上的演變趨勢(shì)。在科學(xué)文獻(xiàn)中的突發(fā)趨勢(shì)和突變可以與內(nèi)部原因和外部原因聯(lián)系在一起，典型的內(nèi)部原因包括領(lǐng)域內(nèi)新的發(fā)現(xiàn)及科技突破，而外部原因如社會(huì)熱點(diǎn)問(wèn)題、突發(fā)重大新聞等，則可能會(huì)激發(fā)科學(xué)家從新的角度研究某一課題[64]。對(duì)國(guó)際文獻(xiàn)進(jìn)行突現(xiàn)詞分析，得到2003年至2022年的突現(xiàn)詞列表，共14個(gè)，以突現(xiàn)起始年排序，結(jié)果見(jiàn)圖13。其中，紅色代表該突現(xiàn)詞突現(xiàn)的時(shí)間段。

分析圖13可知，“抽取”是出現(xiàn)最早突現(xiàn)且持續(xù)時(shí)間最久的關(guān)鍵詞。結(jié)合前文分析結(jié)果可知，“抽取”與“特征提取”密切相關(guān)，說(shuō)明2010年至2014年，針對(duì)文化遺產(chǎn)的特征提取是領(lǐng)域內(nèi)的研究前沿。2014年至2015年出現(xiàn)突現(xiàn)詞“檢索”，是指對(duì)文化遺產(chǎn)數(shù)據(jù)庫(kù)的檢索。2017年出現(xiàn)了三個(gè)重要突現(xiàn)詞，“移動(dòng)應(yīng)用”“智能空間”“建筑遺產(chǎn)”，但作為突現(xiàn)詞出現(xiàn)的時(shí)間較短?！包c(diǎn)云”“浮雕提取”“歷史圖像”“可解釋的人工智能”等至2022年仍是突現(xiàn)詞，說(shuō)明近兩年來(lái)領(lǐng)域內(nèi)的最新研究趨勢(shì)。

圖13 WOS數(shù)據(jù)庫(kù)文獻(xiàn)突現(xiàn)詞列表

3.2.1.2 關(guān)鍵詞時(shí)間聚類(lèi)

關(guān)鍵詞是一篇文章的核心，是對(duì)文章研究對(duì)象的高度概括及凝練[65]。在CiteSpace軟件中對(duì)國(guó)際文獻(xiàn)進(jìn)行關(guān)鍵詞聚類(lèi)，并以時(shí)間軸的形式繪制2003年至2022年的關(guān)鍵詞共現(xiàn)時(shí)間軸圖譜，結(jié)果見(jiàn)圖14。以時(shí)間軸的形式呈現(xiàn)關(guān)鍵詞的共現(xiàn)情況，可以更直觀地觀察研究主題的變遷與演進(jìn)。圖譜軸線(xiàn)的數(shù)量代表文獻(xiàn)聚類(lèi)的類(lèi)數(shù)，每個(gè)聚類(lèi)是由多個(gè)緊密相關(guān)的詞組成的，聚類(lèi)主題的數(shù)字標(biāo)簽代表該聚類(lèi)中關(guān)鍵詞的數(shù)量，數(shù)字越小，聚類(lèi)中包含的關(guān)鍵詞越多。由圖14可知，共聚類(lèi)10個(gè)主題，分別為“深度學(xué)習(xí)”“機(jī)器學(xué)習(xí)”“文化遺產(chǎn)”“數(shù)字文化遺產(chǎn)”“特征提取”“遙感”“衛(wèi)星”“結(jié)構(gòu)健康監(jiān)測(cè)”“水墨畫(huà)分析”“數(shù)字人文”。

圖14 WOS數(shù)據(jù)庫(kù)關(guān)鍵詞聚類(lèi)時(shí)間軸圖譜

主題“深度學(xué)習(xí)”是第一個(gè)中介中心性集中出現(xiàn)關(guān)鍵詞的聚類(lèi)，始于2007年。“虛擬現(xiàn)實(shí)”“人群模擬”“人工智能”是最早出現(xiàn)在該聚類(lèi)中的關(guān)鍵詞?！熬矸e神經(jīng)網(wǎng)絡(luò)”“深度學(xué)習(xí)”是該聚類(lèi)中的兩個(gè)高頻關(guān)鍵詞。其中，“卷積神經(jīng)網(wǎng)絡(luò)”出現(xiàn)于2016年，自此關(guān)鍵詞出現(xiàn)之后該聚類(lèi)中的成果開(kāi)始增多。2020年至2022年，“圖像識(shí)別”“遷移學(xué)習(xí)”“目標(biāo)檢測(cè)”是該領(lǐng)域中出現(xiàn)頻次較高的關(guān)鍵詞，說(shuō)明近三年來(lái)圖像識(shí)別遷移學(xué)習(xí)目標(biāo)檢測(cè)是該領(lǐng)域中基于深度學(xué)習(xí)技術(shù)的研究重點(diǎn)。

主題“機(jī)器學(xué)習(xí)”是第二個(gè)集中出現(xiàn)關(guān)鍵詞的聚類(lèi)。其中，“文化遺產(chǎn)”被分在這一類(lèi)別中，說(shuō)明文化遺產(chǎn)與機(jī)器學(xué)習(xí)相關(guān)關(guān)鍵詞的連接程度很高，由此可知，機(jī)器學(xué)習(xí)技術(shù)在文化遺產(chǎn)領(lǐng)域的應(yīng)用較為廣泛且頻繁。2020年至2022年，“可解釋的人工智能”“字符識(shí)別”“數(shù)字典藏”是該主題下出現(xiàn)頻次較高的關(guān)鍵詞，這說(shuō)明這三個(gè)關(guān)鍵詞所指代的技術(shù)與研究方向是近年來(lái)在文化遺產(chǎn)領(lǐng)域中機(jī)器學(xué)習(xí)技術(shù)的應(yīng)用熱點(diǎn)。此外，觀察主題出現(xiàn)時(shí)間區(qū)域可知，截至2022年，“深度學(xué)習(xí)”“機(jī)器學(xué)習(xí)”“數(shù)字文化遺產(chǎn)”“遙感”“數(shù)字人文”仍是文化遺產(chǎn)領(lǐng)域中頗為熱門(mén)的技術(shù)及研究方向，“特征提取”“衛(wèi)星”“結(jié)構(gòu)健康監(jiān)測(cè)”“水墨畫(huà)分析”等主題的研究熱度有所下降。

