基于LDA模型的國(guó)內(nèi)大數(shù)據(jù)研究熱點(diǎn)主題分析

邱均平　沈超

DOI：10.3969/j.issn.1008-0821.2021.09.003

[中圖分類號(hào)]G250.2 [文獻(xiàn)標(biāo)識(shí)碼]A [文章編號(hào)]1008-0821（2021）09-0022-10

“大數(shù)據(jù)”一詞在《中共中央關(guān)于制定國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)五年規(guī)劃和二0三五年遠(yuǎn)景目標(biāo)的建議》（以下簡(jiǎn)稱《建議》）中一共出現(xiàn)了3次?！督ㄗh》指出，要推動(dòng)大數(shù)據(jù)同各產(chǎn)業(yè)深度融合，加快大數(shù)據(jù)中心建設(shè)，以及加強(qiáng)宏觀經(jīng)濟(jì)治理數(shù)據(jù)庫(kù)等建設(shè)，提升大數(shù)據(jù)等現(xiàn)代技術(shù)手段輔助治理能力，可見(jiàn)國(guó)家對(duì)于大數(shù)據(jù)的重視。大數(shù)據(jù)一詞于2008年9月首次在《Nature》雜志被提出，此后大數(shù)據(jù)迅速引起了學(xué)術(shù)界的廣泛關(guān)注，不同學(xué)科的學(xué)者紛紛開(kāi)始從自己學(xué)科的角度去探索大數(shù)據(jù)的含義概念、大數(shù)據(jù)的分析方法和大數(shù)據(jù)在本學(xué)科的應(yīng)用。在以文獻(xiàn)、信息和數(shù)據(jù)為研究對(duì)象的圖書(shū)情報(bào)學(xué)科內(nèi)對(duì)大數(shù)據(jù)進(jìn)行的研究也迅速增長(zhǎng)?？萍嘉墨I(xiàn)作為學(xué)術(shù)成果的重要載體，是科研人員大量智慧汗水的結(jié)晶，是進(jìn)行知識(shí)傳播和學(xué)術(shù)交流的重要途徑。因此，對(duì)科技文獻(xiàn)進(jìn)行計(jì)量分析，能夠了解大數(shù)據(jù)的發(fā)展現(xiàn)狀，預(yù)測(cè)其發(fā)展趨勢(shì)。

