基于高維稀疏聚類(lèi)的知識(shí)結(jié)構(gòu)識(shí)別研究

黃月 王鑫

摘要：[目的/意義]基于文獻(xiàn)對(duì)某一領(lǐng)域的知識(shí)結(jié)構(gòu)進(jìn)行識(shí)別是文獻(xiàn)計(jì)量分析的一個(gè)重要任務(wù)，可以揭示該領(lǐng)域的研究特征。[方法/過(guò)程]傳統(tǒng)知識(shí)結(jié)構(gòu)識(shí)別是二步式的，即首先基于某種分析思想構(gòu)建同種元素間的關(guān)聯(lián)程度矩陣，然后再對(duì)該矩陣進(jìn)行結(jié)構(gòu)識(shí)別。本研究構(gòu)建一個(gè)直接基于“文獻(xiàn)一關(guān)鍵詞”矩陣進(jìn)行高維稀疏聚類(lèi)來(lái)識(shí)別知識(shí)結(jié)構(gòu)的方法，然后以2009-2018年國(guó)內(nèi)數(shù)據(jù)挖掘領(lǐng)域期刊論文為例，與傳統(tǒng)基于關(guān)鍵詞共現(xiàn)進(jìn)行知識(shí)結(jié)構(gòu)識(shí)別方法進(jìn)行了對(duì)比分析。[結(jié)果/結(jié)論]實(shí)驗(yàn)結(jié)果表明，基于高維稀疏聚類(lèi)探測(cè)知識(shí)結(jié)構(gòu)是有效的，并且該方法可以獲得差異度較大的子類(lèi)，結(jié)果解讀可以獲取更多信息。

關(guān)鍵詞：知識(shí)結(jié)構(gòu);識(shí)別;高維稀疏;聚類(lèi);共詞分析;數(shù)據(jù)挖掘

DOl： 10.3969/j .issn .1008 -0821 .2019 .12 .009

[中圖分類(lèi)號(hào)]G201 [文獻(xiàn)標(biāo)識(shí)碼]A [文章編號(hào)]1008-0821（ 2019） 12-0072-09

文獻(xiàn)是科學(xué)知識(shí)的載體，基于文獻(xiàn)對(duì)某一個(gè)領(lǐng)域的知識(shí)結(jié)構(gòu)進(jìn)行識(shí)別是信息計(jì)量學(xué)領(lǐng)域的一個(gè)重要任務(wù)。探尋一個(gè)領(lǐng)域的知識(shí)結(jié)構(gòu)不但能夠揭示該領(lǐng)域的基本特征，而且對(duì)該領(lǐng)域研究人員也有重要指導(dǎo)作用。

知識(shí)結(jié)構(gòu)（ Intellectual Structure），指根據(jù)某一領(lǐng)域的科學(xué)文獻(xiàn)進(jìn)行分析，通過(guò)對(duì)基于某種關(guān)系構(gòu)成的文獻(xiàn)矩陣進(jìn)行聚類(lèi)而得到的組群及其關(guān)系。其中，每一組群對(duì)應(yīng)該領(lǐng)域的一個(gè)研究子領(lǐng)域（或稱(chēng)研究主題）。

利用文獻(xiàn)探尋知識(shí)結(jié)構(gòu)方法大約可以分為3類(lèi)：基于共被引分析、基于耦合分析和基于共詞分析。1）基于共被引分析的方法。1973年，美國(guó)情報(bào)學(xué)家Small H首次提出了文獻(xiàn)共被引（Co - cita-tion）的概念[1]，最早用來(lái)測(cè)度文獻(xiàn)之間的關(guān)系程度，后被用來(lái)研究特定領(lǐng)域的知識(shí)結(jié)構(gòu)[2]。1981年White H D等提出了作者共被引分析（Author Co-citation Analysis，ACA）[3]，也可以用來(lái)探測(cè)知識(shí)結(jié)構(gòu)[4-5]。2）基于耦合分析的方法。1963年Kessler提出了文獻(xiàn)耦合分析（Bibliographic Cou-pling Analysis，BCA）[6]，將引證同一篇論文的兩篇或多篇論文稱(chēng)為耦合論文（ Coupled Papers），并將文獻(xiàn)之間的這種關(guān)系稱(chēng)為文獻(xiàn)耦合。國(guó)內(nèi)外均有實(shí)證研究表明文獻(xiàn)耦合能夠揭示某個(gè)研究領(lǐng)域的知識(shí)結(jié)構(gòu)[7-8]。2008年Zhao D等提出作者文獻(xiàn)耦合分析（ Author Bibliographic Coupling Analysis， AB-CA）[9]，將文獻(xiàn)耦合的方法擴(kuò)展到作者層次，不但能夠用于揭示作者研究?jī)?nèi)容之間的關(guān)系、作者之間的關(guān)系，也能用于知識(shí)結(jié)構(gòu)識(shí)別[9-11]。由于通過(guò)共同的詞語(yǔ)（ Term）聯(lián)系到一起的文獻(xiàn)可能表示一個(gè)共同的研究主題（ Research Topic）[12]，近年來(lái)又出現(xiàn)了作者關(guān)鍵詞耦合分析（ Author KeywordCoupling Analysis，AKCA），與ACA相比，更能反映目前的研究現(xiàn)狀，不必等文獻(xiàn)被引才建立關(guān)系。3）基于共詞分析的方法。關(guān)鍵詞是論文作者對(duì)文獻(xiàn)研究主題的一種人為專(zhuān)業(yè)術(shù)語(yǔ)標(biāo)引，相對(duì)于作者、期刊、機(jī)構(gòu)等元素而言更能表達(dá)文獻(xiàn)內(nèi)容。共詞分析法（ Co - term Analysis）認(rèn)為兩個(gè)關(guān)鍵詞在同一篇文獻(xiàn)中出現(xiàn)表明二者之間具有一定的內(nèi)在關(guān)系，并且出現(xiàn)的次數(shù)越多表明它們的關(guān)系越密切[13]。采用共詞分析法能夠?qū)崿F(xiàn)對(duì)文獻(xiàn)微觀層面的分析，實(shí)證研究也表明共詞分析可以用來(lái)揭示國(guó)內(nèi)外知識(shí)管理知識(shí)結(jié)構(gòu)[13-4]。