3.2.2 國(guó)內(nèi)研究趨勢(shì)分析

3.2.2.1 突現(xiàn)詞分析

由于在CNKI數(shù)據(jù)庫(kù)中檢索到的領(lǐng)域文獻(xiàn)最早發(fā)表于2006年，因此對(duì)2006年至2022年發(fā)表的國(guó)內(nèi)文獻(xiàn)關(guān)鍵詞進(jìn)行突現(xiàn)詞分析，得到13個(gè)突現(xiàn)詞，以起始時(shí)間為序，結(jié)果見(jiàn)圖15?！疤卣魈崛　笔亲钤绯霈F(xiàn)的突現(xiàn)詞?！皥D像分割”“邊緣檢測(cè)”“模式識(shí)別”突現(xiàn)詞集中出現(xiàn)在2010年至2013年，說(shuō)明這一階段的研究已經(jīng)開(kāi)始對(duì)機(jī)器學(xué)習(xí)應(yīng)用于文化遺產(chǎn)的圖像處理方法進(jìn)行了初步探索。

“知識(shí)圖譜”“神經(jīng)網(wǎng)絡(luò)”“知識(shí)組織”“目標(biāo)檢測(cè)”“遷移學(xué)習(xí)”突現(xiàn)詞均出現(xiàn)在2021年，且已持續(xù)到2022年，說(shuō)明國(guó)內(nèi)近幾年對(duì)該領(lǐng)域的研究趨勢(shì)集中在對(duì)知識(shí)圖譜、神經(jīng)網(wǎng)絡(luò)的應(yīng)用中?！澳繕?biāo)檢測(cè)”與對(duì)文化遺產(chǎn)圖像、視頻資料中元素的檢測(cè)與識(shí)別有關(guān)，從突現(xiàn)詞分布來(lái)看，目標(biāo)檢測(cè)也是近年來(lái)較為熱門(mén)的研究趨勢(shì)。此外，遷移學(xué)習(xí)也是文化遺產(chǎn)與人工智能技術(shù)新的結(jié)合趨勢(shì)。遷移學(xué)習(xí)是運(yùn)用已存有的知識(shí)對(duì)不同但相關(guān)領(lǐng)域問(wèn)題進(jìn)行求解的一種新的機(jī)器學(xué)習(xí)方法[66]。由于現(xiàn)有的深度學(xué)習(xí)模型已趨成熟，且近年來(lái)模型參數(shù)量劇增，部分學(xué)者開(kāi)始探索遷移學(xué)習(xí)方法，以期降低研究中的模型訓(xùn)練成本。

3.2.2.2 關(guān)鍵詞時(shí)間聚類(lèi)

對(duì)國(guó)內(nèi)文獻(xiàn)進(jìn)行關(guān)鍵詞聚類(lèi)，并繪制2006年至2022年的關(guān)鍵詞共現(xiàn)時(shí)間線(xiàn)圖譜，結(jié)果見(jiàn)圖16。由于CiteSpace軟件默認(rèn)設(shè)置過(guò)濾器為僅顯示包含文獻(xiàn)數(shù)量大于10的類(lèi)別，因此圖譜中僅顯示了8個(gè)類(lèi)別，且跳過(guò)了包含文獻(xiàn)數(shù)量不足10的第7類(lèi)別。圖譜中8個(gè)聚類(lèi)的主題詞分別為“知識(shí)圖譜”“人工智能”“特征提取”“圖像修復(fù)”“圖像分割”“目標(biāo)檢測(cè)”“多尺度”“主題演化”。

“知識(shí)圖譜”是包含關(guān)鍵詞最多的聚類(lèi)主題，說(shuō)明國(guó)內(nèi)對(duì)知識(shí)圖譜技術(shù)在文化遺產(chǎn)領(lǐng)域的應(yīng)用研究較廣泛。“特征提取”是出現(xiàn)最早的聚類(lèi)主題，首次出現(xiàn)于2006年，“圖像”“特征提取”等都是該主題中早期出現(xiàn)的熱門(mén)關(guān)鍵詞。這說(shuō)明，該領(lǐng)域研究的早期，采用人工智能技術(shù)對(duì)文化遺產(chǎn)進(jìn)行圖像相關(guān)的特征提取是較為熱門(mén)的研究方向。2018年后，領(lǐng)域中“特征提取”主題相關(guān)的研究幾乎停止。

圖15 CNKI數(shù)據(jù)庫(kù)突現(xiàn)詞列表

圖16 CNKI數(shù)據(jù)庫(kù)關(guān)鍵詞聚類(lèi)時(shí)間軸圖譜

“人工智能”是出現(xiàn)最晚且一直延續(xù)至今的聚類(lèi)主題。始于2018年，出現(xiàn)最早的高頻次關(guān)鍵詞為“深度學(xué)習(xí)”，說(shuō)明在文化遺產(chǎn)領(lǐng)域，人工智能技術(shù)的研究熱度是伴隨著深度學(xué)習(xí)算法的高研究熱度而出現(xiàn)的。近年來(lái)，“遷移學(xué)習(xí)”“神經(jīng)網(wǎng)絡(luò)”等關(guān)鍵詞熱度較高，說(shuō)明部分學(xué)者嘗試將現(xiàn)有模型遷移至文化遺產(chǎn)的細(xì)分領(lǐng)域，優(yōu)化現(xiàn)有模型，降低模型訓(xùn)練成本。此外，觀察圖譜可知，截至2022年，“圖像修復(fù)”“圖像分割”“目標(biāo)檢測(cè)”仍是較熱門(mén)的研究主題。在“圖像修復(fù)”聚類(lèi)，2020年至2022年出現(xiàn)了“唐卡圖像”“唐卡”“古代繪畫(huà)”等關(guān)鍵詞，說(shuō)明近年來(lái)國(guó)內(nèi)人工智能與文化遺產(chǎn)領(lǐng)域在圖像修復(fù)方向更多關(guān)注于對(duì)古代繪畫(huà)的修復(fù)。在“圖像分割”聚類(lèi)中，2020年至2022年出現(xiàn)了關(guān)鍵詞“機(jī)器學(xué)習(xí)”，說(shuō)明在圖像分割方面機(jī)器學(xué)習(xí)仍是主要的應(yīng)用技術(shù)。在“目標(biāo)檢測(cè)”聚類(lèi)中，2020年至2022年間出現(xiàn)了“圖像識(shí)別”“中國(guó)書(shū)法”“絲綢文物”等關(guān)鍵詞，說(shuō)明目標(biāo)檢測(cè)與圖像識(shí)別技術(shù)存在較大關(guān)聯(lián)，且研究對(duì)象與非遺中的書(shū)法藝術(shù)、文物有關(guān)。

