基于詞嵌入的國家自然科學(xué)基金學(xué)科交叉知識發(fā)現(xiàn)方法
——以“人工智能”與“信息管理”為例

王衛(wèi)軍，姚暢，喬子越，崔文娟，杜一，周園春

（1.中國科學(xué)院計算機網(wǎng)絡(luò)信息中心，北京 100190；2.中國科學(xué)院大學(xué)，北京 100049；3.國家自然科學(xué)基金委員會信息中心，北京 100085）

1 引言

學(xué)科交叉是伴隨社會和學(xué)科自身發(fā)展需求而出現(xiàn)的一種綜合性科學(xué)活動[1]，面對科研問題的復(fù)雜性，科學(xué)研究超越單一學(xué)科的范疇，眾多學(xué)科交叉、融合和滲透是現(xiàn)代社會科學(xué)問題的解決方法與途徑。關(guān)于交叉科學(xué)的研究中，Woodorth于1926年提出了“interdisciplinary”（跨學(xué)科）的概念以來[2]，Morillo等[3]、Rosenfield[4]在相關(guān)研究中對與學(xué)科交叉相近的概念“多學(xué)科”“邊緣學(xué)科”“超學(xué)科”“跨學(xué)科”等概念之間的差異進(jìn)行了詳細(xì)闡述。我國科學(xué)家錢學(xué)森[5]、路甬祥[6]也在相關(guān)文獻(xiàn)中對學(xué)科交叉以及交叉學(xué)科的相關(guān)問題進(jìn)行了論述。學(xué)科交叉在人類發(fā)展過程中，促進(jìn)了許多重要成就的產(chǎn)生，如人類基因組測序、納米技術(shù)等。鑒于學(xué)科交叉研究在科學(xué)發(fā)展中的重要地位，世界各國相關(guān)科研管理機構(gòu)都投入更多的資金以及制定相應(yīng)的政策以支持學(xué)科交叉領(lǐng)域的研究工作，國家自然科學(xué)基金委員會（National Natural Science Foundation of China，NSFC）于2020年11月成立交叉科學(xué)部，以探索支持交叉研究的新機制，培育新興交叉領(lǐng)域的重大原創(chuàng)突破，有效促進(jìn)學(xué)科交叉研究。

近年來，人工智能技術(shù)的興起促使許多行業(yè)發(fā)生了變革，許多科研管理機構(gòu)也希望人工智能技術(shù)能在科研項目的資助和管理方面提供幫助。國家自然科學(xué)基金委員會主任李靜海院士表示，國家自然科學(xué)基金委員會正在建立一個更加復(fù)雜的系統(tǒng)，利用AI（artificial intelligence）技術(shù)輔助項目的評審工作[7]。在學(xué)科交叉研究中，融入人工智能技術(shù)以輔助潛在交叉學(xué)科知識點的發(fā)現(xiàn)，提供新的學(xué)科交叉研究切入點，同時以理論與實踐問題為導(dǎo)向，培育其成長為新的學(xué)術(shù)增長點，進(jìn)而形成交叉學(xué)科，服務(wù)國家需要是一項有意義的研究工作。國家自然科學(xué)基金委員會每年資助的國家自然科學(xué)基金項目在一定程度上代表著當(dāng)年相關(guān)科學(xué)領(lǐng)域的重要或前沿研究內(nèi)容，國家自然科學(xué)基金所資助項目中的關(guān)鍵詞在某種程度上是相關(guān)科研項目的主題提煉，是快速獲取項目所研究內(nèi)容的重要途徑。本文擬嘗試?yán)脟易匀豢茖W(xué)基金資助項目的關(guān)鍵詞信息，通過文獻(xiàn)計量學(xué)及詞嵌入（word embedding）相關(guān)技術(shù)方法，分析發(fā)現(xiàn)學(xué)科交叉研究中的潛在知識融合地帶，探索利用人工智能技術(shù)輔助科研人員獲取潛在的學(xué)科交叉研究知識點，進(jìn)而從微觀學(xué)科交叉知識粒度討論并研判學(xué)科交叉知識成長為交叉學(xué)科的新途徑。

2 相關(guān)工作

2.1 學(xué)科交叉知識點發(fā)現(xiàn)

本文以國家自然科學(xué)基金資助項目關(guān)鍵詞數(shù)據(jù)為主要分析對象，嘗試解析并發(fā)現(xiàn)學(xué)科之間的潛在知識交叉點，因此，可將研究工作歸納為學(xué)科劃分體系、“跨學(xué)科性”測度、跨學(xué)科知識轉(zhuǎn)移與知識點發(fā)現(xiàn)等。學(xué)科劃分體系是進(jìn)行跨學(xué)科內(nèi)容識別與判斷的基礎(chǔ)，國家自然科學(xué)基金委員會下設(shè)9個科學(xué)部，每個科學(xué)部包括若干學(xué)科門類，其項目申請代碼在一定程度上體現(xiàn)了學(xué)科的分類體系，其分類體系基本采用4級結(jié)構(gòu)。以申請代碼“F020101”為例（2019年公布的代碼數(shù)據(jù)），第1位“F”代表信息科學(xué)部，第2~3位“02”代表計算機科學(xué)，第4~5位“01”代表計算機科學(xué)的基礎(chǔ)理論，第6~7位“01”代表理論計算機科學(xué)?！翱鐚W(xué)科性”測度是指對學(xué)科交叉程度的一種計量方法。在學(xué)科交叉測度的研究中，Stirling[8]提出了三個指標(biāo)（豐富性、多樣性和差異性），并構(gòu)建了多樣性測度的一般框架；Rafols等[9]在Stirling[8]的基礎(chǔ)上提出了使用多樣性指標(biāo)和凝聚性指標(biāo)測度學(xué)科交叉性；文獻(xiàn)[10]從學(xué)科多樣性、學(xué)科聚合性和綜合性測度3個方面對目前的學(xué)科交叉性測度方法進(jìn)行總結(jié)?？鐚W(xué)科間的知識轉(zhuǎn)移與知識發(fā)現(xiàn)方面的研究已經(jīng)取得了較大的進(jìn)展，研究對象主要為引文、作者、主題詞（或關(guān)鍵詞），其研究方法包括共詞分析、引文分析、作者分析等[11]，例如，文獻(xiàn)[12]提出通過學(xué)科之間的引用關(guān)系和作者，在學(xué)科領(lǐng)域間的遷移進(jìn)行知識轉(zhuǎn)移的研究；文獻(xiàn)[13]根據(jù)學(xué)科間引文的變化，發(fā)現(xiàn)新興的學(xué)科交叉；文獻(xiàn)[14]通過文檔聚類技術(shù)，發(fā)現(xiàn)不同學(xué)科間的交叉知識點；文獻(xiàn)[15]通過對論文內(nèi)容聚類后，利用論文間的引用關(guān)系發(fā)現(xiàn)學(xué)科交叉研究主題。

