圖書情報學科熱點挖掘

徐小瑩 李輝

摘 要 進行學術期刊關鍵詞分析對于掌握學科主題和學科構(gòu)成脈絡具有重要意義，由此本研究利用網(wǎng)絡嵌入技術提取了大型關鍵詞關聯(lián)網(wǎng)絡的高階信息，并利用聚類算法對“圖書館學;情報學”學科進行關鍵詞主題可視化分析。首先，刻畫了關鍵詞之間的局部聚集和全局分布，并分析了最近四年中該學科的熱度持續(xù)、熱度增加和熱度減退主題，最后通過國內(nèi)外關鍵詞關聯(lián)網(wǎng)絡對比揭示了中外研究熱點異同。

關鍵詞 圖書情報學 ?聚類算法 ?關聯(lián)網(wǎng)絡分析 ?大數(shù)據(jù) ?共詞分析

分類號 G252.8

DOI 10.16810/j.cnki.1672-514X.2021.04.016

Hot Topics Detection of Discipline of Library and Information： by Analyzing a Large Scale of Co-Keywords Based on Network Embedding

Xu Xiaoying， Li Hui

Abstract Keyword analysis of academic journals is of great significance for mastering the subject theme and discipline structure. Therefore， this study uses network embedding technology to extract high-order information of large-scale keyword association network， and uses clustering algorithm to carry out keyword theme visualization analysis of “l(fā)ibrary science; information science”. Firstly， it describes the local aggregation and global distribution of keywords， and analyzes the topics of popularity persistence， popularity increase and popularity decrease in the past four years. Finally， it reveals the similarities and differences between domestic and foreign research hot spots through the comparison of keyword association networks at home and abroad.

Keywords Library and information science. Clustering algorithm. Association network analysis. Big data. Co-word analysis.

0 引言

學術論文是學科研究及其發(fā)展的重要呈現(xiàn)形式之一，其中論文關鍵詞是一種表述特定學科主題的重要手段。關鍵詞作為學術期刊所發(fā)表文獻中的重要組成部分，通常由作者給出或由期刊建議，它們是對文獻內(nèi)容的濃縮和提煉，是能夠反映文獻主題概念和主要內(nèi)容的自然語言詞匯。每一個學科領域在特定時間內(nèi)均積累了大量的關鍵詞。通過對關鍵詞集合的深入分析，可揭示所在學科領域的總體特征、研究重點內(nèi)容、研究主題及其內(nèi)在聯(lián)系，以及發(fā)展脈絡與發(fā)展趨勢[1-2]。常見的關鍵詞分析方法可分為單詞出現(xiàn)頻次分析[3]、雙詞共現(xiàn)頻次[4]、關鍵詞關聯(lián)網(wǎng)絡分析[5-6]等方法。單詞出現(xiàn)頻次分析法認為頻次越高的關鍵詞重要性越大，雙詞共現(xiàn)頻次分析方法認為一對關鍵詞共同出現(xiàn)次數(shù)越多，則代表它們的關系越緊密，頻繁共同出現(xiàn)的關鍵詞能夠反映所代表學科的構(gòu)成以及熱點主題[7-10]。關鍵詞關聯(lián)網(wǎng)絡分析方法擴展了雙詞共現(xiàn)詞頻，將所有共同出現(xiàn)的雙詞相互關聯(lián)而形成一個網(wǎng)絡，進而可描述關鍵詞重要性及其在學科領域內(nèi)的全局和局部聯(lián)系[11-16]。

