基于TextRank的多維度智庫(kù)相互影響力評(píng)估

饒緒黎 林晶 趙佳旭 林峰 陳志德

摘要：本文提出了一種基于TextRank的多維度智庫(kù)相互影響力評(píng)估模型，該模型綜合考慮智庫(kù)的內(nèi)、外影響力評(píng)估。在評(píng)估內(nèi)影響力方面，該模型基于TextRank算法提取智庫(kù)文章主題，通過(guò)各文章主題來(lái)衡量智庫(kù)文章之間內(nèi)容的相似度，引入時(shí)間衰減因子描述時(shí)間對(duì)影響力的削弱;在評(píng)估外影響力方面，該模型計(jì)算主題流行度來(lái)衡量智庫(kù)文章對(duì)外部環(huán)境的影響。實(shí)驗(yàn)表明：本文提出的模型，立足于文章內(nèi)容本身，多維度評(píng)估文章的內(nèi)外影響力，能夠有效評(píng)估智庫(kù)文章的影響力，具有一定的實(shí)用性和指導(dǎo)意義。

關(guān)鍵詞：智庫(kù);影響力;相似度;主題流行度;時(shí)間衰減

0 引言

智庫(kù)（Think Tank）概念來(lái)源于美國(guó)，目前智庫(kù)的概念不再局限于軍事和國(guó)際關(guān)系的研究機(jī)構(gòu)，而是延伸到從事政治、經(jīng)濟(jì)、社會(huì)等公共問(wèn)題的研究機(jī)構(gòu)[1]。智庫(kù)以公共決策為研究對(duì)象，以公共利益為研究導(dǎo)向，以社會(huì)利益為研究準(zhǔn)則的專業(yè)研究機(jī)構(gòu)，又稱為“智慧庫(kù)”、“智囊團(tuán)”等。智庫(kù)通常由多個(gè)學(xué)科專家組成，在社會(huì)、經(jīng)濟(jì)、科技、軍事、外交等各方面問(wèn)題為決策者出謀劃策，提供最佳理論、策略、方法、思想。智庫(kù)與公民利益直接相關(guān)，以知識(shí)的形式表達(dá)社會(huì)的需求[2]。文獻(xiàn)[3]中指出，智庫(kù)可以通過(guò)情報(bào)分析、專家預(yù)測(cè)為國(guó)家提供決策依據(jù)，可以為解決國(guó)內(nèi)經(jīng)濟(jì)社會(huì)發(fā)展難題提供決策，可以為總統(tǒng)決策期間提供施政綱領(lǐng)，進(jìn)行政策解讀，以獲得民眾支持。因此，關(guān)于智庫(kù)影響力的研究尤其重要。