4 研究結(jié)論

本文采用文獻(xiàn)計(jì)量的方法，使用CiteSpace軟件對(duì)Web of Science和CNKI數(shù)據(jù)庫(kù)中2003年1月1日至2022年12月31日“人工智能”+“文化遺產(chǎn)”文獻(xiàn)進(jìn)行統(tǒng)計(jì)，從國(guó)內(nèi)外基本情況、研究熱點(diǎn)與趨勢(shì)兩個(gè)角度對(duì)該領(lǐng)域文獻(xiàn)進(jìn)行分析，得出結(jié)論如下。

1）從領(lǐng)域內(nèi)文獻(xiàn)發(fā)表數(shù)量來(lái)看，2003年至2022年國(guó)內(nèi)外文獻(xiàn)發(fā)表數(shù)量趨勢(shì)基本一致，皆呈增長(zhǎng)趨勢(shì)，于2017年起激增。國(guó)內(nèi)外對(duì)人工智能與文化遺產(chǎn)的交叉研究更依賴(lài)于人工智能技術(shù)的發(fā)展。未來(lái)，人工智能技術(shù)相關(guān)研究熱度將持續(xù)，在各國(guó)對(duì)人工智能領(lǐng)域的重視下，人工智能技術(shù)的應(yīng)用研究熱度也將隨之升溫。

2）從領(lǐng)域研究的學(xué)科分布情況來(lái)看，國(guó)內(nèi)外對(duì)該領(lǐng)域的研究大多在計(jì)算機(jī)學(xué)科下開(kāi)展，且學(xué)科涉及的范圍都較為廣泛，涵蓋如工程學(xué)、自動(dòng)化、考古、化學(xué)、材料科學(xué)、地理、建筑、藝術(shù)、文學(xué)等多個(gè)學(xué)科。計(jì)算機(jī)科學(xué)是人工智能技術(shù)發(fā)展的學(xué)科基礎(chǔ)，工程學(xué)、自動(dòng)化等都是人工智能發(fā)展的支持學(xué)科；化學(xué)、材料科學(xué)、建筑、地理等學(xué)科則與物質(zhì)文化遺產(chǎn)密切相關(guān)；藝術(shù)、文學(xué)等學(xué)科則與非物質(zhì)文化遺產(chǎn)密切相關(guān)。

3）從核心作者與研究機(jī)構(gòu)情況來(lái)看，國(guó)內(nèi)外該領(lǐng)域研究的主陣地為各大高校，多數(shù)研究在高校的支持下進(jìn)行。然而由于調(diào)研樣本為交叉學(xué)科等，文獻(xiàn)數(shù)量較少，發(fā)表該領(lǐng)域內(nèi)文獻(xiàn)的機(jī)構(gòu)之間、作者之間關(guān)聯(lián)性不高，尚未建立較為緊密的合作聯(lián)系。因此，該領(lǐng)域的研究機(jī)構(gòu)與研究人員應(yīng)該進(jìn)一步加強(qiáng)合作關(guān)系，重視跨學(xué)科的交流與合作，并積極與博物館、文化遺產(chǎn)機(jī)構(gòu)建立合作關(guān)系，廣泛應(yīng)用文化遺產(chǎn)資源開(kāi)展研究。

4）從各國(guó)對(duì)該領(lǐng)域的研究情況來(lái)看，中國(guó)是國(guó)際上在該領(lǐng)域內(nèi)發(fā)表文獻(xiàn)最多的國(guó)家，且是中介中心性最高的國(guó)家，體現(xiàn)了我國(guó)對(duì)該領(lǐng)域的研究十分重視，學(xué)者們發(fā)表了較多文章，具有較強(qiáng)的國(guó)際影響力。意大利的發(fā)文量與中介中心性?xún)H次于中國(guó)，是最早在該領(lǐng)域開(kāi)展研究的國(guó)家。意大利作為擁有悠久歷史文化的發(fā)達(dá)國(guó)家，其文化遺產(chǎn)資源較多，在國(guó)際上率先開(kāi)展研究且擁有較大影響力。研究發(fā)現(xiàn)，在領(lǐng)域內(nèi)影響力較高的國(guó)家與其文化遺產(chǎn)豐富度密切相關(guān)。

5）從研究熱點(diǎn)上來(lái)看，在技術(shù)方面，深度學(xué)習(xí)、知識(shí)圖譜是該領(lǐng)域內(nèi)應(yīng)用較為熱門(mén)的技術(shù)，二者也是人工智能的重要分支技術(shù)。在文化遺產(chǎn)視角，對(duì)文本、圖像、建筑、文物等進(jìn)行了廣泛的研究。從研究范疇上來(lái)看，國(guó)內(nèi)外的研究熱點(diǎn)均包含對(duì)文化遺產(chǎn)的數(shù)字化處理，包括識(shí)別、分類(lèi)、特征提取等，通過(guò)人工智能算法輔助減輕文化遺產(chǎn)工作者的工作負(fù)擔(dān)，提高研究效率。此外，對(duì)文化遺產(chǎn)的虛擬修復(fù)也是熱門(mén)研究范疇，虛擬修復(fù)主要包含對(duì)圖像的整體修復(fù)、顏色修復(fù)，以及對(duì)石刻、雕塑、建筑的3D虛擬修復(fù)，進(jìn)而提高研究人員修復(fù)文物的效率，使數(shù)字化的文化遺產(chǎn)呈現(xiàn)較高的質(zhì)量。