近幾年，關鍵詞關聯(lián)網(wǎng)絡成為了學科領域的研究熱點，已經(jīng)被廣泛應用多個方面，包括創(chuàng)客、圖書情報規(guī)劃、學術出版服務、圖書館學研究熱點發(fā)現(xiàn)等。然而，當前關鍵詞關聯(lián)網(wǎng)絡方面的研究文獻僅僅對100個之內(nèi)的高頻詞匯進行網(wǎng)絡分析，缺乏對學科關鍵詞整體布局刻畫，也缺乏對某個研究方向的細節(jié)描述。針對這一問題，本文以我國“圖書情報”學科領域?qū)W術期刊上刊登的關鍵詞為實證，利用網(wǎng)絡嵌入技術實施大型復雜關鍵詞關聯(lián)網(wǎng)絡分析，從而揭示該學科領域的主題結(jié)構(gòu)、重點與熱點問題、研究主題的特征，以及該學科逐年的發(fā)展趨勢變化。同時，也通過對比中國與國際期刊關鍵詞關聯(lián)網(wǎng)絡，闡明該學科領域國內(nèi)外的研究主題特點與差異。

1 基于非負矩陣分解的網(wǎng)絡嵌入分析方法

對于關鍵詞分析的現(xiàn)有方法通常采用直接的網(wǎng)絡可視化方法進行網(wǎng)絡分析，即選取網(wǎng)絡中由高頻詞構(gòu)成的子網(wǎng)絡進行顯示?？紤]到所研究對象是由上萬個關鍵詞及其數(shù)萬條共現(xiàn)關系組成的大型關鍵詞關聯(lián)網(wǎng)絡，為了也能顯示次高頻、中高頻和低高頻詞，本文應用網(wǎng)絡嵌入對關鍵詞關聯(lián)網(wǎng)絡進行分析。

網(wǎng)絡嵌入是一種能夠適用大型網(wǎng)絡分析和推理的熱門技術，旨在將網(wǎng)絡中的每一個節(jié)點表示成低維實值向量，使原網(wǎng)絡的拓撲結(jié)構(gòu)信息被高效地保存于學習到的向量中，進而可將得到的向量表示運用到網(wǎng)絡分析中常見的應用中，如可視化任務、鏈接預測以及社區(qū)發(fā)現(xiàn)等任務。

對于本文的關鍵詞關聯(lián)網(wǎng)絡，采用非負矩陣分解（NMF）實現(xiàn)網(wǎng)絡嵌入[17-18]，將關鍵詞映射到低維甚至二維空間，不僅便于人眼觀察，而且可使用機器學習算法進行深入分析，從而以定量的方式刻畫關鍵詞之間的局部聚集和全局分布關系。其數(shù)學描述如下：關鍵詞關聯(lián)網(wǎng)絡可用權(quán)重圖G（V，A）來表示，其中V={vi}表示結(jié)點集合，vi表示第i個關鍵詞，稱為結(jié)點;Ak×k={αi，j}稱為權(quán)重矩陣，αi，j對應于兩個結(jié)點共現(xiàn)詞頻。對于任意給定一個包含非負元素的關聯(lián)矩陣Ak×k，NMF能夠?qū)ふ业揭粋€非負矩陣Uk×l和另一個非負矩陣Vl×k，使得滿足A≈UV [18]，其中L≤K。對于關鍵詞關聯(lián)網(wǎng)絡而言，V的每一列將每一個關鍵詞結(jié)點映射為L維向量，描述了該關鍵詞的高階統(tǒng)計信息。利用這種低維向量表示可以計算關鍵詞之間的相似性和局部緊密連接關系。圖1顯示了網(wǎng)絡嵌入的實施流程。

（2）屬于熱度增加主題的關鍵詞一般來說是指排名逐年上升而且詞頻絕對值也逐年增加的詞匯。熱度增加的主題關鍵詞有“智慧圖書館”“人工智能”“數(shù)字人文”“公共文化服務”“智慧服務”“用戶畫像”“扎根理論”“深度學習”“區(qū)塊鏈”“空間再造”“機器學習”等。它們的出現(xiàn)詞頻和詞頻排名自2016起大幅度提升，其中2016年和2019年的數(shù)值突顯了這些主題關鍵詞的熱度變化量。例如，“人工智能”在2016年出現(xiàn)了7次、排名第766，但在2019年出現(xiàn)了99次、排名第8?？梢钥闯?，大部分熱度增加主題關鍵詞涉及到“智能智慧”這個主題，順應了2017年國務院頒布的《新一代人工智能發(fā)展規(guī)劃》。