由于缺乏統(tǒng)一的評(píng)估工具和標(biāo)準(zhǔn)，智庫(kù)影響力難以準(zhǔn)確評(píng)估，實(shí)證分析難度大，因此以往智庫(kù)的研究主要是定性研究。隨著現(xiàn)代信息技術(shù)的發(fā)展，一些研究者開始著手于實(shí)證分析智庫(kù)影響力，研究的方法包括問(wèn)卷調(diào)查分析、智庫(kù)網(wǎng)站分析、智庫(kù)網(wǎng)絡(luò)分析等。（1）問(wèn)卷調(diào)查研究：Trimbath S[4]首次嘗試使用定量分析的方法評(píng)估了1997.7～1999.6期間12家經(jīng)濟(jì)政策智庫(kù)發(fā)布新聞能見度。Leeson P T等[5]使用計(jì)量回歸的方法分析了美國(guó)州智庫(kù)在相關(guān)公共政策的影響力。金晨[6]通過(guò)分析統(tǒng)計(jì)已發(fā)布的智庫(kù)研究報(bào)告，分析了中國(guó)高校智庫(kù)的影響力情況。這些方法局限于智庫(kù)的外在機(jī)構(gòu)特性，僅采取主觀的研究方法，對(duì)智庫(kù)自身的研究成果和研究主題卻少有涉及，客觀性不足。（2）智庫(kù)網(wǎng)站分析：一些學(xué)者通過(guò)研究智庫(kù)網(wǎng)站，基于智庫(kù)的訪問(wèn)與出入鏈數(shù)據(jù)來(lái)評(píng)估影響力，文獻(xiàn)[7]中提出了出鏈數(shù)的概念，認(rèn)為網(wǎng)頁(yè)的出鏈數(shù)可以用于描述文獻(xiàn)的被引用量，出鏈數(shù)越大，反映了網(wǎng)頁(yè)的指向能力強(qiáng)，也就是網(wǎng)頁(yè)資源的開放程度越強(qiáng)。文獻(xiàn)[8]中提出通過(guò)鏈接分析法對(duì)中美智庫(kù)網(wǎng)站進(jìn)行分析，從總網(wǎng)頁(yè)數(shù)、總鏈接數(shù)、內(nèi)鏈接數(shù)、外鏈接數(shù)、文檔鏈接數(shù)、被鏈接網(wǎng)站數(shù)等數(shù)據(jù)指標(biāo)對(duì)中國(guó)智庫(kù)網(wǎng)站建設(shè)提出改進(jìn)方法。這些方法通過(guò)客觀的網(wǎng)站數(shù)據(jù)，能夠定性分析智庫(kù)的影響力，不過(guò)這類研究往往忽略網(wǎng)頁(yè)的內(nèi)容，僅關(guān)注網(wǎng)站的鏈接數(shù)據(jù)，欠缺內(nèi)容相關(guān)性。（3）智庫(kù)網(wǎng)絡(luò)分析：智庫(kù)集群和智庫(kù)網(wǎng)絡(luò)影響是西方新興的智庫(kù)研究方向，這類研究將關(guān)注點(diǎn)放在智庫(kù)聯(lián)合構(gòu)成的同盟和組織上，研究這些智庫(kù)組織對(duì)政策和社會(huì)的影響力。如文獻(xiàn)[9]中將研究智庫(kù)專家研究成果的引用率、曝光率作為依據(jù)展開智庫(kù)及其專家影響力的排名。Richard Messnarz等[10]以構(gòu)成歐洲智庫(kù)的單位-創(chuàng)新集群為研究對(duì)象，通過(guò)智庫(kù)的結(jié)構(gòu)特點(diǎn)來(lái)評(píng)估智庫(kù)的影響力。Pautz等[11]通過(guò)建立量表的方法分析英國(guó)智庫(kù)的聯(lián)合網(wǎng)絡(luò)，對(duì)學(xué)術(shù)、記者、工會(huì)等不同背景智庫(kù)聯(lián)合的影響力進(jìn)行評(píng)估。這類研究立足于智庫(kù)聯(lián)合化的新趨勢(shì)，有著重要的實(shí)際意義，但是對(duì)影響力僅止于定性研究，缺少量化研究的方法;另一方面，對(duì)智庫(kù)聯(lián)合成員的個(gè)體影響缺少研究的措施。

綜上所述，目前已有通過(guò)實(shí)證方式評(píng)估智庫(kù)影響力的研究，但是這些方法主要依賴智庫(kù)的外在內(nèi)容，忽視了智庫(kù)的“內(nèi)在”，即智庫(kù)的文章與思想。而實(shí)際上，智庫(kù)的本質(zhì)在于學(xué)者們會(huì)圍繞相關(guān)主題探討思想，撰寫文章。若撰寫文章針對(duì)某主題的思想被認(rèn)可，文章的影響將逐步擴(kuò)散，相關(guān)主題的熱度也會(huì)隨之上升。若能利用智庫(kù)文章的影響力來(lái)衡量整個(gè)智庫(kù)的影響力，即從智庫(kù)的“內(nèi)在”來(lái)評(píng)估其影響力，則評(píng)估準(zhǔn)確程度就會(huì)更高。因此本文引入數(shù)據(jù)挖掘分析的方法，立足于智庫(kù)文章內(nèi)容，采用自然語(yǔ)言處理技術(shù)，提出了一種基于TextRank的多維度智庫(kù)相互影響力評(píng)估模型，該模型綜合考慮智庫(kù)文章的內(nèi)、外影響力問(wèn)題，詳細(xì)構(gòu)建了智庫(kù)文章的影響力評(píng)估方法。具體評(píng)估時(shí)，本文通過(guò)文本分析算法提取智庫(kù)文章的文本特征，實(shí)現(xiàn)文本到特征向量的轉(zhuǎn)換，隨后基于特征向量進(jìn)行內(nèi)、外影響力分析，進(jìn)而綜合評(píng)估智庫(kù)文章的影響力。實(shí)驗(yàn)數(shù)據(jù)表明：該評(píng)估模型從內(nèi)部影響及外部影響兩個(gè)方面，有效刻畫智庫(kù)文章的影響，能為決策者在決策時(shí)提供參考意見。

