知識(shí)發(fā)現(xiàn)（KD）研究熱點(diǎn)與前沿的信息可視化分析

●郭凌輝（武漢大學(xué) 信息管理學(xué)院，武漢 430072）

1 前言

知識(shí)發(fā)現(xiàn)（KD）是計(jì)算機(jī)科學(xué)發(fā)展最快的領(lǐng)域之一。

知識(shí)發(fā)現(xiàn)（KD）就是從大量數(shù)據(jù)中提取出可信的、新穎的、潛在有用的并能被人理解的模式的高級(jí)處理過程。[1]知識(shí)發(fā)現(xiàn)一個(gè)重要步驟是數(shù)據(jù)挖掘（DM），數(shù)據(jù)挖掘是從數(shù)據(jù)中提取知識(shí)的實(shí)際過程。在實(shí)踐中，人們通常把數(shù)據(jù)挖掘（DM）、知識(shí)發(fā)現(xiàn)（KD）以及數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)（DMKD）看做同義語。隨著信息時(shí)代和知識(shí)經(jīng)濟(jì)的到來，KD理論和技術(shù)，已成為計(jì)算機(jī)應(yīng)用的重點(diǎn)領(lǐng)域，知識(shí)發(fā)現(xiàn)的研究范圍在不斷擴(kuò)大，研究熱度不斷升溫。

近年來，國內(nèi)外知識(shí)發(fā)現(xiàn)研究學(xué)者對(duì)知識(shí)發(fā)現(xiàn)的研究現(xiàn)狀、前沿與熱點(diǎn)、發(fā)展趨勢(shì)等進(jìn)行了一定程度的研究。如楊炳儒等（2005） 認(rèn)為目前國際上KDD的研究主要是以知識(shí)發(fā)現(xiàn)的任務(wù)描述、知識(shí)評(píng)價(jià)與知識(shí)表示為主線，以有效的知識(shí)發(fā)現(xiàn)算法為中心，這是在相當(dāng)長的一段時(shí)間內(nèi)保持的主流基調(diào)。[2]Krzysztof J.Cios，LukaszA.Kurgan（2006） 認(rèn)為，除了設(shè)計(jì)和實(shí)施一個(gè)新的DMKD框架之外，還需要更多的實(shí)際行動(dòng)。它包括設(shè)計(jì)一種高性能的新一代數(shù)據(jù)挖掘系統(tǒng)，該系統(tǒng)具備復(fù)合數(shù)據(jù)挖掘方法，能從海量復(fù)雜數(shù)據(jù)中特別是多媒體數(shù)據(jù)中挖掘有用的知識(shí)，并能可視化分析結(jié)果。[3]孫吉紅和焦玉英（2006） 認(rèn)為知識(shí)發(fā)現(xiàn)研究的重點(diǎn)領(lǐng)域和趨勢(shì)集中在：文本挖掘、數(shù)據(jù)挖掘（查詢）語言的設(shè)計(jì)、數(shù)據(jù)立方的數(shù)據(jù)挖掘、概念知識(shí)庫挖掘、基于可視化的知識(shí)發(fā)現(xiàn)、復(fù)雜數(shù)據(jù)類型挖掘的新方法、可伸縮的數(shù)據(jù)挖掘方法。除此之外，知識(shí)發(fā)現(xiàn)與數(shù)據(jù)隱私保護(hù)和信息安全、開發(fā)知識(shí)發(fā)現(xiàn)語言、專項(xiàng)挖掘查詢語言及其優(yōu)化等領(lǐng)域也是數(shù)據(jù)挖掘未來發(fā)展的趨勢(shì)。[4]黃紫菲（2006） 則認(rèn)為，目前，國外對(duì)KDD的研究主要有：對(duì)Bayes（貝葉斯）方法以及Boosting方法的研究和提高；傳統(tǒng)的統(tǒng)計(jì)學(xué)回歸法在KDD中的應(yīng)用；KDD與數(shù)據(jù)庫的緊密結(jié)合。在應(yīng)用方面包括KDD商業(yè)軟件工具不斷產(chǎn)生和完善，注重建立解決問題的整體系統(tǒng)，而不是孤立的過程。[5]靳展（2008） 認(rèn)為知識(shí)發(fā)現(xiàn)的研究重點(diǎn)也逐漸從發(fā)現(xiàn)方法轉(zhuǎn)向系統(tǒng)應(yīng)用，并且注重多種發(fā)現(xiàn)策略和技術(shù)的集成，以及各種學(xué)科之間的相互滲透。[6]楊炳儒（2008）認(rèn)為當(dāng)前KD&DM研究的趨向主要有：原有理論方法的深化與拓展；復(fù)雜類型（系統(tǒng)）數(shù)據(jù)挖掘成為熱點(diǎn)；新技術(shù)方法的引入（其他學(xué)科領(lǐng)域的滲透）；理論融合交叉性研究；強(qiáng)化基礎(chǔ)理論研究等。[7]李進(jìn)華（2009）認(rèn)為網(wǎng)格環(huán)境下的分布式知識(shí)發(fā)現(xiàn)將朝著更廣范圍與更大規(guī)模的數(shù)據(jù)集、更豐富的知識(shí)發(fā)現(xiàn)工具、更加智能化的知識(shí)發(fā)現(xiàn)調(diào)度策略、更高程度自動(dòng)化的知識(shí)發(fā)現(xiàn)流程、更加個(gè)性化的知識(shí)服務(wù)等方面發(fā)展。[8]