無(wú)論基于上述何種分析思想，知識(shí)結(jié)構(gòu)的識(shí)別過(guò)程整體上是二步式的，即首先要構(gòu)建相似性矩陣，然后對(duì)該矩陣進(jìn)行結(jié)構(gòu)識(shí)別。分析方法不同，導(dǎo)致所建立的矩陣類(lèi)型和矩陣元素取值規(guī)則均不相同，例如，采取文獻(xiàn)共被引思想構(gòu)建文獻(xiàn)耦合強(qiáng)度矩陣、利用作者文獻(xiàn)耦合思想建立作者耦合強(qiáng)度矩陣。進(jìn)而基于構(gòu)建的矩陣?yán)靡蜃臃治?、層次聚?lèi)分析、多維尺度分析等多元統(tǒng)計(jì)技術(shù)進(jìn)行結(jié)構(gòu)分析，但是這3種分析方法不適宜對(duì)包含過(guò)多0模塊的矩陣進(jìn)行操作，針對(duì)這一問(wèn)題，使用基于三角形不等式原理和最小生成樹(shù)算法的Pathfinder算法[10]可以有效規(guī)避0模塊的影響[10.15]。近十幾年來(lái)各種知識(shí)圖譜軟件[16]逐步盛行，繪制的知識(shí)圖譜節(jié)點(diǎn)規(guī)模較上述的多元統(tǒng)計(jì)分析方法提高很多，而且可以直觀表示領(lǐng)域的知識(shí)結(jié)構(gòu)，因此備受關(guān)注和推廣。但是利用此類(lèi)軟件進(jìn)行領(lǐng)域知識(shí)結(jié)構(gòu)識(shí)別的本質(zhì)并沒(méi)有深刻改變，仍然要先選擇使用何種相似性矩陣分析方法，再輔以利用社會(huì)網(wǎng)絡(luò)分析或復(fù)雜網(wǎng)絡(luò)分析的中心性分析、社團(tuán)發(fā)現(xiàn)等方法進(jìn)行分析[17]。然而文獻(xiàn)是由多元素構(gòu)成的，包含作者、關(guān)鍵詞、期刊、機(jī)構(gòu)等，但上述方法一般建立的都是單模方陣，即矩陣的取值表明同類(lèi)元素之間的相似程度。當(dāng)從兩種元素進(jìn)行分析時(shí)，首先將其關(guān)系轉(zhuǎn)化為一種元素之間的關(guān)系，在這一轉(zhuǎn)化過(guò)程中，信息受到了損失，轉(zhuǎn)化方法有時(shí)也較為主觀。

聚類(lèi)分析，作為一項(xiàng)基本的數(shù)據(jù)挖掘任務(wù)，能夠發(fā)現(xiàn)海量數(shù)據(jù)中未知的對(duì)象類(lèi)，本質(zhì)與從文獻(xiàn)數(shù)據(jù)中探測(cè)知識(shí)結(jié)構(gòu)是一致的。關(guān)鍵詞是每篇文獻(xiàn)由其作者認(rèn)為最能反映其內(nèi)在內(nèi)容的，因此從這個(gè)角度可以認(rèn)為文獻(xiàn)是由關(guān)鍵詞來(lái)標(biāo)識(shí)的。很顯然，“文獻(xiàn)一關(guān)鍵詞”矩陣必定具有高維性和稀疏性。本文探索利用高維稀疏聚類(lèi)方法進(jìn)行知識(shí)結(jié)構(gòu)識(shí)別的有效性，以我國(guó)近十年（2009-2018年）數(shù)據(jù)挖掘領(lǐng)域期刊論文為例進(jìn)行實(shí)證研究，并與基于關(guān)鍵詞共現(xiàn)分析進(jìn)行知識(shí)結(jié)構(gòu)識(shí)別的結(jié)果進(jìn)行對(duì)比分析。

1 研究方法

1.1 高維稀疏聚類(lèi)算法介紹

高維稀疏聚類(lèi)問(wèn)題是指每個(gè)對(duì)象有很大一部分屬性取值為0的高維聚類(lèi)問(wèn)題。本文將要面對(duì)的“文獻(xiàn)一關(guān)鍵詞”矩陣，是一個(gè)二值矩陣，因此擬定使用專(zhuān)門(mén)用于求解二態(tài)變量高維稀疏聚類(lèi)問(wèn)題的CABOSFV（Clustering Algorithm Based On SparseFeature Vector）算法[18]，即基于CABOSFV來(lái)進(jìn)行后續(xù)的知識(shí)結(jié)構(gòu)識(shí)別。

