基于社會網(wǎng)絡(luò)關(guān)注度的學(xué)科前沿?zé)狳c挖掘

張 暉， 楊小彥， 趙旭劍， 楊春明， 李 波

(1.西南科技大學(xué) 理學(xué)院 四川 綿陽 621010； 2.西南科技大學(xué) 計算機科學(xué)與技術(shù)學(xué)院 四川 綿陽 621010)

0 引言

隨著信息資源數(shù)量和種類的急速增長，科學(xué)研究領(lǐng)域不斷開拓，科研人員和學(xué)者在掌握學(xué)科前沿?zé)狳c方面面臨著越來越多的挑戰(zhàn)．如何快速、準(zhǔn)確地從科研文獻中提取和識別學(xué)科領(lǐng)域研究的前沿?zé)狳c，對當(dāng)前科研工作具有重要研究意義[1]．傳統(tǒng)研究方法主要是以電子期刊、學(xué)位論文等作為數(shù)據(jù)源，采用詞頻分析[2]、共詞分析[3]、多維尺度分析[4]、社會網(wǎng)絡(luò)分析[5]和其他分析模型[6-8]來識別前沿?zé)狳c．這類研究方法主要通過分析文獻的學(xué)術(shù)傳播熱度來挖掘?qū)W科領(lǐng)域熱點，僅考慮了領(lǐng)域知識在專業(yè)學(xué)術(shù)平臺的影響力，忽視了科研文獻在社會網(wǎng)絡(luò)中的流行與傳播，熱點挖掘結(jié)果存在滯后、前瞻性較差等不足．

學(xué)科前沿?zé)狳c挖掘可分為兩類：第一類簡單地考慮文獻計量特征，包括詞頻分析、文獻引用、關(guān)鍵詞的共詞或共現(xiàn)分析；第二類是使用廣泛用于文本挖掘中的主題模型LDA、HDP等來識別主題熱點．由于引文和關(guān)鍵詞能較好地描述科技文獻的主題內(nèi)容，因此國內(nèi)外學(xué)者利用文獻計量的引文分析法、可視化圖譜[9]、關(guān)鍵詞的詞頻分析和共詞分析等方法進行學(xué)科前沿?zé)狳c挖掘．文獻[3]運用文獻計量中共詞和文檔共引，從高影響力文章、作者、期刊、機構(gòu)和國家等角度出發(fā)，繪制知識圖譜，分析抗癌研究領(lǐng)域的研究熱點和整體發(fā)展趨勢．文獻[10]基于h指數(shù)和引文分析法梳理了國內(nèi)外碳市場研究領(lǐng)域的研究熱點、發(fā)展趨勢和主要區(qū)域分布等．文獻[11]利用WoSCC收錄的Treg領(lǐng)域相關(guān)文獻數(shù)據(jù)進行文獻計量方法和Citespace[12]繪制共引圖譜，分析該領(lǐng)域的研究熱點和發(fā)展演化趨勢．除此之外，基于主題模型的學(xué)科領(lǐng)域熱點識別方法也得到了廣泛運用，如文獻[13]使用LDA模型從論壇語料中識別熱點話題，并計算話題強度和特征關(guān)鍵詞，以找到熱點話題的發(fā)展及演化趨勢，實驗結(jié)果說明該方法是合理和有效的．文獻[14]提出基于主題模型的熱點發(fā)現(xiàn)技術(shù)，實驗表明該模型在文本挖掘方面的熱點主題識別上具有明顯的優(yōu)勢．

相較于專業(yè)學(xué)術(shù)平臺，信息在社會網(wǎng)絡(luò)環(huán)境下往往傳播速度更快、范圍更廣，更能實時地體現(xiàn)傳播對象的冷熱程度及普遍性，充分保證學(xué)科熱點的前沿性．因此，科研文獻在社會網(wǎng)絡(luò)中的傳播影響力分析對挖掘?qū)W科前沿?zé)狳c具有重要研究意義和應(yīng)用價值．基于該思想，本文考慮了社會網(wǎng)絡(luò)中文獻傳播的普及，提出了一種用于熱點主題挖掘的方法．將文獻熱度屬性分為傳統(tǒng)和社會屬性，然后在社會網(wǎng)絡(luò)環(huán)境中構(gòu)建文獻熱度評價模型，計算和分析文獻關(guān)注度，挖掘具有社會傳播影響力的學(xué)術(shù)論文．其次，采用LDA算法對文獻內(nèi)容進行主題挖掘，生成學(xué)科前沿?zé)狳c主題．與已有的工作相比，本文的主要貢獻在于：

1) 從數(shù)據(jù)相關(guān)性的角度分析文獻傳播的評價指標(biāo)與文獻熱度的關(guān)聯(lián)性，采用無監(jiān)督學(xué)習(xí)方法進行各媒體指標(biāo)的主成分分析，劃分影響文獻熱度的熱度評價指標(biāo)主題類別，為測度文獻的社會網(wǎng)絡(luò)關(guān)注度指標(biāo)奠定了基礎(chǔ).