6）從整體研究趨勢(shì)上看，對(duì)人工智能技術(shù)賦能文化遺產(chǎn)的研究領(lǐng)域，知識(shí)圖譜、深度學(xué)習(xí)等技術(shù)應(yīng)用較多，計(jì)算機(jī)視覺(jué)技術(shù)與文化遺產(chǎn)圖像相關(guān)的研究存在較多結(jié)合方式。深度學(xué)習(xí)與計(jì)算機(jī)視覺(jué)應(yīng)用于文化遺產(chǎn)領(lǐng)域，其中卷積神經(jīng)網(wǎng)絡(luò)是熱門(mén)的應(yīng)用算法。文化遺產(chǎn)數(shù)字化是為更好地保存、轉(zhuǎn)化、傳播文化遺產(chǎn)，通過(guò)人工智能技術(shù)輔助完成文化遺產(chǎn)數(shù)字化工作后，文化遺產(chǎn)數(shù)據(jù)信息的創(chuàng)新應(yīng)用和創(chuàng)意傳播是學(xué)者們后續(xù)研究需重點(diǎn)考慮的方向。隨著圖像生成、文本生成等AIGC技術(shù)日趨成熟，智能生成將為文化遺產(chǎn)領(lǐng)域帶來(lái)新的變革。基于數(shù)字化的文化遺產(chǎn)信息，AIGC技術(shù)能夠生成多種創(chuàng)新方案，幫助人類(lèi)探索文化遺產(chǎn)創(chuàng)新轉(zhuǎn)化方式，為文化遺產(chǎn)傳承提供新的思路。人工智能與人類(lèi)共同生產(chǎn)內(nèi)容，對(duì)文化遺產(chǎn)進(jìn)行創(chuàng)造性轉(zhuǎn)化，以文化創(chuàng)新的視角助力文化遺產(chǎn)的保護(hù)、傳播，將成為新的熱門(mén)研究趨勢(shì)。

5 結(jié)語(yǔ)

目前，人工智能在文化遺產(chǎn)領(lǐng)域的研究已經(jīng)取得了一定的成果。通過(guò)人工智能技術(shù)，我們能夠更好地保護(hù)、傳承和發(fā)展各類(lèi)文化遺產(chǎn)，同時(shí)也能夠提供更多創(chuàng)新的方式和手段來(lái)激發(fā)大眾的興趣，吸引大眾學(xué)習(xí)、了解、參與到文化遺產(chǎn)的創(chuàng)新實(shí)踐中。本文分析了當(dāng)前人工智能賦能文化遺產(chǎn)領(lǐng)域的研究熱點(diǎn)，例如深度學(xué)習(xí)、知識(shí)圖譜、自然語(yǔ)言處理技術(shù)等在文化遺產(chǎn)研究、文物保護(hù)和修復(fù)中的應(yīng)用等。本文論述內(nèi)容與技術(shù)發(fā)展趨勢(shì)相結(jié)合，展示了人工智能在文化遺產(chǎn)領(lǐng)域的廣泛應(yīng)用前景。對(duì)非物質(zhì)文化遺產(chǎn)，通過(guò)人工智能技術(shù)對(duì)其進(jìn)行轉(zhuǎn)化、存儲(chǔ)、傳播，是人類(lèi)保存共同文化記憶的有效手段。對(duì)物質(zhì)文化遺產(chǎn)，從建筑、文物的角度，運(yùn)用人工智能技術(shù)將其數(shù)字化，對(duì)其進(jìn)行研究分析、虛擬修復(fù)，能夠提高對(duì)物質(zhì)文化遺產(chǎn)管理與保護(hù)的效率，對(duì)文化遺產(chǎn)的研究、修復(fù)與保存具有重要意義。未來(lái)，隨著人工智能技術(shù)的發(fā)展及對(duì)文化遺產(chǎn)關(guān)注度的提升，人工智能技術(shù)將更多地應(yīng)用在文化遺產(chǎn)的傳承中，文化遺產(chǎn)領(lǐng)域的研究將更加深入和廣泛。文化遺產(chǎn)將會(huì)跨越時(shí)空的限制，以數(shù)字化的方式轉(zhuǎn)化為多種形態(tài)而存在，成為人類(lèi)永久的文化記憶。

[1] 保護(hù)世界文化和自然遺產(chǎn)公約[J]. 文明, 2015(S1): 332-335. Convention Concerning the Protection of the World Cultural and Natural Heritage[J]. Civilization, 2015(S1): 332-335.

[2] 保護(hù)非物質(zhì)文化遺產(chǎn)公約[J]. 中華人民共和國(guó)全國(guó)人民代表大會(huì)常務(wù)委員會(huì)公報(bào), 2006(2): 138-145. Convention for the Protection of Intangible Cultural Heritage[J]. Gazette of the Standing Committee of the National People's Congress of the People's Republic of China, 2006(2): 138-145.

[3] 譚鐵牛. 人工智能的歷史、現(xiàn)狀和未來(lái)[J]. 智慧中國(guó), 2019(S1): 87-91. TAN Tie-niu. The History, Present Situation and Future of Artificial Intelligence[J]. Wisdom China, 2019(S1): 87-91.

[4] 盛云夢(mèng), 劉倩. 基于CiteSpace的國(guó)際人工智能研究熱點(diǎn)與趨勢(shì)分析[J]. 軟件工程, 2022, 25(11): 35-38. SHENG Yun-meng, LIU Qian. Research Hotspots and Trend Analysis of International Artificial Intelligence Based on CiteSpace[J]. Software Engineering, 2022, 25(11): 35-38.

[5] 王友發(fā), 陳輝, 羅建強(qiáng). 國(guó)內(nèi)外人工智能的研究熱點(diǎn)對(duì)比與前沿挖掘[J]. 計(jì)算機(jī)工程與應(yīng)用, 2021, 57(12): 46-53. WANG You-fa, CHEN Hui, LUO Jian-qiang. Research Hotspots and Cutting-Edge Mining of Artificial Intelligence[J]. Computer Engineering and Applications, 2021, 57(12): 46-53.