對(duì)大數(shù)據(jù)領(lǐng)域相關(guān)文獻(xiàn)進(jìn)行計(jì)量分析的研究，國(guó)內(nèi)一些學(xué)者多是通過(guò)文獻(xiàn)計(jì)量的相關(guān)方法進(jìn)行的。趙悅陽(yáng)等使用Web of Science的分析功能和可視化軟件UCINET、gCLUTO，對(duì)Web of Science數(shù)據(jù)庫(kù)中的相關(guān)論文進(jìn)行發(fā)文分析、詞頻分析、共現(xiàn)分析和雙聚類分析。得出高產(chǎn)國(guó)家（地區(qū)）、高產(chǎn)機(jī)構(gòu)、高產(chǎn)作者和研究熱點(diǎn)的結(jié)論。童子頤以中國(guó)學(xué)術(shù)期刊網(wǎng)絡(luò)出版總庫(kù)中我國(guó)大數(shù)據(jù)研究相關(guān)論文的高頻關(guān)鍵詞作為統(tǒng)計(jì)數(shù)據(jù)，對(duì)其進(jìn)行共詞分析，并在此基礎(chǔ)上對(duì)其進(jìn)行聚類分析和多維尺度分析，得出我國(guó)大數(shù)據(jù)研究的熱點(diǎn)主要有：大數(shù)據(jù)技術(shù)、新聞傳媒中的大數(shù)據(jù)、大數(shù)據(jù)應(yīng)用等。代芯瑜等對(duì)我國(guó)2003—2012年發(fā)表的有關(guān)大數(shù)據(jù)研究論文進(jìn)行統(tǒng)計(jì)，利用文獻(xiàn)計(jì)量法和可視化分析方法，從宏觀上把握近年來(lái)我國(guó)的大數(shù)據(jù)研究現(xiàn)狀及研究重點(diǎn)，并得到相關(guān)研究結(jié)論。夏軍輝等對(duì)圖書(shū)情報(bào)領(lǐng)域關(guān)于大數(shù)據(jù)的研究現(xiàn)狀、熱點(diǎn)、主要研究方法和發(fā)展趨勢(shì)進(jìn)行了分析和整理。王春華等使用CNKI數(shù)據(jù)庫(kù)，將學(xué)科定為圖書(shū)情報(bào)與數(shù)字圖書(shū)館，將主題定為大數(shù)據(jù)，將得到的文獻(xiàn)數(shù)據(jù)運(yùn)用詞頻統(tǒng)計(jì)方法和共詞分析方法，借助SPSS軟件和UCINET軟件，對(duì)這些文獻(xiàn)數(shù)據(jù)進(jìn)行聚類分析、戰(zhàn)略坐標(biāo)圖分析和核心一邊緣結(jié)構(gòu)分析，得出了國(guó)內(nèi)圖書(shū)情報(bào)領(lǐng)域大數(shù)據(jù)研究的8個(gè)熱點(diǎn)研究主題，并對(duì)熱點(diǎn)研究主題進(jìn)行了詳細(xì)的解析。虞秋雨等以近5年圖書(shū)情報(bào)領(lǐng)域在中國(guó)知網(wǎng)數(shù)據(jù)庫(kù)中核心期刊收錄的有關(guān)“大數(shù)據(jù)”主題的文獻(xiàn)為研究對(duì)象，建立了一種以g指數(shù)為主要基礎(chǔ)的劃分高頻詞的方法，利用Excel軟件進(jìn)行數(shù)據(jù)統(tǒng)計(jì)并構(gòu)造共詞矩陣。同時(shí)借助SPSS、Paiek軟件對(duì)矩陣進(jìn)行可視化分析、K-core分析以及聚類分析，研究文獻(xiàn)中各關(guān)鍵詞間的關(guān)系，探討了近5年我國(guó)圖書(shū)情報(bào)領(lǐng)域關(guān)于大數(shù)據(jù)主題的研究熱點(diǎn)。黃鸝等基于Web of Science數(shù)據(jù)庫(kù)，從發(fā)文年代、國(guó)家（地區(qū)）和機(jī)構(gòu)、核心作者及主要期刊分布幾方面分析了醫(yī)學(xué)信息學(xué)科大數(shù)據(jù)研究的現(xiàn)狀和進(jìn)展，借助軟件對(duì)關(guān)鍵詞進(jìn)行聚類分析，發(fā)現(xiàn)研究熱點(diǎn)主要集中在臨床決策支持系統(tǒng)、臨床研究數(shù)據(jù)管理、電子健康檔案、轉(zhuǎn)化生物信息學(xué)和遺傳流行病學(xué)等方面。范婷等運(yùn)用雙聚類法對(duì)醫(yī)學(xué)大數(shù)據(jù)的研究熱點(diǎn)進(jìn)行了分析，得出發(fā)文量分布、期刊分布、高頻主題詞及共詞聚類結(jié)果。

上述研究中，對(duì)研究熱點(diǎn)進(jìn)行分析多用文獻(xiàn)計(jì)量的方法，借助LDA主題模型分析大數(shù)據(jù)領(lǐng)域文獻(xiàn)的熱點(diǎn)研究主題的文章極少。為適應(yīng)當(dāng)前文獻(xiàn)數(shù)量劇增的現(xiàn)狀，本文試圖借助LDA模型，對(duì)CNKI數(shù)據(jù)庫(kù)中標(biāo)題帶有“大數(shù)據(jù)”的中文期刊論文進(jìn)行文本建模，通過(guò)困惑度確定模型的最優(yōu)主題數(shù)，并對(duì)文檔—主題矩陣和主題—詞矩陣進(jìn)行分析，以期了解大數(shù)據(jù)領(lǐng)域研究現(xiàn)狀和研究熱點(diǎn)，為研究人員提供參考。

1相關(guān)技術(shù)

1.1 LDA

LDA（Latent Dirichlet Allocation）模型，是由Blei D M等于2003年提出的一種基于概率模型的主題模型算法，LDA是一種非監(jiān)督機(jī)器學(xué)習(xí)的文本挖掘技術(shù)，可以用來(lái)識(shí)別大規(guī)模文檔集或語(yǔ)料庫(kù)中的潛在隱藏的主題信息。

