基于三維引文關(guān)聯(lián)網(wǎng)絡(luò)的潛在知識(shí)流動(dòng)探測(cè)
——以基因編輯領(lǐng)域?yàn)槔?/h1>
2021-03-15 07:53:26王菲菲王筱涵蘆婉昭宋艷輝
情報(bào)學(xué)報(bào) 2021年2期 關(guān)鍵詞：關(guān)聯(lián)研究
王菲菲，王筱涵，徐 碩，蘆婉昭，宋艷輝
（1. 北京工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院，北京 100124；2. 杭州電子科技大學(xué)管理學(xué)院，杭州 310018）
1 引 言
隨著知識(shí)經(jīng)濟(jì)時(shí)代的到來，知識(shí)的價(jià)值被逐漸挖掘出來。同時(shí)，知識(shí)流動(dòng)的活力凸顯，在知識(shí)創(chuàng)新和科學(xué)發(fā)展方面發(fā)揮著不可替代的作用[1]。作為技術(shù)創(chuàng)新的基礎(chǔ)，知識(shí)創(chuàng)新是經(jīng)濟(jì)增長(zhǎng)與科技進(jìn)步的動(dòng)力源泉。知識(shí)流動(dòng)是知識(shí)創(chuàng)新的必要條件，當(dāng)創(chuàng)新主體中的知識(shí)轉(zhuǎn)移（流動(dòng)）到其他創(chuàng)新主體時(shí)，通過融合、內(nèi)化、創(chuàng)新等形式又轉(zhuǎn)化為新的知識(shí)，從而激發(fā)知識(shí)創(chuàng)新的產(chǎn)生[2]。
潛在知識(shí)流動(dòng)，又稱未來知識(shí)流動(dòng)，是指目前尚未產(chǎn)生，但在未來很有可能發(fā)生的知識(shí)流動(dòng)，可用于揭示學(xué)術(shù)領(lǐng)域內(nèi)未來的知識(shí)創(chuàng)新。通過對(duì)已有的知識(shí)流動(dòng)進(jìn)行分析，推測(cè)出可能發(fā)生的創(chuàng)新方向，即探測(cè)潛在知識(shí)流動(dòng)。潛在知識(shí)流動(dòng)探測(cè)有助于科研工作人員追蹤研究前沿與新興研究趨勢(shì)，為研究人員選擇研究方向提供參考。
科學(xué)文獻(xiàn)作為學(xué)術(shù)界最為普遍的知識(shí)載體，在學(xué)術(shù)生態(tài)圈中充當(dāng)著學(xué)術(shù)媒介的角色。文獻(xiàn)間的引證關(guān)系，本質(zhì)上揭示的是知識(shí)流動(dòng)與知識(shí)轉(zhuǎn)移的過程[3]。被引方通過科技文獻(xiàn)，將自身的知識(shí)進(jìn)行傳播，同時(shí)所傳播的知識(shí)被引用方接受與吸收。施引方和被引方構(gòu)成知識(shí)流動(dòng)的線段，此線段的載體為科技文獻(xiàn)。這種領(lǐng)域內(nèi)知識(shí)的交叉融合有利于激發(fā)和啟迪開拓思維，促使重大科學(xué)創(chuàng)新的產(chǎn)生[4]。目前，關(guān)于知識(shí)流動(dòng)的研究大多數(shù)是以引文網(wǎng)絡(luò)為基礎(chǔ)展開的，且多集中于直引網(wǎng)絡(luò)，在此基礎(chǔ)上抽取到知識(shí)（主題）層面，構(gòu)建知識(shí)流動(dòng)網(wǎng)絡(luò)。實(shí)際上，除了直引這種最為基本的引文關(guān)聯(lián)外，共被引和耦合也是非常具有分析價(jià)值的兩種典型引證關(guān)系。兩者均是通過第三方文獻(xiàn)的直引關(guān)系所建立的間接關(guān)聯(lián)，而這種間接關(guān)聯(lián)的存在會(huì)進(jìn)一步強(qiáng)化原有的直引關(guān)聯(lián)強(qiáng)度，這也成為三種引文關(guān)聯(lián)融合的一項(xiàng)充分條件。此外，Morris 等[5]曾用一張盲人摸象圖比喻從單一特征或關(guān)系來揭示領(lǐng)域內(nèi)科學(xué)知識(shí)結(jié)構(gòu)的片面性與局限性，形象地反映出單一分析維度對(duì)科學(xué)知識(shí)領(lǐng)域體系解釋不夠全面的問題，這也成為多重引文關(guān)聯(lián)融合應(yīng)用的一項(xiàng)必要條件。在這種背景下，本文的研究議題應(yīng)運(yùn)而生，旨在對(duì)直引-共被引-耦合三維引文關(guān)聯(lián)網(wǎng)絡(luò)進(jìn)行融合的基礎(chǔ)上，映射到主題層面構(gòu)建知識(shí)流動(dòng)網(wǎng)絡(luò)，進(jìn)行預(yù)測(cè)分析，挖掘領(lǐng)域內(nèi)潛在知識(shí)流動(dòng)，進(jìn)而探測(cè)領(lǐng)域內(nèi)的研究前沿或新興趨勢(shì)。
2 相關(guān)研究概述
2.1 三維引文關(guān)聯(lián)融合
在文獻(xiàn)中，主題是知識(shí)的直接表征。文獻(xiàn)之間的引證關(guān)系本質(zhì)上揭示的是知識(shí)之間的流動(dòng)與轉(zhuǎn)移，因而在刻畫知識(shí)流動(dòng)網(wǎng)絡(luò)方面具有較為廣泛的應(yīng)用。文獻(xiàn)間傳統(tǒng)的引證關(guān)系主要包括：直引關(guān)系、共被引關(guān)系以及耦合關(guān)系。其中，直引關(guān)系作為最直接的一種引文關(guān)聯(lián)方式，最能刻畫領(lǐng)域內(nèi)的知識(shí)流動(dòng)現(xiàn)狀。Shibata 等[6]研究表明，相比共被引與文獻(xiàn)耦合網(wǎng)絡(luò)而言，對(duì)直引網(wǎng)絡(luò)分析作為引文分析中最為直接的關(guān)聯(lián)挖掘方式，其在探測(cè)領(lǐng)域內(nèi)的研究現(xiàn)狀、挖掘知識(shí)交流情況等諸多方面的應(yīng)用中具有最佳的表現(xiàn)。目前，已有的關(guān)于知識(shí)流動(dòng)的研究多是以引文網(wǎng)絡(luò)為基礎(chǔ)，且多集中于直引網(wǎng)絡(luò)[7-8]。直引分析固然重要，但是另兩種引文關(guān)聯(lián)方式同樣也不可忽視，它們亦可作為直引網(wǎng)絡(luò)在領(lǐng)域內(nèi)實(shí)現(xiàn)更全面的關(guān)聯(lián)發(fā)現(xiàn)中的有益補(bǔ)充[9]。三種引文關(guān)聯(lián)在刻畫領(lǐng)域研究現(xiàn)狀各有側(cè)重，單一引文關(guān)聯(lián)不足以涵蓋科學(xué)研究領(lǐng)域的全貌，不能反映真實(shí)的知識(shí)交流情況。相關(guān)研究表明[10]，不同學(xué)術(shù)網(wǎng)絡(luò)所揭示的學(xué)科知識(shí)結(jié)構(gòu)及未來演化情況側(cè)重于不同的方面，多重引文關(guān)聯(lián)的融合將更全面地揭示領(lǐng)域內(nèi)科學(xué)知識(shí)結(jié)構(gòu)與研究現(xiàn)狀。
鑒于上述現(xiàn)狀，本研究嘗試對(duì)三種不同的引文方式進(jìn)行適度融合，進(jìn)而實(shí)現(xiàn)更加全面的、真實(shí)的知識(shí)流動(dòng)探測(cè)分析。迄今為止，有些學(xué)者提出了具體的思路來實(shí)現(xiàn)不同的引用關(guān)系的融合，最具代表性的是由Persson[11]提出的研究思路，其研究是基于一種被普遍認(rèn)同的假設(shè)：如果兩篇論文引用了相同的文獻(xiàn)或者被相同的文獻(xiàn)所引用，那么兩者原本存在的直引關(guān)聯(lián)將會(huì)被進(jìn)一步增強(qiáng)[12]。Persson[11]的研究表明，在文獻(xiàn)層面將共被引與耦合兩種關(guān)聯(lián)強(qiáng)度進(jìn)行加權(quán)處理，進(jìn)一步作為直引強(qiáng)度的附加，能夠更好地實(shí)現(xiàn)領(lǐng)域內(nèi)知識(shí)關(guān)聯(lián)的探測(cè)。除此之外，在研究對(duì)象的價(jià)值計(jì)量研究中，引文網(wǎng)絡(luò)融合的趨勢(shì)較為明顯，且已經(jīng)在科學(xué)文獻(xiàn)或?qū)＠夹g(shù)的價(jià)值測(cè)度中均有一定的應(yīng)用[13]。鑒于此，本文旨在從三維引文關(guān)聯(lián)的文獻(xiàn)層面，進(jìn)一步抽取到主題層面，即構(gòu)建三維引文關(guān)聯(lián)下知識(shí)流動(dòng)網(wǎng)絡(luò)（主題關(guān)聯(lián)網(wǎng)絡(luò)），實(shí)現(xiàn)主題間更加全面的知識(shí)流動(dòng)（引文關(guān)聯(lián)）的識(shí)別。
2.2 潛在知識(shí)流動(dòng)發(fā)現(xiàn)
潛在知識(shí)流動(dòng)通過對(duì)現(xiàn)有知識(shí)流動(dòng)網(wǎng)絡(luò)進(jìn)行分析推導(dǎo)，預(yù)測(cè)將來有可能發(fā)生的創(chuàng)新知識(shí)。多數(shù)研究通過對(duì)引文網(wǎng)絡(luò)進(jìn)行分析，知識(shí)流動(dòng)方向與引用方向相反。潛在知識(shí)流動(dòng)，即運(yùn)用此種分析方式進(jìn)行推測(cè)，將現(xiàn)有知識(shí)流動(dòng)網(wǎng)絡(luò)整合，預(yù)測(cè)出新的知識(shí)節(jié)點(diǎn)關(guān)聯(lián)。
引文分析中的引證關(guān)系本質(zhì)上揭示的是知識(shí)之間的流動(dòng)與轉(zhuǎn)移，當(dāng)一個(gè)主題中的知識(shí)轉(zhuǎn)移到其他主題，通過融合、內(nèi)化、創(chuàng)新等形式又轉(zhuǎn)化為新的知識(shí)。從知識(shí)論關(guān)于知識(shí)的發(fā)展模式來看，梁永霞等[14]認(rèn)為文獻(xiàn)引用的過程是在前人知識(shí)的基礎(chǔ)上知識(shí)進(jìn)化的過程，是知識(shí)的選擇、遺傳和變異的過程，也是知識(shí)的生產(chǎn)、傳播和應(yīng)用的過程，其認(rèn)為引文分析的過程就是對(duì)知識(shí)流動(dòng)過程和知識(shí)活動(dòng)系統(tǒng)的分析。Yan[15]根據(jù)JCR（Journal Citation Reports）的主題分類，構(gòu)建了主題間的知識(shí)交流網(wǎng)絡(luò)，分析結(jié)果發(fā)現(xiàn)，相對(duì)于自然科學(xué)，社會(huì)科學(xué)與其他學(xué)科交流較少，具有獨(dú)立性特征；Jo 等[16]通過期刊引文網(wǎng)絡(luò)分析了納米學(xué)與技術(shù)領(lǐng)域的學(xué)科結(jié)構(gòu)及其跨學(xué)科特征，利用中介中心性確定了重要期刊，并分析了重要期刊在學(xué)科間知識(shí)流動(dòng)中的作用；Ma 等[17]利用作者引證網(wǎng)絡(luò)研究不同學(xué)科間的知識(shí)交流模式，并提出兩個(gè)定量指標(biāo)對(duì)知識(shí)交流進(jìn)行測(cè)度。張藝蔓等[18]提出將引文內(nèi)容分析與全文本引文分析相結(jié)合的方法，分析知識(shí)流動(dòng)情況，從而探測(cè)出學(xué)科內(nèi)部與學(xué)科間的知識(shí)流動(dòng)趨勢(shì)；宋凱等[19]從文獻(xiàn)引證角度，將知識(shí)轉(zhuǎn)移與知識(shí)轉(zhuǎn)化結(jié)合，利用LDA（latent Dirichlet allocation，LDA） 模型進(jìn)行主題提取，進(jìn)而探討一國(guó)與其他國(guó)家間的知識(shí)流動(dòng)情況；李盈等[20]構(gòu)建醫(yī)學(xué)領(lǐng)域內(nèi)期刊論文間的引文網(wǎng)絡(luò)，通過可視化的引文網(wǎng)絡(luò)表征知識(shí)的創(chuàng)造和傳遞過，利用社會(huì)網(wǎng)絡(luò)分析方法揭示醫(yī)學(xué)領(lǐng)域內(nèi)各個(gè)學(xué)科間的知識(shí)流動(dòng)特點(diǎn)和規(guī)律，為醫(yī)學(xué)信息服務(wù)提供參考。