前述有關(guān)研究基本均是定性分析，是主觀思辯的結(jié)果。筆者擬在相關(guān)文獻(xiàn)研究的基礎(chǔ)上，基于科學(xué)計(jì)量學(xué)的方法，從科學(xué)知識(shí)圖譜的角度，對(duì)近年來國際上對(duì)知識(shí)發(fā)現(xiàn)（KD） 前沿主流研究領(lǐng)域與相關(guān)熱點(diǎn)問題進(jìn)行初步的以定量分析為主，定性分析為輔的探析，希望對(duì)知識(shí)發(fā)現(xiàn)（KD）的研究有所裨益。

2 數(shù)據(jù)來源與研究方法

本文所使用的數(shù)據(jù)，全部來源于美國的科學(xué)情報(bào)研究所（Institute for Scientific Information，縮寫為ISI） 出版的Web of Science數(shù)據(jù)庫中的 （SCI-EXPANDED，SSCI，A&HCI，CPCI-S，CPCI-SSH） 文獻(xiàn)。數(shù)據(jù)的檢索策略是“TS（主題）=Knowledge discovery AND 語言 =（English）AND文獻(xiàn)類型 =（Article） 數(shù)據(jù)庫 =SCI-EXPANDED，SSCI，A&HCI AND入庫時(shí)間 =1986-2009，檢索結(jié)果為3987條文獻(xiàn)記錄，數(shù)據(jù)下載日期為2010年3月10日。

本文采用以定量分析為主的科學(xué)知識(shí)圖譜的繪制方法，[9，10]借助陳超美博士開發(fā)的信息可視化軟件Citespace，[11]形象地展示出國際KD研究的熱點(diǎn)與前沿。通過繪制科學(xué)知識(shí)圖譜，可以將知識(shí)和信息中令人注目的最前沿領(lǐng)域或?qū)W科制高點(diǎn)，以可視化的圖像直觀地展現(xiàn)出來，幫助人們挖掘、分析和顯示科學(xué)知識(shí)以及它們之間相互關(guān)系，并能夠較為直觀地識(shí)別學(xué)科前沿的演進(jìn)路徑及學(xué)科領(lǐng)域的經(jīng)典基礎(chǔ)文獻(xiàn)。分析共被引作者，可以發(fā)現(xiàn)該學(xué)科的重要核心人物及相互之間的學(xué)術(shù)親緣關(guān)系。[12，13]此外，CiteSpace還具有關(guān)鍵詞聚類和膨脹詞探測功能，以此便可確定某研究領(lǐng)域的前沿領(lǐng)域和發(fā)展趨勢(shì)。