LDA模型算法中一篇文章的每個(gè)詞都是通過(guò)以一定概率選擇了某個(gè)主題，并從該主題中以一定概率選擇某個(gè)詞語(yǔ)這樣的過(guò)程得到的。該方法假設(shè)文本中的每個(gè)詞是從一個(gè)潛在隱藏的主題中抽取出來(lái)的。對(duì)于語(yǔ)料庫(kù)中的每篇文檔，LDA定義了如下生成過(guò)程：首先，對(duì)每一篇文檔，從主題分布中抽取一個(gè)主題;其次，從上述被抽到的主題中所對(duì)應(yīng)的單詞分布中抽取一個(gè)單詞;最后，重復(fù)上述過(guò)程直至遍歷文檔中的每一個(gè)單詞。

本文主要采用Gibbs采樣算法求解得到全局的主題Z的分布和詞語(yǔ)W的分布。作為無(wú)監(jiān)督機(jī)器學(xué)習(xí)，需要事先確定3個(gè)超參數(shù)α、β、k（最優(yōu)主題數(shù)），α、β選取一般為默認(rèn)值，最優(yōu)主題數(shù)k通過(guò)困惑度計(jì)算確定。困惑度的計(jì)算公式如式（1）所示。其中，D為測(cè)試集;M為文本數(shù)量;d_i為文檔d中的單詞序列;N_i為文檔d的單詞數(shù)目。

困惑度能夠衡量LDA主題模型預(yù)測(cè)樣本的精確程度，因此，理論上困惑度越小說(shuō)明模型預(yù)測(cè)精準(zhǔn)度越高，困惑度最低或是拐點(diǎn)處對(duì)應(yīng)的k就為最佳主題數(shù)。

1.2 LDAvis

LDAvis是一種主題可視化方法，于2014年由Sievert C等提出。LDAvis以特征詞和主題的關(guān)聯(lián)程度選擇表示主題的特征詞，并且LDAvis可視化圖可以幫助人們從整體的視角觀察各個(gè)主題之間的關(guān)系。簡(jiǎn)單來(lái)說(shuō)，就是LDAvis探究了主題一主題、主題一詞語(yǔ)之間的關(guān)聯(lián)。主題一主題用多維標(biāo)度的方式，將兩者投影在低維空間，從而進(jìn)行比較分析;主題與詞語(yǔ)之間的關(guān)聯(lián)綜合了詞頻和詞語(yǔ)的獨(dú)特性兩種屬性。其中λ就是調(diào)節(jié)兩種屬性哪個(gè)占比更大的重要參數(shù)。λ的取值在0～1之間，λ的最優(yōu)取值需要根據(jù)具體問(wèn)題進(jìn)行具體分析。

2研究設(shè)計(jì)

2.1數(shù)據(jù)來(lái)源

實(shí)驗(yàn)領(lǐng)域?yàn)榇髷?shù)據(jù)。中文數(shù)據(jù)采集時(shí)間段為2008—2020年，檢索日期為2021年3月10日。

中國(guó)知網(wǎng)（CNKI）為文獻(xiàn)的數(shù)據(jù)來(lái)源。限定文獻(xiàn)為SCI期刊、EI期刊、核心期刊、CSSCI/CSCD，文獻(xiàn)類型設(shè)定為期刊、中文。設(shè)定使用專業(yè)檢索，設(shè)定檢索式為“TI=‘大數(shù)據(jù)”，其中“TI”表示標(biāo)題。下載全記錄文獻(xiàn)信息并以Excel格式批量導(dǎo)出，篩去重復(fù)以及不完整的文獻(xiàn)記錄，最后得到總計(jì)80797篇文獻(xiàn)。

按年份將樣本中的文獻(xiàn)進(jìn)行分類，并統(tǒng)計(jì)每年的文獻(xiàn)數(shù)量，繪制折線圖，其變化情況如圖1所示?？梢钥闯?，2008—2011年發(fā)文量較少，從2012年開(kāi)始發(fā)文量呈穩(wěn)定增長(zhǎng)的趨勢(shì)?？偟膩?lái)說(shuō)，可以將時(shí)間分為兩段，2008—2011年為初步探索期，2012—2020年為快速增長(zhǎng)期。