CABOSFV是一種基于稀疏特征向量的聚類(lèi)算法，該算法針對(duì)二態(tài)變量，通過(guò)定義“稀疏差異度（ Sparse Feature Distance，SFD）”描述集合內(nèi)對(duì)象間的相似程度，通過(guò)定義“集合的稀疏特征向量（ Sparse Feature Vector，SFV）”概括一個(gè)對(duì)象集合所包含的全部聚類(lèi)相關(guān)信息，為數(shù)據(jù)的有效壓縮提供了重要的手段。此外，該算法只對(duì)數(shù)據(jù)庫(kù)進(jìn)行一次掃描，大大提高了聚類(lèi)的效率。下面給出結(jié)合本文使用場(chǎng)景“文獻(xiàn)一關(guān)鍵詞”的稀疏差異度、稀疏特征向量的具體定義和算法的具體步驟。

定義1（文獻(xiàn)集合的稀疏差異度）：假設(shè)有n個(gè)文獻(xiàn)，描述每個(gè)文獻(xiàn)的關(guān)鍵詞有m個(gè)，X為其中的一個(gè)文獻(xiàn)子集，其中的文獻(xiàn)個(gè)數(shù)記為X，在該子集中所有文獻(xiàn)稀疏特征取值皆為1的關(guān)鍵詞個(gè)數(shù)為a，稀疏特征取值不全相同的關(guān)鍵詞個(gè)數(shù)為e，文獻(xiàn)集合的稀疏差異度SFD（X）定義為：

一個(gè)文獻(xiàn)集合的稀疏差異度表明了該集合內(nèi)部各文獻(xiàn)間的差異程度。差異度越大，文獻(xiàn)之間越不相似;差異度越小，文獻(xiàn)之間越相似。文獻(xiàn)集合的稀疏差異度是高維稀疏聚類(lèi)算法進(jìn)行相似度計(jì)算和數(shù)據(jù)壓縮的基礎(chǔ)。

當(dāng)文獻(xiàn)集合X中只包含一個(gè)文獻(xiàn)時(shí)，文獻(xiàn)的個(gè)數(shù)|X|為1，該惟一文獻(xiàn)稀疏特征取值為1的關(guān)鍵詞序號(hào)集合為S，稀疏特征取值不全相同的關(guān)鍵詞序號(hào)集合NS為空集φ，稀疏差異度SFD（ X）為0，那么稀疏特征向量SFV（X）=|1，S，φ，0|。

給定某領(lǐng)域的學(xué)術(shù)研究論文集合L=（P，K），其中P是該領(lǐng)域所有學(xué)術(shù)研究論文文獻(xiàn)的集合，K是論文包含的關(guān)鍵詞的集合。使用二維表對(duì)高維稀疏聚類(lèi)的輸人數(shù)據(jù)進(jìn)行表示（表1），行代表文獻(xiàn)集合;列代表關(guān)鍵詞集合。表中的“1”表示該文獻(xiàn)使用過(guò)該關(guān)鍵詞，例如文獻(xiàn)P1關(guān)鍵詞列表中沒(méi)有K1但有關(guān)鍵詞K2。

假設(shè)有n個(gè)文獻(xiàn)，一個(gè)文獻(xiàn)類(lèi)內(nèi)文獻(xiàn)集合的稀疏差異度SFD（X）上限為6，則基于高維稀疏聚類(lèi)算法CABOSFV進(jìn)行文獻(xiàn)聚類(lèi)的具體過(guò)程是：由每一個(gè)文獻(xiàn)建立一個(gè)集合，用稀疏特征向量SFV（X）描述各集合。從第一個(gè)SFV（X）開(kāi)始進(jìn)行數(shù)據(jù)掃描，在掃描的過(guò)程中完成文獻(xiàn)類(lèi)的創(chuàng)建和文獻(xiàn)集合的歸并。首先創(chuàng)建文獻(xiàn)類(lèi)1，將文獻(xiàn)1歸人文獻(xiàn)類(lèi)1，然后考察是否可以將文獻(xiàn)2并人文獻(xiàn)類(lèi)1（若文獻(xiàn)2并人文獻(xiàn)類(lèi)1后形成的新SFD（ X）大于6，則認(rèn)為文獻(xiàn)2并入文獻(xiàn)類(lèi)1不可行;否則，認(rèn)為可行）。如果可行，則將文獻(xiàn)2并入文獻(xiàn)類(lèi)1;否則，創(chuàng)建一個(gè)新的文獻(xiàn)類(lèi)，將文獻(xiàn)2歸人該新文獻(xiàn)類(lèi)。然后考察是否可以將文獻(xiàn)3并入已存在的文獻(xiàn)類(lèi)1或文獻(xiàn)類(lèi)2中，將文獻(xiàn)3加入使得歸人后的SFD（X）最小的那個(gè)文獻(xiàn)類(lèi)中;否則，創(chuàng)建一個(gè)新的文獻(xiàn)類(lèi)，將文獻(xiàn)3歸人該新文獻(xiàn)類(lèi)。依此類(lèi)推，直到所有對(duì)象掃描結(jié)束。這樣，通過(guò)對(duì)論文數(shù)據(jù)的一次掃描就完成了全部文獻(xiàn)類(lèi)的創(chuàng)建和文獻(xiàn)到文獻(xiàn)類(lèi)的歸并?？梢钥吹剑町惗壬舷?在聚類(lèi)過(guò)程中起著十分重要的作用，6可以通過(guò)式（1）來(lái)估算。