（3）屬于熱度減退主題的高頻關鍵詞一般來說是指排名逐年下降而且詞頻絕對值也逐年減少的詞匯。熱度減退的主題關鍵詞有“建筑物”“MOOC”“微信”“讀者服務”“移動圖書館”“數(shù)字資源”“云計算”“圖書館員”“微博”“學科館員”“圖書館聯(lián)盟”“元數(shù)據(jù)”“醫(yī)學信息學”等。它們的出現(xiàn)詞頻和詞頻排名自2016起大幅度降低和下降，其中2016年和2019年的數(shù)值突顯了這些主題關鍵詞的熱度變化量。例如， “MOOC”在2016年出現(xiàn)了109次、排名第12，但在2019年僅出現(xiàn)了10次、排名第350。此外，還有一些熱度減退主題關鍵詞，如“信息服務”“互聯(lián)網(wǎng)+”“服務創(chuàng)新”等，其詞頻數(shù)值呈現(xiàn)出逐年的顯著減少或其詞頻排名呈現(xiàn)顯著下降?？梢钥闯?，大部分熱度減退主題關鍵詞涉及到已經(jīng)成熟的信息平臺，如MOOC、微信等;又或者涉及新技術相關主題，如“數(shù)據(jù)挖掘”已經(jīng)被“人工智能”等先進技術所取代。

4.2 從網(wǎng)絡嵌入空間的角度分析關鍵詞變化趨勢

基于網(wǎng)絡嵌入方法的四個年度關鍵詞共現(xiàn)網(wǎng)絡分析，不僅能夠揭示關鍵詞個體熱度變化，而且能夠揭示關鍵詞群體的年度變化趨勢。共現(xiàn)關系密切的關鍵詞在該空間中相距較近。根據(jù)上述關鍵詞的三個類別，下面闡述高頻和中頻等重要關鍵詞的變化趨勢，其可視化結(jié)果如圖9所示。

（1）熱度持續(xù)主題關鍵詞共現(xiàn)關系變化。四年中學科核心關鍵詞在網(wǎng)絡嵌入空間的位置分布中，詞頻最高的“高校圖書館”通常遠離其它學科核心關鍵詞，且在不同年份中與之相鄰的熱度持續(xù)主題詞和熱度變化關鍵詞也不相同。這種多樣性說明“高校圖書館”的相關研究內(nèi)容變化較快。

學科核心關鍵詞“圖書館”與“公共圖書館”在四年內(nèi)始終保持較近的距離，不僅聚集了學科核心關鍵詞中的“閱讀推廣”，而且也聚集了其它重要關鍵詞，形成了學科核心關鍵詞簇，但社區(qū)內(nèi)的內(nèi)容在不同年份中稍有變化。這些詞匯正是圖書館學的核心研究主題。此外，另一個學科核心關鍵詞“大數(shù)據(jù)”的變化也較為顯著。

（2）熱度增加主題關鍵詞共現(xiàn)關系變化。以熱度增幅最大的關鍵詞“智慧圖書館”為例。在2016年，“智慧圖書館”鄰近“高校圖書館”“大數(shù)據(jù)”“數(shù)字圖書館”和“云計算”，但與熱度增加主題關鍵詞中的“人工智能”較遠;在2017年和2018年，它緊密靠近“人工智能”“智慧服務”“深度學習”“數(shù)字圖書館”，并位于“圖書館”關鍵詞簇當中;但在2019年，它逐漸遠離智能和智慧相關詞匯，但非常靠近“公共文化服務”和“讀者服務”，說明“智慧圖書館”在四年當中已經(jīng)從理論概念逐漸落地。此外，“人工智能”“數(shù)字人文”“智慧服務”“用戶畫像”等熱度增加詞匯的位置變化較大，這說明此類熱度增加主題關鍵詞的熱度傳播范圍逐漸增加。