關(guān)于基金資助項目的學(xué)科交叉研究，在國外研究中，文獻(xiàn)[16]通過計算IDD分?jǐn)?shù)的方法定量分析項目的學(xué)科交叉程度；文獻(xiàn)[17]探索了量化美國國家科學(xué)基金會（National Science Foundation，NSF）項目中跨學(xué)科性的新方法；文獻(xiàn)[18]分析了美國國家科學(xué)基金人類與社會動力學(xué)（human and social dynamics，HSD）計劃資助研究項目的跨學(xué)科特征。在國內(nèi)研究中，文獻(xiàn)[19]對國家自然科學(xué)基金資助項目中的跨學(xué)科知識流進(jìn)行了共現(xiàn)網(wǎng)絡(luò)分析；文獻(xiàn)[20]對國家自然科學(xué)基金委員會資助學(xué)科交叉研究模式進(jìn)行了分析；文獻(xiàn)[21]介紹了國外開展的學(xué)科交叉項目評價的實踐，并結(jié)合我國學(xué)科交叉項目的實際提出了相關(guān)建議；文獻(xiàn)[22]對國家自然科學(xué)基金委交叉學(xué)科申請項目評審方法進(jìn)行了相關(guān)研究；文獻(xiàn)[23]構(gòu)建了研究團隊（“投入”）及其研究成果（“產(chǎn)出”）的跨學(xué)科測度方法，并探討跨學(xué)科研究團隊是否有助于產(chǎn)出跨學(xué)科研究成果。關(guān)于學(xué)科交叉的研究在國內(nèi)外已形成了豐富的研究體系，對基金資助項目的學(xué)科交叉問題進(jìn)行研究，國內(nèi)外學(xué)者也均有相關(guān)研究涉及。

2012年，谷歌公司在其知識工程的長期實踐基礎(chǔ)上提出了知識圖譜的概念，主要應(yīng)用目標(biāo)為提升搜索引擎的智能化水平，其本質(zhì)是一種語義網(wǎng)絡(luò)，提供從實體間關(guān)系的角度進(jìn)行問題分析的能力[24]。知識圖譜中知識的表示包括符號邏輯和向量兩種[25]。以邏輯符號為基礎(chǔ)進(jìn)行知識的表示，其在表示顯式、離散知識時具有可解釋性，但是推理很難得到理想的效果?；谶B續(xù)向量的方法可以通過數(shù)值計算發(fā)現(xiàn)事物間新的關(guān)系、潛在及隱式知識，同時，基于向量的表示方法，易于對接深度學(xué)習(xí)、圖神經(jīng)網(wǎng)絡(luò)等模型，在鏈接預(yù)測、實體對齊、知識問答、信息推薦等領(lǐng)域得到不斷的發(fā)展。國家自然科學(xué)基金項目中的關(guān)鍵詞由系統(tǒng)提供給申報者選取，或者由申報者自行填寫，具有一定的規(guī)范性，能在很大程度上代表項目的主要研究內(nèi)容。國家自然科學(xué)基金同一資助項目中的關(guān)鍵詞K1、K2之間的關(guān)系為共現(xiàn)關(guān)系，可將[K1,K2]稱為關(guān)鍵詞共現(xiàn)。詞嵌入方法，可以將關(guān)鍵詞及其共現(xiàn)語義信息映射到向量空間，通過關(guān)鍵詞向量計算不同關(guān)鍵詞之間的共現(xiàn)大小，可發(fā)現(xiàn)尚未建立鏈接的關(guān)鍵詞之間的共現(xiàn)關(guān)系，進(jìn)而提取潛在學(xué)科交叉知識點，討論學(xué)科間形成交叉學(xué)科的潛力問題。基于預(yù)測的不同學(xué)科間關(guān)鍵詞發(fā)生的共現(xiàn)鏈接進(jìn)行分析，是本文進(jìn)行潛在學(xué)科交叉知識發(fā)現(xiàn)的主要思路。