[6] 牛美英, 渠基磊, 吳志鵬. 人工智能在電氣工程自動(dòng)化中的應(yīng)用[J]. 價(jià)值工程, 2013, 32(23): 27-28.NIU Mei-ying, QU Ji-lei, WU Zhi-peng. Application of Artificial Intelligence in Electrical Engineering Automation[J]. Value Engineering, 2013, 32(23): 27-28.

[7] 姜春林. 普賴(lài)斯與科學(xué)計(jì)量學(xué)[J]. 科學(xué)學(xué)與科學(xué)技術(shù)管理, 2001, 22(9): 20-22. JIANG Chun-lin. Price and Scientometrics[J]. Science of Science and Management of S & T, 2001, 22(9): 20-22.

[8] PIERDICCA R, PAOLANTI M, QUATTRINI R, et al. A Visual Attentive Model for Discovering Patterns in Eye-Tracking Data-a Proposal in Cultural Heritage[J]. Sensors, 2020, 20(7): 2101.

[9] PIERDICCA R, PAOLANTI M, MATRONE F, et al. Point Cloud Semantic Segmentation Using a Deep Learning Framework for Cultural Heritage[J]. Remote Sensing, 2020, 12(6): 1005.

[10] BELHI A, AL-ALI A K, BOURAS A, et al. Investigating Low-Delay Deep Learning-Based Cultural Image Reconstruction[J]. Journal of Real-Time Image Processing, 2020, 17(6): 1911-1926.

[11] BELHI A, BOURAS A, FOUFOU S. Leveraging Known Data for Missing Label Prediction in Cultural Heritage Context[J]. Applied Sciences, 2018, 8(10): 1768.

[12] BELHI A, BOURAS A, ALFAQHERI T, et al. Investigating 3D Holoscopic Visual Content Upsampling Using Super-Resolution for Cultural Heritage Digitization[J]. Signal Processing: Image Communication, 2019, 75: 188-198.

[13] GENG Guo-hua, LIU Jie, CAO Xin, et al. Simplification Method for 3D Terracotta Warrior Fragments Based on Local Structure and Deep Neural Networks[J]. Journal of the Optical Society of America A, 2020, 37(11): 1711-1720.

[14] YAO Wen-min, CHU Tong, TANG Wen-long, et al. SPPD: A Novel Reassembly Method for 3D Terracotta Warrior Fragments Based on Fracture Surface Information[J]. ISPRS International Journal of Geo-Information, 2021, 10(8): 525.

[15] CHU Tong, YAO Wen-min, LIU Jie, et al. Hole-Filling Framework by Combining Structural and Textural Information for the 3D Terracotta Warriors[J]. Journal of Applied Remote Sensing, 2021, 15(4): 046503.

[16] REN Yong, CHU Tong, JIAO Yi-fei, et al. Multi-Scale Upsampling GAN Based Hole-Filling Framework for High-Quality 3D Cultural Heritage Artifacts[J]. Applied Sciences, 2022, 12(9): 4581.

[17] 任秋彤, 王昊, 熊欣, 等. 融合GCN遠(yuǎn)距離約束的非遺戲劇術(shù)語(yǔ)抽取模型構(gòu)建及其應(yīng)用研究[J]. 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn), 2021, 5(12): 123-136. REN Qiu-tong, WANG Hao, XIONG Xin, et al. Extracting Drama Terms with GCN Long-Distance Constrain[J]. Data Analysis and Knowledge Discovery, 2021, 5(12): 123-136.

[18] 范濤, 王昊, 張寶隆. 基于遠(yuǎn)程監(jiān)督和深度學(xué)習(xí)的非物質(zhì)文化遺產(chǎn)文本屬性抽取研究[J]. 情報(bào)理論與實(shí)踐, 2021, 44(10): 1-7. FAN Tao, WANG Hao, ZHANG Bao-long. Research of Attribute Extraction in Intangible Cultural Heritage Texts Based on Distant Supervision and Deep Learning[J]. Information Studies (Theory & Application), 2021, 44(10): 1-7.

[19] 張衛(wèi), 王昊, 李躍艷, 等. 面向非遺文本的知識(shí)組織模式及人文圖譜構(gòu)建研究[J]. 情報(bào)資料工作, 2021, 42(6): 91-101. ZHANG Wei, WANG Hao, LI Yue-yan, et al. Research on Intangible Cultural Heritage Text-Oriented Knowledge Organization Model and Humanistic Atlas Construction[J]. Information and Documentation Services, 2021, 42(6): 91-101.

[20] 周澤聿, 王昊, 張小琴, 等. 基于Xception-TD的中華傳統(tǒng)刺繡分類(lèi)模型構(gòu)建[J]. 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn), 2022, 6(S1): 338-347. ZHOU Ze-yu, WANG Hao, ZHANG Xiao-qin, et al. Classification Model for Chinese Traditional Embroidery Based on Xception-TD[J]. Data Analysis and Knowledge Discovery, 2022, 6(S1): 338-347.

[21] 范濤, 王昊, 李躍艷, 等. 基于多模態(tài)融合的非遺圖片分類(lèi)研究[J]. 數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn), 2022, 6(S1): 329-337. FAN Tao, WANG Hao, LI Yue-yan, et al. Classifying Images of Intangible Cultural Heritages with Multimodal Fusion[J]. Data Analysis and Knowledge Discovery, 2022, 6(S1): 329-337.

[22] 賈小軍, 鄧洪濤, 劉子豪, 等. 基于VGGNet卷積神經(jīng)網(wǎng)絡(luò)的藍(lán)印花布紋樣分類(lèi)[J]. 光電子·激光, 2019, 30(8): 867-875. JIA Xiao-jun, DENG Hong-tao, LIU Zi-hao, et al. Vein Pattern Classification Based on VGGNet Convolutional Neural Network for Blue Calico[J]. Journal of Optoelectronics·Laser, 2019, 30(8): 867-875.