2) 通過挖掘評價指標(biāo)中的社會網(wǎng)絡(luò)關(guān)注度因子，構(gòu)建文獻熱度評價模型，計算文獻社會傳播熱度(社會網(wǎng)絡(luò)關(guān)注度)，采用LDA主題模型對文獻內(nèi)容進行主題挖掘，生成學(xué)科前沿?zé)狳c主題.

3) 利用Altmetric[8]獲取“artificial intelligence and image processing”學(xué)科的16 658條論文記錄數(shù)據(jù)集，對提出的學(xué)科前沿?zé)狳c挖掘方法進行了對比實驗.實驗結(jié)果表明，本文提出的方法有效提高了學(xué)科熱點挖掘結(jié)果的時效性，熱點主題在時間維度上與傳統(tǒng)方法相比，挖掘結(jié)果更具有學(xué)科前沿性．

1 基于社會網(wǎng)絡(luò)關(guān)注度的學(xué)科前沿?zé)狳c挖掘

1.1 研究方法

本文工作主要為兩部分：對指標(biāo)數(shù)據(jù)進行相關(guān)性分析，采用無監(jiān)督學(xué)習(xí)方法進行評價指標(biāo)的主成分聚類，剖析出影響文獻熱度的媒體指標(biāo)主題類別，挖掘社會關(guān)注度因子并構(gòu)建文獻熱度評價模型；采用吉布斯抽樣的LDA模型對科研文獻內(nèi)容進行學(xué)科前沿?zé)狳c挖掘，生成學(xué)科前沿?zé)狳c知識.熱點主題挖掘算法具體的方法流程如下所示.

輸入: K=, A=, ai表示第i條數(shù)據(jù)ki 的屬性值, 文檔標(biāo)題ti , 文檔集D, 參數(shù) P.輸出: 熱點主題 topicList.Begin1:ifai ← CorrelationAnalysis (ki,A) & ai∈A then2:PrincipalComponentAnalysis(ai ,aj);3:Document Popularity Model←ComponentScoreMatrix(ai ,aj);4:D ← DocumentPopularity Model (ti); 5:elseRemoveAttributes(ai);6:end if7:topicList=GibbsSamplingLDA(D,P); 8:return topicList;End

1.2 文獻熱度評價模型構(gòu)建

1.2.1相關(guān)性分析 通過數(shù)據(jù)分析，本文采用皮爾遜(Pearson)相關(guān)性模型挖掘文獻傳播的媒體指標(biāo)與文獻熱度的關(guān)聯(lián)性，計算其相關(guān)系數(shù)并剔除弱相關(guān)或無相關(guān)的指標(biāo)，最終提取出6個文獻熱度評價指標(biāo)(Reddit、Bloggers、Twitter、Google+、News、Facebook)．皮爾遜相關(guān)系數(shù)是用來反映兩個變量線性相關(guān)程度的統(tǒng)計量．皮爾遜相關(guān)系數(shù)用PX,Y表示，計算公式為

(1)

其中：n為樣本量；Xi和Yi分別為兩個變量X和Y的觀測值；σX為變量X的標(biāo)準(zhǔn)差.

1.2.2熱度評價模型指標(biāo)主題挖掘 6個文獻熱度評價指標(biāo)從不同維度表征了一篇論文在各媒體平臺的傳播影響力，然而通過研究發(fā)現(xiàn)每個評價指標(biāo)及其代表的媒體平臺都具有一定的主題性．因此，本文考慮采用無監(jiān)督學(xué)習(xí)方法進行熱度評價指標(biāo)的主成分分析，挖掘指標(biāo)主題．進行主成分聚類之前，需進行KMO-Bartlett檢驗，計算出KMO 值為0.690，大于0.5(KMO值小于0.5 不適合進行主成分分析)表明指標(biāo)間存在共同因子，因此也說明可以進行主成分分析．