2.2 詞嵌入

詞嵌入是將詞和實數(shù)向量關(guān)聯(lián)起來的方法，早期的one-hot模型構(gòu)建的詞向量之間缺少潛在的關(guān)聯(lián)性，向量之間相互獨立，且當(dāng)語料庫中的詞匯過多時，易造成維度災(zāi)難。為解決其不足，研究人員從降低詞的表示維度，在詞向量之間融入詞之間的特定關(guān)系出發(fā)，開發(fā)了許多新的詞嵌入模型。2003年，Bengio等[26]提出了利用神經(jīng)網(wǎng)絡(luò)建立統(tǒng)計語言模型的框架NNLM模型（neural network language mod‐el），提出了詞嵌入（word embedding）的概念，該模型使用多層神經(jīng)網(wǎng)絡(luò)預(yù)測給定的下一個單詞，在低維向量空間中表示單詞和文檔。2013年，Miko‐lov等[27-28]提出word2vec方法，該方法包含CBOW（continuous bag-of-words）模 型 和skip-gram模 型，由于模型不涉及密集的矩陣乘法，該架構(gòu)具有較高的計算效率，訓(xùn)練速度也得到了很大的提升。word2vec是一種詞嵌入的方法，可將自然語言表示的詞語映射到低維向量空間，同時保留詞語的語義、句法信息等[29]。該方法中的skip-gram模型是通過當(dāng)前詞去預(yù)測圍繞在當(dāng)前詞周圍的上下文詞。CBOW模型是通過圍繞在當(dāng)前詞左右窗口大小內(nèi)的上下文詞語預(yù)測當(dāng)前詞。同時，word2vec為CBOW模型和skip-gram模型提供兩種加快訓(xùn)練速度的方式，分別是層次softmax方法（hierarchical softmax）及負(fù)采樣方法（negative sampling）。以skip-gram模型為例，其分為3層，輸入層為當(dāng)前詞的one-hot表示，維度為詞的數(shù)量；輸入層到隱藏層之間有一個權(quán)重矩陣，輸入當(dāng)前詞的one-hot表示與權(quán)重矩陣相乘，獲取隱藏層的向量；隱藏層與輸出層也有一個權(quán)重矩陣，隱藏層的向量與權(quán)重矩陣相乘得到輸出層的向量，最終輸出經(jīng)過softmax函數(shù)，將向量的每一個元素歸一化到0~1之間。訓(xùn)練通過反向傳播和梯度下降的方法不斷優(yōu)化模型，同時，在輸出層采用層次softmax方法或負(fù)采樣方法加快訓(xùn)練速度。

文中選取word2vec方法，將關(guān)鍵詞及其之間的共現(xiàn)關(guān)系映射到向量空間，其主要原如下。首先，word2vec方法可以利用關(guān)鍵詞之間的共現(xiàn)關(guān)系將關(guān)鍵詞映射到向量空間，從而獲取與某關(guān)鍵詞最常同時出現(xiàn)的其他關(guān)鍵詞。其次，在國家自然科學(xué)基金資助項目中，每個項目的關(guān)鍵詞可以看作無序的關(guān)鍵詞列表，而在word2vec方法的兩個模型中，當(dāng)前特定詞的窗口內(nèi)上下文關(guān)鍵詞的序列信息是被忽略的。最后，word2vec根據(jù)已出現(xiàn)的關(guān)鍵詞去預(yù)測可能與其共現(xiàn)的關(guān)鍵詞，該方法可以獲取未在項目中出現(xiàn)過的關(guān)鍵詞共現(xiàn)。在項目中未出現(xiàn)過的新的關(guān)鍵詞共現(xiàn)，在文獻(xiàn)[30]中不認(rèn)為其是錯誤的關(guān)鍵詞共現(xiàn)關(guān)系，而是將其看作未來可能出現(xiàn)的共現(xiàn)關(guān)系從而進(jìn)行相關(guān)研究，并取得了一定的預(yù)測效果。通過Word2vec方法的模型去發(fā)現(xiàn)哪些關(guān)鍵詞與當(dāng)前關(guān)鍵詞更容易一起出現(xiàn)，從而獲取新的未來可能出現(xiàn)的關(guān)鍵詞共現(xiàn)具有理論上的可行性。

3 模型及實驗方法

本節(jié)首先從整體上構(gòu)建學(xué)科交叉知識點的發(fā)現(xiàn)模型，對學(xué)科交叉知識點發(fā)現(xiàn)模型中的詞嵌入模型選擇及參數(shù)優(yōu)化訓(xùn)練方法進(jìn)行介紹，接著對模型進(jìn)行學(xué)科交叉知識點發(fā)現(xiàn)時，涉及的理論基礎(chǔ)、相關(guān)算法以及方法等進(jìn)行論述，最后嘗試構(gòu)建衡量學(xué)科間知識點交叉趨勢大小的指標(biāo)。

3.1 學(xué)科交叉知識點發(fā)現(xiàn)模型

本文模型利用word2vec相關(guān)模型，將項目中的關(guān)鍵詞及共現(xiàn)關(guān)系映射到向量空間，進(jìn)而進(jìn)行學(xué)科之間交叉知識的發(fā)現(xiàn)。文中不同學(xué)科的關(guān)鍵詞由于存在特定的語義關(guān)系，而在向量空間中相互接近形成相應(yīng)的聚類簇。簇中具有不同學(xué)科性質(zhì)的關(guān)鍵詞由于存在可能的關(guān)鍵詞共現(xiàn)關(guān)系，而形成具有學(xué)科交叉價值的知識點。學(xué)科交叉知識點發(fā)現(xiàn)模型如圖1所示，其步驟如下：

圖1 基于word2vec方法的學(xué)科交叉知識點發(fā)現(xiàn)模型

Step1.數(shù)據(jù)抽取與處理。從國家自然科學(xué)基金資助項目中抽取項目數(shù)據(jù)，并處理成skip-gram模型可理解的數(shù)據(jù)格式。以項目為單位，抽取同時出現(xiàn)在每個項目中的關(guān)鍵詞共現(xiàn)關(guān)系。

Step2.關(guān)鍵詞向量化。將基金資助項目及其關(guān)鍵詞輸入skip-gram模型中，以設(shè)定的優(yōu)化目標(biāo)調(diào)節(jié)skip-gram模型參數(shù)，最終將每個關(guān)鍵詞映射到低維連續(xù)向量空間，獲取關(guān)鍵詞的向量表示。