上述文獻(xiàn)均以引文網(wǎng)絡(luò)為基礎(chǔ)，來探究知識(shí)流動(dòng)的現(xiàn)狀，或是挖掘知識(shí)流動(dòng)的特點(diǎn)與規(guī)律，少有研究基于知識(shí)流動(dòng)視角來實(shí)現(xiàn)未來知識(shí)流動(dòng)的探究。本文在前期研究中，利用三種引文關(guān)系來預(yù)測(cè)學(xué)者間未來可能的顯性交流，可視為從知識(shí)流動(dòng)視角下探究未來交流情況的一種嘗試[21]。但該研究?jī)H停留在作者層面，并未延展到具體的知識(shí)細(xì)粒度層面。
究其根本，基于引文關(guān)聯(lián)的知識(shí)流動(dòng)發(fā)現(xiàn)是一種知識(shí)關(guān)聯(lián)的發(fā)現(xiàn)，鑒于這種知識(shí)關(guān)聯(lián)的有向性，可將其視為一種知識(shí)流動(dòng)的發(fā)現(xiàn)。翟東升等[22]利用專利間的引用關(guān)系，構(gòu)建IPC 引用網(wǎng)絡(luò)表征知識(shí)間的流動(dòng)，以此網(wǎng)絡(luò)為基礎(chǔ)進(jìn)行鏈路預(yù)測(cè)，進(jìn)而實(shí)現(xiàn)技術(shù)關(guān)聯(lián)發(fā)現(xiàn)。李睿[23]從專利對(duì)論文的引用視角出發(fā)，探討了有向知識(shí)關(guān)聯(lián)下的知識(shí)流動(dòng)，揭示了基礎(chǔ)研究學(xué)科與技術(shù)發(fā)明領(lǐng)域之間存在的知識(shí)關(guān)聯(lián)。
在上述文獻(xiàn)中，大多數(shù)文獻(xiàn)是以直引網(wǎng)絡(luò)為基礎(chǔ)，通過知識(shí)流動(dòng)層面來探究知識(shí)關(guān)聯(lián)，預(yù)測(cè)將來可能發(fā)生的知識(shí)流動(dòng)，即潛在知識(shí)流動(dòng)探測(cè)。三維引文關(guān)聯(lián)融合主體間的多重引文關(guān)系，可以更全面真實(shí)地揭示領(lǐng)域內(nèi)的知識(shí)交流與知識(shí)轉(zhuǎn)移現(xiàn)狀，有助于更真實(shí)、準(zhǔn)確地對(duì)潛在知識(shí)流動(dòng)進(jìn)行識(shí)別。因此，本文嘗試基于一種新的研究視角，通過三維引文關(guān)聯(lián)融合下的知識(shí)流動(dòng)網(wǎng)絡(luò)鏈路預(yù)測(cè)，實(shí)現(xiàn)潛在知識(shí)流動(dòng)的發(fā)現(xiàn)與探究。
3 研究方法與工具
3.1 三維引文關(guān)聯(lián)融合
傳統(tǒng)的引文關(guān)聯(lián)有三種，包括直引關(guān)聯(lián)、共被引關(guān)聯(lián)和耦合關(guān)聯(lián)。顯而易見，直引關(guān)聯(lián)是通過施引與被引關(guān)系而建立，表現(xiàn)為文獻(xiàn)之間一種更為直接的引用關(guān)聯(lián)；而共被引關(guān)聯(lián)與耦合關(guān)聯(lián)是通過第三方文獻(xiàn)所建立的較為間接的引用關(guān)聯(lián)。針對(duì)三維引文關(guān)聯(lián)融合，本文參考Persson[11]提出的加權(quán)直接引用理論（weighted direct citations，WDC），將共被引與耦合兩種間接關(guān)聯(lián)通過加權(quán)變換附加到直引關(guān)聯(lián)上，形成一種新型的融合后的引用強(qiáng)度；同時(shí)，進(jìn)一步將共被引和耦合兩種關(guān)聯(lián)結(jié)果進(jìn)行標(biāo)準(zhǔn)化處理再重新加權(quán)，得到標(biāo)準(zhǔn)加權(quán)直接引用結(jié)果（normalized weighted direct citation，NWDC）。加權(quán)直接引用理論具體算法原理如圖1 所示。
圖1 加權(quán)直接引用理論算法原理圖
圖1 中的箭頭方向代表文獻(xiàn)施引的方向，即文獻(xiàn)A 施引于文獻(xiàn)B；m表示文獻(xiàn)C 的被引頻次；n表示文獻(xiàn)D 的施引頻次（即總參考文獻(xiàn)數(shù)）。在圖1所示的引用關(guān)系中，文獻(xiàn)A 引用文獻(xiàn)B 的WDC 值為3，文獻(xiàn)A 引用文獻(xiàn)B 的NWDC 值為(1+1/m+1/n)。
3.2 知識(shí)流動(dòng)網(wǎng)絡(luò)構(gòu)建
鑒于主題是文獻(xiàn)中知識(shí)的直接表征，本文用LDA 主題模型提取文獻(xiàn)中的主題以代表知識(shí)。本文在三維引文關(guān)聯(lián)融合的基礎(chǔ)上，從文獻(xiàn)層面進(jìn)一步提取主題層面，進(jìn)而構(gòu)建三維引文關(guān)聯(lián)視角下的知識(shí)流動(dòng)網(wǎng)絡(luò)。
首先，利用LDA 模型對(duì)文獻(xiàn)集合進(jìn)行主題提取。LDA 模型是“詞-主題-文檔”為層次結(jié)構(gòu)的三層貝葉斯概率模型，該模型具有較好的主題識(shí)別能力，能夠從文本語料庫(kù)中抽取潛在的主題，因此，被廣泛應(yīng)用于科學(xué)文獻(xiàn)的主題發(fā)現(xiàn)。為了確定所抽取的主題的數(shù)量，本文利用困惑度（perplexity）來評(píng)估主題模型對(duì)于待處理數(shù)據(jù)的預(yù)估能力，困惑度值越小，其模型預(yù)估能力越強(qiáng)，代表LDA 對(duì)于主題聚類能力越強(qiáng)[24]，計(jì)算公式為
其中，Dtest是測(cè)試集；wd是文檔d中單詞序列；Nd是文檔d中的單詞數(shù)目。
其次，以三維引文關(guān)聯(lián)網(wǎng)絡(luò)為基礎(chǔ)，根據(jù)LDA模型所提取各文獻(xiàn)所對(duì)應(yīng)的主題，將文獻(xiàn)層面的三維引文關(guān)聯(lián)網(wǎng)絡(luò)映射到主題層面，構(gòu)建領(lǐng)域內(nèi)的知識(shí)流動(dòng)網(wǎng)絡(luò)。知識(shí)流動(dòng)網(wǎng)絡(luò)表征領(lǐng)域內(nèi)各研究主題之間流動(dòng)與轉(zhuǎn)移過程，其作為多知識(shí)融合創(chuàng)新的表征，可從中挖掘特定領(lǐng)域內(nèi)的研究前沿或新興趨勢(shì)。知識(shí)流動(dòng)網(wǎng)絡(luò)原理如圖2 所示。
圖2 中，文獻(xiàn)A 與文獻(xiàn)B 存在三維引文關(guān)聯(lián)，通過LDA 模型抽取到文獻(xiàn)A 的主題數(shù)量為2，抽取到文獻(xiàn)B 的主題數(shù)量為3。從文獻(xiàn)A 到文獻(xiàn)B 的三維引文關(guān)聯(lián)，可映射為6 項(xiàng)知識(shí)流動(dòng)事件，即文獻(xiàn)B 所研究的主題Topic_B1、Topic_B2、Topic_B3 向文獻(xiàn)A所研究的主題Topic_A1、Topic_A2 產(chǎn)生了知識(shí)流動(dòng)。
各文獻(xiàn)內(nèi)主題貢獻(xiàn)度存在差異性，根據(jù)LDA 抽取后所獲得的文檔-主題分布文檔，獲得各文檔下不同主題的概率分布，進(jìn)而實(shí)現(xiàn)文獻(xiàn)中各主題權(quán)重的分配與賦值。值得注意的是，本文中知識(shí)流動(dòng)方向與文獻(xiàn)間的引用方向恰好相反。根據(jù)上述原理，通過文獻(xiàn)間的引用關(guān)系、文獻(xiàn)-主題貢獻(xiàn)分布，將主題對(duì)之間的信息轉(zhuǎn)換為知識(shí)流動(dòng)矩陣，最終轉(zhuǎn)化為具有加權(quán)有向特性的知識(shí)流動(dòng)網(wǎng)絡(luò)。
3.3 基于鏈路預(yù)測(cè)的潛在知識(shí)流動(dòng)發(fā)現(xiàn)
鏈路預(yù)測(cè)方法是通過分析社會(huì)網(wǎng)絡(luò)的拓?fù)涮卣鳎瑏碓u(píng)估網(wǎng)絡(luò)中兩個(gè)節(jié)點(diǎn)之間產(chǎn)生鏈接的可能性，是目前應(yīng)用最為廣泛的一種預(yù)測(cè)節(jié)點(diǎn)間是未來否存在鏈接的方法[25]。在某種程度上來說，潛在知識(shí)流動(dòng)的預(yù)測(cè)就是主題之間的未來鏈接預(yù)測(cè)，本文利用鏈路預(yù)測(cè)方法分析網(wǎng)絡(luò)中的知識(shí)流動(dòng)，即未來可能發(fā)生的知識(shí)流動(dòng)以及知識(shí)流動(dòng)的變化，將基于三維引文關(guān)聯(lián)網(wǎng)絡(luò)所映射出的主題知識(shí)流動(dòng)網(wǎng)絡(luò)進(jìn)行特征分析，預(yù)測(cè)將來節(jié)點(diǎn)間產(chǎn)生鏈接的可能性，挖掘未來可能發(fā)生的新的知識(shí)融合趨勢(shì)與未來演化趨勢(shì)，進(jìn)而預(yù)測(cè)未來的研究熱點(diǎn)或者研究前沿問題。
潛在知識(shí)流動(dòng)存在于滿足以下兩個(gè)假設(shè)的有向主題對(duì)中[22]：①有向主題對(duì)之間目前不存在知識(shí)流動(dòng)；②兩個(gè)主題之間存在產(chǎn)生知識(shí)流動(dòng)（存在鏈接）的可能性。本文采用鏈接預(yù)測(cè)指標(biāo)來衡量有向主題對(duì)之間的發(fā)生鏈接的可能性。
鑒于知識(shí)流動(dòng)網(wǎng)絡(luò)的加權(quán)有向的特性，本文選取了適用于加權(quán)有向網(wǎng)絡(luò)的鏈路預(yù)測(cè)指標(biāo)特征。具體選取指標(biāo)包括加權(quán)有向的共同鄰居（common neighbor，CN）指標(biāo)、加權(quán)有向的admic-adar（AA）指標(biāo)、加權(quán)有向的資源分配（resource allocation，RA）指標(biāo)以及加權(quán)有向的優(yōu)先連接（preferential at‐tachment，PA）指標(biāo)。
（1）加權(quán)有向網(wǎng)絡(luò)的CN 指標(biāo)。無權(quán)無向的共同鄰居指標(biāo)是通過兩個(gè)節(jié)點(diǎn)的共同鄰居數(shù)量來定義兩個(gè)主題的相似性。針對(duì)加權(quán)有向網(wǎng)絡(luò)，計(jì)算公式為
其中，Γ(x)表示與主題x相關(guān)聯(lián)的主題集合；wx→z表示為主題x向主題z流動(dòng)的知識(shí)量（鏈接權(quán)重值）。該指標(biāo)越大，說明主題x未來向主題y產(chǎn)生知識(shí)轉(zhuǎn)移的可能性越大。
（2）加權(quán)有向網(wǎng)絡(luò)的AA 指標(biāo)。該指標(biāo)對(duì)共同鄰居節(jié)點(diǎn)賦予權(quán)重，并且共同鄰居節(jié)點(diǎn)的度越小其貢獻(xiàn)越大，