2.2文本預(yù)處理和LDA參數(shù)設(shè)置

將下載好的文獻(xiàn)按年份進(jìn)行分類，形成各年份的文獻(xiàn)信息文件，并將文件格式轉(zhuǎn)換為CSV以便后續(xù)處理，從文獻(xiàn)信息中提取標(biāo)題、關(guān)鍵詞、摘要信息形成LDA模型的語(yǔ)料來(lái)源。對(duì)語(yǔ)料來(lái)源文件用Python中的Jieba分詞組件進(jìn)行分詞操作，從而得到文檔一詞矩陣。然后，借助Python軟件中Sklearn包構(gòu)建LDA模型。在構(gòu)建模型前需要確定模型的最優(yōu)主題數(shù)，本文結(jié)合模型困惑度來(lái)確定模型的最優(yōu)主題數(shù)。首先，將主題數(shù)區(qū)間設(shè)為[0，40]，步長(zhǎng)設(shè)為2，α、β設(shè)為默認(rèn)值;其次，根據(jù)各個(gè)主題數(shù)的困惑度，選取困惑度最低的主題數(shù)作為最優(yōu)主題數(shù)。運(yùn)行程序得到的結(jié)果主要有兩個(gè)：文獻(xiàn)一主題分布和主題一詞分布。

2.3實(shí)驗(yàn)結(jié)果與分析

2.3.1主題內(nèi)容分析

結(jié)合文獻(xiàn)一主題分布和主題一詞分布，繪制出各主題及各主題下所對(duì)應(yīng)的文獻(xiàn)數(shù)量按年份排列的表格，如表1、表2所示。

通過(guò)對(duì)表1、表2中的內(nèi)容進(jìn)行分析可以看出，大數(shù)據(jù)技術(shù)在各個(gè)時(shí)間段的研究中應(yīng)用型研究較多，且在許多領(lǐng)域中的研究具有連續(xù)性和一貫性。下面挑選出具有代表性的9個(gè)主題，并以主題標(biāo)簽為關(guān)鍵詞在原始數(shù)據(jù)中的標(biāo)題列篩選包含該主題標(biāo)簽的論文，對(duì)這些論文進(jìn)行LDA主題聚類和pyLDAvis可視化，并進(jìn)行分析。

1）圖書(shū)館服務(wù)。這一主題在2013—2020年都有體現(xiàn)，并且其所對(duì)應(yīng)的文獻(xiàn)數(shù)量較多，說(shuō)明國(guó)內(nèi)圖書(shū)館領(lǐng)域的大數(shù)據(jù)研究較多。以“圖書(shū)館”為關(guān)鍵詞在各年度原始數(shù)據(jù)中的標(biāo)題列進(jìn)行篩選，將得到的論文進(jìn)行LDA主題聚類，由于研究的就是圖書(shū)館和大數(shù)據(jù)主題，所以在停用詞表中加入“大數(shù)據(jù)”“數(shù)據(jù)”和“圖書(shū)館”3個(gè)詞，避免這3個(gè)詞多次出現(xiàn)，影響主題聚類效果。從結(jié)果可以看出，有關(guān)圖書(shū)館這個(gè)主題的研究有以下幾個(gè)分支：對(duì)高校圖書(shū)館的研究;對(duì)圖書(shū)館員的研究，如對(duì)圖書(shū)館員的信息素養(yǎng)進(jìn)行研究;對(duì)圖書(shū)館內(nèi)的文獻(xiàn)進(jìn)行研究;對(duì)圖書(shū)館用戶讀者行為進(jìn)行研究，如對(duì)讀者的隱私保護(hù)的研究等。圖2為“圖書(shū)館服務(wù)”主題下各個(gè)主題的LDAvis可視圖。