Step3.新的關(guān)鍵詞共現(xiàn)關(guān)系生成。通過計算關(guān)鍵詞向量之間的余弦相似度，劃定大于特定閾值的關(guān)鍵詞共現(xiàn)構(gòu)成新的關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)，計算關(guān)鍵詞在共現(xiàn)網(wǎng)絡(luò)中的PageRank值衡量關(guān)鍵詞重要性。同時，選取關(guān)鍵詞K1、K2分屬于不同學(xué)科的關(guān)鍵詞共現(xiàn)，以進(jìn)行潛在學(xué)科交叉知識發(fā)現(xiàn)。PageRank算法[31]是一種廣泛應(yīng)用于網(wǎng)頁重要性評價的算法，其本質(zhì)上是一種將網(wǎng)頁之間鏈接數(shù)量和質(zhì)量作為分析網(wǎng)頁重要程度的算法。

Step4.跨學(xué)科知識點提取。對第3步提取出來的具有跨學(xué)科性質(zhì)的關(guān)鍵詞共現(xiàn)中的關(guān)鍵詞及向量，通過DB‐SCAN（density-based spatial clustering of applications with noise）算法[32]進(jìn)行聚類，提取包含不同學(xué)科關(guān)鍵詞的跨學(xué)科聚類。DBSACN算法是一種基于密度的聚類算法，算法通過將具有足夠密度的區(qū)域劃分為一個簇，并可在噪聲的數(shù)據(jù)空間中發(fā)現(xiàn)任意形狀的聚類。具有強共現(xiàn)關(guān)系的關(guān)鍵詞，在向量空間中分布足夠緊密，該算法能夠較好地滿足應(yīng)用場景。

Step5.跨學(xué)科知識點可視化。通過提取的跨學(xué)科聚類、聚類中關(guān)鍵詞的向量及PageRank值，計算并獲取如表1~表3（第4節(jié)）所示數(shù)據(jù)。利用t-SNE方法將聚類中的關(guān)鍵詞向量維度降到二維空間，并進(jìn)行如圖4和圖5（第4節(jié)）所示的可視化呈現(xiàn)。t-SNE是一種非線性的降維算法，其降維后可視化效果非常優(yōu)秀。

3.2 word2vec模型選擇及參數(shù)優(yōu)化

word2vec方 法 包 括CBOW和skip-gram兩 種 模型，實驗在對數(shù)據(jù)進(jìn)行初步驗證的基礎(chǔ)上，選用skip-gram模型和負(fù)采樣優(yōu)化方法進(jìn)行國家自然科學(xué)基金資助項目關(guān)鍵詞到低維向量的映射。實驗首先選取一定時間段內(nèi)的項目關(guān)鍵詞作為訓(xùn)練數(shù)據(jù)，通過將該時間段內(nèi)的每個項目和包含的關(guān)鍵詞，作為已經(jīng)進(jìn)行過分詞處理的一個句子，在該步驟中忽略關(guān)鍵詞的先后順序。將每個項目看作一個句子，構(gòu)成符合詞嵌入模型所需要的數(shù)據(jù)格式，作為詞嵌入模型的輸入數(shù)據(jù)。同時，抽取在同一個項目中的關(guān)鍵詞共現(xiàn)關(guān)系，并存儲為關(guān)鍵詞共現(xiàn)文件，作為模型優(yōu)化對比的目標(biāo)。

在詞嵌入模型的訓(xùn)練中，實驗通過計算每次訓(xùn)練后的關(guān)鍵詞向量之間的余弦相似度，形成更多的關(guān)鍵詞共現(xiàn)關(guān)系。將新計算出的關(guān)鍵詞共現(xiàn)關(guān)系分為“實際共詞關(guān)系”和“預(yù)測共詞關(guān)系”兩部分。其中，“實際共詞關(guān)系”為新計算出的一定時間段內(nèi)的關(guān)鍵詞共現(xiàn)關(guān)系與項目已有的關(guān)鍵詞共現(xiàn)關(guān)系的交集，而“預(yù)測共詞關(guān)系”為新計算出的關(guān)鍵詞共現(xiàn)關(guān)系減去“實際共詞關(guān)系”后剩余的部分。實驗設(shè)定以下優(yōu)化目標(biāo)，進(jìn)行模型參數(shù)的不斷優(yōu)化。第一，模型訓(xùn)練后，獲取的關(guān)系大于α閾值（實驗設(shè)置為0.9）的關(guān)鍵詞共現(xiàn)中，包含盡可能多的“實際共詞關(guān)系”，期望能夠讓更多的“實際共詞關(guān)系”的關(guān)鍵詞在向量空間中更加接近。第二，調(diào)節(jié)模型參數(shù)過程中，利用準(zhǔn)確率、召回率和F1值3個指標(biāo)作為參數(shù)調(diào)節(jié)的參考。其中，準(zhǔn)確率是模型學(xué)習(xí)到的關(guān)系大于α閾值的“實際共詞關(guān)系”數(shù)量與模型學(xué)習(xí)到的關(guān)系大于α閾值的“實際共詞關(guān)系+預(yù)測共詞關(guān)系”數(shù)量的比值；召回率是模型學(xué)習(xí)到的關(guān)系大于α閾值的“實際共詞關(guān)系”數(shù)量與項目中全部的已有關(guān)鍵詞共現(xiàn)數(shù)量的比值；F1值為準(zhǔn)確率和召回率的調(diào)和平均值。

