中圖分類號：TP391.4 文獻標識碼：A 文章編號：2096-4706（2025）12-0156-05

Visualization Analysis of Neural Network Model Based on CiteSpace

LYU Lu （Wuchang Institute of Technology，Wuhan 430o65，China）

Abstract： CiteSpace software is used to conduct a visual quantitative analysis of 497 Neural Network model research pappers in the CNKI database from 2015 to 2025.The overalldevelopment and trend of domestic neural network model researchare systematicall investigated.Theresearchresultsshow that theauthorcooperation networkdensityislow，anda stablecoreresearch grouphas notyetformed.Theresearch institutionsarenotcloselylinked，and most authorsandresearch institutions arerelatively independent.Researchhotspotsand trends focusonNeural Network，DeepLearning，prediction model，sentimntsiaion，aceLangediction，tentale，ndoivetratition.eseachldf Neural Network model has moved from the stageof technology developmenttoanew eraof multi-domain appication and interdisciplinaryintegration.Futureresearchwillpaymoreatentiontotheiterpretabilityoftechnologyandtherealizationof social value.

Keywords： Neural Network model; CiteSpace; visualization analysis; quantitative analysis

0 引言

近年來，隨著深度學習技術(shù)的快速發(fā)展，神經(jīng)網(wǎng)絡(luò)模型在自然語言處理、收益預測、藥物推薦等多個領(lǐng)域取得了顯著的進展。神經(jīng)網(wǎng)絡(luò)模型作為人工智能領(lǐng)域的重要基礎(chǔ)技術(shù)，近年來在眾多應(yīng)用場景中展現(xiàn)出了非凡的價值和潛力。在計算機視覺領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)（CNN）推動了圖像識別、目標檢測和圖像生成技術(shù)的飛速發(fā)展[1]。在自然語言處理領(lǐng)域，基于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和Transformer架構(gòu)的模型顯著提升了機器翻譯、情感分析、對話系統(tǒng)和生成式語言模型的性能[2-4]。在推薦系統(tǒng)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)模型同樣展現(xiàn)出了極強的適應(yīng)性和性能，例如，抖音利用基于深度神經(jīng)網(wǎng)絡(luò)的推薦算法對用戶的興趣進行預測，從而向用戶精準推薦個性化的視頻內(nèi)容[5]。在金融預測領(lǐng)域，深度學習模型（如LSTM和GRU）在時間序列數(shù)據(jù)建模方面表現(xiàn)出色，能夠有效捕捉金融市場復雜的時序特征，助力投資者做出更準確的交易決策[。隨著硬件性能的提升和算法的不斷優(yōu)化，神經(jīng)網(wǎng)絡(luò)模型正在從理論研究走向更多實際應(yīng)用場景，進一步改變社會生活的方方面面。

國內(nèi)外有眾多學者致力于神經(jīng)網(wǎng)絡(luò)模型算法優(yōu)化的研究，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）以及基于Transformer架構(gòu)的模型。但是至今尚未形成有關(guān)神經(jīng)網(wǎng)絡(luò)模型的具體定量研究成果。CiteSpace軟件主要用于分析和可視化作者共被引網(wǎng)絡(luò)，生成知識概念圖譜和知識聚類圖譜，幫助研究者探索知識領(lǐng)域中的研究熱點、前沿和潛在新趨勢[]。本研究利用文獻計量學知名軟件CiteSpace對2015—2025年神經(jīng)網(wǎng)絡(luò)模型相關(guān)的研究熱點進行可視化分析，以探索未來的發(fā)展趨勢和方向，為未來神經(jīng)網(wǎng)絡(luò)模型的研究提供參考。

1數(shù)據(jù)來源與分析方法

本研究以中國知網(wǎng)學術(shù)總庫為文獻數(shù)據(jù)的來源，從中獲取文章發(fā)布日期在2015年1月1日至2025年1月1日（檢索文獻時間為2024年4月19日）的與神經(jīng)網(wǎng)絡(luò)有關(guān)的文獻。同時設(shè)置主題詞為“神經(jīng)網(wǎng)絡(luò)模型”，并采用精確匹配方式。為保證文獻的高水平和質(zhì)量，進一步篩選出CSSCI來源類別文獻497篇，并導出為Refworks格式。利用CiteSpace軟件分析了作者發(fā)文情況、機構(gòu)發(fā)文、研究熱點和研究趨勢[8-9]。