（3）熱度減退主題關鍵詞共現(xiàn)關系變化。熱度減幅最大的關鍵詞“建筑物”只在前兩年出現(xiàn)，且與“讀者服務”和“數(shù)字資源”緊密相關。熱度減退關鍵詞“MOOC”在2016年、2017年和2019年與“信息素養(yǎng)”密切相關，而在2017年卻與學科核心詞“高校圖書館”密切相關，2018年進入“圖書館”簇，2019年逐漸遠離其它重要詞匯。另一個熱度減退關鍵詞“微信”，在2016 年、2017年和2018年與其他兩個熱度減退“移動圖書館”和“扎根理論”以及一個熱度增加關鍵詞“數(shù)字人文”聯(lián)系緊密，具有較高的共現(xiàn)頻率，但在2019年遠離它們。結(jié)合這兩個關鍵詞減退的熱度，這說明“MOOC”和“微信”應用已經(jīng)成熟。此外，“讀者服務”與“數(shù)字資源”在四年內(nèi)都是鄰近詞匯，同隸屬于學科核心“圖書館”關鍵詞簇，是該領域的基礎主題但熱度逐漸減退。

5 國內(nèi)外圖情學科關鍵詞橫向?qū)Ρ?/p>

為了分析國內(nèi)外“圖情”學科的研究主題差異，對比了2019年國內(nèi)和國外關鍵詞網(wǎng)絡。從Journal Citation Report上收集“Information Science & Library Science”學科的63個SSCI期刊于2019年發(fā)布的SSCI學術論文，并抽取其關鍵詞共現(xiàn)數(shù)據(jù)，共包含了10 163個關鍵詞和38 232條共現(xiàn)關系。由于每一個英文期刊年平均論文數(shù)目為58篇，遠低于每一個中文期刊年平均論文數(shù)目214篇，因此中文關鍵詞的詞頻要遠大于英文關鍵詞，例如，中文關鍵詞里有詞頻為近782次的超高頻詞“高校圖書館”，而英文關鍵詞的最大詞頻僅為77次（social media），相差10倍。因此，在后續(xù)的分析當中，只關注關鍵詞的詞頻排名和關鍵詞共現(xiàn)關系。

5.1 國內(nèi)外排名前20名的高詞頻關鍵詞

分別以國內(nèi)外關鍵詞排名為基準，對比國內(nèi)外排名前20名的高詞頻關鍵詞，從表2所示，國內(nèi)外高頻關鍵詞的內(nèi)容差異很大，國內(nèi)側(cè)重具有圖書館內(nèi)涵詞匯，而國外側(cè)重社交媒體和定性分析。

（1）總的來看， 17個關鍵詞的內(nèi)容均不同，只有“高校圖書館”“大數(shù)據(jù)”和“信息素養(yǎng)”三個共同關鍵詞。他們的國內(nèi)外排名順序一致，但其具體排名有差別，國內(nèi)排名分別為1、5和18，國外排名分別為5、15和16。另外，對于兩個相似詞匯“人工智能”和“機器學習”，國內(nèi)傾向于前者而國外傾向于后者。

（2）以國內(nèi)關鍵詞排名基準來看，有6個國內(nèi)關鍵詞找不到對應的國外關鍵詞，分別是“閱讀推廣”“智慧圖書館”“學科服務”“情報學”“全民閱讀”“互聯(lián)網(wǎng)+”，剩下11個國內(nèi)關鍵詞的國內(nèi)外排名差別很大，例如，“知識圖譜”的國內(nèi)外排名分別為14和2200。

（3）以國外關鍵詞排名來看，有5個國外關鍵詞找不到對應的國內(nèi)關鍵詞，分別是qualitative、breast cancer、classification、Facebook、communication，剩下12個國外關鍵詞的國內(nèi)外排名差別很大。例如，“定性研究”的國內(nèi)外排名分別為5152和17。