3 結(jié)果分析

3.1 國際知識(shí)發(fā)現(xiàn)研究的關(guān)鍵節(jié)點(diǎn)文獻(xiàn)與作者

我們將1986—2009年發(fā)表的全部3987篇“知識(shí)發(fā)現(xiàn)”的題錄數(shù)據(jù)輸入Citespace軟件中，這些題錄數(shù)據(jù)主要包括標(biāo)題、關(guān)鍵詞、摘要和參考文獻(xiàn)等。選擇網(wǎng)絡(luò)節(jié)點(diǎn)確定為參考文獻(xiàn)，將1986—2009年這24年跨度分為8個(gè)時(shí)間分區(qū)（每3年一個(gè)分區(qū)），閾值分別設(shè)置為 （2，2，20），（4，3，20），（4，3，20），運(yùn)行Citespace軟件，得到國際知識(shí)發(fā)現(xiàn)研究共引網(wǎng)絡(luò)知識(shí)圖譜（見圖1）。字體越大表明越是重要的節(jié)點(diǎn)文獻(xiàn)。

圖1 國際知識(shí)發(fā)現(xiàn)（KD）研究的關(guān)鍵節(jié)點(diǎn)文獻(xiàn)

通過圖1我們可以清晰地看到國際知識(shí)發(fā)現(xiàn)研究領(lǐng)域經(jīng)典文獻(xiàn)之間的共被引關(guān)系。在這張圖譜中我們可以看到6個(gè)最突出的關(guān)鍵節(jié)點(diǎn)文獻(xiàn)。根據(jù)陳超美博士的定義，共引網(wǎng)絡(luò)圖譜中的關(guān)鍵節(jié)點(diǎn)是圖譜中連接2個(gè)以上不同聚類，且相對(duì)中心度和被引頻次較高的節(jié)點(diǎn)。這些節(jié)點(diǎn)可能成為網(wǎng)絡(luò)中由一個(gè)時(shí)間段向另一個(gè)時(shí)間段過度的關(guān)鍵點(diǎn)。[14]從知識(shí)領(lǐng)域的角度看，關(guān)鍵節(jié)點(diǎn)文獻(xiàn)一般是提出重要的新理論或是具有重大理論創(chuàng)新的經(jīng)典文獻(xiàn)，也是最有可能形成科學(xué)研究前沿?zé)狳c(diǎn)的文獻(xiàn)。

從圖1可以看出，按照節(jié)點(diǎn)在共引網(wǎng)絡(luò)中的大小，視圖中最突出的是Agrawal R,Imielinski T和Swami A（1993） 年發(fā)表的《Miningassociationrules betweensets of items in large databases》。在該文中，Agrawal等首先提出了挖掘顧客交易數(shù)據(jù)庫中項(xiàng)集間的關(guān)聯(lián)規(guī)則問題，其核心方法是基于頻集理論的遞推方法。關(guān)聯(lián)規(guī)則是Agrawal等人提出的數(shù)據(jù)挖掘領(lǐng)域中的一個(gè)重要課題，它是描述在一個(gè)交易中物品之間同時(shí)出現(xiàn)的規(guī)律的知識(shí)模式。關(guān)聯(lián)規(guī)則的分析方法用于隱藏在大型數(shù)據(jù)集中令人感興趣的聯(lián)系。所發(fā)現(xiàn)的聯(lián)系可以用關(guān)聯(lián)規(guī)則或頻繁項(xiàng)集的形式表示。關(guān)聯(lián)規(guī)則可以揭示事物之間的聯(lián)系，也用于購物籃分析，金融服務(wù)和科學(xué)數(shù)據(jù)分析等。[15]