2 研究文獻基本特征

2.1 作者發(fā)文分析

在文獻計量學中常使用普賴斯定律來衡量學科內(nèi)某些作者文獻的分布規(guī)律。本研究利用普賴斯定律分析神經(jīng)網(wǎng)絡(luò)模型研究領(lǐng)域中一些核心作者在2015年1月1日至2025年1月1日期間的發(fā)文情況，以便了解該領(lǐng)域內(nèi)的關(guān)鍵學者的發(fā)文情況[10]，如式 （1）所示：

根據(jù)CiteSpace軟件作者發(fā)文分析結(jié)果， N_max 取值為4，計算得出 M 為1.498。通常 M 向上取整到最近的整數(shù)，這意味著當發(fā)文量最多的作者發(fā)表了4篇文獻時，核心作者的最少發(fā)文數(shù)量是2篇。進而得出神經(jīng)網(wǎng)絡(luò)模型研究領(lǐng)域核心作者數(shù)量共有37人，通過普賴斯定律（ M 乘以核心作者的數(shù)量）來估算總發(fā)文量，估算得出核心作者發(fā)文量共計74篇，遠低于總發(fā)文量的 50% ，說明神經(jīng)網(wǎng)絡(luò)模型研究領(lǐng)域的核心研究群體尚未成型，如表1所示。

表1神經(jīng)網(wǎng)絡(luò)模型領(lǐng)域前8位作者

CiteSpace軟件對神經(jīng)網(wǎng)絡(luò)模型研究領(lǐng)域發(fā)文作者進行計算和分析，得到神經(jīng)網(wǎng)絡(luò)模型研究作者發(fā)文合作網(wǎng)絡(luò)節(jié)點數(shù)量為263，其中節(jié)點連線為83條，計算得出作者合作網(wǎng)絡(luò)圖譜密度為0.0024，如圖1所示，小于0.1，表明發(fā)文作者之間的合作研究比較少，發(fā)文作者各自的發(fā)文數(shù)量少，研究力量總體來看比較薄弱，核心作者群體的出現(xiàn)尚待一些時日。從圖1的節(jié)點來看，圖譜中大多數(shù)節(jié)點都是孤立存在，其中8個節(jié)點較大，分別是俞立平、劉毅、柯佳、李楓林、石寶峰、楊蓮、王延章、王杜娟。其中王延章與王杜娟等人構(gòu)成一組合作群簇，楊蓮與石寶峰等人構(gòu)成另一組合作群簇。圖中兩個合作簇的連線皆不密集，顯示出合作頻次較低，獨立發(fā)文的作者比較多，說明該領(lǐng)域研究者應(yīng)進行更多的跨學科合作研究。

圖12015—2025年神經(jīng)網(wǎng)絡(luò)模型研究作者發(fā)文合作網(wǎng)絡(luò)2.2發(fā)文機構(gòu)分析

根據(jù)CiteSpace軟件的作者發(fā)文機構(gòu)分析功能，得到網(wǎng)絡(luò)節(jié)點數(shù)量為245個，連線數(shù)量為101條，網(wǎng)絡(luò)密度為0.0034的作者機構(gòu)合作網(wǎng)絡(luò)圖譜。如圖2所示，武漢大學信息管理學院發(fā)文量最多，達到10篇。南京大學信息管理學院發(fā)文數(shù)量為9篇，中國人民大學統(tǒng)計學院發(fā)文數(shù)量為7篇，中國科學院大學發(fā)文數(shù)量為6篇，上海理工大學管理學院發(fā)文數(shù)量為6篇，中南財經(jīng)政法大學統(tǒng)計與數(shù)學學院發(fā)文數(shù)量為6篇，合肥工業(yè)大學管理學院發(fā)文數(shù)量為5篇，北京體育大學運動人體科學學院發(fā)文數(shù)量為4篇，中國科學院文獻情報中心發(fā)文數(shù)量為4篇，河海大學商學院發(fā)文數(shù)量為4篇，北京信息科技大學經(jīng)濟管理學院發(fā)文數(shù)量為4篇，福州大學經(jīng)濟與管理學院發(fā)文量為4篇。華南理工大學工商管理學院、南京大學經(jīng)濟學院、西北農(nóng)林科技大學信用大數(shù)據(jù)應(yīng)用研究中心、英國薩里大學計算機系、大連理工大學管理與經(jīng)濟學部、西北農(nóng)林科技大學經(jīng)濟管理學院、中國人民大學商學院、華中師范大學信息管理學院、北京交通大學經(jīng)濟管理學院、中南財經(jīng)政法大學信息與安全工程學院、華僑大學工商管理學院發(fā)文數(shù)量均為3篇。其他單位發(fā)文數(shù)量在 1～2 篇之間?？梢钥闯錾窠?jīng)網(wǎng)絡(luò)模型領(lǐng)域的發(fā)文機構(gòu)之間的密切合作現(xiàn)象暫時還比較少，多數(shù)研究機構(gòu)尚處于各自獨立研究的狀態(tài)，尚未形成以某一機構(gòu)為中心的合作網(wǎng)絡(luò)。