1 基于TextRank的多維度智庫(kù)相互影響力評(píng)估模型

本文在評(píng)估智庫(kù)數(shù)據(jù)的影響力時(shí)，評(píng)估所用的文本數(shù)據(jù)，主要來(lái)源于智庫(kù)研究機(jī)構(gòu)所發(fā)表的文章。智庫(kù)中發(fā)表的某主題文章，產(chǎn)生的影響包含內(nèi)、外兩方面的影響：內(nèi)影響產(chǎn)生于文章對(duì)智庫(kù)內(nèi)其他文章的影響;外影響產(chǎn)生于文章對(duì)外部社會(huì)觀點(diǎn)的影響。例如當(dāng)文章P提出某主題T后，后續(xù)發(fā)表一定數(shù)量的文章圍繞主題T進(jìn)行討論，則說(shuō)明文章P對(duì)智庫(kù)產(chǎn)生了一定的內(nèi)影響力。其次文章P發(fā)布后，社會(huì)上或其他智庫(kù)圍繞該主題T也發(fā)布了一定數(shù)量的文章，則說(shuō)明該文章P對(duì)智庫(kù)外產(chǎn)生了外影響力。因此智庫(kù)觀點(diǎn)會(huì)引起廣泛討論的特點(diǎn)使得我們需要通過(guò)內(nèi)、外兩方面綜合評(píng)估智庫(kù)文章的影響力。接下來(lái)本文將展開討論智庫(kù)文章內(nèi)、外兩部分影響力評(píng)估的構(gòu)建。

1.1 內(nèi)影響力評(píng)估

為評(píng)估文章對(duì)智庫(kù)內(nèi)部文章產(chǎn)生的影響力，本文采用TextRank算法[12]挖掘智庫(kù)文章的關(guān)鍵詞數(shù)據(jù)，構(gòu)建文章的特征向量。TextRank算法以PageRank鏈接分析理論為基礎(chǔ)，對(duì)文章詞語(yǔ)的重要程度迭代計(jì)算，只需要文檔本身即可實(shí)現(xiàn)詞語(yǔ)重要程度的計(jì)算，是目前無(wú)監(jiān)督關(guān)鍵詞挖掘的主流方法，簡(jiǎn)潔并高效。本文在分析智庫(kù)文章中，涉及大量的文本關(guān)鍵詞提取，計(jì)算量較大且精確度要求高，故使用TextRank算法進(jìn)行文章關(guān)鍵詞提取。

挖掘到文章特征關(guān)鍵詞后，組建文章特征向量，并依據(jù)特征向量計(jì)算某篇文章與該篇文章發(fā)表后的所有文章之間的相似度，相似度越大，說(shuō)明兩篇文章內(nèi)容越相似，即發(fā)表時(shí)間在前的文章對(duì)發(fā)表時(shí)間在后的文章影響越大。同時(shí)，考慮到由于文章的影響力會(huì)隨著時(shí)間的推移逐漸減弱，在評(píng)估影響力時(shí)引入了時(shí)間衰減因子。

為實(shí)現(xiàn)文章間相似度的計(jì)算，本文首先基于TextRank算法對(duì)文章進(jìn)行特征提取。該算法通過(guò)將文本分割成若干組成單元（如單詞、句子）并建立圖模型，利用局部詞匯之間關(guān)系（共現(xiàn)窗口）迭代傳播圖模型的各個(gè)節(jié)點(diǎn)權(quán)重，直至收斂，最后對(duì)關(guān)鍵詞進(jìn)行排序，得到最重要的n個(gè)單詞。TextRank利用單篇文檔本身包含的文本信息即可實(shí)現(xiàn)關(guān)鍵詞提取、文本摘要的提取，該算法廣泛應(yīng)用于實(shí)際的文本挖掘中。

智庫(kù)文章同樣存在著多層影響關(guān)系，類似于學(xué)術(shù)研究領(lǐng)域的引文網(wǎng)絡(luò)，文章影響關(guān)系示例如圖1所示，文章Pi可影響文章Pj的內(nèi)容，而Pj又影響文章Pk的內(nèi)容，那么Pi與Pk之間存在的是一種間接影響關(guān)系而非直接影響關(guān)系，文章Pi的影響力也應(yīng)有所下降。隨著時(shí)間的推移，間接影響關(guān)系會(huì)逐漸增強(qiáng)，文章Pi的影響力也相應(yīng)逐漸下降。因此，為體現(xiàn)這種文章影響力隨時(shí)間衰減的情況，需引入時(shí)間衰減因子。