在word2vec模型的訓(xùn)練中，實驗根據(jù)國家自然科學(xué)基金資助項目的關(guān)鍵詞特點對一些模型參數(shù)進(jìn)行了特定的設(shè)置。其中，對模型中用于設(shè)置丟棄詞頻小于一定次數(shù)的詞的參數(shù)，由于國家自然科學(xué)基金資助項目的關(guān)鍵詞大部分重復(fù)出現(xiàn)頻次較少，實驗中將其設(shè)置為1；用于設(shè)置當(dāng)前詞與預(yù)測詞之間的距離的參數(shù)，實驗設(shè)置為所有項目中具有最多關(guān)鍵詞的項目的關(guān)鍵詞數(shù)減去1作為參數(shù)；將關(guān)鍵詞映射到向量的維度大小參數(shù)設(shè)置為100。

3.3 交叉知識點獲取

共詞分析是建立在理想化的理論假設(shè)基礎(chǔ)上的內(nèi)容分析方法，該方法通過統(tǒng)計一對關(guān)鍵詞同時出現(xiàn)在同一文獻(xiàn)中的次數(shù)，并以此為基礎(chǔ)對詞進(jìn)行聚類分析，從而分析詞所代表的學(xué)科和主題的結(jié)構(gòu)變化[33]。文獻(xiàn)[34]認(rèn)為文獻(xiàn)的術(shù)語是作者認(rèn)真選取的；同一文獻(xiàn)中不同的術(shù)語之間的關(guān)系是被作者認(rèn)可和要求的；如果有足夠的作者對同一種關(guān)系認(rèn)可，那么這種關(guān)系所關(guān)聯(lián)的科學(xué)領(lǐng)域具有一定的意義；專業(yè)的標(biāo)引關(guān)鍵詞所描述的文獻(xiàn)內(nèi)容，是相關(guān)學(xué)科概念可以信賴的一個指標(biāo)。根據(jù)分布式假設(shè)理論，詞的含義來源于其所使用的上下文環(huán)境，在相同的上下文環(huán)境中，詞具有相同的含義?；谏鲜隼碚?，本文利用word2vec相關(guān)方法以及國家自然科學(xué)基金資助項目關(guān)鍵詞間的共現(xiàn)關(guān)系，將關(guān)鍵詞映射到低維連續(xù)向量空間，資助項目所屬的學(xué)科體系作為劃分關(guān)鍵詞所屬學(xué)科的依據(jù)，獲取新的在項目中還未出現(xiàn)過的具有跨學(xué)科性質(zhì)的關(guān)鍵詞共現(xiàn)，作為分析學(xué)科間潛在交叉知識點的基礎(chǔ)，通過DBSCAN算法獲取不同學(xué)科之間的跨學(xué)科知識交叉點。

國家自然科學(xué)基金資助項目關(guān)鍵詞映射到低維向量空間后，關(guān)鍵詞之間的共現(xiàn)關(guān)系大小各異，關(guān)鍵詞向量間的余弦相似度的值越大，兩個關(guān)鍵詞發(fā)生共現(xiàn)的可能性也就越大。因此，實驗在詞嵌入模型訓(xùn)練出關(guān)鍵詞向量后，計算關(guān)鍵詞之間的共現(xiàn)關(guān)系，從大于特定閾值的“實際共詞關(guān)系”和“預(yù)測共詞關(guān)系”中計算關(guān)鍵詞的PageRank值大小，提取具有分屬兩個不同學(xué)科屬性的關(guān)鍵詞組成的關(guān)鍵詞共現(xiàn)。為了更全面地呈現(xiàn)跨學(xué)科知識點，本文的實驗中設(shè)定如果關(guān)鍵詞共現(xiàn)中的一個關(guān)鍵詞同時屬于兩個不同學(xué)科，那么此關(guān)鍵詞共現(xiàn)也視為具有跨學(xué)科性質(zhì)的關(guān)鍵詞共現(xiàn)，通過在具有跨學(xué)科性質(zhì)的關(guān)鍵詞共現(xiàn)中，提取出相應(yīng)關(guān)鍵詞，對這些關(guān)鍵詞的向量利用DBSCAN算法進(jìn)行聚類，將學(xué)科交叉知識點提取出來，并進(jìn)行深入地分析。

3.4 學(xué)科間交叉知識測度

學(xué)科交叉知識發(fā)現(xiàn)的本質(zhì)，是對學(xué)科間知識流動、融合情況的研究與分析。文獻(xiàn)[35]認(rèn)為，學(xué)術(shù)文獻(xiàn)之間的引用存在馬太效應(yīng)，即文獻(xiàn)的被引用概率與其已有的引用數(shù)據(jù)成正比；文獻(xiàn)[36]認(rèn)為，知識之間的流動與知識之間的知識勢差呈正相關(guān)關(guān)系，即知識之間的知識勢差越大，其間的知識流動效應(yīng)越大；文獻(xiàn)[37]從國家間知識流動的角度，認(rèn)為知識勢差能夠在一定程度上促進(jìn)兩國知識交流的增加，但如果進(jìn)一步擴大，那么將對兩國間的知識流量產(chǎn)生負(fù)影響，同時，證明了知識相似性、科學(xué)家流動量、科研合作強度和國家間關(guān)系的網(wǎng)絡(luò)位置四個變量與兩國間的知識流量的正向影響；文獻(xiàn)[38-39]認(rèn)為，知識位勢的差異為知識的轉(zhuǎn)移和擴散共享提供了動力；文獻(xiàn)[40]認(rèn)為，當(dāng)創(chuàng)新的參與者具有更高的知識互補性時，能夠增加知識共享的深度?；谏鲜鑫墨I(xiàn)，從學(xué)科間知識流動的角度看，學(xué)科知識的受關(guān)注程度存在分化的現(xiàn)象，主要體現(xiàn)在知識吸引其他知識發(fā)生交流能力方面的差距，這種差距可以看作是知識之間的勢差。從熵的角度看，知識研究的人越多，則其與其他知識的交流越頻繁，熵值也越大；反之，則知識熵值也較小。與知識勢差的認(rèn)知相結(jié)合，可以認(rèn)為熵值差距大的知識之間，如果具有知識的語義相關(guān)性（關(guān)鍵詞共現(xiàn)），那么知識流動效應(yīng)、動力也會越大。從科學(xué)研究選題的角度分析，科研人員為使研究選題具有創(chuàng)新性，會去避開積累了大量的研究技術(shù)或方法的熱門選題，也會避免前期研究資料較少、科研價值有限的冷門選題。然而，如果冷門的知識與熱門的知識之間在語義上發(fā)生強烈的相關(guān)關(guān)系，那么可以認(rèn)為在兩者之間中找到了具有研究價值的學(xué)術(shù)問題，兩者之間的知識更具有互補性、驅(qū)動力和創(chuàng)新價值，更易被接受為新穎的科研選題。