其中，表示鄰居主題節(jié)點(diǎn)z除去自身強(qiáng)度的度，該指標(biāo)越大，說明主題x未來向主題y產(chǎn)生知識(shí)轉(zhuǎn)移的可能性越大。
（3）加權(quán)有向網(wǎng)絡(luò)的RA 指標(biāo)。受資源分配的啟發(fā)，知識(shí)流動(dòng)網(wǎng)絡(luò)中不存在知識(shí)流動(dòng)的兩個(gè)主題x與y，因此主題x能夠利用其共同鄰居主題z向主題y傳遞知識(shí)資源，主題z在該過程中承擔(dān)傳輸媒介角色。假設(shè)每個(gè)媒介都有一單位的資源平均分配給其鄰居，那么主題y接受的資源數(shù)就是可定義為兩主題的相似度，即
（4）加權(quán)有向網(wǎng)絡(luò)的PA 指標(biāo)。新鏈接連接到主題x與主題y的概率與兩節(jié)點(diǎn)的度乘積成正比，推廣到加權(quán)有向網(wǎng)路，定義為
其中，表示主題x除去自身強(qiáng)度外的點(diǎn)出度；表示主題y除去自身強(qiáng)度外的點(diǎn)入度。
根據(jù)上述鏈路預(yù)測(cè)指標(biāo)特征進(jìn)行機(jī)器學(xué)習(xí)建模，采用機(jī)器學(xué)習(xí)中的集成學(xué)習(xí)方法隨機(jī)森林（random forest，RF）算法構(gòu)造分類器，融合不同的特征。以某時(shí)間切片下網(wǎng)絡(luò)中的各鏈路預(yù)測(cè)為特征，將其下一時(shí)間切片網(wǎng)絡(luò)中是否存在鏈接（0、1表示）作為分類結(jié)果訓(xùn)練模型，挑選出當(dāng)前尚未產(chǎn)生鏈接的有向節(jié)點(diǎn)對(duì)，與訓(xùn)練好的模型相匹配，從而探究出未來可能發(fā)生鏈接的有向知識(shí)節(jié)點(diǎn)對(duì)。
鏈接權(quán)重的預(yù)測(cè)在網(wǎng)絡(luò)預(yù)測(cè)中也占據(jù)十分重要的地位，但是鮮有學(xué)者研究鏈接權(quán)重的預(yù)測(cè)。當(dāng)一對(duì)存在鏈接的有向知識(shí)節(jié)點(diǎn)對(duì)，目前鏈接權(quán)重較低，尚未引起學(xué)者廣泛關(guān)注，未來若鏈接權(quán)重增長(zhǎng)較大，則該有向知識(shí)節(jié)點(diǎn)對(duì)可能在未來成為研究熱點(diǎn)或者研究前沿，并得到廣泛地學(xué)術(shù)認(rèn)可。同樣地，以上述4 個(gè)鏈接預(yù)測(cè)指標(biāo)為特征值，采用隨機(jī)森林構(gòu)造回歸器，以某時(shí)間切片下網(wǎng)絡(luò)中的各鏈路預(yù)測(cè)為特征，并將其下一時(shí)間切片網(wǎng)絡(luò)中鏈接的權(quán)重作為目標(biāo)變量y進(jìn)行回歸模型的訓(xùn)練。將網(wǎng)絡(luò)中所有節(jié)點(diǎn)對(duì)的數(shù)據(jù)與訓(xùn)練好的模型相匹配，研究知識(shí)節(jié)點(diǎn)對(duì)之間的鏈接權(quán)重的變化，實(shí)現(xiàn)鏈接邊權(quán)的預(yù)測(cè)。
4 數(shù)據(jù)獲取與預(yù)處理
基因編輯領(lǐng)域誕生于20 世紀(jì)80 年代初，初期研究人員多見于歐美等地，在近十年，特別是CRISPR/Cas9 技術(shù)問世以來，成為世界性熱點(diǎn)學(xué)科領(lǐng)域。CRISPR/Cas9（clustered regulatory interspaced short palindromic repeats/CRISPR-associated protein 9）是最近發(fā)現(xiàn)的一種新型的基因組定點(diǎn)編輯技術(shù)[26]，這項(xiàng)劃時(shí)代的靶向基因操作技術(shù)，在生物醫(yī)學(xué)、遺傳學(xué)、細(xì)胞學(xué)領(lǐng)域都得到了廣泛關(guān)注。
為了更加全面地獲得整個(gè)基因編輯領(lǐng)域內(nèi)的論文數(shù)據(jù)，本研究選定Web of Science 數(shù)據(jù)庫(kù)，并將檢索年限定于1980—2017 年，以“gene edit* or crispr”為主題在數(shù)據(jù)庫(kù)中檢索共獲得18717 篇文獻(xiàn)，截取article、proceedings paper、review、book review 四類文獻(xiàn)共14943 篇作為本研究的基本數(shù)據(jù)源。數(shù)據(jù)檢索與獲取時(shí)間是2018 年1 月5 日。最終選定被引頻次≥10 的7072 篇文獻(xiàn)為本研究的論文集合。按論文的發(fā)表時(shí)間，對(duì)論文集合時(shí)間切片，分別構(gòu)建發(fā)表年 限 介 于T1 時(shí) 期（1980—2013 年） 與T2 時(shí) 期（2014—2017 年） 的標(biāo)準(zhǔn)加權(quán)直接引用（NWDC）網(wǎng)絡(luò)，形成兩個(gè)時(shí)期持續(xù)變化的引文關(guān)聯(lián)融合網(wǎng)絡(luò)。
為了科學(xué)、規(guī)范地提取基因編輯領(lǐng)域內(nèi)的主題，本研究提取上述7072 篇文獻(xiàn)的標(biāo)題、摘要以及關(guān)鍵詞作為實(shí)驗(yàn)數(shù)據(jù)集，并對(duì)該數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理。利用Python 中提供的分詞工具，實(shí)現(xiàn)分詞、去除停用詞、詞干化等自然語言處理規(guī)范化過程，獲得最終的文本語料庫(kù)。利用LDA 主題模型對(duì)提取的語料庫(kù)進(jìn)行主題提取，主題數(shù)-困惑度的曲線如圖3 所示，當(dāng)主題數(shù)為200 時(shí)，困惑度指標(biāo)達(dá)到最低值；后續(xù)隨著主題數(shù)的增加，困惑度指標(biāo)逐漸升高。因此，本文選取的主題數(shù)目為200。
圖3 主題數(shù)-困惑度折線圖
5 三維引文關(guān)聯(lián)視角下的潛在知識(shí)流動(dòng)發(fā)現(xiàn)
5.1 知識(shí)流動(dòng)網(wǎng)絡(luò)構(gòu)建
在三維引文關(guān)聯(lián)融合分析中，本文采用標(biāo)準(zhǔn)加權(quán)直接引用（NWDC）網(wǎng)絡(luò)來表示文獻(xiàn)層面的多重引文關(guān)聯(lián)；根據(jù)第3.2 節(jié)中構(gòu)建知識(shí)流動(dòng)網(wǎng)絡(luò)的方法，通過文獻(xiàn)到主題的映射，將文獻(xiàn)層面的NWDC網(wǎng)絡(luò)映射到主題層面，最終構(gòu)建出三維引文關(guān)聯(lián)融合視角下的知識(shí)流動(dòng)網(wǎng)絡(luò)（圖4）。本文采用Gephi進(jìn)行可視化分析，為了使得可視化效果更佳清晰，設(shè)置閾值為0.5。在圖4 中，節(jié)點(diǎn)的大小與度中心性成正比，在T1 時(shí)期中，topic60、topic7、topic41 等主題具有較高的度中心性；T2 時(shí)期中，topic47、topic60、topic5 主題具有高的度中心性。這些主題在整個(gè)基因編輯領(lǐng)域內(nèi)的知識(shí)流動(dòng)與傳播過程中占據(jù)著核心地位，是重要的研究關(guān)注點(diǎn)。
圖4 三維引文關(guān)聯(lián)融合視角下的知識(shí)流動(dòng)網(wǎng)絡(luò)
由于知識(shí)流動(dòng)網(wǎng)絡(luò)屬于加權(quán)有向網(wǎng)絡(luò)，因而選取了點(diǎn)入度與點(diǎn)出度作為衡量主題重要程度的兩個(gè)網(wǎng)絡(luò)指標(biāo)。由表1 可知，T1 時(shí)期，topic60（原核生物基因編輯）、topic7（RNA 編輯）和topic41（人類細(xì)胞基因編輯）是較為重要的研究主題；T2 時(shí)期時(shí)，topic47（真核生物基因編輯）、topic5（基因編輯技術(shù)的開發(fā)）和topic76（人類疾病治療技術(shù)）得到了更多學(xué)者的關(guān)注，成為該領(lǐng)域內(nèi)關(guān)注度最高的研究主題。
T1 時(shí)期，最強(qiáng)的知識(shí)流動(dòng)為：topic60（原核生物基因編輯）→topic7（RNA 編輯）、topic7（RNA編輯）→topic195（植物基因編輯）、topic195（植物基因編輯）→topic8（植物物種研究）；T2 時(shí)期，最強(qiáng)的知識(shí)流動(dòng)為：topic60（原核生物基因編輯）→topic5（基因編輯技術(shù)的開發(fā)）、topic5（基因編輯技術(shù)的開發(fā)） →topic47（真核生物基因編輯）、topic47（真核生物基因編輯）→topic5（基因編輯技術(shù)的開發(fā)）、topic47（真核生物基因編輯）→top‐ic76（人類疾病治療技術(shù)）、topic60（原核生物基因編輯）→topic76（人類疾病治療技術(shù)）。
表1 知識(shí)流動(dòng)網(wǎng)絡(luò)的點(diǎn)入度與點(diǎn)出度
5.2 鏈路預(yù)測(cè)模型訓(xùn)練
5.2.1 潛在知識(shí)流動(dòng)發(fā)現(xiàn)預(yù)測(cè)模型訓(xùn)練
對(duì)T1 時(shí)期的知識(shí)流動(dòng)網(wǎng)絡(luò)，針對(duì)每一組有向主題對(duì)，計(jì)算相對(duì)應(yīng)的鏈路預(yù)測(cè)指標(biāo)作為特征值x；并以T2 時(shí)期所對(duì)應(yīng)的分類數(shù)據(jù)（有連接為1、無連接為0）作為目標(biāo)變量y值。將上述數(shù)據(jù)輸入到多個(gè)分類器中進(jìn)行訓(xùn)練，以期找到最合適的分類器模型。
為了檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確度，本研究采用“留出法”劃分?jǐn)?shù)據(jù)集，隨機(jī)選取80%的數(shù)據(jù)作為訓(xùn)練集，其余20%數(shù)據(jù)作為測(cè)試集。針對(duì)各分類器模型，本研究經(jīng)過參數(shù)調(diào)整得到了該模型下的最優(yōu)結(jié)果。表2 為訓(xùn)練好的各分類器算法基于測(cè)試數(shù)據(jù)集的評(píng)價(jià)指標(biāo)：準(zhǔn)確率（accuracy）、精確率（preci‐sion）、召回率（recall）與F1 分?jǐn)?shù)（F1-score）。
表2 各分類器評(píng)價(jià)結(jié)果
隨機(jī)森林屬于機(jī)器學(xué)習(xí)中的集成學(xué)習(xí)方法，通過集成學(xué)習(xí)的思想把多棵決策樹集成一種算法，并且其輸出的類別是由個(gè)別決策樹輸出的類別的眾數(shù)而定。由表2 可知，隨機(jī)森林算法在各分類器算法中表現(xiàn)最優(yōu)，識(shí)別準(zhǔn)確率高達(dá)85%，這也證明了隨機(jī)森林算法的優(yōu)越性。因此，本文采用隨機(jī)森林算法進(jìn)行基因編輯領(lǐng)域中的潛在知識(shí)流動(dòng)發(fā)現(xiàn)。
5.2.2 潛在知識(shí)流動(dòng)權(quán)重預(yù)測(cè)模型訓(xùn)練