1.2 基于高維稀疏聚類(lèi)的知識(shí)結(jié)構(gòu)識(shí)別方法

利用高維稀疏聚類(lèi)方法直接對(duì)原始文獻(xiàn)數(shù)據(jù)進(jìn)行聚類(lèi)，需要將每一篇文獻(xiàn)使用關(guān)鍵詞進(jìn)行標(biāo)識(shí)，即算法輸入是“文獻(xiàn)一關(guān)鍵詞”矩陣。根據(jù)常識(shí)，每一篇文獻(xiàn)作者所使用的關(guān)鍵詞一般不超過(guò)10個(gè)，因此這個(gè)“文獻(xiàn)一關(guān)鍵詞”矩陣是十分稀疏的，即使利用專(zhuān)門(mén)針對(duì)高維稀疏聚類(lèi)的算法也會(huì)失效。因此，提出如下基于高維稀疏聚類(lèi)算法對(duì)“文獻(xiàn)一關(guān)鍵詞”矩陣進(jìn)行知識(shí)結(jié)構(gòu)識(shí)別的迭代方法。

輸入：“文獻(xiàn)一關(guān)鍵詞”矩陣。

步驟1：根據(jù)式（1）估算文獻(xiàn)集合的稀疏差異度上限6，計(jì)算CABOSFV算法輸入。

步驟2：運(yùn)行CABOSFV聚類(lèi)算法，得到文獻(xiàn)聚類(lèi)結(jié)果。

步驟3：針對(duì)文獻(xiàn)聚類(lèi)結(jié)果，反查每個(gè)類(lèi)對(duì)應(yīng)的關(guān)鍵詞，根據(jù)關(guān)鍵詞分布情況判斷文獻(xiàn)類(lèi)之間的相似性是否很高：如果很高，繼續(xù)步驟4;如果不高，算法結(jié)束，將此時(shí)的文獻(xiàn)聚類(lèi)結(jié)果作為最終的知識(shí)結(jié)構(gòu)。

步驟4：將聚類(lèi)結(jié)果轉(zhuǎn)換為新一輪算法的輸入，跳轉(zhuǎn)到步驟1。

1.3 研究工具

為了分析利用高維稀疏聚類(lèi)對(duì)“文獻(xiàn)一關(guān)鍵詞”矩陣進(jìn)行知識(shí)結(jié)構(gòu)識(shí)別的有效性，采用基于關(guān)鍵詞共現(xiàn)進(jìn)行知識(shí)結(jié)構(gòu)識(shí)別對(duì)比。為了排除其他因素影響，擬定這兩種方法的輸入文獻(xiàn)規(guī)模大小盡可能一致，均根據(jù)詞頻來(lái)選擇，選取前100位的關(guān)鍵詞。基于CABOSFV算法的知識(shí)結(jié)構(gòu)識(shí)別采用自編的C++程序和Python程序來(lái)實(shí)現(xiàn)。另外，本文選擇的是文獻(xiàn)計(jì)量網(wǎng)絡(luò)可視化軟件VOSviewer[19]，它提供的默認(rèn)聚類(lèi)算法是一種基于距離的聚類(lèi)，聚類(lèi)結(jié)果采用圖譜顯示，圖譜中各個(gè)節(jié)點(diǎn)距離是依據(jù)共現(xiàn)關(guān)系的強(qiáng)度通過(guò)整體相加計(jì)算而生成，圖譜中節(jié)點(diǎn)之間的距離反映著兩者之間的相似性，相似性高的兩個(gè)節(jié)點(diǎn)之間距離很近。此聚類(lèi)算法結(jié)果表示方式為[20]，為每個(gè)節(jié)點(diǎn)提供一個(gè)分值，通過(guò)節(jié)點(diǎn)的顏色、大小、聚類(lèi)群組劃分情況可以判讀不同群組的強(qiáng)度及其相互作用關(guān)系。

2 實(shí)驗(yàn)數(shù)據(jù)獲取

2.1 原始數(shù)據(jù)獲取及探查

在中國(guó)知網(wǎng)CNKI上搜索以“數(shù)據(jù)挖掘”為關(guān)鍵詞的文獻(xiàn)，選定范圍為期刊，將時(shí)間設(shè)定為近十年，即2009-2018年，檢索得到18 712條結(jié)果。為了防止下載一種格式文件會(huì)出現(xiàn)數(shù)據(jù)不一致的情況，將數(shù)據(jù)下載成Refworks、NoteExpress和Excel

3 種格式進(jìn)行數(shù)據(jù)探查。

由于共詞分析和高維稀疏聚類(lèi)都是關(guān)于關(guān)鍵詞的分析，因此將所有數(shù)據(jù)中沒(méi)有關(guān)鍵詞的數(shù)據(jù)都刪除。此時(shí)就利用自編的Python對(duì)題錄之中K1（即關(guān)鍵詞）為空的內(nèi)容刪除，最終驗(yàn)證到所有題錄的K1（即關(guān)鍵詞）沒(méi)有為空的。因此可以直接使用數(shù)據(jù)進(jìn)行接下來(lái)的分析。

2.2 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備

實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備的任務(wù)是確定使用高維稀疏聚類(lèi)的矩陣維度及基于此構(gòu)建“文獻(xiàn)一關(guān)鍵詞”矩陣。本文選取量級(jí)為百維量級(jí)的關(guān)鍵詞，最終得出頻次排在前100位的關(guān)鍵詞一共有104個(gè)（表2）。其中，“數(shù)據(jù)挖掘”出現(xiàn)16 711次，和其他關(guān)鍵詞出現(xiàn)頻次差距太大，在后來(lái)分析中的關(guān)聯(lián)性很強(qiáng)，對(duì)實(shí)驗(yàn)分析影響較大，所以在后續(xù)實(shí)驗(yàn)中會(huì)把關(guān)鍵詞“數(shù)據(jù)挖掘”刪除。