3 研究熱點領(lǐng)域分析

3.1 關(guān)鍵詞共現(xiàn)分析

CiteSpace對研究文獻進行分析，構(gòu)建了2015—2025年神經(jīng)網(wǎng)絡(luò)模型關(guān)鍵詞共現(xiàn)圖譜，該圖譜包含297個節(jié)點和317條連線，計算得到的密度為0.072。如圖3所示，關(guān)鍵詞“神經(jīng)網(wǎng)絡(luò)”處于核心地位，其他高頻關(guān)鍵詞包括“深度學習”“機器學習”“人工智能”“預測”“預測模型”“價值評估”“主題模型”“決策樹”“大數(shù)據(jù)”“信用評價”“因子分析”等。同時，通過高頻詞匯邊界公式來確定神經(jīng)網(wǎng)絡(luò)模型高頻關(guān)鍵詞的臨界閾值。

圖22015—2025年神經(jīng)網(wǎng)絡(luò)模型機構(gòu)合作圖譜

圖32015—2025年神經(jīng)網(wǎng)絡(luò)模型關(guān)鍵詞共現(xiàn)圖譜

式（2）中 I₁ 為關(guān)鍵詞頻次為1的數(shù)量[8]。 I₁ 通過CiteSpace分析后得出取值為240，計算得出 T 的值為21.41。將關(guān)鍵詞按頻次降序排列后，排名第21位的關(guān)鍵詞被確定為高頻關(guān)鍵詞的臨界線。那么得出降序排列的第21個關(guān)鍵詞的頻數(shù)為3。以關(guān)鍵詞頻數(shù)3作為臨界值，獲取關(guān)鍵詞頻數(shù)為3以上的21個頻次最高的關(guān)鍵詞，作為神經(jīng)網(wǎng)絡(luò)模型研究熱點的高頻關(guān)鍵詞，詳細結(jié)果如表2所示。

表2神經(jīng)網(wǎng)絡(luò)模型研究熱點高頻關(guān)鍵詞

3.2關(guān)鍵詞聚類分析

利用CiteSpace軟件中關(guān)鍵詞聚類分析功能，模塊度（Modularity Q ）為0.7205，高于臨界值0.3。平均輪廓系數(shù)（MeanSilhouette S ）為0.9582，高于臨界值0.5。說明聚類分析結(jié)果清晰、可信度高，主題內(nèi)部的關(guān)鍵詞關(guān)聯(lián)性強，各主題關(guān)鍵詞聚類效果比較好。如圖4所示，聚類得到8個聚類主題分類：#0神經(jīng)網(wǎng)絡(luò)、#1深度學習、#2預測模型、#3情感分類、#4機器學習、#5預測、#6專利價值、#8認知分層。

3.3 時間線聚類分析

CiteSpace時間線聚類分析可以得出關(guān)鍵詞在時間序列中的聚類效果及演變發(fā)展進程，也可以得出部分關(guān)鍵詞節(jié)點的影響力。圖5展示了神經(jīng)網(wǎng)絡(luò)模型在2015一2025年近十年的關(guān)鍵詞發(fā)展研究進程。圖中可以看出神經(jīng)網(wǎng)絡(luò)、深度學習、機器學習、預測模型、情感分類、預測、專利價值和認知分層等關(guān)鍵詞在2015一2020年、2020一2025年的演進與發(fā)展趨勢?？梢悦黠@看出，情感分類的研究熱度在2020年以后開始逐漸減少，而深度學習的研究熱點將會在較長的時間內(nèi)維持一定熱度。2015一2020年間，神經(jīng)網(wǎng)絡(luò)模型在圖書訂購、公共管理、投資基金、網(wǎng)絡(luò)輿情等多個行業(yè)內(nèi)已經(jīng)成為研究焦點，反映出該領(lǐng)域跨學科、多場景應(yīng)用的特征。