針對(duì)知識(shí)流動(dòng)權(quán)重的預(yù)測(cè)，本研究利用T1 時(shí)期的知識(shí)流動(dòng)網(wǎng)絡(luò)，計(jì)算各組有向主題對(duì)的鏈路預(yù)測(cè)指標(biāo)；并且以T2 時(shí)期所對(duì)應(yīng)的鏈接邊的權(quán)重作為目標(biāo)變量y值。同樣地，采取“留出法”，隨機(jī)抽取80%樣本數(shù)據(jù)作為訓(xùn)練集，其余20%為測(cè)試集數(shù)據(jù)。如表3 所示，針對(duì)各個(gè)回歸模型的性能評(píng)估，分別選取了均方誤差（MSE）、平均絕對(duì)誤差（MAE） 以及決定系數(shù)（R2） 評(píng)價(jià)各模型的好壞。通過對(duì)各個(gè)模型評(píng)價(jià)指標(biāo)對(duì)比分析，本研究發(fā)現(xiàn)基于隨機(jī)森林算法構(gòu)建的回歸模型效果最佳，MSE 與MAE 指標(biāo)均為最小值，且R2值最大值，為0.784。因此，本文采用基于隨機(jī)森林算法的回歸模型，對(duì)基因編輯領(lǐng)域內(nèi)的知識(shí)流動(dòng)權(quán)重進(jìn)行預(yù)測(cè)。
表3 各回歸器評(píng)價(jià)結(jié)果
5.3 潛在知識(shí)流動(dòng)發(fā)現(xiàn)
本研究基于上述訓(xùn)練好的模型，以T2 時(shí)期中未存在知識(shí)流動(dòng)的主題對(duì)鏈路預(yù)測(cè)指標(biāo)為輸入特征，進(jìn)行結(jié)果預(yù)測(cè)分析，采用Scikit-learn[27]進(jìn)行分類器學(xué)習(xí)訓(xùn)練，參數(shù)feature_importances_表征了各特征值的重要程度，作為各特征值的參考權(quán)重。本研究將各特征值與對(duì)應(yīng)權(quán)重加權(quán)求和得到綜合指標(biāo)，即表征知識(shí)流動(dòng)出現(xiàn)可能性。按照綜合指標(biāo)值的大小倒序排序，最有可能在未來發(fā)生鏈接的Top 10 主題對(duì)，如表4 所示。
表4 潛在知識(shí)流動(dòng)發(fā)現(xiàn)
從表4 可知，“免疫細(xì)胞治療→原核生物基因編輯”這項(xiàng)主題對(duì)之間的知識(shí)流動(dòng)在未來最可能發(fā)生；“原核生物基因編輯→癌細(xì)胞基因編輯”“真核生物基因編輯→癌細(xì)胞基因編輯”“基因編輯技術(shù)的開發(fā)→癌細(xì)胞基因編輯”和“原核生物基因編輯→人類蛋白質(zhì)組計(jì)劃”等主題對(duì)之間在未來同樣存在知識(shí)流動(dòng)的可能性。目前，有學(xué)者表示，CAR T 細(xì)胞免疫療法與基因編輯技術(shù)的組合仍是個(gè)前景絕佳的研究領(lǐng)域[28]，兩者的結(jié)合可看作精準(zhǔn)醫(yī)療和干細(xì)胞治療行業(yè)的完美結(jié)合[29]。免疫細(xì)胞治療向基因編輯技術(shù)的引入，推動(dòng)基因編輯技術(shù)真正從研發(fā)走向臨床。同時(shí)，隨著基因編輯技術(shù)研究熱度的迅速提升與拓展，基因編輯技術(shù)在疾病基因治療中探索發(fā)展，為腫瘤等多種重大疾病的治療提供了新的治療路徑。
5.4 潛在知識(shí)流動(dòng)權(quán)重預(yù)測(cè)
針對(duì)潛在知識(shí)流動(dòng)權(quán)重的預(yù)測(cè)，本文關(guān)注于目前網(wǎng)絡(luò)中已存在鏈接權(quán)重的預(yù)測(cè)?；谏鲜鲇?xùn)練好的權(quán)重預(yù)測(cè)模型，以T2 時(shí)期中存在知識(shí)流動(dòng)主題對(duì)的鏈路預(yù)測(cè)指標(biāo)為輸入特征，進(jìn)行結(jié)果預(yù)測(cè)分析，并計(jì)算預(yù)測(cè)權(quán)重與T2 時(shí)期實(shí)際權(quán)重的差值，即權(quán)重差值=預(yù)測(cè)權(quán)重-T2 時(shí)期權(quán)重。根據(jù)權(quán)重差值進(jìn)行倒序排列，取權(quán)重差值最大的Top 10 主題對(duì)為未來具有發(fā)展?jié)摿Φ闹黝}組合（表5），取權(quán)重差值最小的Top 10 主題對(duì)作為未來知識(shí)流動(dòng)將會(huì)消失的主題組合（表6）。
表5 未來熱點(diǎn)研究主題（未來研究前沿）
表6 未來消失的知識(shí)流動(dòng)
由表5 可知，第一，“基因編輯技術(shù)的開發(fā)→人類細(xì)胞基因編輯”“真核生物基因編輯→人類細(xì)胞基因編輯”與“原核生物基因編輯→人類細(xì)胞基因編輯”三組涉及“人類細(xì)胞基因編輯”的主題對(duì)融合事件將在未來成為領(lǐng)域內(nèi)的研究熱點(diǎn)，傳統(tǒng)的基因編輯技術(shù)將有效助力人類細(xì)胞基因編輯的發(fā)展，尤其是關(guān)于基因編輯技術(shù)在人類疾病方面中的探索發(fā)展[30]；第二，“真核生物基因編輯→病原菌研究”與“原核生物基因編輯→HIV 病毒研究”主要涉及基因編輯技術(shù)在病原菌、病毒等生命科學(xué)基礎(chǔ)研究領(lǐng)域的拓展應(yīng)用；第三，“原核生物基因編輯→植物基因編輯”“真核生物基因編輯→RNA 編輯”主要針對(duì)基因編輯技術(shù)本身的發(fā)展，持續(xù)衍生并產(chǎn)品化開發(fā)了更為精準(zhǔn)、高效、低成本的基因編輯技術(shù)?？傮w而言，未來研究熱點(diǎn)主要集中于基因編輯理論研究本身到其他方面的拓展。
在表6 中，“人類細(xì)胞基因編輯?RNA 和小RNA”“RNA 編輯?植物基因編輯”兩組主題組合之間在T2 時(shí)期具有較強(qiáng)的知識(shí)流動(dòng)鏈接，視為未來最可能消失的主題節(jié)點(diǎn)對(duì)。“基因編輯應(yīng)用醫(yī)學(xué)治療→干細(xì)胞相關(guān)研究”“病毒相關(guān)研究→基因編輯應(yīng)用醫(yī)學(xué)治療”等主題對(duì)之間的知識(shí)流動(dòng)在未來同樣可能會(huì)消失。
由表5 和表6 可知，未來研究者針對(duì)RNA 基因編輯與植物基因編輯的關(guān)注度將會(huì)較少，而更關(guān)注于基因編輯在人類疾病治療與防護(hù)方面的應(yīng)用。
6 結(jié) 論
直引-共被引-耦合三維引文關(guān)聯(lián)網(wǎng)絡(luò)所映射出的知識(shí)流動(dòng)網(wǎng)絡(luò)，全面揭示目前領(lǐng)域內(nèi)的知識(shí)交流與知識(shí)轉(zhuǎn)移的現(xiàn)狀，但科研工作者與科研管理機(jī)構(gòu)人員對(duì)未來可能出現(xiàn)的知識(shí)流動(dòng)更感興趣。當(dāng)一個(gè)主題內(nèi)的知識(shí)轉(zhuǎn)移到其他主題時(shí)，會(huì)內(nèi)化為新的知識(shí)，加以創(chuàng)新模式的轉(zhuǎn)換，形成領(lǐng)域內(nèi)的研究熱點(diǎn)或研究前沿。因此，本文提出了一種三維引文關(guān)聯(lián)融合視角下未來潛在知識(shí)流動(dòng)預(yù)測(cè)的框架，主要包括三個(gè)步驟：第一，根據(jù)文獻(xiàn)之間的引用關(guān)系，基于標(biāo)準(zhǔn)加權(quán)直接引用（NWDC）理論并通過LDA 主題模型提取主題，構(gòu)建三維引文關(guān)聯(lián)融合視角下的知識(shí)流動(dòng)網(wǎng)絡(luò)；第二，計(jì)算網(wǎng)絡(luò)中主題對(duì)的鏈路預(yù)測(cè)指標(biāo)作為特征值，分別使用隨機(jī)森林分類器與回歸器對(duì)特征值進(jìn)行訓(xùn)練，獲得未來鏈接預(yù)測(cè)模型與未來邊權(quán)預(yù)測(cè)模型；第三，基于基因編輯領(lǐng)域的實(shí)證研究，預(yù)測(cè)該領(lǐng)域內(nèi)未來可能出現(xiàn)的研究熱點(diǎn)或者研究前沿問題，以及未來具有發(fā)展?jié)摿Φ难芯恐黝}。
采用預(yù)測(cè)潛在知識(shí)流動(dòng)的思路，本研究發(fā)現(xiàn)了一些未來可能出現(xiàn)的知識(shí)流動(dòng)。通過專家評(píng)審的定性分析方法，確認(rèn)預(yù)測(cè)結(jié)果中潛在知識(shí)流動(dòng)的發(fā)現(xiàn)與實(shí)際領(lǐng)域情況相吻合[31]，可視為基因編輯領(lǐng)域內(nèi)的研究前沿與熱點(diǎn)問題，主要集中在三個(gè)方面：①基因編輯技術(shù)在免疫細(xì)胞、病毒細(xì)胞等生命科學(xué)基礎(chǔ)研究領(lǐng)域的拓展應(yīng)用；②基因編輯技術(shù)本身的發(fā)展，為持續(xù)衍生并開發(fā)出更精準(zhǔn)、高效的基因編輯技術(shù)；③基因編輯技術(shù)在疾病基因治療中探索發(fā)展，為腫瘤等多種重大疾病提供新的治療途徑。因此，基因編輯領(lǐng)域內(nèi)的研究方向展現(xiàn)出了“宏觀基礎(chǔ)研究→細(xì)粒度基礎(chǔ)研究→臨床治療”的發(fā)展態(tài)勢(shì)，未來一系列知識(shí)流動(dòng)的產(chǎn)生將會(huì)真正推動(dòng)CRISPR 技術(shù)從研發(fā)邁向臨床。
基因編輯領(lǐng)域內(nèi)的實(shí)證研究，進(jìn)一步印證了本文中三維引文關(guān)聯(lián)融合視角下探究潛在知識(shí)流動(dòng)的可行性與有效性。知識(shí)流動(dòng)預(yù)測(cè)中的隨機(jī)森林算法，無論是分類器還是回歸器，兩種預(yù)測(cè)層面都表現(xiàn)出了最優(yōu)的評(píng)價(jià)結(jié)果。分類器用于預(yù)測(cè)目前尚未存在、在未來極有可能出現(xiàn)的知識(shí)流動(dòng)；而回歸器主要用于預(yù)測(cè)目前鏈接權(quán)重較低的，尚未引起廣泛關(guān)注、但在未來具有較高鏈接權(quán)重的知識(shí)流動(dòng)。這兩種預(yù)測(cè)層面綜合互補(bǔ)，從不同角度探究學(xué)術(shù)領(lǐng)域內(nèi)的潛在知識(shí)流動(dòng)與未來研究的熱點(diǎn)。同時(shí)，本研究中也存在遺憾之處，例如，在為L(zhǎng)DA 主題模型中所提取的各主題確認(rèn)主題名稱時(shí)，借鑒了專家的評(píng)審意見，這種定性分析方法，無法避免主觀判斷所造成的可操縱性與不確定性。在未來研究中，將努力探索是否存在定量分析方法確認(rèn)各主題名稱，以期采用定性與定量分析相結(jié)合的方法，更精準(zhǔn)有效地實(shí)現(xiàn)主題名稱的定位。
猜你喜歡
FMS與YBT相關(guān)性的實(shí)證研究體育科技文獻(xiàn)通報(bào)(2022年3期)2022-05-23 13:46:54 不懼于新，不困于形——一道函數(shù)“關(guān)聯(lián)”題的剖析與拓展新世紀(jì)智能(數(shù)學(xué)備考)(2021年9期)2021-11-24 01:14:30 “苦”的關(guān)聯(lián)當(dāng)代陜西(2021年17期)2021-11-06 03:21:36 2020年國(guó)內(nèi)翻譯研究述評(píng)天津外國(guó)語大學(xué)學(xué)報(bào)(2021年3期)2021-08-13 08:32:18 遼代千人邑研究述論遼金歷史與考古(2021年0期)2021-07-29 01:06:54 視錯(cuò)覺在平面設(shè)計(jì)中的應(yīng)用與研究科技傳播(2019年22期)2020-01-14 03:06:54 “一帶一路”遞進(jìn)，關(guān)聯(lián)民生更緊當(dāng)代陜西(2019年15期)2019-09-02 01:52:00 EMA伺服控制系統(tǒng)研究民用飛機(jī)設(shè)計(jì)與研究(2019年4期)2019-05-21 07:21:24 奇趣搭配學(xué)苑創(chuàng)造·A版(2018年11期)2018-02-01 06:29:20 新版C-NCAP側(cè)面碰撞假人損傷研究汽車工程學(xué)報(bào)(2017年2期)2017-07-05 08:13:02