2）智慧城市建設(shè)、城市智慧交通等有關(guān)地區(qū)規(guī)劃建設(shè)的主題也在許多年份中有所體現(xiàn)，說(shuō)明大數(shù)據(jù)技術(shù)在城市建設(shè)、交通建設(shè)等方面應(yīng)用較多。以“智慧城市”為關(guān)鍵詞在各年度原始數(shù)據(jù)中的標(biāo)題列進(jìn)行篩選，將得到的論文進(jìn)行LDA主題聚類，由于研究的就是智慧城市和大數(shù)據(jù)主題，所以在停用詞表中加入“大數(shù)據(jù)”“數(shù)據(jù)”“智慧”“城市”4個(gè)詞，避免這4個(gè)詞多次出現(xiàn)，影響主題聚類效果。從結(jié)果可以看出，有關(guān)智慧城市主題的研究有以下幾個(gè)分支：有關(guān)城鄉(xiāng)規(guī)劃、城市規(guī)劃的研究;有關(guān)城鄉(xiāng)治理的研究;有關(guān)數(shù)據(jù)及數(shù)據(jù)中心平臺(tái)的研究;有關(guān)交通的研究等。圖3為“智慧城市”主題下各個(gè)主題的LDAvis可視圖。

3）大數(shù)據(jù)在教育領(lǐng)域的應(yīng)用研究也較多。主要集中在教學(xué)模式改革等方面。以“教育”為關(guān)鍵詞在各年度原始數(shù)據(jù)中的標(biāo)題列進(jìn)行篩選，將得到的論文進(jìn)行LDA主題聚類，由于研究的就是教育和大數(shù)據(jù)主題，所以在停用詞表中加入“大數(shù)據(jù)”“數(shù)據(jù)”“教育”3個(gè)詞，避免這3個(gè)詞多次出現(xiàn)，影響主題聚類效果。從結(jié)果可以看出，有關(guān)教育主題的研究有以下幾個(gè)分支：對(duì)大學(xué)生創(chuàng)新創(chuàng)業(yè)的研究;對(duì)網(wǎng)絡(luò)教育資源的研究;對(duì)遠(yuǎn)程教育的研究;對(duì)教師教學(xué)評(píng)價(jià)的研究;對(duì)高校思政教育的研究等。圖4為“教育”主題下各個(gè)主題的LDAvis可視圖。

4）大數(shù)據(jù)與商務(wù)、金融相結(jié)合，對(duì)電子商務(wù)、互聯(lián)網(wǎng)金融、網(wǎng)絡(luò)營(yíng)銷等新興產(chǎn)業(yè)起到了極大的促進(jìn)作用，例如利用用戶大數(shù)據(jù)，電子商務(wù)平臺(tái)能夠精準(zhǔn)地投放廣告和商品，促進(jìn)商品的銷量。以“商務(wù)”“金融”為關(guān)鍵詞在各年度原始數(shù)據(jù)中的標(biāo)題列進(jìn)行篩選，將得到的論文進(jìn)行LDA主題聚類，由于研究的就是商務(wù)、金融和大數(shù)據(jù)主題，所以在停用詞表中加入“大數(shù)據(jù)”“數(shù)據(jù)”“商務(wù)”“金融”4個(gè)詞，避免這4個(gè)詞多次出現(xiàn)，影響主題聚類效果。從結(jié)果可以看出，金融商務(wù)的研究有以下幾個(gè)分支：對(duì)小微企業(yè)的研究：對(duì)金融風(fēng)險(xiǎn)的研究;對(duì)物流供應(yīng)鏈的研究;對(duì)信息智能分析的研究;對(duì)個(gè)性化服務(wù)的研究;對(duì)電子商務(wù)的研究等。圖5為“金融商務(wù)”主題下各個(gè)主題的LDAvis可視圖。

5）大數(shù)據(jù)在政務(wù)工作和國(guó)家治理方面也發(fā)揮著極大的作用。如浙江省推出的“最多跑一次”便民服務(wù)，便是依靠著大數(shù)據(jù)技術(shù)。極大地方便了辦事群眾，同時(shí)也精簡(jiǎn)了政府機(jī)構(gòu)人員。以“政務(wù)”為關(guān)鍵詞在各年度原始數(shù)據(jù)中的標(biāo)題列進(jìn)行篩選，將得到的論文進(jìn)行LDA主題聚類，由于研究的就是政務(wù)和大數(shù)據(jù)主題，所以在停用詞表中加入“大數(shù)據(jù)”“數(shù)據(jù)”“政務(wù)”3個(gè)詞，避免這3個(gè)詞多次出現(xiàn)，影響主題聚類效果。從結(jié)果可以看出，政務(wù)主題的研究有以下幾個(gè)分支：信息公開(kāi)、資源共享;對(duì)電子政務(wù)的研究等。圖6為“政務(wù)”主題下各個(gè)主題的LDAvis可視圖。