5.2 對比分析國內(nèi)外關鍵詞共現(xiàn)網(wǎng)絡

在網(wǎng)絡嵌入空間里對比了國內(nèi)外關鍵詞共現(xiàn)網(wǎng)絡，形成聚類圖。特別地以國外關鍵詞為基準選擇了詞頻大于15英文關鍵詞，總共62個詞匯，同時在國內(nèi)關鍵詞中選擇了詞頻排名前62以內(nèi)的中文詞匯。這些中高頻詞匯稱為重要關鍵詞，分別在嵌入空間內(nèi)姨這些重要關鍵詞的分布狀況進行分析，可視化結(jié)果如圖10和圖11所示，每一個點表示一個關鍵詞，點的數(shù)字標簽表示該關鍵詞的詞頻排名，虛線圓圈標記了鄰近重要關鍵詞形成的簇，每一個簇至少包括三個關鍵詞，通常反映了一個研究主題。

（1） 按照包含關鍵詞數(shù)目的大小，在國外關鍵詞網(wǎng)絡嵌入空間呈現(xiàn)的研究主題分別是：定性知識分析、社交媒體分析、文獻計量學、圖書館員、文獻計量方法、高校圖書館、信息、知識傳播。主要內(nèi)容如下：

定性知識分析主題包含了“qualitative ＼ knowledge management ＼ open access ＼ qualitative research ＼ case study”5個高頻詞和“e-government ＼ literature review ＼ scholarly communication ＼ adoption ＼ open data”等中頻詞。

社交媒體分析主題包含了3個高頻詞“social media ＼ Twitter ＼ Facebook”，及其鄰近的中頻詞“sentiment analysis ＼ text mining ＼ online reviews”。

文獻計量學主題包含了1個高頻詞“bibliometrics”及其5個鄰近中頻詞“citation analysis ＼ research evaluation ＼ bibliometric analysis ＼ library and information science ＼ web of science”。

圖書館員主題包含了1個高頻詞“machine learning”和4個中頻詞 “collaboration ＼ librarian ＼ research ＼ natural language processing”，對應于圖書館員及其所需技能，同時該主題鄰近定性知識分析主題。

文獻計量方法主題包含了1個高頻詞“h-index”和3個中頻詞“citations ＼ social network analysis ＼ altmetrics”，同時該主題鄰近文獻計量學主題并于該主題關鍵詞密切相關。

高校圖書館主題包含了2個高頻詞“academic libraries ＼ information literacy”和2個中頻詞“l(fā)ibrary instruction ＼ higher education”等中頻詞，同時該主題鄰近定性知識分析主題。

信息主題包含了3個幾乎重疊的中頻詞“knowledge ＼ information ＼ data”，且三者意義相近。

知識傳播主題包含了相鄰的1個高頻詞和2個中頻詞“knowledge sharing ＼ communication ＼ internet”。

剩下一些重要關鍵詞相近較為散亂或沒有與其它重要關鍵詞形成簇。

（2） 按照包含關鍵詞數(shù)目的大小，在國內(nèi)關鍵詞網(wǎng)絡嵌入空間呈現(xiàn)的研究主題分別是：圖書館服務、服務數(shù)字化、高校學科建設、智庫與輿情、服務模式、移動圖書館、大學。主要內(nèi)容如下：

圖書館服務主題包含了“圖書館＼公共圖書館＼閱讀推廣”3個超高頻詞、“智慧圖書館＼全民閱讀＼信息服務＼互聯(lián)網(wǎng)+”4個高頻詞以及“公共文化服務＼服務創(chuàng)新”等12個中頻詞。

服務數(shù)字化主題的關鍵詞均聚類包含了3個高頻“數(shù)字圖書館＼數(shù)字人文＼知識圖譜”以及“知識服務＼研究熱點＼文獻計量＼用戶畫像＼可視化分析”等9個中頻詞。

高校學科建設主題的關鍵詞聚類包含了排名第一的超高頻詞“高校圖書館”和其它兩個高頻詞“圖書館學＼情報學”，以及2個中頻詞，其中“雙一流”幾乎與“高校圖書館”重疊，“圖書情報工作”與其它的高頻詞鄰近。

智庫與輿情主題包含了“大數(shù)據(jù)＼智庫＼高校＼網(wǎng)絡輿情＼情感分析”5個關鍵詞，其中“智庫”與“高校”幾乎重疊，共現(xiàn)關系緊密。