3 實(shí)驗(yàn)結(jié)果

3.1 基于關(guān)鍵詞共現(xiàn)分析的知識(shí)結(jié)構(gòu)識(shí)別結(jié)果

利用VOSviewer軟件選擇共詞分析對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理，對(duì)其詞頻前100位關(guān)鍵詞進(jìn)行知識(shí)圖譜繪制。同樣地，此處去除了關(guān)鍵詞“數(shù)據(jù)挖掘”。經(jīng)過(guò)測(cè)試，將每一類(lèi)的最小規(guī)模設(shè)定為5，其余參數(shù)默認(rèn)，得到2009-2018年國(guó)內(nèi)數(shù)據(jù)挖掘研究的知識(shí)圖譜（圖1），可以歸納為8個(gè)研究主題。

第1個(gè)研究主題可以歸納為“大數(shù)據(jù)應(yīng)用研究”，類(lèi)規(guī)模為27，關(guān)鍵詞主要包括：大數(shù)據(jù)（ Big Data）、數(shù)據(jù)分析、電子商務(wù)、應(yīng)用。

第2個(gè)研究主題可以歸納為“時(shí)間序列與預(yù)測(cè)研究”，類(lèi)規(guī)模為19，關(guān)鍵詞主要包括：神經(jīng)網(wǎng)絡(luò)、預(yù)測(cè)、時(shí)間序列、遺傳算法、粗糙集。

第3個(gè)研究主題可以歸納為“聚類(lèi)算法研究”，類(lèi)規(guī)模為18，關(guān)鍵詞主要包括：聚類(lèi)分析、聚類(lèi)。

第4個(gè)研究主題可以歸納為“關(guān)聯(lián)規(guī)則研究”，類(lèi)規(guī)模為13，關(guān)鍵詞主要包括：關(guān)聯(lián)規(guī)則、Apriori算法。

第5個(gè)研究主題可以歸納為“數(shù)據(jù)倉(cāng)庫(kù)與商務(wù)智能”，類(lèi)規(guī)模為8，關(guān)鍵詞主要包括：數(shù)據(jù)倉(cāng)庫(kù)、決策支持系統(tǒng)、商務(wù)智能。

第6個(gè)研究主題可以歸納為“分類(lèi)算法研究”，類(lèi)規(guī)模為7，關(guān)鍵詞主要包括：決策樹(shù)、id3算法。

第7個(gè)研究主題可以歸納為“基于數(shù)據(jù)挖掘技術(shù)的中醫(yī)藥應(yīng)用研究”，類(lèi)規(guī)模為7，關(guān)鍵詞主要包括：用藥規(guī)律、組方規(guī)律。

第8個(gè)研究主題可以歸納為“云計(jì)算研究”，類(lèi)規(guī)模為5，關(guān)鍵詞主要包括：云計(jì)算。

3.2 基于高維稀疏聚類(lèi)的知識(shí)結(jié)構(gòu)識(shí)別結(jié)果

經(jīng)探測(cè)發(fā)現(xiàn)，很多文獻(xiàn)都是由“數(shù)據(jù)挖掘”和其他某一個(gè)關(guān)鍵詞標(biāo)識(shí)，則可以用來(lái)聚類(lèi)文獻(xiàn)的有效關(guān)鍵詞個(gè)數(shù)太少。所以，本文首先將關(guān)鍵詞“數(shù)據(jù)挖掘”去掉，再統(tǒng)計(jì)表示每篇文獻(xiàn)的關(guān)鍵詞個(gè)數(shù)，去掉為0和1的文獻(xiàn)，最終得到第一輪高維稀疏聚類(lèi)算法的輸入為3 508條文獻(xiàn)。

第一輪：

步驟1：根據(jù)式（1）估算差異度上限b。這里為了取b為最大上限，因此保證e最大，X最小，所以e取100，X取2。a的取值依據(jù)按照關(guān)鍵詞詞頻統(tǒng)計(jì)結(jié)果來(lái)確定（見(jiàn)表3），除去被0個(gè)和1個(gè)關(guān)鍵詞標(biāo)注的文獻(xiàn)，還剩余3 508篇文獻(xiàn)?？梢?jiàn)，當(dāng)a為b或者7所代表對(duì)象太少，因此當(dāng)a取5時(shí)合適，經(jīng)計(jì)算，按照式（1），得到第一輪的b取值為10。

步驟2：按照b=10，運(yùn)行CABOSFV，得到57個(gè)類(lèi)（見(jiàn)表4）。

步驟3：利用自編的Python程序，獲得每一類(lèi)的文獻(xiàn)名稱(chēng)集合。查看文獻(xiàn)名稱(chēng)及對(duì)應(yīng)關(guān)鍵詞，發(fā)現(xiàn)類(lèi)之間的相似性很高，還需要進(jìn)行第二輪聚類(lèi)。

步驟4：將聚類(lèi)結(jié)果轉(zhuǎn)換為第二輪算法輸入。由表4知第二輪算法輸入的對(duì)象個(gè)數(shù)是57，維度是100。利用自編Python程序，得到下一輪算法輸入。

第二輪：

步驟1：為估算差異度上限b，進(jìn)行關(guān)鍵詞詞頻統(tǒng)計(jì)（見(jiàn)表5）?？梢?jiàn)a的值在0-5之中選擇較為合適。當(dāng)a為2時(shí)有2個(gè)類(lèi)，對(duì)象數(shù)相對(duì)較少，a為3時(shí)有6個(gè)類(lèi)更為合適，也可以讓差異度6盡可能大。因此取a為3合適，經(jīng)計(jì)算，按照上述公式，得到第二輪的6取值為16。