6）大數(shù)據(jù)技術(shù)與傳播媒體的結(jié)合，使得信息的傳播更為快速和準(zhǔn)確。以“傳媒”為關(guān)鍵詞在各年度原始數(shù)據(jù)中的標(biāo)題列進(jìn)行篩選，將得到的論文進(jìn)行LDA主題聚類，由于研究的就是傳媒和大數(shù)據(jù)主題，所以在停用詞表中加入“大數(shù)據(jù)”“數(shù)據(jù)”“傳媒”3個(gè)詞，避免這3個(gè)詞多次出現(xiàn)，影響主題聚類效果。從結(jié)果可以看出，傳媒主題的研究有以下幾個(gè)分支：傳播媒介創(chuàng)新和傳統(tǒng)媒體面臨的挑戰(zhàn)等。圖7為“傳媒”主題下各個(gè)主題的LDAvis可視圖。

7）數(shù)字醫(yī)療、醫(yī)療信息數(shù)字化則是大數(shù)據(jù)技術(shù)在醫(yī)療領(lǐng)域中的應(yīng)用，這樣的應(yīng)用能夠在一定程度上解決“看病難、看病貴”的問(wèn)題。以“醫(yī)療”為關(guān)鍵詞在各年度原始數(shù)據(jù)中的標(biāo)題列進(jìn)行篩選，將得到的論文進(jìn)行LDA主題聚類，由于研究的就是醫(yī)療和大數(shù)據(jù)主題，所以在停用詞表中加入“大數(shù)據(jù)”“數(shù)據(jù)”“醫(yī)療”3個(gè)詞，避免這3個(gè)詞多次出現(xiàn)，影響主題聚類效果。從結(jié)果可以看出，醫(yī)療主題的研究有以下幾個(gè)分支：醫(yī)療信息化;對(duì)患者隱私保護(hù)的研究;對(duì)智能監(jiān)測(cè)的研究等。圖8為“醫(yī)療”主題下各個(gè)主題的LDAvis可視圖。

8）網(wǎng)絡(luò)安全、信息安全兩大主題在絕大多數(shù)年份中都有體現(xiàn)，說(shuō)明人們十分重視網(wǎng)絡(luò)安全和信息安全。大數(shù)據(jù)時(shí)代，人們的各種信息都以數(shù)據(jù)的形式存在于網(wǎng)絡(luò)上，如何保障這些數(shù)據(jù)信息的安全就成了全民所關(guān)注的熱點(diǎn)。以“網(wǎng)絡(luò)安全”和“信息安全”為關(guān)鍵詞在各年度原始數(shù)據(jù)中的標(biāo)題列進(jìn)行篩選，將得到的論文進(jìn)行LDA主題聚類，由于研究的就是網(wǎng)絡(luò)安全和信息安全以及大數(shù)據(jù)主題，所以在停用詞表中加入“大數(shù)據(jù)”“數(shù)據(jù)”“網(wǎng)絡(luò)安全”“信息安全”4個(gè)詞，避免這4個(gè)詞多次出現(xiàn)，影響主題聚類效果。從結(jié)果可以看出，網(wǎng)絡(luò)信息安全的研究有以下幾個(gè)分支：個(gè)人隱私安全的研究;信息管理的研究;防御系統(tǒng)的研究;網(wǎng)絡(luò)環(huán)境的研究等。圖9為“網(wǎng)絡(luò)、信息安全”主題下各個(gè)主題的LDAvis可視圖。

9）大數(shù)據(jù)技術(shù)還應(yīng)用在企業(yè)組織管理、產(chǎn)業(yè)轉(zhuǎn)型升級(jí)等方面，大數(shù)據(jù)技術(shù)的應(yīng)用能夠更好地促進(jìn)社會(huì)經(jīng)濟(jì)發(fā)展。以“企業(yè)”和“產(chǎn)業(yè)”為關(guān)鍵詞在各年度原始數(shù)據(jù)中的標(biāo)題列進(jìn)行篩選，將得到的論文進(jìn)行LDA主題聚類，由于研究的就是企業(yè)、產(chǎn)業(yè)以及大數(shù)據(jù)主題，所以在停用詞表中加入“大數(shù)據(jù)”“數(shù)據(jù)”“企業(yè)”“產(chǎn)業(yè)”4個(gè)詞，避免這4個(gè)詞多次出現(xiàn)，影響主題聚類效果。從結(jié)果可以看出，企業(yè)產(chǎn)業(yè)主題的研究有以下幾個(gè)分支：對(duì)財(cái)務(wù)管理的研究;對(duì)管理模式創(chuàng)新的研究;對(duì)工業(yè)產(chǎn)業(yè)鏈的研究;對(duì)中小企業(yè)的研究;對(duì)人力資源的研究等。圖10為“企業(yè)、產(chǎn)業(yè)”主題下各個(gè)主題的LDAvis可視圖。