[23] 賈小軍, 葉利華, 鄧洪濤, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的藍(lán)印花布紋樣基元分類(lèi)[J]. 紡織學(xué)報(bào), 2020, 41(1): 110-117. JIA Xiao-jun, YE Li-hua, DENG Hong-tao, et al. Elements Classification of Vein Patterns Using Convolutional Neural Networks for Blue Calico[J]. Journal of Textile Research, 2020, 41(1): 110-117.

[24] 付堯, 劉紅麗. 社會(huì)網(wǎng)絡(luò)結(jié)構(gòu)與互動(dòng)對(duì)知識(shí)轉(zhuǎn)移的影響[J]. 商場(chǎng)現(xiàn)代化, 2009(1): 394-395.FU Yao, LIU Hong-li. Influence of Social Network Structure and Interaction on Knowledge Transfer[J]. Market Modernization, 2009(1): 394-395.

[25] 陳超美, 陳悅, 侯劍華, 等. CiteSpace Ⅱ: 科學(xué)文獻(xiàn)中新趨勢(shì)與新動(dòng)態(tài)的識(shí)別與可視化[J]. 情報(bào)學(xué)報(bào), 2009, 28(3): 401-421. CHEN Chao-mei, CHEN Yue, HOU Jian-hua, et al. CiteSpace Ⅱ: Detecting and Visualizing Emerging Trends and Transient Patterns in Scientific Literature[J]. Journal of the China Society for Scientific Andtechnical Information, 2009, 28(3): 401-421.

[26] 平亮, 宗利永. 基于社會(huì)網(wǎng)絡(luò)中心性分析的微博信息傳播研究——以Sina微博為例[J]. 圖書(shū)情報(bào)知識(shí), 2010(6): 92-97. PING Liang, ZONG Li-yong. Research on Microblog Information Dissemination Based on SNA Centrality Analysis—A Case Study with Sina Microblog[J]. Docu-ment, Information & Knowledge, 2010(6): 92-97.

[27] 吳玨, 俞佳楠, 陳絮菲. 沉浸式虛擬技術(shù)在文化遺產(chǎn)領(lǐng)域的研究現(xiàn)狀與熱點(diǎn)分析[J]. 創(chuàng)意與設(shè)計(jì), 2022(3): 71-80. WU Jue, YU Jia-nan, CHEN Xu-fei. Research Status and Hotspot Analysis of Immersive Virtual Technology in the Field of Cultural Heritage[J]. Creation and Design, 2022(3): 71-80.

[28] 陳凱, 朱鈺. 機(jī)器學(xué)習(xí)及其相關(guān)算法綜述[J]. 統(tǒng)計(jì)與信息論壇, 2007, 22(5): 105-112. CHEN Kai, ZHU Yu. A Summary of Machine Learning and Related Algorithms[J]. Statistics & Information Forum, 2007, 22(5): 105-112.

[29] ATIQUR RAHAMAN G M, PARKKINEN J, HAUTA- KASARI M. A Novel Approach to Using Spectral Imaging to Classify Dyes in Colored Fibers[J]. Sensors, 2020, 20(16): 4379.

[30] STOVER J A, WINTER Y, KOPPEL M, et al. Computational Authorship Verification Method Attributes a New Work to a Major 2nd Century African Author[J]. Journal of the Association for Information Science and Technology, 2016, 67(1): 239-242.

[31] GRANATA F, DI NUNNO F. Artificial Intelligence Models for Prediction of the Tide Level in Venice[J]. Stochastic Environmental Research and Risk Assessment, 2021, 35(12): 2537-2548.

[32] MATRONE F, GRILLI E, MARTINI M, et al. Comparing Machine and Deep Learning Methods for Large 3D Heritage Semantic Segmentation[J]. ISPRS International Journal of Geo-Information, 2020, 9(9): 535.

[33] HINTON G E, OSINDERO S, TEH Y W. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural Computation, 2006, 18(7): 1527-1554.

[34] 尹寶才, 王文通, 王立春. 深度學(xué)習(xí)研究綜述[J]. 北京工業(yè)大學(xué)學(xué)報(bào), 2015, 41(1): 48-59. YIN Bao-cai, WANG Wen-tong, WANG Li-chun. Review of Deep Learning[J]. Journal of Beijing University of Technology, 2015, 41(1): 48-59.

[35] 劉建偉, 劉媛, 羅雄麟. 深度學(xué)習(xí)研究進(jìn)展[J]. 計(jì)算機(jī)應(yīng)用研究, 2014, 31(7): 1921-1930. LIU Jian-wei, LIU Yuan, LUO Xiong-lin. Research and Development on Deep Learning[J]. Application Research of Computers, 2014, 31(7): 1921-1930.

[36] 周飛燕, 金林鵬, 董軍. 卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 計(jì)算機(jī)學(xué)報(bào), 2017, 40(6): 1229-1251. ZHOU Fei-yan, JIN Lin-peng, DONG Jun. Review of Convolutional Neural Network[J]. Chinese Journal of Computers, 2017, 40(6): 1229-1251.

[37] 盧宏濤, 張秦川. 深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的應(yīng)用研究綜述[J]. 數(shù)據(jù)采集與處理, 2016, 31(1): 1-17. LU Hong-tao, ZHANG Qin-chuan. Applications of Deep Convolutional Neural Network in Computer Vision[J]. Journal of Data Acquisition and Processing, 2016, 31(1): 1-17.

[38] BHUYAN H, KILLI J, DASH J K, et al. Motion Recognition in Bharatanatyam Dance[J]. IEEE Access, 2022, 10: 67128-67139.

[39] TANG Min-li, XIE Shao-min, HE Mu, et al. Character Recognition in Endangered Archives: Shui Manuscripts Dataset, Detection and Application Realization[J]. Applied Sciences, 2022, 12(11): 5361.

[40] JONES C, DALY N S, HIGGITT C, et al. Neural Network-Based Classification of X-Ray Fluorescence Spectra of Artists' Pigments: An Approach Leveraging a Synthetic Dataset Created Using the Fundamental Parameters Method[J]. Heritage Science, 2022, 10(1): 1-14.

[41] ZHANG Jiu-long, GUO Ming-tao, FAN Jian-ping. A Novel CNN Structure for Fine-Grained Classification of Chinese Calligraphy Styles[J]. International Journal on Document Analysis and Recognition (IJDAR), 2019, 22(2): 177-188.