其中，λ為衰減率，DTj表示時(shí)間衰減因子，隨著Tj的增加而衰減。引入了時(shí)間衰減因子的影響量ETi，用于評(píng)價(jià)文章內(nèi)容的影響力，相比影響量Ei更為貼近現(xiàn)實(shí)，更為準(zhǔn)確。

1.2 外影響力評(píng)估

通過(guò)文章總影響量的計(jì)算，可以衡量文章與文章間的內(nèi)部影響關(guān)系。而文章的影響力還會(huì)體現(xiàn)在對(duì)外部環(huán)境的影響：影響力大的文章發(fā)表后，會(huì)引起同行對(duì)該主題的關(guān)注，并帶動(dòng)起學(xué)術(shù)界對(duì)該主題的討論。所以文章的影響力大不僅體現(xiàn)在影響了許多的后繼者，也體現(xiàn)為成為研究熱潮的推動(dòng)者。

其中PopularityTi表示在Ti時(shí)間段內(nèi)發(fā)表的文章流行度，F(xiàn)Ti在Ti時(shí)間段內(nèi)某一特定主題所發(fā)表的文章數(shù)量，F(xiàn)Ti表示在Ti時(shí)間段文章發(fā)表的增長(zhǎng)率，實(shí)際意義為該時(shí)間段的文章引發(fā)了后續(xù)多少篇文章的討論，即反映了一個(gè)時(shí)間段內(nèi)的文章對(duì)外部環(huán)境的總影響趨勢(shì)貢獻(xiàn)率。為了將貢獻(xiàn)率均分到發(fā)表在該時(shí)間段內(nèi)的文章上，將貢獻(xiàn)率FTi'除以文章數(shù)。

1.3 智庫(kù)文章影響力評(píng)估

其中，ET為文章Pi的帶時(shí)間權(quán)重影響量，即Pi的內(nèi)部影響量。FTi+1表示Ti+1時(shí)間段的總文章數(shù)，PopularityTi表示文章Pi的流行度，即文章Pi對(duì)Ti+1時(shí)間段內(nèi)文章數(shù)目增長(zhǎng)的貢獻(xiàn)率，PopularityTi與FTi+1的乘積表示文章Pi對(duì)外部環(huán)境熱度的貢獻(xiàn)量，即文章Pi的外部影響量。

內(nèi)部與外部影響量的和即文章的總影響量，作為文章影響力的評(píng)價(jià)指標(biāo)，EFi值越大，說(shuō)明文章的影響力越大。

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)數(shù)據(jù)來(lái)源

本實(shí)驗(yàn)數(shù)據(jù)來(lái)源于國(guó)內(nèi)外87個(gè)著名智庫(kù)機(jī)構(gòu)站點(diǎn)，共采集到45 492篇文章進(jìn)行實(shí)驗(yàn)，采集到的文章發(fā)表時(shí)間從1975年3月～2019年8月。同時(shí)為了使實(shí)驗(yàn)數(shù)據(jù)更加集中，實(shí)驗(yàn)結(jié)果更有意義，本文選取關(guān)于nuclear、iran、afghanistan、iraq、african、korea、environment、korean、japanese、intelligence主題的智庫(kù)文章進(jìn)行實(shí)驗(yàn)。

2.2 閾值有效性

本文在1.1節(jié)中提出了采用歐式距離衡量?jī)蓛晌恼麻g的特征向量的相似度，并采用設(shè)定閾值的方式，計(jì)算文章內(nèi)容的影響量。相似度大于設(shè)定的閾值，則認(rèn)為該文章與所對(duì)比的文章內(nèi)容相似，兩篇文章之間存在影響與被影響關(guān)系。