大數(shù)據(jù)的研究也體現(xiàn)了與時(shí)俱進(jìn)性，說(shuō)明大數(shù)據(jù)技術(shù)與各個(gè)領(lǐng)域的研究都具有可融合性。

1）精準(zhǔn)扶貧這一主題在2017年首次出現(xiàn)，在隨后的幾年中也有體現(xiàn)。以“扶貧”為關(guān)鍵詞在各年度原始數(shù)據(jù)中的標(biāo)題列進(jìn)行篩選，將得到的論文進(jìn)行LDA主題聚類，由于研究的就是扶貧以及大數(shù)據(jù)主題，所以在停用詞表中加入“大數(shù)據(jù)”“數(shù)據(jù)”“扶貧”3個(gè)詞，避免這3個(gè)詞多次出現(xiàn)，影響主題聚類效果。從結(jié)果可以看出，這些主題詞代表了扶貧的各個(gè)方面，比如教育、政府治理;也可以看出對(duì)農(nóng)村進(jìn)行扶貧的重要性等。圖11為“精準(zhǔn)扶貧”主題下各個(gè)主題的LDAvis可視圖。

2）在2020年的研究主題中出現(xiàn)了疫情防控，2020年新冠疫情肆虐，而利用新技術(shù)防控疫情能夠更有效率地對(duì)疫情進(jìn)行遏制。以“疫情”為關(guān)鍵詞在各年度原始數(shù)據(jù)中的標(biāo)題列進(jìn)行篩選，將得到的論文進(jìn)行LDA主題聚類，由于研究的就是疫情以及大數(shù)據(jù)主題，所以在停用詞表中加入“大數(shù)據(jù)”“數(shù)據(jù)”“疫情”3個(gè)詞，避免這3個(gè)詞多次出現(xiàn)，影響主題聚類效果。從結(jié)果可以看出，疫情防控主題的研究有以下幾個(gè)分支：對(duì)人口流動(dòng)進(jìn)行研究;企業(yè)復(fù)工復(fù)產(chǎn)的研究;傳染病預(yù)測(cè)預(yù)警的研究;對(duì)政府治理的研究等。圖12為“疫情”主題下各個(gè)主題的LDAvis可視圖。

2.3.2文獻(xiàn)聚類及主題強(qiáng)度分析

為了更好地了解不同主題的研究狀態(tài)，根據(jù)文檔一主題分布，對(duì)每個(gè)主題下的文獻(xiàn)數(shù)量進(jìn)行分析，同時(shí)結(jié)合主題強(qiáng)度的定義，即主題強(qiáng)度主要描述了主題在某一時(shí)期的熱門程度。在某一時(shí)期關(guān)于某個(gè)主題的文獻(xiàn)數(shù)量越多，說(shuō)明該主題的強(qiáng)度越高，可以被認(rèn)為是熱點(diǎn)主題。對(duì)表1、表2進(jìn)行分析可以得出：