服務模式主題的包含了4個共現(xiàn)頻繁的關鍵詞“圖書館服務＼服務模式＼深度學習＼空間再造”。

移動圖書館主題包括3個相互鄰近的中頻詞“扎根理論＼社交媒體＼移動圖書館”。

大學圖書館主題涉及1個高頻詞“信息素養(yǎng)”和兩個“大學圖書館＼大學生”。

此外“人工智能”和“學科服務”2個高頻詞幾乎重疊，兩者共現(xiàn)頻次很高，說明人工智能技術已經(jīng)應用于圖情學科服務當中，將為圖情學科的理論研究與實踐發(fā)揮出更多的作用。

6 結(jié)論

本文根據(jù)圖書情報領域?qū)W術論文關鍵詞共現(xiàn)信息構(gòu)建了大型期刊論文關鍵詞關聯(lián)網(wǎng)絡，利用網(wǎng)絡嵌入技術將關鍵詞映射為低維實值向量，進而在該嵌入空間內(nèi)實施關鍵詞主題可視化分析，其主要結(jié)論有如下幾點。

（1）關鍵詞之間全局分布和局部聚集關系表明，“高校圖書館”“圖書館”“公共圖書館”“閱讀推廣”“大數(shù)據(jù)”等超高頻關鍵詞是圖書情報領域的核心構(gòu)成詞語，閱讀和服務仍然是該領域的核心內(nèi)容;“文獻計量”“網(wǎng)絡輿情”“美國”“高?！薄肮参幕铡笔窃擃I域的研究熱點;以這些關鍵詞為中心形成了該領域的多個研究主題，主要集中在技術創(chuàng)新、服務模式創(chuàng)新、圖書館數(shù)字化建設與服務、計量表現(xiàn)形式、數(shù)據(jù)資源整合、精準服務、高校輿情分析、高校學科服務、文獻計量研究等方面。

（2）2016—2019年連續(xù)四年的關鍵詞關聯(lián)網(wǎng)絡對比結(jié)果表明，“高校圖書館”等超高頻學科核心詞匯與和“圖書館服務”等服務類詞匯屬于熱度持續(xù)主題的高頻關鍵詞，而且與之相關的共現(xiàn)關鍵詞內(nèi)容呈現(xiàn)多樣化;“智慧圖書館”“人工智能”等“智能智慧”主題屬于熱度增加主題關鍵詞，而且其熱度傳播范圍逐漸增加;“MOOC”和“微信”等涉及到已經(jīng)成熟的平臺應用詞匯屬于熱度減退主題關鍵詞，“數(shù)據(jù)挖掘”等已經(jīng)逐漸被“人工智能”等先進技術所取代的詞匯也呈現(xiàn)熱度減退現(xiàn)象。隨著2017年國務院頒布《新一代人工智能發(fā)展規(guī)劃》以及近幾年人工智能領域各種標準化白皮書的發(fā)布，預計人工智能及其相關應用仍是未來5年內(nèi)圖情領域的研究熱點。

（3）2019年國內(nèi)外關鍵詞關聯(lián)網(wǎng)絡對比結(jié)果表明，“社交媒體”“定性”“文獻計量”“知識管理”和“高校圖書館”為國外圖書情報領域的核心構(gòu)成詞語;國內(nèi)外排名前20高頻關鍵詞的內(nèi)容差異很大，國外的研究主題側(cè)重定性知識分析、文獻計量工作、社交媒體分析和互聯(lián)網(wǎng)知識傳播，而國內(nèi)的研究主題更加側(cè)重圖書館服務、高校學科建設、智庫以及互聯(lián)網(wǎng)+等互聯(lián)網(wǎng)擴展應用。從分析也發(fā)現(xiàn)，國內(nèi)外共同認為互聯(lián)網(wǎng)是知識傳播的重要渠道，但國外側(cè)重互聯(lián)網(wǎng)本身，而國內(nèi)側(cè)重移動圖書館等互聯(lián)網(wǎng)擴展應用。建議國內(nèi)圖情領域加強專業(yè)性社交媒體的信息傳播以及文獻計量方面的研究，以便更好地與國際圖情研究接軌，從而擴大國內(nèi)圖情研究工作的國際影響力。

參考文獻：

尹相旭，張更平，李曉菲.基于關鍵詞統(tǒng)計的情報學研究現(xiàn)狀分析[J]. 情報雜志， 2009， 28（11）： 1-4.