步驟2：按照b=16，運(yùn)行CABOSFV，得到16個(gè)類(lèi)（見(jiàn)表6）。

步驟3：利用自編的Python程序，獲得每一類(lèi)的文獻(xiàn)名稱(chēng)集合。查看文獻(xiàn)名稱(chēng)及對(duì)應(yīng)關(guān)鍵詞，發(fā)現(xiàn)類(lèi)之間的相似性很高，還需要進(jìn)行第三輪聚類(lèi)。

步驟4：將聚類(lèi)結(jié)果轉(zhuǎn)換為第三輪算法輸入。由表6知第三輪算法輸入的對(duì)象個(gè)數(shù)是16，維度是100。利用自編Python程序，得到下一輪算法輸入。

第三輪：

步驟1：類(lèi)似地，為估算差異度上限b，獲得第三輪聚類(lèi)時(shí)關(guān)鍵詞詞頻統(tǒng)計(jì)（見(jiàn)表7）?？梢?jiàn)，a選擇在1-10之中選擇比較合適，為了使6達(dá)到最大，a盡可能取得最小值，關(guān)鍵詞共現(xiàn)詞頻在a中分別為9、9、8、6、3、2。因此此時(shí)應(yīng)該選擇中位數(shù)合適，定a為6，經(jīng)計(jì)算，得到第三輪的6取值為9。

步驟2：按照b=9，運(yùn)行CABOSFV，得到7個(gè)類(lèi)（表8）。

步驟3：對(duì)聚類(lèi)結(jié)果分析得到每一類(lèi)的文獻(xiàn)名稱(chēng)集合。統(tǒng)計(jì)每一個(gè)文獻(xiàn)類(lèi)對(duì)應(yīng)的關(guān)鍵詞及詞頻（見(jiàn)表9），可見(jiàn)，此時(shí)聚類(lèi)可以終止。

結(jié)合反查得到的這些關(guān)鍵詞對(duì)應(yīng)的文獻(xiàn)標(biāo)題，將上述7個(gè)類(lèi)的研究主題歸納如下。

第1類(lèi)研究主題可以歸納為“基于數(shù)據(jù)挖掘技術(shù)的各類(lèi)應(yīng)用”，包含基于數(shù)據(jù)倉(cāng)庫(kù)進(jìn)行的商業(yè)銷(xiāo)售，基于關(guān)聯(lián)規(guī)則挖掘的Weka數(shù)據(jù)挖掘應(yīng)用，基于改進(jìn)遺傳算法的K - means聚類(lèi)分析，這類(lèi)研究很少涉及單純的數(shù)據(jù)挖掘方法改進(jìn)，往往是結(jié)合領(lǐng)域進(jìn)行應(yīng)用。

第2類(lèi)研究主題可以歸納為“數(shù)據(jù)挖掘在客戶(hù)關(guān)系管理中的應(yīng)用”，包含基于數(shù)據(jù)挖掘的客戶(hù)智能分析和研究、數(shù)據(jù)挖掘細(xì)分客戶(hù)群等文獻(xiàn)。

第3類(lèi)研究主題可以歸納為“推薦算法及分類(lèi)算法研究”，這類(lèi)文獻(xiàn)用到了“分類(lèi)算法”、“個(gè)性化推薦”等，這類(lèi)還包含了數(shù)據(jù)挖掘在高校圖書(shū)館個(gè)性化推薦服務(wù)中的有效應(yīng)用

第4類(lèi)研究主題可以歸納為“時(shí)間序列研究及大數(shù)據(jù)應(yīng)用”，這類(lèi)文獻(xiàn)用到了“大數(shù)據(jù)時(shí)代”、“時(shí)間序列”等，這類(lèi)還包含了序列模式挖掘在教學(xué)管理上的應(yīng)用、基于時(shí)間序列的模式挖掘研究、大數(shù)據(jù)時(shí)代的數(shù)據(jù)挖掘技術(shù)研究等文獻(xiàn)。

第5類(lèi)研究主題可以歸納為“中醫(yī)數(shù)據(jù)挖掘”，這類(lèi)文獻(xiàn)用到了“用藥規(guī)律”、“中醫(yī)傳承輔助平臺(tái)”、“組方規(guī)律”、“醫(yī)案”等，研究基于數(shù)據(jù)挖掘方法的用藥規(guī)律。

第6類(lèi)研究主題可以歸納為“商務(wù)智能”，其中聯(lián)機(jī)分析處理（ OLAP）是數(shù)據(jù)倉(cāng)庫(kù)中的一種分析方法，而商務(wù)智能本身也是依托于數(shù)據(jù)倉(cāng)庫(kù)發(fā)展起來(lái)的。第7類(lèi)研究主題可以歸納為“推薦系統(tǒng)與物聯(lián)網(wǎng)應(yīng)用”。