王菲菲，王筱涵，徐 碩，蘆婉昭，宋艷輝
（1. 北京工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院，北京 100124；2. 杭州電子科技大學(xué)管理學(xué)院，杭州 310018）
1 引 言
隨著知識(shí)經(jīng)濟(jì)時(shí)代的到來，知識(shí)的價(jià)值被逐漸挖掘出來。同時(shí)，知識(shí)流動(dòng)的活力凸顯，在知識(shí)創(chuàng)新和科學(xué)發(fā)展方面發(fā)揮著不可替代的作用[1]。作為技術(shù)創(chuàng)新的基礎(chǔ)，知識(shí)創(chuàng)新是經(jīng)濟(jì)增長(zhǎng)與科技進(jìn)步的動(dòng)力源泉。知識(shí)流動(dòng)是知識(shí)創(chuàng)新的必要條件，當(dāng)創(chuàng)新主體中的知識(shí)轉(zhuǎn)移（流動(dòng)）到其他創(chuàng)新主體時(shí)，通過融合、內(nèi)化、創(chuàng)新等形式又轉(zhuǎn)化為新的知識(shí)，從而激發(fā)知識(shí)創(chuàng)新的產(chǎn)生[2]。
潛在知識(shí)流動(dòng)，又稱未來知識(shí)流動(dòng)，是指目前尚未產(chǎn)生，但在未來很有可能發(fā)生的知識(shí)流動(dòng)，可用于揭示學(xué)術(shù)領(lǐng)域內(nèi)未來的知識(shí)創(chuàng)新。通過對(duì)已有的知識(shí)流動(dòng)進(jìn)行分析，推測(cè)出可能發(fā)生的創(chuàng)新方向，即探測(cè)潛在知識(shí)流動(dòng)。潛在知識(shí)流動(dòng)探測(cè)有助于科研工作人員追蹤研究前沿與新興研究趨勢(shì)，為研究人員選擇研究方向提供參考。
科學(xué)文獻(xiàn)作為學(xué)術(shù)界最為普遍的知識(shí)載體，在學(xué)術(shù)生態(tài)圈中充當(dāng)著學(xué)術(shù)媒介的角色。文獻(xiàn)間的引證關(guān)系，本質(zhì)上揭示的是知識(shí)流動(dòng)與知識(shí)轉(zhuǎn)移的過程[3]。被引方通過科技文獻(xiàn)，將自身的知識(shí)進(jìn)行傳播，同時(shí)所傳播的知識(shí)被引用方接受與吸收。施引方和被引方構(gòu)成知識(shí)流動(dòng)的線段，此線段的載體為科技文獻(xiàn)。這種領(lǐng)域內(nèi)知識(shí)的交叉融合有利于激發(fā)和啟迪開拓思維，促使重大科學(xué)創(chuàng)新的產(chǎn)生[4]。目前，關(guān)于知識(shí)流動(dòng)的研究大多數(shù)是以引文網(wǎng)絡(luò)為基礎(chǔ)展開的，且多集中于直引網(wǎng)絡(luò)，在此基礎(chǔ)上抽取到知識(shí)（主題）層面，構(gòu)建知識(shí)流動(dòng)網(wǎng)絡(luò)。實(shí)際上，除了直引這種最為基本的引文關(guān)聯(lián)外，共被引和耦合也是非常具有分析價(jià)值的兩種典型引證關(guān)系。兩者均是通過第三方文獻(xiàn)的直引關(guān)系所建立的間接關(guān)聯(lián)，而這種間接關(guān)聯(lián)的存在會(huì)進(jìn)一步強(qiáng)化原有的直引關(guān)聯(lián)強(qiáng)度，這也成為三種引文關(guān)聯(lián)融合的一項(xiàng)充分條件。此外，Morris 等[5]曾用一張盲人摸象圖比喻從單一特征或關(guān)系來揭示領(lǐng)域內(nèi)科學(xué)知識(shí)結(jié)構(gòu)的片面性與局限性，形象地反映出單一分析維度對(duì)科學(xué)知識(shí)領(lǐng)域體系解釋不夠全面的問題，這也成為多重引文關(guān)聯(lián)融合應(yīng)用的一項(xiàng)必要條件。在這種背景下，本文的研究議題應(yīng)運(yùn)而生，旨在對(duì)直引-共被引-耦合三維引文關(guān)聯(lián)網(wǎng)絡(luò)進(jìn)行融合的基礎(chǔ)上，映射到主題層面構(gòu)建知識(shí)流動(dòng)網(wǎng)絡(luò)，進(jìn)行預(yù)測(cè)分析，挖掘領(lǐng)域內(nèi)潛在知識(shí)流動(dòng)，進(jìn)而探測(cè)領(lǐng)域內(nèi)的研究前沿或新興趨勢(shì)。
2 相關(guān)研究概述
2.1 三維引文關(guān)聯(lián)融合
在文獻(xiàn)中，主題是知識(shí)的直接表征。文獻(xiàn)之間的引證關(guān)系本質(zhì)上揭示的是知識(shí)之間的流動(dòng)與轉(zhuǎn)移，因而在刻畫知識(shí)流動(dòng)網(wǎng)絡(luò)方面具有較為廣泛的應(yīng)用。文獻(xiàn)間傳統(tǒng)的引證關(guān)系主要包括：直引關(guān)系、共被引關(guān)系以及耦合關(guān)系。其中，直引關(guān)系作為最直接的一種引文關(guān)聯(lián)方式，最能刻畫領(lǐng)域內(nèi)的知識(shí)流動(dòng)現(xiàn)狀。Shibata 等[6]研究表明，相比共被引與文獻(xiàn)耦合網(wǎng)絡(luò)而言，對(duì)直引網(wǎng)絡(luò)分析作為引文分析中最為直接的關(guān)聯(lián)挖掘方式，其在探測(cè)領(lǐng)域內(nèi)的研究現(xiàn)狀、挖掘知識(shí)交流情況等諸多方面的應(yīng)用中具有最佳的表現(xiàn)。目前，已有的關(guān)于知識(shí)流動(dòng)的研究多是以引文網(wǎng)絡(luò)為基礎(chǔ)，且多集中于直引網(wǎng)絡(luò)[7-8]。直引分析固然重要，但是另兩種引文關(guān)聯(lián)方式同樣也不可忽視，它們亦可作為直引網(wǎng)絡(luò)在領(lǐng)域內(nèi)實(shí)現(xiàn)更全面的關(guān)聯(lián)發(fā)現(xiàn)中的有益補(bǔ)充[9]。三種引文關(guān)聯(lián)在刻畫領(lǐng)域研究現(xiàn)狀各有側(cè)重，單一引文關(guān)聯(lián)不足以涵蓋科學(xué)研究領(lǐng)域的全貌，不能反映真實(shí)的知識(shí)交流情況。相關(guān)研究表明[10]，不同學(xué)術(shù)網(wǎng)絡(luò)所揭示的學(xué)科知識(shí)結(jié)構(gòu)及未來演化情況側(cè)重于不同的方面，多重引文關(guān)聯(lián)的融合將更全面地揭示領(lǐng)域內(nèi)科學(xué)知識(shí)結(jié)構(gòu)與研究現(xiàn)狀。
鑒于上述現(xiàn)狀，本研究嘗試對(duì)三種不同的引文方式進(jìn)行適度融合，進(jìn)而實(shí)現(xiàn)更加全面的、真實(shí)的知識(shí)流動(dòng)探測(cè)分析。迄今為止，有些學(xué)者提出了具體的思路來實(shí)現(xiàn)不同的引用關(guān)系的融合，最具代表性的是由Persson[11]提出的研究思路，其研究是基于一種被普遍認(rèn)同的假設(shè)：如果兩篇論文引用了相同的文獻(xiàn)或者被相同的文獻(xiàn)所引用，那么兩者原本存在的直引關(guān)聯(lián)將會(huì)被進(jìn)一步增強(qiáng)[12]。Persson[11]的研究表明，在文獻(xiàn)層面將共被引與耦合兩種關(guān)聯(lián)強(qiáng)度進(jìn)行加權(quán)處理，進(jìn)一步作為直引強(qiáng)度的附加，能夠更好地實(shí)現(xiàn)領(lǐng)域內(nèi)知識(shí)關(guān)聯(lián)的探測(cè)。除此之外，在研究對(duì)象的價(jià)值計(jì)量研究中，引文網(wǎng)絡(luò)融合的趨勢(shì)較為明顯，且已經(jīng)在科學(xué)文獻(xiàn)或?qū)＠夹g(shù)的價(jià)值測(cè)度中均有一定的應(yīng)用[13]。鑒于此，本文旨在從三維引文關(guān)聯(lián)的文獻(xiàn)層面，進(jìn)一步抽取到主題層面，即構(gòu)建三維引文關(guān)聯(lián)下知識(shí)流動(dòng)網(wǎng)絡(luò)（主題關(guān)聯(lián)網(wǎng)絡(luò)），實(shí)現(xiàn)主題間更加全面的知識(shí)流動(dòng)（引文關(guān)聯(lián)）的識(shí)別。
2.2 潛在知識(shí)流動(dòng)發(fā)現(xiàn)
潛在知識(shí)流動(dòng)通過對(duì)現(xiàn)有知識(shí)流動(dòng)網(wǎng)絡(luò)進(jìn)行分析推導(dǎo)，預(yù)測(cè)將來有可能發(fā)生的創(chuàng)新知識(shí)。多數(shù)研究通過對(duì)引文網(wǎng)絡(luò)進(jìn)行分析，知識(shí)流動(dòng)方向與引用方向相反。潛在知識(shí)流動(dòng)，即運(yùn)用此種分析方式進(jìn)行推測(cè)，將現(xiàn)有知識(shí)流動(dòng)網(wǎng)絡(luò)整合，預(yù)測(cè)出新的知識(shí)節(jié)點(diǎn)關(guān)聯(lián)。
引文分析中的引證關(guān)系本質(zhì)上揭示的是知識(shí)之間的流動(dòng)與轉(zhuǎn)移，當(dāng)一個(gè)主題中的知識(shí)轉(zhuǎn)移到其他主題，通過融合、內(nèi)化、創(chuàng)新等形式又轉(zhuǎn)化為新的知識(shí)。從知識(shí)論關(guān)于知識(shí)的發(fā)展模式來看，梁永霞等[14]認(rèn)為文獻(xiàn)引用的過程是在前人知識(shí)的基礎(chǔ)上知識(shí)進(jìn)化的過程，是知識(shí)的選擇、遺傳和變異的過程，也是知識(shí)的生產(chǎn)、傳播和應(yīng)用的過程，其認(rèn)為引文分析的過程就是對(duì)知識(shí)流動(dòng)過程和知識(shí)活動(dòng)系統(tǒng)的分析。Yan[15]根據(jù)JCR（Journal Citation Reports）的主題分類，構(gòu)建了主題間的知識(shí)交流網(wǎng)絡(luò)，分析結(jié)果發(fā)現(xiàn)，相對(duì)于自然科學(xué)，社會(huì)科學(xué)與其他學(xué)科交流較少，具有獨(dú)立性特征；Jo 等[16]通過期刊引文網(wǎng)絡(luò)分析了納米學(xué)與技術(shù)領(lǐng)域的學(xué)科結(jié)構(gòu)及其跨學(xué)科特征，利用中介中心性確定了重要期刊，并分析了重要期刊在學(xué)科間知識(shí)流動(dòng)中的作用；Ma 等[17]利用作者引證網(wǎng)絡(luò)研究不同學(xué)科間的知識(shí)交流模式，并提出兩個(gè)定量指標(biāo)對(duì)知識(shí)交流進(jìn)行測(cè)度。張藝蔓等[18]提出將引文內(nèi)容分析與全文本引文分析相結(jié)合的方法，分析知識(shí)流動(dòng)情況，從而探測(cè)出學(xué)科內(nèi)部與學(xué)科間的知識(shí)流動(dòng)趨勢(shì)；宋凱等[19]從文獻(xiàn)引證角度，將知識(shí)轉(zhuǎn)移與知識(shí)轉(zhuǎn)化結(jié)合，利用LDA（latent Dirichlet allocation，LDA） 模型進(jìn)行主題提取，進(jìn)而探討一國(guó)與其他國(guó)家間的知識(shí)流動(dòng)情況；李盈等[20]構(gòu)建醫(yī)學(xué)領(lǐng)域內(nèi)期刊論文間的引文網(wǎng)絡(luò)，通過可視化的引文網(wǎng)絡(luò)表征知識(shí)的創(chuàng)造和傳遞過，利用社會(huì)網(wǎng)絡(luò)分析方法揭示醫(yī)學(xué)領(lǐng)域內(nèi)各個(gè)學(xué)科間的知識(shí)流動(dòng)特點(diǎn)和規(guī)律，為醫(yī)學(xué)信息服務(wù)提供參考。