并列排在第一位的作者是QuinlanJ R，他在1993年出版了《C4.5:Programs for Machine Learning》一書。決策樹方法在機(jī)器學(xué)習(xí)、知識(shí)發(fā)現(xiàn)等領(lǐng)域具有廣泛應(yīng)用。在該書中，他提出了ID方法的改進(jìn)版本C4.5算法。C4.5決策樹算法的核心思想是利用信息熵原理，選擇信息增益率最大的屬性作為分類屬性，遞歸地構(gòu)造決策樹的分枝，完成決策樹的構(gòu)造。[16，17]

排在第三位的是Agrawal R和Srikant R 1994年發(fā)表的Fast algorithms for mining association rules in large databases一文，文中Agrawal等人提出了著名的Apriori算法，改進(jìn)了1993年提出的算法中支持度的計(jì)算方法，利用支持度的單調(diào)性來對(duì)候選項(xiàng)集進(jìn)行剪枝，從而大大減少了候選項(xiàng)集的數(shù)量和計(jì)算時(shí)間，其后的許多關(guān)聯(lián)規(guī)則算法都是基于Apriori算法或者是其變種。[18，19]

此外，Breiman L,Friedman J H,Olshen R A,Stone C J在1984年出版的Classification and Regression Trees[20]一書提出了分類與回歸樹算法CART（Classification and RegressionTree），Quinlan J R在1986年發(fā)表的《Induction ofdecision trees》[21]一文提出了 ID3決策樹算法。

以上這些文獻(xiàn)都是國際知識(shí)發(fā)現(xiàn)（KD）研究中的關(guān)鍵文獻(xiàn)，在知識(shí)發(fā)現(xiàn)知識(shí)圖譜中均處于較重要的中心位置，對(duì)推動(dòng)國際知識(shí)發(fā)現(xiàn)研究起了重要作用。而這些文獻(xiàn)的作者是國際知識(shí)發(fā)現(xiàn)研究的重要節(jié)點(diǎn)文獻(xiàn)作者。

3.2 國際知識(shí)發(fā)現(xiàn)的研究熱點(diǎn)

關(guān)鍵詞在一篇文章中所占的篇幅雖然不大，但卻是文章的核心與精髓，是文章主題的高度概括和凝練，因此對(duì)文章的關(guān)鍵詞進(jìn)行分析，頻次高的關(guān)鍵詞常被用來確定一個(gè)研究領(lǐng)域的熱點(diǎn)問題。[22，23]Citespace是一個(gè)由Java語言編寫的基于共引分析的引文網(wǎng)絡(luò)可視化軟件。運(yùn)行該軟件時(shí)，可以選擇使用關(guān)鍵路徑（pathfinder）算法或最小生成樹（minimumspanning trees）算法對(duì)科學(xué)文獻(xiàn)引文共引網(wǎng)絡(luò)的路徑進(jìn)行分析和處理，并可以通過顯示高頻關(guān)鍵詞來確定國際KD研究的主要研究領(lǐng)域和研究熱點(diǎn)。

我們將1986—2009年發(fā)表的全部3987篇“KD”相關(guān)文獻(xiàn)數(shù)據(jù)輸入到Citespace軟件中，網(wǎng)絡(luò)節(jié)點(diǎn)確定為關(guān)鍵詞（keyword），主題詞來源選擇標(biāo)題（title）、摘要（abstract）和關(guān)鍵詞（descriptors與identifiers），詞項(xiàng)選擇名詞短語（noun phrases），調(diào)節(jié)Citespace閾值為 （2，2，20），（4，3，20），（4，3，20），選擇pathfinder算法，經(jīng)整理生成主題詞被引頻次大于10的主題詞列表（見表2） 以及圖2所示的國際KD研究熱點(diǎn)領(lǐng)域知識(shí)圖譜。