3.3 結(jié)果對(duì)比分析

基于關(guān)鍵詞共現(xiàn)分析的知識(shí)結(jié)構(gòu)識(shí)別和基于高維數(shù)據(jù)聚類(lèi)的知識(shí)結(jié)構(gòu)識(shí)別，兩種方法都可以將文獻(xiàn)從不同角度進(jìn)行聚類(lèi)，并且聚類(lèi)的效果與數(shù)據(jù)挖掘研究普遍認(rèn)識(shí)符合度均較好。其中，基于關(guān)鍵詞共現(xiàn)分析獲得了數(shù)據(jù)挖掘研究主要包括8個(gè)類(lèi)別，分別為：1）大數(shù)據(jù)應(yīng)用研究;2）時(shí)間序列與預(yù)測(cè)研究;3）聚類(lèi)算法研究;4）關(guān)聯(lián)規(guī)則研究;5）數(shù)據(jù)倉(cāng)庫(kù)與商務(wù)智能;6）分類(lèi)算法研究;7）基于數(shù)據(jù)挖掘技術(shù)的中醫(yī)藥應(yīng)用研究;8）云計(jì)算研究;基于高維稀疏聚類(lèi)獲得了數(shù)據(jù)挖掘研究主要包括7個(gè)類(lèi)別，分別為：1）基于數(shù)據(jù)挖掘技術(shù)的各類(lèi)應(yīng)用;2）數(shù)據(jù)挖掘在客戶(hù)關(guān)系管理中的應(yīng)用;3）推薦算法及分類(lèi)算法研究;4）時(shí)間序列研究及大數(shù)據(jù)應(yīng)用;5）中醫(yī)數(shù)據(jù)挖掘;6）商務(wù)智能;7）推薦系統(tǒng)與物聯(lián)網(wǎng)應(yīng)用?？梢?jiàn)，兩種結(jié)果中識(shí)別出來(lái)的研究主題中大部分都是一致的，兩種分類(lèi)都有大數(shù)據(jù)應(yīng)用研究、中醫(yī)數(shù)據(jù)挖掘、聚類(lèi)研究、分類(lèi)研究、時(shí)間序列研究、基于數(shù)據(jù)倉(cāng)庫(kù)的商務(wù)智能應(yīng)用，并且基于關(guān)鍵詞共現(xiàn)分析的類(lèi)（1）與基于高維稀疏聚類(lèi)的類(lèi)（1）大體是一致的。

但是，經(jīng)過(guò)比較亦可發(fā)現(xiàn)，基于關(guān)鍵詞共現(xiàn)分析獲得的某些類(lèi)比基于高維稀疏聚類(lèi)獲得的文獻(xiàn)類(lèi)更為詳細(xì)。例如，高維稀疏聚類(lèi)中的大數(shù)據(jù)應(yīng)用類(lèi)包含關(guān)聯(lián)分析、分類(lèi)算法研究等基于關(guān)鍵詞共現(xiàn)析已有的其他類(lèi)別。但是高維稀疏聚類(lèi)對(duì)于差異度特別大的類(lèi)區(qū)分更加仔細(xì)，例如數(shù)據(jù)挖掘在客戶(hù)關(guān)系管理中的應(yīng)用、商務(wù)智能、推薦系統(tǒng)與物聯(lián)網(wǎng)應(yīng)用都能夠進(jìn)行單獨(dú)區(qū)分出來(lái)。

此外，基于高維稀疏聚類(lèi)探測(cè)知識(shí)結(jié)構(gòu)的時(shí)候，需要觀察論文題目來(lái)進(jìn)行分類(lèi)，但是如果因?yàn)檎撐念}目較多，最后通過(guò)論文題目直接總結(jié)分類(lèi)難度較大，最終解讀聚類(lèi)會(huì)借助每種類(lèi)別文獻(xiàn)的高頻關(guān)鍵詞來(lái)分析，所以和基于關(guān)鍵詞共現(xiàn)分析相比，可以用來(lái)解讀分析結(jié)果的可用信息更多。

4 結(jié)論

已有進(jìn)行知識(shí)結(jié)構(gòu)識(shí)別的方法首先基于某種分析思想構(gòu)建同質(zhì)元素間的關(guān)聯(lián)程度矩陣，然后再對(duì)該矩陣進(jìn)行結(jié)構(gòu)識(shí)別。本文使用高維稀疏聚類(lèi)的方法對(duì)“文獻(xiàn)一關(guān)鍵詞”矩陣直接進(jìn)行學(xué)科結(jié)構(gòu)識(shí)別，采用迭代策略，首先利用詞頻來(lái)估計(jì)高維稀疏聚類(lèi)算法參數(shù)和輸入，然后運(yùn)行高維稀疏聚類(lèi)算法，最后通過(guò)統(tǒng)計(jì)聚類(lèi)結(jié)果各個(gè)類(lèi)的關(guān)鍵詞重合情況來(lái)判斷算法是否停止。通過(guò)與基于關(guān)鍵詞共現(xiàn)分析知識(shí)結(jié)構(gòu)識(shí)別效果來(lái)對(duì)比分析，最終發(fā)現(xiàn)基于高維稀疏聚類(lèi)進(jìn)行知識(shí)結(jié)構(gòu)識(shí)別是有效的，并且該方法可以獲得差異度較大的子類(lèi)，而且進(jìn)行結(jié)果解讀可以獲取更多信息。在未來(lái)研究中，在維度進(jìn)一步提升的同時(shí)，希望能夠進(jìn)一步探測(cè)對(duì)象的輸入順序是否對(duì)聚類(lèi)結(jié)果有影響及不同的差異度上限估算方式，從而得到更準(zhǔn)確的結(jié)果分析。

參考文獻(xiàn)

[1] Small H.Co-citation in the Scientific Literature：A New Measureof the Relationship Between Two Documents[J].Joumal of the A—merican SocietY for information Science， 1973， 24 （4）： 265 - 269.

[2]馬瑞敏，邱均平.基于CSSCI的論文同被引實(shí)證計(jì)量研究——以圖書(shū)館學(xué)、情報(bào)學(xué)為例[J].圖書(shū)情報(bào)知識(shí)，2005，（5）：77-79.