上述文獻(xiàn)均以引文網(wǎng)絡(luò)為基礎(chǔ)，來探究知識(shí)流動(dòng)的現(xiàn)狀，或是挖掘知識(shí)流動(dòng)的特點(diǎn)與規(guī)律，少有研究基于知識(shí)流動(dòng)視角來實(shí)現(xiàn)未來知識(shí)流動(dòng)的探究。本文在前期研究中，利用三種引文關(guān)系來預(yù)測(cè)學(xué)者間未來可能的顯性交流，可視為從知識(shí)流動(dòng)視角下探究未來交流情況的一種嘗試[21]。但該研究?jī)H停留在作者層面，并未延展到具體的知識(shí)細(xì)粒度層面。
究其根本，基于引文關(guān)聯(lián)的知識(shí)流動(dòng)發(fā)現(xiàn)是一種知識(shí)關(guān)聯(lián)的發(fā)現(xiàn)，鑒于這種知識(shí)關(guān)聯(lián)的有向性，可將其視為一種知識(shí)流動(dòng)的發(fā)現(xiàn)。翟東升等[22]利用專利間的引用關(guān)系，構(gòu)建IPC 引用網(wǎng)絡(luò)表征知識(shí)間的流動(dòng)，以此網(wǎng)絡(luò)為基礎(chǔ)進(jìn)行鏈路預(yù)測(cè)，進(jìn)而實(shí)現(xiàn)技術(shù)關(guān)聯(lián)發(fā)現(xiàn)。李睿[23]從專利對(duì)論文的引用視角出發(fā)，探討了有向知識(shí)關(guān)聯(lián)下的知識(shí)流動(dòng)，揭示了基礎(chǔ)研究學(xué)科與技術(shù)發(fā)明領(lǐng)域之間存在的知識(shí)關(guān)聯(lián)。
在上述文獻(xiàn)中，大多數(shù)文獻(xiàn)是以直引網(wǎng)絡(luò)為基礎(chǔ)，通過知識(shí)流動(dòng)層面來探究知識(shí)關(guān)聯(lián)，預(yù)測(cè)將來可能發(fā)生的知識(shí)流動(dòng)，即潛在知識(shí)流動(dòng)探測(cè)。三維引文關(guān)聯(lián)融合主體間的多重引文關(guān)系，可以更全面真實(shí)地揭示領(lǐng)域內(nèi)的知識(shí)交流與知識(shí)轉(zhuǎn)移現(xiàn)狀，有助于更真實(shí)、準(zhǔn)確地對(duì)潛在知識(shí)流動(dòng)進(jìn)行識(shí)別。因此，本文嘗試基于一種新的研究視角，通過三維引文關(guān)聯(lián)融合下的知識(shí)流動(dòng)網(wǎng)絡(luò)鏈路預(yù)測(cè)，實(shí)現(xiàn)潛在知識(shí)流動(dòng)的發(fā)現(xiàn)與探究。
3 研究方法與工具
3.1 三維引文關(guān)聯(lián)融合
傳統(tǒng)的引文關(guān)聯(lián)有三種，包括直引關(guān)聯(lián)、共被引關(guān)聯(lián)和耦合關(guān)聯(lián)。顯而易見，直引關(guān)聯(lián)是通過施引與被引關(guān)系而建立，表現(xiàn)為文獻(xiàn)之間一種更為直接的引用關(guān)聯(lián)；而共被引關(guān)聯(lián)與耦合關(guān)聯(lián)是通過第三方文獻(xiàn)所建立的較為間接的引用關(guān)聯(lián)。針對(duì)三維引文關(guān)聯(lián)融合，本文參考Persson[11]提出的加權(quán)直接引用理論（weighted direct citations，WDC），將共被引與耦合兩種間接關(guān)聯(lián)通過加權(quán)變換附加到直引關(guān)聯(lián)上，形成一種新型的融合后的引用強(qiáng)度；同時(shí)，進(jìn)一步將共被引和耦合兩種關(guān)聯(lián)結(jié)果進(jìn)行標(biāo)準(zhǔn)化處理再重新加權(quán)，得到標(biāo)準(zhǔn)加權(quán)直接引用結(jié)果（normalized weighted direct citation，NWDC）。加權(quán)直接引用理論具體算法原理如圖1 所示。
圖1 加權(quán)直接引用理論算法原理圖
圖1 中的箭頭方向代表文獻(xiàn)施引的方向，即文獻(xiàn)A 施引于文獻(xiàn)B；m表示文獻(xiàn)C 的被引頻次；n表示文獻(xiàn)D 的施引頻次（即總參考文獻(xiàn)數(shù)）。在圖1所示的引用關(guān)系中，文獻(xiàn)A 引用文獻(xiàn)B 的WDC 值為3，文獻(xiàn)A 引用文獻(xiàn)B 的NWDC 值為(1+1/m+1/n)。
3.2 知識(shí)流動(dòng)網(wǎng)絡(luò)構(gòu)建
鑒于主題是文獻(xiàn)中知識(shí)的直接表征，本文用LDA 主題模型提取文獻(xiàn)中的主題以代表知識(shí)。本文在三維引文關(guān)聯(lián)融合的基礎(chǔ)上，從文獻(xiàn)層面進(jìn)一步提取主題層面，進(jìn)而構(gòu)建三維引文關(guān)聯(lián)視角下的知識(shí)流動(dòng)網(wǎng)絡(luò)。
首先，利用LDA 模型對(duì)文獻(xiàn)集合進(jìn)行主題提取。LDA 模型是“詞-主題-文檔”為層次結(jié)構(gòu)的三層貝葉斯概率模型，該模型具有較好的主題識(shí)別能力，能夠從文本語料庫(kù)中抽取潛在的主題，因此，被廣泛應(yīng)用于科學(xué)文獻(xiàn)的主題發(fā)現(xiàn)。為了確定所抽取的主題的數(shù)量，本文利用困惑度（perplexity）來評(píng)估主題模型對(duì)于待處理數(shù)據(jù)的預(yù)估能力，困惑度值越小，其模型預(yù)估能力越強(qiáng)，代表LDA 對(duì)于主題聚類能力越強(qiáng)[24]，計(jì)算公式為
其中，Dtest是測(cè)試集；wd是文檔d中單詞序列；Nd是文檔d中的單詞數(shù)目。
其次，以三維引文關(guān)聯(lián)網(wǎng)絡(luò)為基礎(chǔ)，根據(jù)LDA模型所提取各文獻(xiàn)所對(duì)應(yīng)的主題，將文獻(xiàn)層面的三維引文關(guān)聯(lián)網(wǎng)絡(luò)映射到主題層面，構(gòu)建領(lǐng)域內(nèi)的知識(shí)流動(dòng)網(wǎng)絡(luò)。知識(shí)流動(dòng)網(wǎng)絡(luò)表征領(lǐng)域內(nèi)各研究主題之間流動(dòng)與轉(zhuǎn)移過程，其作為多知識(shí)融合創(chuàng)新的表征，可從中挖掘特定領(lǐng)域內(nèi)的研究前沿或新興趨勢(shì)。知識(shí)流動(dòng)網(wǎng)絡(luò)原理如圖2 所示。
圖2 中，文獻(xiàn)A 與文獻(xiàn)B 存在三維引文關(guān)聯(lián)，通過LDA 模型抽取到文獻(xiàn)A 的主題數(shù)量為2，抽取到文獻(xiàn)B 的主題數(shù)量為3。從文獻(xiàn)A 到文獻(xiàn)B 的三維引文關(guān)聯(lián)，可映射為6 項(xiàng)知識(shí)流動(dòng)事件，即文獻(xiàn)B 所研究的主題Topic_B1、Topic_B2、Topic_B3 向文獻(xiàn)A所研究的主題Topic_A1、Topic_A2 產(chǎn)生了知識(shí)流動(dòng)。
各文獻(xiàn)內(nèi)主題貢獻(xiàn)度存在差異性，根據(jù)LDA 抽取后所獲得的文檔-主題分布文檔，獲得各文檔下不同主題的概率分布，進(jìn)而實(shí)現(xiàn)文獻(xiàn)中各主題權(quán)重的分配與賦值。值得注意的是，本文中知識(shí)流動(dòng)方向與文獻(xiàn)間的引用方向恰好相反。根據(jù)上述原理，通過文獻(xiàn)間的引用關(guān)系、文獻(xiàn)-主題貢獻(xiàn)分布，將主題對(duì)之間的信息轉(zhuǎn)換為知識(shí)流動(dòng)矩陣，最終轉(zhuǎn)化為具有加權(quán)有向特性的知識(shí)流動(dòng)網(wǎng)絡(luò)。
3.3 基于鏈路預(yù)測(cè)的潛在知識(shí)流動(dòng)發(fā)現(xiàn)
鏈路預(yù)測(cè)方法是通過分析社會(huì)網(wǎng)絡(luò)的拓?fù)涮卣鳎瑏碓u(píng)估網(wǎng)絡(luò)中兩個(gè)節(jié)點(diǎn)之間產(chǎn)生鏈接的可能性，是目前應(yīng)用最為廣泛的一種預(yù)測(cè)節(jié)點(diǎn)間是未來否存在鏈接的方法[25]。在某種程度上來說，潛在知識(shí)流動(dòng)的預(yù)測(cè)就是主題之間的未來鏈接預(yù)測(cè)，本文利用鏈路預(yù)測(cè)方法分析網(wǎng)絡(luò)中的知識(shí)流動(dòng)，即未來可能發(fā)生的知識(shí)流動(dòng)以及知識(shí)流動(dòng)的變化，將基于三維引文關(guān)聯(lián)網(wǎng)絡(luò)所映射出的主題知識(shí)流動(dòng)網(wǎng)絡(luò)進(jìn)行特征分析，預(yù)測(cè)將來節(jié)點(diǎn)間產(chǎn)生鏈接的可能性，挖掘未來可能發(fā)生的新的知識(shí)融合趨勢(shì)與未來演化趨勢(shì)，進(jìn)而預(yù)測(cè)未來的研究熱點(diǎn)或者研究前沿問題。
潛在知識(shí)流動(dòng)存在于滿足以下兩個(gè)假設(shè)的有向主題對(duì)中[22]：①有向主題對(duì)之間目前不存在知識(shí)流動(dòng)；②兩個(gè)主題之間存在產(chǎn)生知識(shí)流動(dòng)（存在鏈接）的可能性。本文采用鏈接預(yù)測(cè)指標(biāo)來衡量有向主題對(duì)之間的發(fā)生鏈接的可能性。
鑒于知識(shí)流動(dòng)網(wǎng)絡(luò)的加權(quán)有向的特性，本文選取了適用于加權(quán)有向網(wǎng)絡(luò)的鏈路預(yù)測(cè)指標(biāo)特征。具體選取指標(biāo)包括加權(quán)有向的共同鄰居（common neighbor，CN）指標(biāo)、加權(quán)有向的admic-adar（AA）指標(biāo)、加權(quán)有向的資源分配（resource allocation，RA）指標(biāo)以及加權(quán)有向的優(yōu)先連接（preferential at‐tachment，PA）指標(biāo)。
（1）加權(quán)有向網(wǎng)絡(luò)的CN 指標(biāo)。無權(quán)無向的共同鄰居指標(biāo)是通過兩個(gè)節(jié)點(diǎn)的共同鄰居數(shù)量來定義兩個(gè)主題的相似性。針對(duì)加權(quán)有向網(wǎng)絡(luò)，計(jì)算公式為
其中，Γ(x)表示與主題x相關(guān)聯(lián)的主題集合；wx→z表示為主題x向主題z流動(dòng)的知識(shí)量（鏈接權(quán)重值）。該指標(biāo)越大，說明主題x未來向主題y產(chǎn)生知識(shí)轉(zhuǎn)移的可能性越大。
（2）加權(quán)有向網(wǎng)絡(luò)的AA 指標(biāo)。該指標(biāo)對(duì)共同鄰居節(jié)點(diǎn)賦予權(quán)重，并且共同鄰居節(jié)點(diǎn)的度越小其貢獻(xiàn)越大，