[42] CONDORELLI F, RINAUDO F, SALVADORE F, et al. A Neural Networks Approach to Detecting Lost Heritage in Historical Video[J]. ISPRS International Journal of Geo-Information, 2020, 9(5): 297.

[43] YU Tong, LI Jing-hua, YU Qi, et al. Knowledge Graph for TCM Health Preservation: Design, Construction, and Applications[J]. Artificial Intelligence in Medicine, 2017, 77: 48-52.

[44] FIORUCCI M, KHOROSHILTSEVA M, PONTIL M, et al. Machine Learning for Cultural Heritage: A Sur-vey[J]. Pattern Recognition Letters, 2020, 133: 102-108.

[45] LLAMAS J, LERONES P M, MEDINA R, et al. Classification of Architectural Heritage Images Using Deep Learning Techniques[J]. Applied Sciences, 2017, 7(10): 992.

[46] GRILLI E, REMONDINO F. Classification of 3D Digital Heritage[J]. Remote Sensing, 2019, 11(7): 847.

[47] PROIETTI A, PANELLA M, LECCESE F, et al. Dust Detection and Analysis in Museum Environment Based on Pattern Recognition[J]. Measurement, 2015, 66: 62-72.

[48] DOU Jin-hua, QIN Jing-yan, JIN Zan-xia, et al. Know-ledge Graph Based on Domain Ontology and Natural Language Processing Technology for Chinese Intangible Cultural Heritage[J]. Journal of Visual Languages & Computing, 2018, 48: 19-28.

[49] 劉嶠, 李楊, 段宏, 等. 知識(shí)圖譜構(gòu)建技術(shù)綜述[J]. 計(jì)算機(jī)研究與發(fā)展, 2016, 53(3): 582-600.LIU Qiao, LI Yang, DUAN Hong, et al. Knowledge Graph Construction Techniques[J]. Journal of Computer Research and Development, 2016, 53(3): 582-600.

[50] 徐增林, 盛泳潘, 賀麗榮, 等. 知識(shí)圖譜技術(shù)綜述[J]. 電子科技大學(xué)學(xué)報(bào), 2016, 45(4): 589-606. XU Zeng-lin, SHENG Yong-pan, HE Li-rong, et al. Review on Knowledge Graph Techniques[J]. Journal of University of Electronic Science and Technology of China, 2016, 45(4): 589-606.

[51] 劉紹南, 楊鴻波, 侯霞. 文物知識(shí)圖譜的構(gòu)建與應(yīng)用探討[J]. 中國(guó)博物館, 2019, 36(4): 118-125. LIU Shao-nan, YANG Hong-bo, HOU Xia. Discussion on the Construction and Application of Cultural Relics Knowledge Graph[J]. Chinese Museum, 2019, 36(4): 118-125.

[52] 鐘琳穎, 沈婕, 毛威, 等. 基于時(shí)空知識(shí)圖譜的古城敘事地圖設(shè)計(jì)與實(shí)現(xiàn)[J]. 遙感學(xué)報(bào), 2021, 25(12): 2421-2430. ZHONG Lin-ying, SHEN Jie, MAO Wei, et al. The Design and Realization of the Ancient City Narrative Map Based on Spatiotemporal Knowledge Graph[J]. National Remote Sensing Bulletin, 2021, 25(12): 2421- 2430.

[53] 梁勇奇, 楊瑞霞, 謝一涵, 等. 基于大數(shù)據(jù)的世界文化遺產(chǎn)屬性深度融合與分析[J]. 遙感學(xué)報(bào), 2021, 25(12): 2441-2459. LIANG Yong-qi, YANG Rui-xia, XIE Yi-han, et al. Construction and Analysis of Global World Cultural Heritage Knowledge Graph Based on Big Earth Data[J]. National Remote Sensing Bulletin, 2021, 25(12): 2441- 2459.

[54] 胡昊天, 鄧三鴻, 張逸勤, 等. 數(shù)字人文視角下的非物質(zhì)文化遺產(chǎn)文本自動(dòng)分詞及應(yīng)用研究[J]. 圖書(shū)館雜志, 2022, 41(8): 76-83. HU Hao-tian, DENG San-hong, ZHANG Yi-qin, et al. Chinese Word Segmentation and Application of Intan-gible Cultural Heritage Texts from the Perspective of Digital Humanities[J]. Library Journal, 2022, 41(8): 76-83.

[55] 史先進(jìn), 曹爽, 張重生, 等. 基于錨點(diǎn)的字符級(jí)甲骨圖像自動(dòng)標(biāo)注算法研究[J]. 電子學(xué)報(bào), 2021, 49(10): 2020-2031.SHI Xian-jin, CAO Shuang, ZHANG Chong-sheng, et al. Research on Automatic Annotation Algorithm for Character-Level Oracle-Bone Images Based on Anchor Points[J]. Acta Electronica Sinica, 2021, 49(10): 2020- 2031.

[56] 鄧筱, 徐夢(mèng)秋, 吳銘, 等. 基于語(yǔ)義分割的織錦類(lèi)自適應(yīng)風(fēng)格遷移算法[J]. 北京郵電大學(xué)學(xué)報(bào), 2021, 44(1): 117-123. DENG Xiao, XU Meng-qiu, WU Ming, et al. Adaptive Style Transfer Method of Brocade Crafts Based on Semantic Segmentation[J]. Journal of Beijing University of Posts and Telecommunications, 2021, 44(1): 117-123.

[57] 劉潔. 基于深度學(xué)習(xí)的唐卡圖像修復(fù)系統(tǒng)的研究與實(shí)現(xiàn)[D]. 銀川: 寧夏大學(xué), 2020. LIU Jie. Research and implementation of thang-ga image inpainting system based on deep learning[D]. Yinchuan: Ningxia University, 2020.

[58] 陳玉紅, 劉曉靜. 基于卷積神經(jīng)網(wǎng)絡(luò)的唐卡尊像自動(dòng)分類(lèi)研究[J]. 計(jì)算機(jī)技術(shù)與發(fā)展, 2021, 31(12): 167- 174. CHEN Yu-hong, LIU Xiao-jing. Research on Automatic Classification of Thangka Images Based on Convolutio-nal Neural Network[J]. Computer Technology and Development, 2021, 31(12): 167-174.

