中國知網(wǎng)關(guān)鍵詞詞頻統(tǒng)計軟件設(shè)計及其在出版工作中應(yīng)用研究

朱玉強(qiáng) 范翠麗

(1.山東師范大學(xué) 圖書館，濟(jì)南 250014；2.山東科學(xué)技術(shù)出版社，濟(jì)南 250002)

文獻(xiàn)調(diào)查不容易被外界干擾，只需投入少量經(jīng)費(fèi)與人力，省時且效率高，可方便快捷地了解前人和他人勞動成果，是獲取知識的捷徑?？蒲腥藛T在申請課題、進(jìn)行科學(xué)研究、撰寫學(xué)術(shù)論文前往往要對研究方向進(jìn)行文獻(xiàn)調(diào)研，從而有效避免重復(fù)研究。本文編制程序可在極短時間內(nèi)對大量文獻(xiàn)的關(guān)鍵詞詞頻進(jìn)行統(tǒng)計，為調(diào)查人員提供數(shù)據(jù)支撐及簡單的可視化指標(biāo)。

1 相關(guān)研究及實踐

文獻(xiàn)調(diào)查往往涉及眾多文獻(xiàn)種類及格式，對其內(nèi)容整理分析一般包括定性分析、定量分析及定性定量相結(jié)合分析3種。內(nèi)容分析法最早應(yīng)用于新聞傳播領(lǐng)域，20世紀(jì)60年代末西方圖書情報學(xué)界將其列入圖情學(xué)方法論體系，之后不斷發(fā)展完善，引入了系統(tǒng)論、信息論、符號學(xué)、語義學(xué)、統(tǒng)計學(xué)等方法或技術(shù)，[1]一般通過人工編碼將大量碎片化、屬性化的文字轉(zhuǎn)換為系統(tǒng)化、定量化的信息，類似概率論與數(shù)量統(tǒng)計中引入的隨機(jī)變量，從而使研究對象易于分析、便于統(tǒng)計，進(jìn)而歸納發(fā)現(xiàn)有價值的結(jié)論。[2]

廣義上關(guān)鍵詞指出現(xiàn)在文獻(xiàn)篇名、摘要或正文中表達(dá)文獻(xiàn)中心思想、有實際意義的自然語言詞匯；狹義上學(xué)術(shù)論文的關(guān)鍵詞由論文作者自行設(shè)置并寫在文章“關(guān)鍵詞”一欄，作者給出的關(guān)鍵詞或許未能嚴(yán)格遵守《國家標(biāo)準(zhǔn)GB7713-87 科學(xué)論文編寫格式》進(jìn)行，但鑒于作者對作品把握的準(zhǔn)確程度，其給出的關(guān)鍵詞很具參考性。

奉國和等[3]構(gòu)建時間-關(guān)鍵詞頻次矩陣，設(shè)計時間加權(quán)關(guān)鍵詞詞頻分析模型，用于揭示學(xué)科研究熱點及變化趨勢。余豐民[4]通過統(tǒng)計學(xué)術(shù)論文關(guān)鍵詞詞頻初步構(gòu)建研究熱點漂移程度計算模型，揭示學(xué)科研究熱點的變化程度和關(guān)鍵詞詞頻分布規(guī)律。李建偉[5]基于2018年編輯出版學(xué)學(xué)術(shù)論文關(guān)鍵詞詞頻分析，得出2018年編輯出版的研究熱點主要集中在新業(yè)態(tài)、新環(huán)境、新技術(shù)和新內(nèi)容四個層面。陳玲麗[6]等采用關(guān)鍵詞詞頻分析法分析了我國醫(yī)療聯(lián)合體研究文獻(xiàn)的研究內(nèi)容、現(xiàn)狀及趨勢，為醫(yī)聯(lián)體研究提供參考。王海峰[7]對國內(nèi)25種新聞傳播類核心期刊發(fā)文關(guān)鍵詞詞頻進(jìn)行分析，研究了我國新聞傳播專業(yè)學(xué)術(shù)研究熱點及基本趨勢，表明跨學(xué)科與跨領(lǐng)域研究在新聞傳播專業(yè)領(lǐng)域總體呈上升趨勢等。上述及類似論文在做關(guān)鍵詞詞頻分析時，有的明確說明所采集論文關(guān)鍵詞為作者原文給出的關(guān)鍵詞，有的則沒有，沒做具體界定的則可能來自數(shù)據(jù)庫廠商后期修訂、追加等途徑。處理方法一般通過手工導(dǎo)出文獻(xiàn)，利用Excel多步操作完成。

本文編制程序，可快速提取、統(tǒng)計論文中作者給出的關(guān)鍵詞，目的明確，針對性強(qiáng)，基于導(dǎo)出文獻(xiàn)全自動提取、去重、統(tǒng)計年度詞頻分布，方便快捷，節(jié)省人力物力。

2 系統(tǒng)設(shè)計思路與實施方案

2.1 系統(tǒng)功能架構(gòu)

用戶首先在中國知網(wǎng)構(gòu)建檢索策略進(jìn)行文獻(xiàn)檢索，確定并選取欲調(diào)研文獻(xiàn)范圍，使用“導(dǎo)出/參考文獻(xiàn)”按鈕，以“知網(wǎng)研學(xué)(原E-Study)”格式導(dǎo)出純文本型參考文獻(xiàn)?；趯?dǎo)出的參考文獻(xiàn)，軟件要實現(xiàn)如下功能：(1)提取參考文獻(xiàn)中所有作者給出的關(guān)鍵詞并去重；(2)統(tǒng)計各關(guān)鍵詞在文獻(xiàn)發(fā)表時段(以年為單位)出現(xiàn)頻次；(3)統(tǒng)計各關(guān)鍵詞在文獻(xiàn)所有時間跨度總頻次；(4)結(jié)果以Excel表寫出，方便按需做更多處理。