其中，表示鄰居主題節(jié)點(diǎn)z除去自身強(qiáng)度的度，該指標(biāo)越大，說明主題x未來向主題y產(chǎn)生知識(shí)轉(zhuǎn)移的可能性越大。
（3）加權(quán)有向網(wǎng)絡(luò)的RA 指標(biāo)。受資源分配的啟發(fā)，知識(shí)流動(dòng)網(wǎng)絡(luò)中不存在知識(shí)流動(dòng)的兩個(gè)主題x與y，因此主題x能夠利用其共同鄰居主題z向主題y傳遞知識(shí)資源，主題z在該過程中承擔(dān)傳輸媒介角色。假設(shè)每個(gè)媒介都有一單位的資源平均分配給其鄰居，那么主題y接受的資源數(shù)就是可定義為兩主題的相似度，即
（4）加權(quán)有向網(wǎng)絡(luò)的PA 指標(biāo)。新鏈接連接到主題x與主題y的概率與兩節(jié)點(diǎn)的度乘積成正比，推廣到加權(quán)有向網(wǎng)路，定義為
其中，表示主題x除去自身強(qiáng)度外的點(diǎn)出度；表示主題y除去自身強(qiáng)度外的點(diǎn)入度。
根據(jù)上述鏈路預(yù)測(cè)指標(biāo)特征進(jìn)行機(jī)器學(xué)習(xí)建模，采用機(jī)器學(xué)習(xí)中的集成學(xué)習(xí)方法隨機(jī)森林（random forest，RF）算法構(gòu)造分類器，融合不同的特征。以某時(shí)間切片下網(wǎng)絡(luò)中的各鏈路預(yù)測(cè)為特征，將其下一時(shí)間切片網(wǎng)絡(luò)中是否存在鏈接（0、1表示）作為分類結(jié)果訓(xùn)練模型，挑選出當(dāng)前尚未產(chǎn)生鏈接的有向節(jié)點(diǎn)對(duì)，與訓(xùn)練好的模型相匹配，從而探究出未來可能發(fā)生鏈接的有向知識(shí)節(jié)點(diǎn)對(duì)。
鏈接權(quán)重的預(yù)測(cè)在網(wǎng)絡(luò)預(yù)測(cè)中也占據(jù)十分重要的地位，但是鮮有學(xué)者研究鏈接權(quán)重的預(yù)測(cè)。當(dāng)一對(duì)存在鏈接的有向知識(shí)節(jié)點(diǎn)對(duì)，目前鏈接權(quán)重較低，尚未引起學(xué)者廣泛關(guān)注，未來若鏈接權(quán)重增長(zhǎng)較大，則該有向知識(shí)節(jié)點(diǎn)對(duì)可能在未來成為研究熱點(diǎn)或者研究前沿，并得到廣泛地學(xué)術(shù)認(rèn)可。同樣地，以上述4 個(gè)鏈接預(yù)測(cè)指標(biāo)為特征值，采用隨機(jī)森林構(gòu)造回歸器，以某時(shí)間切片下網(wǎng)絡(luò)中的各鏈路預(yù)測(cè)為特征，并將其下一時(shí)間切片網(wǎng)絡(luò)中鏈接的權(quán)重作為目標(biāo)變量y進(jìn)行回歸模型的訓(xùn)練。將網(wǎng)絡(luò)中所有節(jié)點(diǎn)對(duì)的數(shù)據(jù)與訓(xùn)練好的模型相匹配，研究知識(shí)節(jié)點(diǎn)對(duì)之間的鏈接權(quán)重的變化，實(shí)現(xiàn)鏈接邊權(quán)的預(yù)測(cè)。
4 數(shù)據(jù)獲取與預(yù)處理
基因編輯領(lǐng)域誕生于20 世紀(jì)80 年代初，初期研究人員多見于歐美等地，在近十年，特別是CRISPR/Cas9 技術(shù)問世以來，成為世界性熱點(diǎn)學(xué)科領(lǐng)域。CRISPR/Cas9（clustered regulatory interspaced short palindromic repeats/CRISPR-associated protein 9）是最近發(fā)現(xiàn)的一種新型的基因組定點(diǎn)編輯技術(shù)[26]，這項(xiàng)劃時(shí)代的靶向基因操作技術(shù)，在生物醫(yī)學(xué)、遺傳學(xué)、細(xì)胞學(xué)領(lǐng)域都得到了廣泛關(guān)注。
為了更加全面地獲得整個(gè)基因編輯領(lǐng)域內(nèi)的論文數(shù)據(jù)，本研究選定Web of Science 數(shù)據(jù)庫(kù)，并將檢索年限定于1980—2017 年，以“gene edit* or crispr”為主題在數(shù)據(jù)庫(kù)中檢索共獲得18717 篇文獻(xiàn)，截取article、proceedings paper、review、book review 四類文獻(xiàn)共14943 篇作為本研究的基本數(shù)據(jù)源。數(shù)據(jù)檢索與獲取時(shí)間是2018 年1 月5 日。最終選定被引頻次≥10 的7072 篇文獻(xiàn)為本研究的論文集合。按論文的發(fā)表時(shí)間，對(duì)論文集合時(shí)間切片，分別構(gòu)建發(fā)表年 限 介 于T1 時(shí) 期（1980—2013 年） 與T2 時(shí) 期（2014—2017 年） 的標(biāo)準(zhǔn)加權(quán)直接引用（NWDC）網(wǎng)絡(luò)，形成兩個(gè)時(shí)期持續(xù)變化的引文關(guān)聯(lián)融合網(wǎng)絡(luò)。
為了科學(xué)、規(guī)范地提取基因編輯領(lǐng)域內(nèi)的主題，本研究提取上述7072 篇文獻(xiàn)的標(biāo)題、摘要以及關(guān)鍵詞作為實(shí)驗(yàn)數(shù)據(jù)集，并對(duì)該數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理。利用Python 中提供的分詞工具，實(shí)現(xiàn)分詞、去除停用詞、詞干化等自然語言處理規(guī)范化過程，獲得最終的文本語料庫(kù)。利用LDA 主題模型對(duì)提取的語料庫(kù)進(jìn)行主題提取，主題數(shù)-困惑度的曲線如圖3 所示，當(dāng)主題數(shù)為200 時(shí)，困惑度指標(biāo)達(dá)到最低值；后續(xù)隨著主題數(shù)的增加，困惑度指標(biāo)逐漸升高。因此，本文選取的主題數(shù)目為200。
圖3 主題數(shù)-困惑度折線圖
5 三維引文關(guān)聯(lián)視角下的潛在知識(shí)流動(dòng)發(fā)現(xiàn)
5.1 知識(shí)流動(dòng)網(wǎng)絡(luò)構(gòu)建
在三維引文關(guān)聯(lián)融合分析中，本文采用標(biāo)準(zhǔn)加權(quán)直接引用（NWDC）網(wǎng)絡(luò)來表示文獻(xiàn)層面的多重引文關(guān)聯(lián)；根據(jù)第3.2 節(jié)中構(gòu)建知識(shí)流動(dòng)網(wǎng)絡(luò)的方法，通過文獻(xiàn)到主題的映射，將文獻(xiàn)層面的NWDC網(wǎng)絡(luò)映射到主題層面，最終構(gòu)建出三維引文關(guān)聯(lián)融合視角下的知識(shí)流動(dòng)網(wǎng)絡(luò)（圖4）。本文采用Gephi進(jìn)行可視化分析，為了使得可視化效果更佳清晰，設(shè)置閾值為0.5。在圖4 中，節(jié)點(diǎn)的大小與度中心性成正比，在T1 時(shí)期中，topic60、topic7、topic41 等主題具有較高的度中心性；T2 時(shí)期中，topic47、topic60、topic5 主題具有高的度中心性。這些主題在整個(gè)基因編輯領(lǐng)域內(nèi)的知識(shí)流動(dòng)與傳播過程中占據(jù)著核心地位，是重要的研究關(guān)注點(diǎn)。
圖4 三維引文關(guān)聯(lián)融合視角下的知識(shí)流動(dòng)網(wǎng)絡(luò)
由于知識(shí)流動(dòng)網(wǎng)絡(luò)屬于加權(quán)有向網(wǎng)絡(luò)，因而選取了點(diǎn)入度與點(diǎn)出度作為衡量主題重要程度的兩個(gè)網(wǎng)絡(luò)指標(biāo)。由表1 可知，T1 時(shí)期，topic60（原核生物基因編輯）、topic7（RNA 編輯）和topic41（人類細(xì)胞基因編輯）是較為重要的研究主題；T2 時(shí)期時(shí)，topic47（真核生物基因編輯）、topic5（基因編輯技術(shù)的開發(fā)）和topic76（人類疾病治療技術(shù)）得到了更多學(xué)者的關(guān)注，成為該領(lǐng)域內(nèi)關(guān)注度最高的研究主題。
T1 時(shí)期，最強(qiáng)的知識(shí)流動(dòng)為：topic60（原核生物基因編輯）→topic7（RNA 編輯）、topic7（RNA編輯）→topic195（植物基因編輯）、topic195（植物基因編輯）→topic8（植物物種研究）；T2 時(shí)期，最強(qiáng)的知識(shí)流動(dòng)為：topic60（原核生物基因編輯）→topic5（基因編輯技術(shù)的開發(fā)）、topic5（基因編輯技術(shù)的開發(fā)） →topic47（真核生物基因編輯）、topic47（真核生物基因編輯）→topic5（基因編輯技術(shù)的開發(fā)）、topic47（真核生物基因編輯）→top‐ic76（人類疾病治療技術(shù)）、topic60（原核生物基因編輯）→topic76（人類疾病治療技術(shù)）。
表1 知識(shí)流動(dòng)網(wǎng)絡(luò)的點(diǎn)入度與點(diǎn)出度
5.2 鏈路預(yù)測(cè)模型訓(xùn)練
5.2.1 潛在知識(shí)流動(dòng)發(fā)現(xiàn)預(yù)測(cè)模型訓(xùn)練
對(duì)T1 時(shí)期的知識(shí)流動(dòng)網(wǎng)絡(luò)，針對(duì)每一組有向主題對(duì)，計(jì)算相對(duì)應(yīng)的鏈路預(yù)測(cè)指標(biāo)作為特征值x；并以T2 時(shí)期所對(duì)應(yīng)的分類數(shù)據(jù)（有連接為1、無連接為0）作為目標(biāo)變量y值。將上述數(shù)據(jù)輸入到多個(gè)分類器中進(jìn)行訓(xùn)練，以期找到最合適的分類器模型。
為了檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確度，本研究采用“留出法”劃分?jǐn)?shù)據(jù)集，隨機(jī)選取80%的數(shù)據(jù)作為訓(xùn)練集，其余20%數(shù)據(jù)作為測(cè)試集。針對(duì)各分類器模型，本研究經(jīng)過參數(shù)調(diào)整得到了該模型下的最優(yōu)結(jié)果。表2 為訓(xùn)練好的各分類器算法基于測(cè)試數(shù)據(jù)集的評(píng)價(jià)指標(biāo)：準(zhǔn)確率（accuracy）、精確率（preci‐sion）、召回率（recall）與F1 分?jǐn)?shù)（F1-score）。
表2 各分類器評(píng)價(jià)結(jié)果
隨機(jī)森林屬于機(jī)器學(xué)習(xí)中的集成學(xué)習(xí)方法，通過集成學(xué)習(xí)的思想把多棵決策樹集成一種算法，并且其輸出的類別是由個(gè)別決策樹輸出的類別的眾數(shù)而定。由表2 可知，隨機(jī)森林算法在各分類器算法中表現(xiàn)最優(yōu)，識(shí)別準(zhǔn)確率高達(dá)85%，這也證明了隨機(jī)森林算法的優(yōu)越性。因此，本文采用隨機(jī)森林算法進(jìn)行基因編輯領(lǐng)域中的潛在知識(shí)流動(dòng)發(fā)現(xiàn)。
5.2.2 潛在知識(shí)流動(dòng)權(quán)重預(yù)測(cè)模型訓(xùn)練