雖然這些熱度指標(biāo)能提取出共同因子，這些共同因子能聚類到一起構(gòu)成幾個主成分，還需通過解釋總方差進行分析，各指標(biāo)解釋總方差如表1所示. 根據(jù)主成分的提取原則(主成分對應(yīng)的特征值應(yīng)大于1，主成分積累的總方差盡可能大(50%以上))，只有成分1和成分2的特征值合計大于1，而且這兩個成分積累的總方差比較大，達到61.149%，沒有影響原始數(shù)據(jù)的共同度，表明可以將6個指標(biāo)提取出兩個主成分．同時，如表2所示， 對各指標(biāo)進行了主成分載荷矩陣，F(xiàn)acebook、Google+、Twitter、Reddit、Bloggers 5類指標(biāo)對成分1貢獻較大，而成分2則主要依賴于News．因此，文獻熱度評價指標(biāo)可以劃分為兩個主題：由Facebook、Google+、Twitter、Reddit、Bloggers等社交平臺構(gòu)成的社會網(wǎng)絡(luò)媒體即社會屬性；News為代表的傳統(tǒng)網(wǎng)絡(luò)媒體即傳統(tǒng)屬性．

表1 各指標(biāo)解釋總方差Tab.1 Total variance explained

表2 主成分載荷矩陣Tab.2 Principal component load matrix

1.2.3文獻熱度評價模型構(gòu)建 由1.2.2節(jié)可知文獻熱度由具有不同主題屬性的6個評價指標(biāo)綜合決定，各指標(biāo)特征滿足AHP分析法中的單層次模型，因此采用AHP模型[15]思想構(gòu)建文獻熱度評價模型：

psoc=λ1·Ri+λ2·Bi+λ3·Ti+λ4·Gi+λ5·Ni+λ6·Fi，

(2)

ptra=γ1·Ri+γ2·Bi+γ3·Ti+γ4·Gi+γ5·Ni+γ6·Fi.

(3)

其中：psoc表示第i篇文獻在社會網(wǎng)絡(luò)媒體上的關(guān)注度，即文獻熱度；ptra表示第i篇文獻在傳統(tǒng)網(wǎng)絡(luò)媒體上的關(guān)注度；λ1代表Reddit指標(biāo)的權(quán)重；Ri代表Reddit對第i篇文獻的引用數(shù)；λi是指第i個評價指標(biāo)在整體評價中的相對重要程度，權(quán)重越大則該指標(biāo)的重要性越高，對文獻熱度的影響就越大．

表3 成分得分系數(shù)矩陣Tab.3 Component score coefficient matrix

由熱度評價指標(biāo)主題類別可知，本文可采用主成分分析提取兩個主成分，借鑒文獻[16]使用主成分分析各指標(biāo)數(shù)據(jù)之間的潛在關(guān)系，利用回歸法計算出成分得分系數(shù)，各指標(biāo)成分得分實際上是一個相對值，即該樣本偏離所有樣本均值的程度，正值說明超過平均水平，負(fù)值說明低于平均水平，正負(fù)值正好將各指標(biāo)劃分到對應(yīng)的主成分中，能很好地區(qū)分各主成分的主題類別，結(jié)果如表3．

從表3可知，Twitter、Facebook、Google+等指標(biāo)與主成分1密切相關(guān)，系數(shù)均在0.2以上，由此可以發(fā)現(xiàn)主成分1中貢獻比較大的指標(biāo)主要用于測度學(xué)術(shù)論文在社會網(wǎng)絡(luò)媒體中的傳播影響，通過在線社交過程中的交互行為傳播所產(chǎn)生的影響力，是最具社會網(wǎng)絡(luò)關(guān)注度的因子，也是本文研究的重點．News對主成分2相關(guān)系數(shù)較高，故主成分2可以代表用于測度學(xué)術(shù)論文在新聞等傳統(tǒng)網(wǎng)絡(luò)媒體中傳播所產(chǎn)生的影響力．從成分得分系數(shù)矩陣確定指標(biāo)權(quán)重得到文獻熱度評價模型：

psoc=0.22·Ri+0.237·Bi+0.285·Ti+0.289·Gi+0.185·Ni+0.307·Fi,

(4)

ptra=-0.088·Ri+0.495·Bi-0.294·Ti-0.27·Gi+0.648·Ni-0.182·Fi.