1）2008—2012年時(shí)間窗口內(nèi)，“企業(yè)信息計(jì)算分析”主題所包含的文獻(xiàn)數(shù)量最多，所以“企業(yè)信息計(jì)算分析”主題為該時(shí)間窗口的熱點(diǎn)主題。同理，可以得出2013年的熱點(diǎn)主題為“信息管理”;2014年的熱點(diǎn)主題為“經(jīng)濟(jì)發(fā)展戰(zhàn)略”;2015年的熱點(diǎn)主題為“技術(shù)發(fā)展”;2016年的熱點(diǎn)主題為“大數(shù)據(jù)時(shí)代面臨的機(jī)遇與挑戰(zhàn)”;2017年的熱點(diǎn)主題為“大數(shù)據(jù)對(duì)社會(huì)的影響”;2018年的熱點(diǎn)主題為“大數(shù)據(jù)時(shí)代的機(jī)遇與挑戰(zhàn)”;2019年的熱點(diǎn)主題為“大數(shù)據(jù)對(duì)社會(huì)的影響”;2020年的熱點(diǎn)主題為“大數(shù)據(jù)對(duì)社會(huì)生活的影響”。從各個(gè)時(shí)間窗口的熱點(diǎn)主題可以看出，在前期關(guān)于大數(shù)據(jù)的研究主要集中在對(duì)數(shù)據(jù)信息的管理和分析上，后期研究熱點(diǎn)逐漸轉(zhuǎn)變?yōu)榇髷?shù)據(jù)產(chǎn)生的影響。

2）不難發(fā)現(xiàn)，除了包含文獻(xiàn)數(shù)量最多的主題外，還有一些主題在時(shí)間窗口中也占據(jù)較大的比例。并且有許多主題在多個(gè)時(shí)間窗口中出現(xiàn)。所以本文挑選4個(gè)占據(jù)比例較大的且在多個(gè)時(shí)間窗口出現(xiàn)的主題，對(duì)其進(jìn)行主題強(qiáng)度隨時(shí)間變化的分析。結(jié)果如圖13所示?？梢钥闯觥皥D書(shū)館服務(wù)”這一主題在2013—2016年呈現(xiàn)穩(wěn)定上升的趨勢(shì)，在2017年有所下降，但2018年又有所回升，之后呈下降趨勢(shì);“智慧城市”這一主題總體呈上升趨勢(shì)，但在個(gè)別年份有下降的波動(dòng);“市場(chǎng)營(yíng)銷”主題在2016年之前呈上升趨勢(shì)，并在2016年文獻(xiàn)數(shù)量達(dá)到最高，接著在2017年、2018年、2019年下降至0篇，2020年又上升至383篇;“信息安全”主題在2008—2014年呈上升趨勢(shì)，到2015年下降至0篇，接著又呈現(xiàn)上升趨勢(shì)，直到2019年，之后呈現(xiàn)下降趨勢(shì)。

3結(jié)論與分析

本文借助LDA主題模型，結(jié)合模型困惑度判斷確定模型的最優(yōu)主題數(shù)，同時(shí)考慮文獻(xiàn)發(fā)表時(shí)間，以年為單位劃分時(shí)間窗口（由于2008—2012年的論文數(shù)較少，所以將這4年合并成一個(gè)時(shí)間窗口），共分為9個(gè)時(shí)間窗口。對(duì)這9個(gè)時(shí)間窗口中的文獻(xiàn)進(jìn)行主題挖掘，對(duì)挖掘到的主題的內(nèi)容進(jìn)行研究，并選取11個(gè)具有代表性的主題對(duì)這些主題內(nèi)的論文再次進(jìn)行LDA主題聚類和LDAvis主題可視化，進(jìn)一步分析主題內(nèi)的研究熱點(diǎn);對(duì)挖掘到的主題進(jìn)行強(qiáng)度分析，按照主題包含的文獻(xiàn)數(shù)量確定每個(gè)時(shí)間窗口的熱點(diǎn)主題，筆者還挑選了4個(gè)主題對(duì)其主題強(qiáng)度隨時(shí)間的變化趨勢(shì)進(jìn)行展示分析。結(jié)果表明，LDA模型能夠較為準(zhǔn)確地提取大數(shù)據(jù)領(lǐng)域文獻(xiàn)的研究主題，這有利于研究人員了解該領(lǐng)域的發(fā)展?fàn)顟B(tài)，把握未來(lái)的研究方向，探尋新興主題。

當(dāng)然，本文亦存在不足之處：①本文選取的樣本數(shù)量較大（篇），具有一定的實(shí)踐意義，但僅僅考慮到了中文期刊文獻(xiàn)，未考慮到外文文獻(xiàn)，未來(lái)研究可以考慮擴(kuò)大樣本容量，以充分了解大數(shù)據(jù)領(lǐng)域的發(fā)展?fàn)顟B(tài);②各個(gè)主題的標(biāo)簽是筆者根據(jù)關(guān)鍵詞和自己的主觀判斷總結(jié)的，具有一定的主觀性。