為了驗(yàn)證本文相似度閾值的有效性，本實(shí)驗(yàn)采用TextRank算法提取文章的關(guān)鍵詞，并選取其中出現(xiàn)頻率高的關(guān)鍵詞或主題名詞作為研究主題，如表1中所示的10個(gè)主題。同一主題下的文章內(nèi)容在理論上會(huì)具有一定的相似性，實(shí)驗(yàn)通過(guò)高于相似度閾值所占的比例來(lái)判斷閾值的有效性。通過(guò)計(jì)算該主題下的兩兩文章對(duì)數(shù)之間的特征向量歐式距離，來(lái)衡量?jī)善恼麻g的相似度，距離越小，相似度越高。由于environment主題涉及的文章內(nèi)容相對(duì)比較廣泛，因此數(shù)據(jù)較為不理想，小于等于閾值0.15的文章占比較低，如表1所示。而除了environment主題外，其他主題的文章距離小于等于閾值0.15的占比均在86%以上，距離大于0.15的文章占比在13%以下。在圖2中，橫軸表示文本距離閾值，縱軸表示文章對(duì)數(shù)，從圖2中可以發(fā)現(xiàn)，文本距離在0.15左側(cè)的文章對(duì)數(shù)更多，而當(dāng)文本距離大于0.15的文章對(duì)數(shù)較少。因此，本實(shí)驗(yàn)將相似度閾值設(shè)為0.15。

2.3 影響力評(píng)估算法分析

本文提出了一種基于TextRank的多維度智庫(kù)相互影響力評(píng)估模型，首先，通過(guò)TextRank算法提取文章特征向量，利用歐式距離衡量特征向量間的相似度，統(tǒng)計(jì)相似度高的文章數(shù)量并引入時(shí)間衰減因子作為文章內(nèi)部影響量;然后計(jì)算主題流行度來(lái)衡量文章對(duì)外部環(huán)境熱度的貢獻(xiàn)量，作為文章的外部影響量;最后，將文章內(nèi)部影響與外部影響結(jié)合作為文章的綜合影響力。

一篇來(lái)源于卡內(nèi)基國(guó)際和平基金組織發(fā)布的標(biāo)題為“Iran Nuclear Propulsion：IAEA Firewalls”的文章，文章主要內(nèi)容關(guān)于伊朗擴(kuò)大核活動(dòng)范圍的計(jì)劃的討論[14]，本文采用TextRank算法提取文章關(guān)鍵詞后的結(jié)果如表2文章關(guān)鍵詞提取結(jié)果所示。

如圖3所示為本文第1.1節(jié)中引入的時(shí)間衰減因子函數(shù)圖，從圖中可以發(fā)現(xiàn)，在不同λ取值下，隨著時(shí)間的增長(zhǎng)，衰減系數(shù)不斷減少，同時(shí)，λ值越大，衰減系數(shù)下降得越緩慢。為了更好地?cái)M合智庫(kù)文章隨時(shí)間推移，文章影響力不斷減弱的現(xiàn)象，本文實(shí)驗(yàn)選取λ=0.3。圖3 時(shí)間衰減因子函數(shù)圖

最后，通過(guò)結(jié)合基于相似度的文章內(nèi)部影響量，與基于主題流行度的文章外部影響量，得到智庫(kù)文章的綜合影響力值，如表3所示為部分智庫(kù)文章綜合影響力值示例。

內(nèi)部影響值越大，說(shuō)明智庫(kù)中的其他文章與該檢測(cè)的文章內(nèi)容相似度越高;而外部影響值越大，說(shuō)明該檢測(cè)的文章對(duì)整體智庫(kù)主題熱度的貢獻(xiàn)越大，即引發(fā)其他文章對(duì)同一主題的討論和發(fā)布?！度蛑菐?kù)報(bào)告》[15]，是美國(guó)賓夕法尼亞大學(xué)智庫(kù)與公民社會(huì)項(xiàng)目連續(xù)第十一年為全球智庫(kù)進(jìn)行綜合評(píng)價(jià)的權(quán)威報(bào)告，與表3中文章來(lái)源的智庫(kù)機(jī)構(gòu)進(jìn)行對(duì)比，對(duì)比結(jié)果如表4，表中數(shù)據(jù)表示智庫(kù)機(jī)構(gòu)在相應(yīng)的地區(qū)或研究領(lǐng)域的排名。

同時(shí)，這些頂級(jí)智庫(kù)在其他領(lǐng)域均有上榜全球報(bào)告，例如，海因里?！げ疇柣饡?huì)上榜最佳政黨智庫(kù)，加拿大國(guó)際治理創(chuàng)新中心、南非國(guó)際事務(wù)研究所、卡內(nèi)基國(guó)際和平基金組織上榜國(guó)際發(fā)展頂級(jí)智庫(kù)，加拿大國(guó)際治理創(chuàng)新中心、卡內(nèi)基莫斯科中心、卡內(nèi)基國(guó)際和平基金組織上榜具有突出政策導(dǎo)向的智庫(kù)等。這些數(shù)據(jù)進(jìn)一步說(shuō)明本文提出的算法，能夠有效計(jì)算智庫(kù)文章的綜合影響力值，具有準(zhǔn)確性。