[59] 劉肖健, 曹愉靜, 趙露唏. 傳統(tǒng)紋樣的色彩網(wǎng)絡(luò)模型及配色設(shè)計(jì)輔助技術(shù)[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2016, 22(4): 899-907. LIU Xiao-jian, CAO Yu-jing, ZHAO Lu-xi. Color Networks of Traditional Cultural Patterns and Color Design Aiding Technology[J]. Computer Integrated Manufacturing Systems, 2016, 22(4): 899-907.

[60] 黃永林, 余歡. 智能媒體技術(shù)在非物質(zhì)文化遺產(chǎn)傳播中的運(yùn)用[J]. 華中師范大學(xué)學(xué)報(bào)(人文社會(huì)科學(xué)版), 2019, 58(6): 122-129. HUANG Yong-lin, YU Huan. Application of Intelligent Media Technology in the Communication of Chinese Intangible Cultural Heritages[J]. Journal of Central China Normal University (Humanities and Social Sciences), 2019, 58(6): 122-129.

[61] 向遙. 古建筑虛擬色彩修復(fù)及漫游技術(shù)研究[D]. 長(zhǎng)沙: 中南大學(xué), 2007. XIANG Yao. Research on virtual color restoration and virtual wandering for ancient architecture[D]. Changsha: Central South University, 2007.

[62] 覃京燕, 賈冉. 人工智能在非物質(zhì)文化遺產(chǎn)中的創(chuàng)新設(shè)計(jì)研究：以景泰藍(lán)為例[J]. 包裝工程, 2020, 41(6): 1-6. QIN Jing-yan, JIA Ran. Innovative Designof Artificial Intelligence in Intangible Cultural Heritage: Take Cloisonné as an Example[J]. Packaging Engineering, 2020, 41(6): 1-6.

[63] 花龍雪, 吳應(yīng)良. 基于CNKI文獻(xiàn)計(jì)量分析的過(guò)程挖掘研究評(píng)述與展望[J]. 管理學(xué)報(bào), 2021, 18(6): 938-948. HUA Long-xue, WU Ying-liang. Review and Prospect of Process Mining Research Based on CNKI Biblio-metric Analysis[J]. Chinese Journal of Management, 2021, 18(6): 938-948.

[64] CHEN Chao-mei. CiteSpace II: Detecting and Visualizing Emerging Trends and Transient Patterns in Scientific Literature[J]. Journal of the American Society for Information Science and Technology, 2006, 57(3): 359- 377.

[65] 胡德華, 種樂(lè)熹, 邱均平, 等. 國(guó)內(nèi)外知識(shí)檢索研究的進(jìn)展與趨勢(shì)[J]. 圖書(shū)情報(bào)知識(shí), 2015(3): 93-106. HU De-hua, CHONG Le-xi, QIU Jun-ping, et al. Progress and Trends of Research on Knowledge Retrieval at Home and Abroad[J]. Documentation, Information & Knowledge, 2015(3): 93-106.

[66] 莊福振, 羅平, 何清, 等. 遷移學(xué)習(xí)研究進(jìn)展[J]. 軟件學(xué)報(bào), 2015, 26(1): 26-39. ZHUANG Fu-zhen, LUO Ping, HE Qing, et al. Survey on Transfer Learning Research[J]. Journal of Software, 2015, 26(1): 26-39.

A Review of AI-empowered Cultural Heritage:Visualization Analysis Based on CiteSpace

DOU Jin-hua, ZHANG Bin-rui, QIAN Xiao-song

(School of Mechanical Engineering, University of Science and Technology Beijing, Beijing 100083, China)

The work aims to systematically sort out and summarize the Chinese and foreign researches of AI-empowered cultural heritage, and analyze the current research hotspots and future trends. With literature of AI-empowered cultural heritage in Web of Science and CNKI database as the research object, CiteSpace was used to visualize the literature and the visualization results and literature topics were analyzed and reviewed by bibliometric methods from six aspects: publication volume, discipline distribution, author and institution distribution, country and region distribution, research hotspots, and research trends.The total amount of research on AI-empowered cultural heritage in China and abroad was small, but the overall number of research was increasing. The field of AI-empowered cultural heritage was greatly affected by the development of artificial intelligence technology, and the research was mostly conducted in computer science. There was less cooperation between core authors and institutions, and cooperation was required to be further strengthened. China, Italy, Spain, and the United Kingdom conducted more research and had a high influence, and the research influence was closely related to the cultural heritage richness of the scholar's country. For research hotspots, deep learning and knowledge graph were popular technologies in this field. The digital processing, information organization and virtual artifact restoration of cultural heritage were popular research fields. In terms of research trend, cultural heritage and AI would be further closely integrated, and the application of AI was of great significance to the protection and inheritance of tangible cultural heritage and intangible cultural heritage.The current situation regarding the integration of cultural heritage and AI technology is summarized and the new directions for the development of the field of cultural heritage are explored to provide more ideas for research on the protection and inheritance of cultural heritage in the path of integrating cultural heritage with technological innovation.

cultural heritage; artificial intelligence; CiteSpace; visualization analysis

TB472

A

1001-3563(2023)14-0001-20

10.19554/j.cnki.1001-3563.2023.14.001

2022–02–14

北京市社會(huì)科學(xué)基金項(xiàng)目（21YTB019）

竇金花（1978—），女，博士，教授，主要研究方向?yàn)槿藱C(jī)交互、智慧公共文化服務(wù)、人工智能與創(chuàng)新設(shè)計(jì)、產(chǎn)品服務(wù)系統(tǒng)設(shè)計(jì)、文化遺產(chǎn)的可持續(xù)發(fā)展與設(shè)計(jì)創(chuàng)新等。

錢(qián)曉松（1983—），男，博士，副教授，主要研究方向?yàn)楣I(yè)設(shè)計(jì)、交互設(shè)計(jì)、用戶(hù)體驗(yàn)、設(shè)計(jì)思維。

責(zé)任編輯：陳作