圖42015—2025年神經(jīng)網(wǎng)絡(luò)模型關(guān)鍵詞聚類圖譜

圖52015—2025年神經(jīng)網(wǎng)絡(luò)模型時間線聚類圖譜

4研究趨勢分析

4.1 研究熱點的關(guān)聯(lián)性

如圖5所示，2015—2025年人工智能、機器學習及相關(guān)領(lǐng)域研究主題的演變趨勢清晰地展示了研究熱點的動態(tài)演變，反映了人工智能技術(shù)從理論探索到實際應(yīng)用的逐步發(fā)展。

神經(jīng)網(wǎng)絡(luò)模型在多個行業(yè)中的應(yīng)用逐漸成為研究的焦點。早期（2015年左右），研究主要集中在基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)和深度學習框架（如TensorFlow）上。隨著時間推移，2020年以后研究逐漸向更多應(yīng)用領(lǐng)域擴展，如情感分類、預測模型、推薦系統(tǒng)、專利價值評估等。深度學習（#1）和神經(jīng)網(wǎng)絡(luò)（#0）作為核心技術(shù)，貫穿整個時間軸，且與其他主題（如情感分析、預測模型等）形成大量的關(guān)聯(lián)，這表明深度學習是推動這些領(lǐng)域發(fā)展的關(guān)鍵技術(shù)。時間線圖譜中的節(jié)點連線揭示了研究熱點之間的內(nèi)在邏輯關(guān)系?！吧疃葘W習”與“預測模型”之間的關(guān)聯(lián)表明，深度學習技術(shù)是預測模型優(yōu)化的重要工具；“情感分類”與“網(wǎng)絡(luò)輿情”的關(guān)聯(lián)則反映了情感分析技術(shù)在輿情監(jiān)控中的關(guān)鍵作用。

4.2研究主題的多樣性

如圖5所示，隨著時間的推移，研究主題逐漸多樣化，特別是在2020年以后，出現(xiàn)了更多與具體應(yīng)用相關(guān)的研究，例如推薦模型、財務(wù)指標預測、鄉(xiāng)村振興等。這些應(yīng)用領(lǐng)域涵蓋了從技術(shù)層面的優(yōu)化到社會經(jīng)濟問題的解決，表明人工智能技術(shù)的實際應(yīng)用范圍在不斷擴大，也表明跨領(lǐng)域研究的趨勢日益明顯。“深度學習”“情感分類”“預測模型”等領(lǐng)域是近幾年研究的重點。推薦模型、情感分類等在2020年后逐漸成為熱門方向，這些領(lǐng)域的技術(shù)和需求在快速增長。這一階段的研究更加注重技術(shù)的實際應(yīng)用，尤其是在金融、公共管理、網(wǎng)絡(luò)輿情等領(lǐng)域。

4.3 未來的研究方向

如圖5所示，從2023年到2025年的趨勢來看，研究逐漸向更具體、更復雜的場景（如財務(wù)預測、鄉(xiāng)村振興等）發(fā)展。同時，知識分層（#8）等主題的出現(xiàn)，可能預示著未來研究將更加關(guān)注知識結(jié)構(gòu)化和智能系統(tǒng)的解釋性。

5結(jié)論

利用CiteSpace軟件對來源于中國知網(wǎng)中的2015一2025年間發(fā)布的487篇CSSCI核心期刊神經(jīng)網(wǎng)絡(luò)模型研究文獻進行可視化分析，得出以下結(jié)論：

1）關(guān)鍵詞聚類和時間線分析共同揭示了神經(jīng)網(wǎng)絡(luò)模型研究從技術(shù)開發(fā)到應(yīng)用落地的協(xié)同發(fā)展過程基礎(chǔ)技術(shù)（如神經(jīng)網(wǎng)絡(luò)、深度學習）為應(yīng)用研究提供了支撐，而具體應(yīng)用場景 （如預測模型、情感分類）又反過來推動了技術(shù)的改進。