劉奕杉，王玉琳，李明鑫. 詞頻分析法中高頻詞閾值界定方法適用性的實證分析[J].數(shù)字圖書館論壇，2017（9）： 42-49.

魏瑞斌.基于關鍵詞的情報學研究主題分析[J].情報科學，2006，24（9）：1400-1404，1434.

馮璐，冷伏海. 共詞分析方法理論進展[J]. 中國圖書館學報， 2006， 32（2）：88-92.

閔超， 孫建軍. 基于關鍵詞交集的學科交叉研究熱點分析：以圖書情報學和新聞傳播學為例[J]. 情報雜志， 2014，33（5）：76-82.

陳新花. 基于關鍵詞的圖書館知識服務研究分析[J]. 圖書情報工作， 2015，59（S2）：128-131.

唐果媛. 基于共詞分析法的學科主題演化研究方法的構(gòu)建[J ].圖書情報工作，2017，61 （23）： 100-107.

李綱，巴志超. 共詞分析過程中的若干問題研究[J].中國圖書館學報，2017，43 （4）： 93-113.

張明鑫. 基于共詞分析的國內(nèi)圖書館領域微信研究熱點分析[J]. 圖書情報導刊， 2017，2（5）：30-35.

張俊， 洪詩佳. 國內(nèi)圖書館創(chuàng)客空間熱點研究及發(fā)展趨勢[J]. 圖書館研究， 2017，47（5）：128-134.

楊建林. 學術個體研究方向的關聯(lián)分析：以中國情報學領域為例[J]. 情報科學， 2015，33（2）：132-138.

李娜. 國內(nèi)圖書館嵌入式服務研究主題分析：基于知識圖譜的視角[J]. 現(xiàn)代情報， 2016， 36（10）：156-163.

詹婧， 張仁瓊. 基于文獻計量的圖書館MOOC研究[J]. 圖書館學刊， 2017，39（8）：106-113.

林龍. 基于共詞網(wǎng)絡分析法探析2017年圖書館研究特點[J]. 西部皮革， 2018， 40（8）：136-137.

嚴珊. 基于共詞與社會網(wǎng)絡分析的圖書館大數(shù)據(jù)現(xiàn)狀研究[J]. 圖書館研究與工作， 2018， 167（5）：15-20.

徐坤， 畢強. 次高頻關鍵詞的選擇及在共詞分析中的應用[J]. 情報理論與實踐， 2019， 42（5）：152-156.

李樂，章毓晉. 非負矩陣分解算法綜述[J]. 電子學報，2008，36（4）：737-743.

申國偉， 楊武， 王巍， 等. 基于非負矩陣分解的大規(guī)模異構(gòu)數(shù)據(jù)聯(lián)合聚類. 計算機研究與發(fā)展， 2016，53（2）：459-466

楊愛青，馬秀峰，張風燕，等. g 指數(shù)在共詞分析主題詞選取中的應用研究[J]. 情報雜志，2012，31 （2）：52-55，74.

陳果，肖璐，趙雪芹. 領域知識分析中的關鍵詞選擇方法研究：一種以學科為背景的全局視角[J].情報學報，2014，33 （9）： 959-968.

劉敏娟，張學福，顏蘊. 基于詞頻、詞量、累積詞頻占比的共詞分析詞集范圍選取方法研究[J]. 圖書情報工作，2016，60 （23）： 135-142.

徐小瑩 西北工業(yè)大學圖書館館員。 陜西西安，710072。

李 輝 西北工業(yè)大學圖書館副館長、副研究館員。 陜西西安，710072。

（收稿日期：2020-05-20 編校：劉 明，陳安琪）