針對(duì)知識(shí)流動(dòng)權(quán)重的預(yù)測(cè)，本研究利用T1 時(shí)期的知識(shí)流動(dòng)網(wǎng)絡(luò)，計(jì)算各組有向主題對(duì)的鏈路預(yù)測(cè)指標(biāo)；并且以T2 時(shí)期所對(duì)應(yīng)的鏈接邊的權(quán)重作為目標(biāo)變量y值。同樣地，采取“留出法”，隨機(jī)抽取80%樣本數(shù)據(jù)作為訓(xùn)練集，其余20%為測(cè)試集數(shù)據(jù)。如表3 所示，針對(duì)各個(gè)回歸模型的性能評(píng)估，分別選取了均方誤差（MSE）、平均絕對(duì)誤差（MAE） 以及決定系數(shù)（R2） 評(píng)價(jià)各模型的好壞。通過對(duì)各個(gè)模型評(píng)價(jià)指標(biāo)對(duì)比分析，本研究發(fā)現(xiàn)基于隨機(jī)森林算法構(gòu)建的回歸模型效果最佳，MSE 與MAE 指標(biāo)均為最小值，且R2值最大值，為0.784。因此，本文采用基于隨機(jī)森林算法的回歸模型，對(duì)基因編輯領(lǐng)域內(nèi)的知識(shí)流動(dòng)權(quán)重進(jìn)行預(yù)測(cè)。
表3 各回歸器評(píng)價(jià)結(jié)果
5.3 潛在知識(shí)流動(dòng)發(fā)現(xiàn)
本研究基于上述訓(xùn)練好的模型，以T2 時(shí)期中未存在知識(shí)流動(dòng)的主題對(duì)鏈路預(yù)測(cè)指標(biāo)為輸入特征，進(jìn)行結(jié)果預(yù)測(cè)分析，采用Scikit-learn[27]進(jìn)行分類器學(xué)習(xí)訓(xùn)練，參數(shù)feature_importances_表征了各特征值的重要程度，作為各特征值的參考權(quán)重。本研究將各特征值與對(duì)應(yīng)權(quán)重加權(quán)求和得到綜合指標(biāo)，即表征知識(shí)流動(dòng)出現(xiàn)可能性。按照綜合指標(biāo)值的大小倒序排序，最有可能在未來發(fā)生鏈接的Top 10 主題對(duì)，如表4 所示。
表4 潛在知識(shí)流動(dòng)發(fā)現(xiàn)
從表4 可知，“免疫細(xì)胞治療→原核生物基因編輯”這項(xiàng)主題對(duì)之間的知識(shí)流動(dòng)在未來最可能發(fā)生；“原核生物基因編輯→癌細(xì)胞基因編輯”“真核生物基因編輯→癌細(xì)胞基因編輯”“基因編輯技術(shù)的開發(fā)→癌細(xì)胞基因編輯”和“原核生物基因編輯→人類蛋白質(zhì)組計(jì)劃”等主題對(duì)之間在未來同樣存在知識(shí)流動(dòng)的可能性。目前，有學(xué)者表示，CAR T 細(xì)胞免疫療法與基因編輯技術(shù)的組合仍是個(gè)前景絕佳的研究領(lǐng)域[28]，兩者的結(jié)合可看作精準(zhǔn)醫(yī)療和干細(xì)胞治療行業(yè)的完美結(jié)合[29]。免疫細(xì)胞治療向基因編輯技術(shù)的引入，推動(dòng)基因編輯技術(shù)真正從研發(fā)走向臨床。同時(shí)，隨著基因編輯技術(shù)研究熱度的迅速提升與拓展，基因編輯技術(shù)在疾病基因治療中探索發(fā)展，為腫瘤等多種重大疾病的治療提供了新的治療路徑。
5.4 潛在知識(shí)流動(dòng)權(quán)重預(yù)測(cè)
針對(duì)潛在知識(shí)流動(dòng)權(quán)重的預(yù)測(cè)，本文關(guān)注于目前網(wǎng)絡(luò)中已存在鏈接權(quán)重的預(yù)測(cè)?；谏鲜鲇?xùn)練好的權(quán)重預(yù)測(cè)模型，以T2 時(shí)期中存在知識(shí)流動(dòng)主題對(duì)的鏈路預(yù)測(cè)指標(biāo)為輸入特征，進(jìn)行結(jié)果預(yù)測(cè)分析，并計(jì)算預(yù)測(cè)權(quán)重與T2 時(shí)期實(shí)際權(quán)重的差值，即權(quán)重差值=預(yù)測(cè)權(quán)重-T2 時(shí)期權(quán)重。根據(jù)權(quán)重差值進(jìn)行倒序排列，取權(quán)重差值最大的Top 10 主題對(duì)為未來具有發(fā)展?jié)摿Φ闹黝}組合（表5），取權(quán)重差值最小的Top 10 主題對(duì)作為未來知識(shí)流動(dòng)將會(huì)消失的主題組合（表6）。
表5 未來熱點(diǎn)研究主題（未來研究前沿）
表6 未來消失的知識(shí)流動(dòng)
由表5 可知，第一，“基因編輯技術(shù)的開發(fā)→人類細(xì)胞基因編輯”“真核生物基因編輯→人類細(xì)胞基因編輯”與“原核生物基因編輯→人類細(xì)胞基因編輯”三組涉及“人類細(xì)胞基因編輯”的主題對(duì)融合事件將在未來成為領(lǐng)域內(nèi)的研究熱點(diǎn)，傳統(tǒng)的基因編輯技術(shù)將有效助力人類細(xì)胞基因編輯的發(fā)展，尤其是關(guān)于基因編輯技術(shù)在人類疾病方面中的探索發(fā)展[30]；第二，“真核生物基因編輯→病原菌研究”與“原核生物基因編輯→HIV 病毒研究”主要涉及基因編輯技術(shù)在病原菌、病毒等生命科學(xué)基礎(chǔ)研究領(lǐng)域的拓展應(yīng)用；第三，“原核生物基因編輯→植物基因編輯”“真核生物基因編輯→RNA 編輯”主要針對(duì)基因編輯技術(shù)本身的發(fā)展，持續(xù)衍生并產(chǎn)品化開發(fā)了更為精準(zhǔn)、高效、低成本的基因編輯技術(shù)?？傮w而言，未來研究熱點(diǎn)主要集中于基因編輯理論研究本身到其他方面的拓展。
在表6 中，“人類細(xì)胞基因編輯?RNA 和小RNA”“RNA 編輯?植物基因編輯”兩組主題組合之間在T2 時(shí)期具有較強(qiáng)的知識(shí)流動(dòng)鏈接，視為未來最可能消失的主題節(jié)點(diǎn)對(duì)。“基因編輯應(yīng)用醫(yī)學(xué)治療→干細(xì)胞相關(guān)研究”“病毒相關(guān)研究→基因編輯應(yīng)用醫(yī)學(xué)治療”等主題對(duì)之間的知識(shí)流動(dòng)在未來同樣可能會(huì)消失。
由表5 和表6 可知，未來研究者針對(duì)RNA 基因編輯與植物基因編輯的關(guān)注度將會(huì)較少，而更關(guān)注于基因編輯在人類疾病治療與防護(hù)方面的應(yīng)用。
6 結(jié) 論
直引-共被引-耦合三維引文關(guān)聯(lián)網(wǎng)絡(luò)所映射出的知識(shí)流動(dòng)網(wǎng)絡(luò)，全面揭示目前領(lǐng)域內(nèi)的知識(shí)交流與知識(shí)轉(zhuǎn)移的現(xiàn)狀，但科研工作者與科研管理機(jī)構(gòu)人員對(duì)未來可能出現(xiàn)的知識(shí)流動(dòng)更感興趣。當(dāng)一個(gè)主題內(nèi)的知識(shí)轉(zhuǎn)移到其他主題時(shí)，會(huì)內(nèi)化為新的知識(shí)，加以創(chuàng)新模式的轉(zhuǎn)換，形成領(lǐng)域內(nèi)的研究熱點(diǎn)或研究前沿。因此，本文提出了一種三維引文關(guān)聯(lián)融合視角下未來潛在知識(shí)流動(dòng)預(yù)測(cè)的框架，主要包括三個(gè)步驟：第一，根據(jù)文獻(xiàn)之間的引用關(guān)系，基于標(biāo)準(zhǔn)加權(quán)直接引用（NWDC）理論并通過LDA 主題模型提取主題，構(gòu)建三維引文關(guān)聯(lián)融合視角下的知識(shí)流動(dòng)網(wǎng)絡(luò)；第二，計(jì)算網(wǎng)絡(luò)中主題對(duì)的鏈路預(yù)測(cè)指標(biāo)作為特征值，分別使用隨機(jī)森林分類器與回歸器對(duì)特征值進(jìn)行訓(xùn)練，獲得未來鏈接預(yù)測(cè)模型與未來邊權(quán)預(yù)測(cè)模型；第三，基于基因編輯領(lǐng)域的實(shí)證研究，預(yù)測(cè)該領(lǐng)域內(nèi)未來可能出現(xiàn)的研究熱點(diǎn)或者研究前沿問題，以及未來具有發(fā)展?jié)摿Φ难芯恐黝}。
采用預(yù)測(cè)潛在知識(shí)流動(dòng)的思路，本研究發(fā)現(xiàn)了一些未來可能出現(xiàn)的知識(shí)流動(dòng)。通過專家評(píng)審的定性分析方法，確認(rèn)預(yù)測(cè)結(jié)果中潛在知識(shí)流動(dòng)的發(fā)現(xiàn)與實(shí)際領(lǐng)域情況相吻合[31]，可視為基因編輯領(lǐng)域內(nèi)的研究前沿與熱點(diǎn)問題，主要集中在三個(gè)方面：①基因編輯技術(shù)在免疫細(xì)胞、病毒細(xì)胞等生命科學(xué)基礎(chǔ)研究領(lǐng)域的拓展應(yīng)用；②基因編輯技術(shù)本身的發(fā)展，為持續(xù)衍生并開發(fā)出更精準(zhǔn)、高效的基因編輯技術(shù)；③基因編輯技術(shù)在疾病基因治療中探索發(fā)展，為腫瘤等多種重大疾病提供新的治療途徑。因此，基因編輯領(lǐng)域內(nèi)的研究方向展現(xiàn)出了“宏觀基礎(chǔ)研究→細(xì)粒度基礎(chǔ)研究→臨床治療”的發(fā)展態(tài)勢(shì)，未來一系列知識(shí)流動(dòng)的產(chǎn)生將會(huì)真正推動(dòng)CRISPR 技術(shù)從研發(fā)邁向臨床。
基因編輯領(lǐng)域內(nèi)的實(shí)證研究，進(jìn)一步印證了本文中三維引文關(guān)聯(lián)融合視角下探究潛在知識(shí)流動(dòng)的可行性與有效性。知識(shí)流動(dòng)預(yù)測(cè)中的隨機(jī)森林算法，無論是分類器還是回歸器，兩種預(yù)測(cè)層面都表現(xiàn)出了最優(yōu)的評(píng)價(jià)結(jié)果。分類器用于預(yù)測(cè)目前尚未存在、在未來極有可能出現(xiàn)的知識(shí)流動(dòng)；而回歸器主要用于預(yù)測(cè)目前鏈接權(quán)重較低的，尚未引起廣泛關(guān)注、但在未來具有較高鏈接權(quán)重的知識(shí)流動(dòng)。這兩種預(yù)測(cè)層面綜合互補(bǔ)，從不同角度探究學(xué)術(shù)領(lǐng)域內(nèi)的潛在知識(shí)流動(dòng)與未來研究的熱點(diǎn)。同時(shí)，本研究中也存在遺憾之處，例如，在為L(zhǎng)DA 主題模型中所提取的各主題確認(rèn)主題名稱時(shí)，借鑒了專家的評(píng)審意見，這種定性分析方法，無法避免主觀判斷所造成的可操縱性與不確定性。在未來研究中，將努力探索是否存在定量分析方法確認(rèn)各主題名稱，以期采用定性與定量分析相結(jié)合的方法，更精準(zhǔn)有效地實(shí)現(xiàn)主題名稱的定位。
猜你喜歡
體育科技文獻(xiàn)通報(bào)(2022年3期)2022-05-23 13:46:54
新世紀(jì)智能(數(shù)學(xué)備考)(2021年9期)2021-11-24 01:14:30
當(dāng)代陜西(2021年17期)2021-11-06 03:21:36
天津外國(guó)語大學(xué)學(xué)報(bào)(2021年3期)2021-08-13 08:32:18
遼金歷史與考古(2021年0期)2021-07-29 01:06:54
科技傳播(2019年22期)2020-01-14 03:06:54
當(dāng)代陜西(2019年15期)2019-09-02 01:52:00
民用飛機(jī)設(shè)計(jì)與研究(2019年4期)2019-05-21 07:21:24
學(xué)苑創(chuàng)造·A版(2018年11期)2018-02-01 06:29:20
汽車工程學(xué)報(bào)(2017年2期)2017-07-05 08:13:02