綜上所述，不同學(xué)科知識之間發(fā)生關(guān)聯(lián)關(guān)系，是促進(jìn)學(xué)科間知識發(fā)生流動的基礎(chǔ)；不同學(xué)科之間的知識勢差越大，學(xué)科間知識流動效應(yīng)、動力越大；不同學(xué)科關(guān)鍵詞之間發(fā)生關(guān)聯(lián)關(guān)系的大小可認(rèn)為是知識之間語義上的相關(guān)性大小，知識語義的相關(guān)性越大，則知識之間的交流動力越大。為了對知識之間的流動趨勢進(jìn)行定量分析，本文實驗將關(guān)鍵詞的PageRank值的差值作為關(guān)鍵詞的知識勢差度量指標(biāo)（實驗中依據(jù)實際需要對PageRank值大小進(jìn)行放大），將關(guān)鍵詞間的共現(xiàn)關(guān)系大小作為知識之間的語義相關(guān)性度量指標(biāo)。將每個聚類中的關(guān)鍵詞劃分到A、B學(xué)科，聚類中A、B學(xué)科各自關(guān)鍵詞PageRank值最大的關(guān)鍵詞代表相應(yīng)學(xué)科的研究，其他關(guān)鍵詞為Pag‐eRank值大的關(guān)鍵詞提供語義環(huán)境信息，通過計算聚類中不同學(xué)科PageRank值最大的關(guān)鍵詞之間的差值的絕對值，衡量相關(guān)學(xué)科交叉知識點的勢差；通過表3所示的A、B學(xué)科關(guān)鍵詞共現(xiàn)關(guān)系大小的均值，衡量對A、B學(xué)科知識的語義相關(guān)性。將學(xué)科間知識勢差與知識語義相關(guān)性大小相乘，作為衡量學(xué)科間知識融合趨勢的指標(biāo)（論文定義為IT，interdisci‐plinary trend），IT值越大，知識融合動力及效應(yīng)越大，并產(chǎn)生更具有價值的學(xué)術(shù)研究。計算方法為

其中，Mean()函數(shù)用于求取每個聚類中A、B學(xué)科關(guān)鍵詞共現(xiàn)關(guān)系（表3）大小的均值，RAB為學(xué)科關(guān)鍵詞共現(xiàn)關(guān)系大??；Max()函數(shù)為求取特定學(xué)科中最大關(guān)鍵詞PageRank值，PRA、PRB分別為A、B學(xué)科相關(guān)關(guān)鍵詞PageRank值。PR(K)為關(guān)鍵詞K的PageRank值；PR(Ki)為鏈接到關(guān)鍵詞K的關(guān)鍵詞Ki的PageRank值；C(Ki)為與關(guān)鍵詞Ki關(guān)聯(lián)的數(shù)量；d為阻尼系數(shù)（介于0~1，通常設(shè)置為0.85）；N為關(guān)鍵詞總數(shù)。

4 實驗與結(jié)果分析

4.1 實驗過程

4.1.1 項目數(shù)據(jù)統(tǒng)計

關(guān)鍵詞在不同的語境或?qū)W科環(huán)境下含義往往存在差別。為了更好地驗證文中模型的有效性，本文實驗選取“F06人工智能”“G0114信息系統(tǒng)與管理”“G0414信息資源管理”相應(yīng)的學(xué)科項目關(guān)鍵詞作為實驗對象（2019年公布的申請代碼數(shù)據(jù)）?！癋06人工智能”隸屬于信息科學(xué)部，屬于計算機學(xué)科范疇；“G0114信息系統(tǒng)與管理”“G0414信息資源管理”隸屬于管理科學(xué)部，屬于管理學(xué)科范疇。有些高校的信息管理學(xué)院在設(shè)置相關(guān)專業(yè)時往往包含信息管理與信息系統(tǒng)、信息資源管理的方向，為了便于描述，本文將G0114、G0414對應(yīng)項目以及關(guān)鍵詞學(xué)科屬性統(tǒng)稱為“信息管理”學(xué)科，將F06對應(yīng)項目以及關(guān)鍵詞學(xué)科屬性統(tǒng)稱為“人工智能”學(xué)科。近年來，人工智能與信息管理呈現(xiàn)逐漸融合的趨勢，兩個學(xué)科資助項目的關(guān)鍵詞在語義上也有一定的相似性，從減少關(guān)鍵詞多義、同義現(xiàn)象對分析結(jié)果的影響出發(fā)，本文選擇上述學(xué)科項目作為實驗對象，來驗證本文模型的合理性。在實驗中，本文使用基金資助項目中申報者選取的關(guān)鍵詞數(shù)據(jù)進(jìn)行分析，對于關(guān)鍵詞的學(xué)科屬性劃分，實驗將申報者申報“F06人工智能”項目時選取的關(guān)鍵詞劃分到人工智能學(xué)科，將申報者申報“G0114信息系統(tǒng)與管理”“G0414信息資源管理”項目時選取的關(guān)鍵詞劃分到信息管理學(xué)科，同時，如果某個關(guān)鍵詞同時出現(xiàn)于不同學(xué)科的資助項目中，那么視該關(guān)鍵詞具有跨學(xué)科性質(zhì)，此類關(guān)鍵詞是將不同學(xué)科相關(guān)知識關(guān)聯(lián)的重要節(jié)點或橋梁。