表2 “KD”研究文獻(xiàn)出現(xiàn)頻次〉50的主題詞

圖2 國際KD研究的研究熱點(diǎn)知識(shí)圖譜

圖2顯示的是高頻關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)圖，從圖2和表2中可以清晰地看出，出現(xiàn)頻次最高的主題詞是knowledge discovery，出現(xiàn)的頻次達(dá)541次；其次是datamining，出現(xiàn)的頻次為305次，表明數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)不可分割，數(shù)據(jù)挖掘也是國際KD研究的核心和基點(diǎn)。高頻主題詞反映出國際KD研究的其他主要熱點(diǎn)領(lǐng)域還包括drug discovery（藥物發(fā)現(xiàn)）、prior knowledge（先驗(yàn)知識(shí)）、neural network（神經(jīng)網(wǎng)絡(luò)）、associationrule（關(guān)聯(lián)規(guī)則）等。數(shù)據(jù)挖掘技術(shù)為新藥發(fā)現(xiàn)提供一種新的思路和方法。數(shù)據(jù)挖掘技術(shù)能夠幫助科研人員在大的數(shù)據(jù)庫中發(fā)現(xiàn)隱含的知識(shí)，更好、更快、更有效地決策，增強(qiáng)競爭力，加快藥物研發(fā)速度，提高藥物研發(fā)水平。此外neuralnetwork（神經(jīng)網(wǎng)絡(luò)）、associationrule（關(guān)聯(lián)規(guī)則）也是當(dāng)前知識(shí)發(fā)現(xiàn)領(lǐng)域人們研究的熱點(diǎn)。

3.3 國際知識(shí)發(fā)現(xiàn)的研究前沿和發(fā)展趨勢(shì)

同樣是針對(duì)1986—2009年發(fā)表的全部3987篇“KD”相關(guān)文獻(xiàn)的題錄數(shù)據(jù)，我們利用Citespace軟件中提供的膨脹詞探測（burst detection） 技術(shù)和算法，通過考察詞頻的時(shí)間分布，將其中頻次變化率高的詞（burstterm）從大量的主題詞中探測出來，依據(jù)詞頻的變動(dòng)趨勢(shì)，而不僅僅是頻次的高低，來確定國際KD研究的前沿領(lǐng)域和發(fā)展趨勢(shì)。24網(wǎng)絡(luò)節(jié)點(diǎn)選擇為（keyterm），并選擇膨脹詞短語（burstphrases），閾值選擇默認(rèn)值 （2，2，20），（4，3，20），（4，3，20），點(diǎn)擊探測膨脹詞（findburstphrases），通過運(yùn)行Citespace軟件，探測出的膨脹詞居于前7位的是，false discovery rate（錯(cuò)誤發(fā)現(xiàn)率）、pharmaceutical industry（醫(yī)藥產(chǎn)業(yè)）、gene expression data（基因表達(dá)數(shù)據(jù)）、bindingsite（結(jié)合點(diǎn)位）、clusteringalgorithm（聚類算法）、genetic algorithm（遺傳算法）、potential discovery（潛能發(fā)現(xiàn)）?？梢哉J(rèn)為，這些方向是近年來國際知識(shí)發(fā)展研究的前沿領(lǐng)域，代表著國際知識(shí)發(fā)現(xiàn)研究的發(fā)展趨勢(shì)。

[1] Fayyad UM.Advances in Knowledge Discovery and Data Mining[M].AAAi/MITPress,1996.

[2] 楊炳儒，等.基于內(nèi)在認(rèn)知機(jī)理的知識(shí)發(fā)現(xiàn)理論及其應(yīng)用[J].自然科學(xué)進(jìn)展,2005,15（12）：107互115.

[3] KrzysztofJ Cios,LukaszA Kurgan.Trendsin Data Mining and Knowledge Discovery[M].Springer Berlin/Heidelberg，2006：6互32.