(5)

2 實驗

2.1 文獻熱度評價實驗

本文利用Altmetric跟蹤“artificial intelligence and image processing”學(xué)科的指標(biāo)數(shù)據(jù)進行數(shù)據(jù)分析與處理，構(gòu)建文獻熱度評價模型．因為社會網(wǎng)絡(luò)媒體具有時間優(yōu)勢．故以主成分1構(gòu)建的具有社會網(wǎng)絡(luò)關(guān)注度的文獻熱度評價模型進行學(xué)科前沿?zé)狳c數(shù)據(jù)挖掘?qū)嶒灒ㄟ^該模型挖掘出社會網(wǎng)絡(luò)媒體上比較受用戶關(guān)注以及具有熱度的前沿?zé)狳c文獻數(shù)據(jù)，列舉了社會網(wǎng)絡(luò)關(guān)注度排名前10的文獻數(shù)據(jù)，結(jié)果如表4所示．

表4 社會網(wǎng)絡(luò)關(guān)注度排名前10文獻數(shù)據(jù)

從表4可知，在排名靠前的這10篇文獻中,Twitter、Facebook和Google+等社會網(wǎng)絡(luò)媒體上的文獻引用數(shù)較大，其社會網(wǎng)絡(luò)關(guān)注度的psoc值較大，說明通過主成分1構(gòu)建的文獻熱度評價模型能很好地體現(xiàn)文獻的社會網(wǎng)絡(luò)特性以及熱度．

由基于社交網(wǎng)絡(luò)的模型評估的文獻數(shù)據(jù)被表示為dataset 1，而dataset 2表示由基于傳統(tǒng)媒體的模型評估的文獻數(shù)據(jù)．為了評估這兩種模型挖掘出的文獻在人工智能和圖像領(lǐng)域的影響，本文引入NCII指數(shù)來測量文獻的影響力．論文的引用次數(shù)與其出版時間有很大關(guān)系，一般來說，論文出版時間越早，引用的可能性就越大．這導(dǎo)致在不同時間出版的論文很難比較它們的影響力．因此，考慮到出版時間對參考文獻數(shù)量的影響，因此提出了一種新的NCII指數(shù)[17]，其計算公式為

(6)

以最近五年內(nèi)的文獻作為前沿信息，通過式(6)計算傳統(tǒng)媒體和社交網(wǎng)絡(luò)媒體的文獻影響力，驗證兩種媒體識別出的科研文獻的時效性及影響力，結(jié)果如圖1所示．從圖中可知，社交媒體挖掘的文獻的影響力值均大于傳統(tǒng)媒體，說明社會網(wǎng)絡(luò)媒體挖掘的文獻數(shù)據(jù)更具時效性和影響力．

2.2 主題模型實驗

利用吉布斯抽樣的LDA主題模型，以dataset 1為實驗數(shù)據(jù)挖掘出50個潛在主題及其代表關(guān)鍵詞．主題是由一系列關(guān)鍵詞組成，而每個詞對主題的貢獻率各不相同，因此，選擇每個主題貢獻率最大的8個單詞表征該熱點主題．根據(jù)不同主題的關(guān)鍵詞表示，本文對各個熱點主題進行話題語義抽象．由于篇幅有限，表5給出了10個主題的挖掘結(jié)果．

同時，本文分析了主題模型計算出的潛在話題分布情況如圖2所示，從圖2可知，自然語言處理、算法優(yōu)化、情感分析、深度學(xué)習(xí)等熱點主題在“artificial intelligence and image processing”領(lǐng)域較其他主題占的比重較大，更為熱門；而圖像識別、大數(shù)據(jù)應(yīng)用、可視化等熱點主題在該領(lǐng)域發(fā)展較為均衡．

2.3 傳統(tǒng)與社會網(wǎng)絡(luò)媒體挖掘?qū)Ρ葘嶒?/h3>

本文以dataset 1和dataset 2為實驗數(shù)據(jù)進行學(xué)科熱點主題挖掘，選取對熱點主題貢獻最大的文獻的發(fā)表時間作為該主題的熱點時間對比分析，兩種媒體類型挖掘的熱點主題對比結(jié)果如表6所示．

圖1 社會網(wǎng)絡(luò)與傳統(tǒng)媒體NCII影響力Fig.1 The NCII of social-network and tradition-media influence