3 結(jié)論

本文提出了一種基于TextRank的多維度智庫(kù)相互影響力評(píng)估模型，結(jié)合智庫(kù)文章內(nèi)容的相似度，時(shí)間的衰減因素以及文章對(duì)外部環(huán)境的貢獻(xiàn)率多維度評(píng)估智庫(kù)的影響力。本文的創(chuàng)新點(diǎn)在于，從智庫(kù)文章本身內(nèi)容的角度衡量文章的影響力，從文章與文章之間內(nèi)容的相似性，計(jì)算影響力，更加符合實(shí)際分析。同時(shí)引入對(duì)外部環(huán)境的影響進(jìn)行綜合評(píng)估文章的影響力。實(shí)驗(yàn)結(jié)果表明：本文提出的智庫(kù)影響力評(píng)估模型具有合理性和實(shí)用性，能夠快速找出影響力較高的智庫(kù)文章，具有一定的實(shí)用價(jià)值和指導(dǎo)意義。

參考文獻(xiàn)：

[1] 上海社會(huì)科學(xué)院智庫(kù)研究中心項(xiàng)目組，李凌.中國(guó)智庫(kù)影響力的實(shí)證研究與政策建議[J].社會(huì)科學(xué)，2014（4）：4-21.

[2] 朱旭峰.“思想庫(kù)”研究：西方研究綜述[J].國(guó)外社會(huì)科學(xué)，2007（1）：60-69.

[3] 王莉麗.旋轉(zhuǎn)門：美國(guó)思想庫(kù)研究[M].北京：國(guó)家行政學(xué)院出版社，2010.

[4] Trimbath S.Think Tanks：Who's Hot and Who's Not[J].The International Economy，2000，14（5）：10-47.

[5] Leeson P T，Ryan M E，Williamson C R.Think tanks-MyScienceWork[J].Journal of Comparative Economics，2012，40（1）：62–77.

[6] 金晨.我國(guó)高校智庫(kù)影響力及其提升研究——基于一流高校智庫(kù)的分析[J].中國(guó)高教研究，2019（7）：63-69.

[7] 邱均平.網(wǎng)絡(luò)計(jì)量學(xué)[M].北京：科學(xué)出版社，2010：182-183，185.

[8] 黃開木，樊振佳，盧勝軍，等.基于鏈接分析法的中美智庫(kù)網(wǎng)站比較研究[J].情報(bào)理論與實(shí)踐，2014，37（11）：129-133.

[9] 金芳，孫震海，國(guó)峰，等.西方學(xué)者論智庫(kù)[M].上海：上海社會(huì)科學(xué)院出版社，2010：13-27，89-93.

[10] Richard Messnarz，Andreas Riel，Gabriele Sauberer.Forming a European Innovation Cluster as a Think Tank and Knowledge Pool[C].European Conference on Software Process Improvement.Graz：Springer International Publishing，2016.

[11] Pautz，Hartwig.British Think-Tanks and Their Collaborative and Communicative Networks[J].Politics，2014，34（4）：345-361.

[12] Mihalcea，Rada，Tarau，et al.TextRank：Bringing Order into Texts[C].Proc Conference on Empirical Methods in Natural Language Processing.Barcelona：Association for Computational Linguistics，2004.

[13] Li L，Zheng L，Yang F，et al.Modeling and Broadening Temporal User Interest in Personalized News Recommendation [J].Expert Systems with Applications，2014，41（7）：3 168-3 177.

[14] Mark Hibbs.Iran Nuclear Propulsion：IAEA Firewalls [EB/OL].（2017-01-04）[2020-09-01]http：//carnegieendowment.org/2017/01/04/iran-nuclear-propulsion-iaea-firewalls-pub-66603.

[15] 韋路，李佳瑞.2008-2018全球智庫(kù)發(fā)展變遷及對(duì)中國(guó)媒體智庫(kù)的啟示[J].當(dāng)代傳播，2019（5）：4-9，49.

[責(zé)任編輯：鄭筆耕]