在實驗過程中，選取2012—2019年（年份為項目開始執(zhí)行年份）信息學(xué)部F06學(xué)科和管理學(xué)部G0114、G0414學(xué)科資助項目關(guān)鍵詞數(shù)據(jù)，絕大部分項目關(guān)鍵詞數(shù)量在3~5個，相應(yīng)項目及關(guān)鍵詞數(shù)量分布情況如圖2所示。通過模型將項目關(guān)鍵詞映射到向量空間，在此基礎(chǔ)上選取2017—2019年資助項目的關(guān)鍵詞向量，進(jìn)行學(xué)科交叉知識發(fā)現(xiàn)，在模型訓(xùn)練時，主要任務(wù)為將關(guān)鍵詞及共現(xiàn)關(guān)系映射到向量空間，由于不涉及數(shù)據(jù)分類等問題，故不存在數(shù)據(jù)樣本均衡問題。

圖2 2012—2019年資助項目關(guān)鍵詞數(shù)分布情況

4.1.2 關(guān)鍵詞向量化及分析

通過skip-gram模型加負(fù)采樣優(yōu)化方法，以關(guān)鍵詞共現(xiàn)關(guān)系大小盡可能分布于大于0.9的閾值范圍為優(yōu)化目標(biāo)，結(jié)合F1指標(biāo)對2012—2019年的項目關(guān)鍵詞進(jìn)行向量映射。對模型中的迭代次數(shù)參數(shù)iter和負(fù)采樣時噪聲詞數(shù)量參數(shù)negative進(jìn)行最優(yōu)選取，實驗設(shè)置iter參數(shù)范圍為[220,1180]，每次增加40。negative參數(shù)范圍為[10,120]，每次增加10。實驗最終參數(shù)選擇iter為900，negative為40生成最終的關(guān)鍵詞向量，2012—2019年相應(yīng)關(guān)鍵詞向量降維后，在二維空間的分布情況如圖3所示。

圖3 2012—2019關(guān)鍵詞二維空間分布情況

4.1.3 跨學(xué)科知識點提取

通過對數(shù)據(jù)進(jìn)行實際分析，本研究選取關(guān)鍵詞間余弦相似度關(guān)系大于0.75閾值的關(guān)鍵詞共現(xiàn)作為學(xué)科交叉知識獲取分析的基礎(chǔ)，計算關(guān)鍵詞的Pag‐eRank值，獲取具有跨學(xué)科性質(zhì)的關(guān)鍵詞共現(xiàn)。實驗使用DBSCAN算法對具有跨學(xué)科屬性的關(guān)鍵詞共現(xiàn)中的關(guān)鍵詞進(jìn)行聚類，將算法中的最小包含點數(shù)參數(shù)設(shè)置為3，掃描半徑參數(shù)設(shè)置為0.084。最后，對聚類結(jié)果進(jìn)行篩選，只保留聚類中具有兩個學(xué)科關(guān)鍵詞，且每個學(xué)科關(guān)鍵詞數(shù)量均大于等于2的關(guān)鍵詞聚類，最終獲取14個聚類結(jié)果，如表1所示（聚類結(jié)果依據(jù)第3.4節(jié)公式(1)進(jìn)行排序）。

表1 學(xué)科交叉知識點

4.2 實驗結(jié)果分析

4.2.1 結(jié)果分析

實驗中學(xué)科交叉知識點的形成是基于同時分布于不同學(xué)科的同一個關(guān)鍵詞建立，論文對同時分布于人工智能和信息管理學(xué)科中的關(guān)鍵詞數(shù)量進(jìn)行了統(tǒng)計，共獲得96個關(guān)鍵詞。相關(guān)數(shù)據(jù)通過圖1模型共獲取14個學(xué)科交叉知識點。