神經(jīng)網(wǎng)絡(luò)模型研究在2015一2025年間經(jīng)歷了從基礎(chǔ)理論到多領(lǐng)域應(yīng)用的演變過程。早期研究集中于神經(jīng)網(wǎng)絡(luò)和深度學習框架（如TensorFlow），而后逐漸擴展至情感分類、預測模型、推薦系統(tǒng)、專利價值評估等具體應(yīng)用領(lǐng)域。

深度學習和神經(jīng)網(wǎng)絡(luò)作為核心技術(shù)貫穿始終，推動了相關(guān)領(lǐng)域的發(fā)展，并與其他主題形成了密切關(guān)聯(lián)。

2）作者合作網(wǎng)絡(luò)和機構(gòu)合作網(wǎng)絡(luò)的密度較低，說明研究者之間的合作不夠緊密，核心研究群體尚未完全形成。核心作者發(fā)文量較少，且合作頻次不高，導致研究力量相對分散。

3）關(guān)鍵詞聚類分析顯示了8個主要研究主題，包括神經(jīng)網(wǎng)絡(luò)、深度學習、預測模型、情感分類、機器學習、專利價值評估等。時間線分析揭示了研究熱點的演變過程，表明神經(jīng)網(wǎng)絡(luò)模型在多個行業(yè)（如圖書訂購、公共管理、投資基金、網(wǎng)絡(luò)輿情等）中具有跨學科應(yīng)用特征。關(guān)鍵詞聚類中的“認知分層”以及時間線分析中的跨行業(yè)應(yīng)用表明，未來研究將更加注重跨學科融合和復雜場景的智能化解決方案。這些應(yīng)用場景的多樣性表明，神經(jīng)網(wǎng)絡(luò)模型的研究已經(jīng)從單一技術(shù)開發(fā)轉(zhuǎn)向多領(lǐng)域的跨學科融合。

目前神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為比較成熟的人工智能技術(shù)，并且已經(jīng)在各個不同行業(yè)中大放異彩。未來神經(jīng)網(wǎng)絡(luò)模型研究可能更加關(guān)注復雜決策場景和認知分層。多行業(yè)跨學科的融合將隨著技術(shù)的成熟愈發(fā)凸顯，如金融預測、醫(yī)學影像、輿情分析等。而應(yīng)用行業(yè)的成熟知識庫，也將成為推動人工智能技術(shù)創(chuàng)新與發(fā)展的關(guān)鍵。

參考文獻：

[1]任青陽，王彥丁，施儉.卷積神經(jīng)網(wǎng)絡(luò)目標檢測算法研究進展[J].科學技術(shù)與工程，2024，24（32）：13665-13677.

[2]楊璐，樊同科.基于遞歸神經(jīng)網(wǎng)絡(luò)的英譯漢機器翻譯模型設(shè)計與實現(xiàn)[J].計算機測量與控制，2021，29（11）：142-147.

[3]董鎧.基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的商品評論情感分析算法研究[D].蘭州：蘭州理工大學，2021.

[4]鞏固.基于Transformer的生成式對話系統(tǒng)[D].成都：電子科技大學，2021.

[5]劉華玲，馬俊，張國祥.基于深度學習的內(nèi)容推薦算法研究綜述[J].計算機工程，2021，47（7）：1-12.

[6]劉滄萍.基于LSTM-GRU網(wǎng)絡(luò)模型的上證指數(shù)收盤價預測[D].武漢：華中師范大學，2022.

[7]賈維辰，李文光，余明媚.中文期刊知識圖譜研究范式的優(yōu)化[J].中國遠程教育，2020（11）： 1-10+76

[8]劉文釗，馬杰，劉東賢.基于CiteSpace的近十年科研誠信研究現(xiàn)狀與熱點分析[J].現(xiàn)代信息科技，2023，7（6）：132-134+138.

[9]翟江，劉曉莉.基于CiteSpace的圖書館資源建設(shè)研究可視化分析[J].現(xiàn)代信息科技，2023，7（6）：128-131.

[10]汪普慶，張仁義，別曉薇.我國預制菜研究熱點、現(xiàn)狀與展望——基于CiteSpace的可視化分析[J].糧油食品科技，2024，32（6）：249-258.

作者簡介：呂露（1987一），女，漢族，湖北武漢人，講師，碩士，研究方向：人工智能、信息計量學。