圖2 熱點主題潛在話題分布Fig.2 Potential topics distribution of hotspots

表5 前沿?zé)狳c主題

從表6可知，兩者有2個熱點話題相似，其中相似話題“情感分析”和“自然語言處理”的熱點時間不同，社會網(wǎng)絡(luò)媒體挖掘的這兩個熱點主題時間比較新，原因是隨著深度學(xué)習(xí)的深入研究，直接推動情感分析和自然語言處理等相關(guān)技術(shù)的發(fā)展，使兩者也成了較新的研究熱點．除了共同熱點外，社會網(wǎng)絡(luò)媒體挖掘的熱點主題還包含一些特有的前沿?zé)狳c信息，如“社會信息安全”、“大數(shù)據(jù)應(yīng)用”、“算法優(yōu)化”和“可視化”等，這些熱點概念提出時間較晚，概念較新，近年來在學(xué)術(shù)著作中有大量的研究，其熱門趨勢也越來越明顯，故也成了該領(lǐng)域的研究熱點．

2.4 主題模型與共詞分析法對比實驗

同時，為了進一步驗證本文方法的挖掘結(jié)果更具學(xué)科準(zhǔn)確性，以dataset 1為數(shù)據(jù)分別采用LDA主題模型和基于關(guān)鍵詞的共詞分析法[14]進行學(xué)科前沿?zé)狳c挖掘?qū)Ρ葘嶒?，?給出了這兩種方法的熱點挖掘結(jié)果．

從表7可得，兩種方法挖掘的熱點有30%是相似的．本文挖掘“人工智能與圖像處理”領(lǐng)域的前沿?zé)狳c，主題模型挖掘出關(guān)于圖像處理方面的熱點有“圖像識別”，其在2015年過后被廣泛關(guān)注，是該領(lǐng)域的研究熱點；然而傳統(tǒng)的研究方法并沒有挖掘出關(guān)于圖像方面的熱點，故該方法存在一定的不足．除上述熱點主題均只通過主題模型挖掘出，傳統(tǒng)研究方法也并未挖掘出“深度學(xué)習(xí)”、“文本挖掘”、“可視化”、“社會信息安全”等新技術(shù)或新熱點．通過知網(wǎng)學(xué)術(shù)趨勢(http://trend.cnki.net/TrendSearch/)，查詢各熱點主題發(fā)展趨勢，以學(xué)術(shù)關(guān)注度最大的年份作為該熱點主題的學(xué)術(shù)關(guān)注時間；發(fā)現(xiàn)共詞分析法挖掘的熱點 “決策支持”、“行為研究”、“推理”和“認(rèn)知科學(xué)理論”最大學(xué)術(shù)關(guān)注度的時間偏離目前時間，說明其研究已久，故不能作為該領(lǐng)域的前沿?zé)狳c；總體而言，主題模型挖掘的熱點較共詞分析法挖掘的熱點更準(zhǔn)確．

表6 兩種媒體類型挖掘的熱點主題對比Tab.6 Hot topic results comparison of two media types

表7 兩種方法熱點主題挖掘結(jié)果對比Tab.7 Hotspot mining results comparison of two methods

3 總結(jié)

針對以往挖掘?qū)W科前沿?zé)狳c存在時滯過長等不足，本文提出基于社會網(wǎng)絡(luò)關(guān)注度的學(xué)科領(lǐng)域文獻熱度評價模型挖掘?qū)W科前沿?zé)狳c．通過對各指標(biāo)進行相關(guān)性獲取相關(guān)屬性，采用主成分分析劃分社會與傳統(tǒng)屬性，構(gòu)建具有社會網(wǎng)絡(luò)關(guān)注度的文獻熱度評價模型．以“artificial intelligence and image processing”學(xué)科文獻記錄數(shù)據(jù)為實驗數(shù)據(jù)，利用構(gòu)建的文獻熱度評價模型識別該學(xué)科有影響力和熱度的文獻，由于文獻內(nèi)容冗余和有噪聲，故本文采用在文本抽取中效果較好的LDA模型，通過兩組對比實驗，得出自然語言處理、算法優(yōu)化、情感分析、深度學(xué)習(xí)等熱點主題在人工智能和圖像處理領(lǐng)域較其他主題更為熱門，圖像識別，大數(shù)據(jù)應(yīng)用、可視化、人工智能理論、信息安全等熱點發(fā)展趨勢較均衡的結(jié)論，同時也驗證了本文挖掘的學(xué)科領(lǐng)域前沿?zé)狳c知識的前沿性、時效性和準(zhǔn)確性．