[4] 孫吉紅，焦玉英.知識(shí)發(fā)現(xiàn)及其發(fā)展趨勢(shì)研究[J].情報(bào)理論與實(shí)踐，2006，29（5）：528互531.

[5] 黃紫菲.內(nèi)容分析與知識(shí)發(fā)現(xiàn)的比較研究[J].情報(bào)理論與實(shí)踐，2006，29（5）：524互527.

[6] 靳展.基于語義Web的知識(shí)發(fā)現(xiàn)方法研究[D].哈爾濱：哈爾濱工程大學(xué)，2008.

[7] 楊炳儒.知識(shí)發(fā)現(xiàn)領(lǐng)域中當(dāng)今面臨的五類重大問題[J].中國工程科學(xué)，2008，11（11）：76互83.

[8] 李進(jìn)華.網(wǎng)格環(huán)境下的分布式知識(shí)發(fā)現(xiàn)研究進(jìn)展[J].情報(bào)理論與實(shí)踐，2009，32（11）：120互124.

[9] 陳悅，劉則淵.悄然興起的科學(xué)知識(shí)圖譜[J].科學(xué)學(xué)研究，2005，23（2）：149互154.

[10] 侯海燕，等.當(dāng)代國際科學(xué)學(xué)研究熱點(diǎn)演進(jìn)趨勢(shì)知識(shí)圖譜 [J].科研管理，2006，27（3）：90互96.

［11］ Visualizing Patterns and Trends in Scienific Literature.［EB/OL］. ［2010互03互14］.http://cluster.cis.drexel.edu/～cchen/citespace/.

［12］ Chen C. Measuring the movement of a research paradigm［J］. Proc.of SPIE- IST: Visualization and Data-Analysis，2005 （17互18）：5669.

[13] Chen C.Searching for intellectual turning points:progressive know ledgedomainvi sualization [J].Proc.Nat.l Acad.Sc.iUSA，2004 （101） :5303互5310.

[14] ChenC.The centrality of pivotal points in the evolution of the scientific networks[C]//in proceedings of the international conference on intelligent user interfaces（IUI2005）.San Diego，CA，2005：37互43.

[15] R Agrawal.Mining Association Rules Between Sets of Items in Large Databases[C].Washington:Proceedings of the ACMSIG MOD International Conference Management of Data，1993：207互216.

[16] Quilan JR.C4.5:Programs for Machine Learning[M].San Mateo,CA：Morgan Kaufman Publisher,1993：10互51.

[17] 李強(qiáng).創(chuàng)建決策樹算法的比較研究—ID3,C4.5,C5.0算法的比較 [J].甘肅科學(xué)學(xué)報(bào),2006（12）：84互87.

[18] Agrwal R,SrikanR.Fast Algorithms for Mining Association Rules in Large Databases[C].Proceedings of the Twentieth International Conference on Very Large Databases，Santiago，Chile 1994，9：487互499.

[19] 王卉，張紅君.關(guān)聯(lián)挖掘研究綜述[J].軟件導(dǎo)刊,2009（3）：7互8.

[20] Breiman L,et al.Classification and Regression Tree[M].Wadsworth,Inc.1984.

[21] QuinlanJR.Induction of decision trees[J].Machine Learning，1986（1）：81互106.

[22] Bailon-Moreno R，etal.Analy sis of the field of physical chemistry of surfactants with the unified scienc to metric mode.l fit of relational and activity indicators[J].Sciento metrics，2005，63 （2）：259互276.

[23] BelvauxG，WolseyLA.Bc-prod：aspecialized branch-and-cutsystem forlot-sizing problems[J].Management Science，2000，46 （5）：724互738.

[24] 欒春娟，等.國際科技政策研究熱點(diǎn)與前沿的可視化分析 [J].科學(xué)學(xué)研究，2009，127（2）：240互243.