[3] White H D，Griffith B C.Author Cocitation：A Literature Measureof Intellectual Structure[J].Joumal of the American Societv forInformation Science，

1981， 32（3）：163-171.

[4]馬瑞敏，倪超群.基于作者同被引分析的我國(guó)圖書(shū)情報(bào)學(xué)知識(shí)結(jié)構(gòu)及其演變研究[J].中國(guó)圖書(shū)館學(xué)報(bào)，2011. 37（ 6）： 17-26.

[5]馬費(fèi)成，宋恩梅.我國(guó)情報(bào)學(xué)研究分析：以ACA為方法[J].情報(bào)學(xué)報(bào)，2006， 25 （3）：259-268.

[6] Kessler M M. Bibliographic Coupling Between Scientific Papers[J]. American Documentation，1963，14（1）：10-25.

[7]肖明，李國(guó)俊，袁浩，基于引文耦合的數(shù)字圖書(shū)館研究結(jié)構(gòu)可視化分析[J].圖書(shū)情報(bào)工作，2010. （7）：51-54.

[8] Jameving B.Bibliographic Coupling and Its Application to Research-front and Other Core Documents[J].Joumal of Informetrics，2007，l（4）：287-307.

[9] Zhao D， Strotmann A.Evolution of Research Activities and Intel-lectual Influences in Information Science 1996-2005： ImroducingAuthor Bibliographic-coupling Analysis[J].Journal of the Ameri-can Societv for Information Science and Technology， 2008， 59（ 13）：2070-2086.

[10]馬瑞敏，倪超群，作者耦合分析：一種新學(xué)科知識(shí)結(jié)構(gòu)發(fā)現(xiàn)方法的探索性研究[J].中國(guó)圖書(shū)館學(xué)報(bào)，2012. 38 （2）：4 -11.

[11]王知津，周鵬，謝麗娜，用ABCA方法識(shí)別和闡釋我國(guó)當(dāng)代情報(bào)學(xué)研究領(lǐng)域[J].情報(bào)學(xué)報(bào)，2013. 32 （1）：4-12.

[12] Morris S A， Yen G G.Crossmaps： Visualization of OverlappingRelationships in Collections of Journal Papers[J]. Proceedings ofthe National Academv of Sciences， 2004， 101 （1）： 5291-5296.

[13]張勤，馬費(fèi)成，國(guó)內(nèi)知識(shí)管理研究結(jié)構(gòu)探討——以共詞分析為方法[J].情報(bào)學(xué)報(bào)，2008， 27（1）：93-101.

[14]張勤，徐緒松，共詞分析法與可視化技術(shù)的結(jié)合：揭示國(guó)外知識(shí)管理研究結(jié)構(gòu)[J].管理工程學(xué)報(bào)，2008， 22 （4）：30- 35.

[15]孫海生.作者關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)及實(shí)證研究[J].情報(bào)雜志，2012， 31 （9）：63-67.

[16] Chen C. CiteSpace Ⅱ： Detecting and Visualizing EmergingTrends and Transient Pattems in Scientific Literature[ J]. Joumalof the American Socieiy for Information Science and Technology，2006， 57 （3）：359-377.

[17]丁晟春，王楠，吳靚嬋媛.基于關(guān)鍵詞共現(xiàn)和社區(qū)發(fā)現(xiàn)的微博熱點(diǎn)主題識(shí)別研究[J].現(xiàn)代情報(bào)，2018， 38 （3）：10-18.

[18]武森，高學(xué)東，M.巴斯蒂安.高維稀疏聚類(lèi)知識(shí)發(fā)現(xiàn)[M].北京：冶金工業(yè)出版社，2003： 38-54.

[19]N Van Eck， Waltman L VOS：A New Method for VisualizingSimilarities Between Objects[C]//Advances in Data Analysis：Proceedings of the 30th Annual Conference of the German Oassifi- cation Society. 2007： 299-306.

[20]李杰.科學(xué)知識(shí)圖譜原理及應(yīng)用-VOSviewer和CitNetEx-plorer初學(xué)者指南[M].北京：高等教育出版社，2018：49 - 52.

（責(zé)任編輯：郭沫含）

收稿日期：2019-07-19

基金項(xiàng)目：教育部人文社會(huì)科學(xué)研究青年基金項(xiàng)目“面向語(yǔ)言學(xué)的文獻(xiàn)計(jì)量及知識(shí)可視化分析”（項(xiàng)目編號(hào)：17YJCZH069）;全國(guó)高等院校計(jì)算機(jī)基礎(chǔ)教育研究會(huì)2018年度計(jì)算機(jī)基礎(chǔ)教育教學(xué)研究項(xiàng)目“教育數(shù)據(jù)聚類(lèi)分析及個(gè)性化推薦”（項(xiàng)目編號(hào)：2018-AFCEC- 176）;北京語(yǔ)言大學(xué)院級(jí)科研項(xiàng)目（中央高?；究蒲袠I(yè)務(wù)專(zhuān)項(xiàng)資金資助）“基于文獻(xiàn)計(jì)量的不同學(xué)科差異分析”（項(xiàng)目編號(hào)：19YJ040001）;北京市級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)計(jì)劃項(xiàng)目支持（項(xiàng)目批準(zhǔn)號(hào)：201910032038）。

作者簡(jiǎn)介：黃月（1986-），女，副教授，博士，研究方向：數(shù)據(jù)挖掘、信息計(jì)量。王鑫（1995 -），男，學(xué)士，研究方向：聚類(lèi)分析。