2.2 技術(shù)方案

主要流程如圖1所示，抽提作者給出關(guān)鍵詞、抽提論文發(fā)表各年度可使用多線程同步進(jìn)行。

3 關(guān)鍵方法與技術(shù)

3.1 取格式化文本多段中間內(nèi)容

以“知網(wǎng)研學(xué)(原E-Study)”格式導(dǎo)出的純文本型參考文獻(xiàn)格式固定，如下所示。

DataType：1

Title-題名：×××

Author-作者：×××；

Source-刊名：×××

Year-年：2015

PubTime-出版時間：2015-01-01

Keyword-關(guān)鍵詞：×××；×××；×××

Summary-摘要：×××。

Period-期：01

PageCount-頁數(shù)：2

Page-頁碼：26-27

SrcDatabase-來源數(shù)據(jù)庫：期刊Organ-機(jī)構(gòu)：法律出版社；

Link-鏈接：×××

以取“Keyword-關(guān)鍵詞”為例，只需取多組文本串“Keyword-關(guān)鍵詞”與“Summary-摘要”中間文本并去除換行符即可。實踐中可先使用特征字串如“DataType：1”分割各篇論文數(shù)據(jù)進(jìn)文本數(shù)組，遍歷數(shù)組各成員，在成員內(nèi)部執(zhí)行取中間文本操作，算法描述如下：

CString GetMid(CString str，CString strL，CString strR)

{

len = str.Find(strL) + strL.GetLength()；

len2 = str.Find(strR)；

strs = str.Left(len2)；

str = strs.Right(strs.GetLength()-len)；

return str；

}

取回關(guān)鍵詞需執(zhí)行去重操作，數(shù)據(jù)量小于10萬條時使用任一常規(guī)方法均可實現(xiàn)，否則用HASH算法速度更快。哈希函數(shù)構(gòu)造方法有多種，以對文本串去重為例，算法描述如下，去重同時統(tǒng)計文本串重復(fù)次數(shù)：

public void QC()

{

String a[]={"a"，"b"，"b"，"c"，"c"，"c"}；

Map map = new HashMap()；

int count=0；

for(int i=0；i

{

if(map. containsKey(a[i]))

count= (Integer) map.get(a[i])；

}

else

{

count=0；

}

map.put(a[i]，++count)；

}

}

3.2 取某文本在另一文本中出現(xiàn)頻次

如3.1在文本去重時已對文本串進(jìn)行頻次統(tǒng)計，實踐中還需要基于整體文本對抽提出來的指定文本進(jìn)行頻次統(tǒng)計，且與年度關(guān)聯(lián)建立年度頻次分布表，核心工作為取某文本在另一文本中出現(xiàn)頻次，算法描述為：

Function Count(Str，toSearch)Dim Times，WordLen

Times = 0

WordLen = Len(toSearch)

For i = 1 To Len(Str)+1-WordLen If Mid(Str，i，WordLen) = toSearch Then Times = Times + 1

End If

Next

FindCount = Times

End function

4 應(yīng)用效果評估

程序可穩(wěn)定運(yùn)行于32位和64位Windows7與Windows10操作系統(tǒng)，運(yùn)行界面如圖2所示。

圖2 程序主界面

在中國知網(wǎng)中，限定時間為2015年1月1日至2020年4月13日，發(fā)文機(jī)構(gòu)名稱限定包含“出版社”，在全部期刊范圍內(nèi)檢索主題包含“數(shù)字出版”的論文，共獲得1160條結(jié)果，去重后共1743個關(guān)鍵詞，寫出的Excel表如圖3所示。

圖3 程序自動寫出的Excel表

在英特爾奔騰處理器2.90GHz、內(nèi)存4.00GB電腦環(huán)境下，寫出Excel表共耗時5秒。圖4展示了總頻次排在前30位的關(guān)鍵詞繪制的柱狀-折線圖。

圖4 選定關(guān)鍵詞的柱狀-折線圖

由所得數(shù)據(jù)及柱狀-折線圖走勢，大致可以推斷，近五年來出版機(jī)構(gòu)對“數(shù)字出版”的研究，主要表現(xiàn)在：(1)關(guān)于傳統(tǒng)出版與數(shù)字出版的對比、討論；(2)出版模式轉(zhuǎn)型的迫切性與掙扎；(3)數(shù)字出版與大數(shù)據(jù)、新媒體、互聯(lián)網(wǎng)+、知識服務(wù)等的融合；(4)數(shù)字出版對版權(quán)的重視保護(hù)；(5)數(shù)字出版對教輔類圖書的關(guān)注。用戶還可以根據(jù)年度頻次按需做進(jìn)一步分析，此不贅述。

5 結(jié)論

本文編制程序，具體針對文獻(xiàn)作者給出的關(guān)鍵詞進(jìn)行詞頻統(tǒng)計，功能確切，可全自動操作用戶手工導(dǎo)出的參考文獻(xiàn)，耗時少，非常適用于大量文獻(xiàn)調(diào)研工作，為用戶分析、匯總調(diào)研報告提供簡潔有力的數(shù)據(jù)支撐。出版社編輯或情報分析工作者可據(jù)此方便快捷地進(jìn)行信息分析工作，具有推廣價值。