以聚類1為例進(jìn)行了詳細(xì)分析。表2為該聚類中關(guān)鍵詞的學(xué)科和PageRank值信息，在計算該聚類中不同學(xué)科知識之間的知識勢差時，可以通過序號0和序號3的關(guān)鍵詞PageRank值絕對值之差獲取。表3為該聚類中預(yù)測的跨學(xué)科關(guān)鍵詞詞對的共現(xiàn)關(guān)系強度，在計算不同學(xué)科之間的知識相關(guān)度時，可通過對表中詞對關(guān)系大小求取均值獲取。最終，知識勢差與知識相關(guān)度相乘作為該聚類的IT值。圖4a為預(yù)測共現(xiàn)關(guān)系大于0.75的跨學(xué)科關(guān)鍵詞共現(xiàn)中，關(guān)鍵詞向量降維后在二維空間的分布情況，圓圈內(nèi)的點為當(dāng)前聚類簇的位置；圖4b為聚類簇中關(guān)鍵詞在二維空間的可視化結(jié)果，圓形節(jié)點關(guān)鍵詞表示該關(guān)鍵詞同時屬于兩個學(xué)科。圖5a的可視化圖中，關(guān)鍵詞節(jié)點大小依據(jù)PageRank值確定，關(guān)鍵詞節(jié)點之間關(guān)系來自表3；圖5b的詞云圖是表2的關(guān)鍵詞以及PageRank值大小可視化。在上述圖表所呈現(xiàn)的學(xué)科交叉知識中，關(guān)鍵詞“社會學(xué)習(xí)”在兩個學(xué)科中具有相同的語義信息，人工智能學(xué)科的關(guān)鍵詞為“合作演化”“移動Agent”。在人工智能領(lǐng)域，我國研究人員更多的是將“Agent”翻譯為智能體，其特性包括自治性、反應(yīng)性、主動性等，其在改善Internet應(yīng)用、開發(fā)分布式交互仿真環(huán)境等均有應(yīng)用。信息管理學(xué)科的相關(guān)關(guān)鍵詞為“用戶知識行為”“持續(xù)知識共享”“在線實踐社區(qū)”，可認(rèn)為是以“用戶知識行為”為研究主題，同時關(guān)鍵詞“在線社區(qū)”“知識共享”等賦予“用戶知識行為”更多的語義環(huán)境信息。在該聚類中，不同學(xué)科之間的知識融合，包括Agent技術(shù)應(yīng)用于，在線社區(qū)的用戶知識共享行為是合理的研究主題。例如，文獻(xiàn)[41]用多智能體模擬實驗研究不同因素對用戶分享效果的影響；文獻(xiàn)[42]采用多Agent系統(tǒng)建模方法，構(gòu)建科研合作網(wǎng)絡(luò)知識擴散仿真演化模型，分析網(wǎng)絡(luò)結(jié)構(gòu)、知識溢出效應(yīng)和個體知識創(chuàng)新能力對知識擴散的影響。從交叉學(xué)科成長的層面分析，人工智能領(lǐng)域?qū)W科Agent相關(guān)技術(shù)構(gòu)建仿真模型與信息管理學(xué)科用戶知識行為、知識共享研究相結(jié)合，為基于經(jīng)驗進(jìn)行數(shù)據(jù)分析的信息管理學(xué)科帶來了更為有效的分析手段，是人工智能學(xué)科技術(shù)融入信息管理學(xué)科社區(qū)用戶行為研究的學(xué)科交叉地帶。

圖4 聚類中的關(guān)鍵詞可視化(t-SNE)

圖5 聚類中的關(guān)鍵詞關(guān)系圖及詞云

表2 聚類中的關(guān)鍵詞PageRank值及學(xué)科屬性

表3 關(guān)鍵詞之間的共現(xiàn)關(guān)系

在聚類2中，相關(guān)知識通過“動力學(xué)”進(jìn)行關(guān)聯(lián)，動力學(xué)在人工智能中涉及機器人等相關(guān)概念，信息管理中涉及知識擴散的動力，該關(guān)鍵詞關(guān)聯(lián)的兩個學(xué)科知識在語義環(huán)境上相差較遠(yuǎn)，其結(jié)果具有不合理性。需在后續(xù)研究中，從語義消歧的角度剔除此類學(xué)科交叉知識點，以提升模型的準(zhǔn)確性。

在聚類3中，“互聯(lián)網(wǎng)金融”在兩個學(xué)科中具有相同的語義信息，人工智能學(xué)科的關(guān)鍵詞為“深度挖掘”“個人信用評價”，信息管理學(xué)科的關(guān)鍵詞為“風(fēng)險預(yù)測”“信用評分”“欺詐”“P2P”“網(wǎng)絡(luò)借貸”。人工智能學(xué)科中，關(guān)鍵詞“深度挖掘”“個人信用評價”可視為對用戶各種金融行為信息進(jìn)行深度挖掘，進(jìn)而進(jìn)行個人信用評價的研究。在信息管理學(xué)科中，關(guān)鍵詞傾向于互聯(lián)網(wǎng)金融中的風(fēng)險預(yù)測、信用評價、金融欺詐、借貸等方面的研究。近年來，人工智能得益于金融領(lǐng)域大量高質(zhì)量數(shù)據(jù)的累積，其方法和技術(shù)在金融信息服務(wù)領(lǐng)域中得到迅速應(yīng)用。兩個學(xué)科之間可以認(rèn)為是用戶金融行為挖掘與金融領(lǐng)域風(fēng)險預(yù)測、金融欺詐等主題進(jìn)行融合的研究。從交叉學(xué)科成長的層面分析，人工智能學(xué)科側(cè)重于用戶數(shù)據(jù)分析技術(shù)，而信息管理學(xué)科側(cè)重于金融用戶信用風(fēng)險識別、預(yù)測、建模等機制、理論、體系問題的研究，目前可認(rèn)為融入智能的金融信息服務(wù)系統(tǒng)研究是兩個學(xué)科間重要的學(xué)科交叉地帶。

在聚類4中，人工智能學(xué)科與信息管理學(xué)科相關(guān)研究通過“多模型”關(guān)鍵詞進(jìn)行知識的關(guān)聯(lián)，但兩個學(xué)科的關(guān)鍵詞“多模型”在語義上具有完全不同的含義，指代的模型互不相同，此處的交叉知識點具有不合理性。與聚類2中的問題相似，需在后續(xù)研究中，從語義消歧的角度剔除此類學(xué)科交叉知識點，以提升模型的準(zhǔn)確性。

在聚類5中，“社會影響力”在兩個學(xué)科中具有相同的語義信息，人工智能學(xué)科的關(guān)鍵詞為“社會網(wǎng)絡(luò)挖掘”“信任關(guān)系”“異構(gòu)網(wǎng)絡(luò)融合”，信息管理學(xué)科的關(guān)鍵詞為“社群經(jīng)濟”“消費畫像”“屬性圖挖掘”。信息管理學(xué)科研究主題中，社群經(jīng)濟是指社交媒體消費社群，是建立在產(chǎn)品和粉絲相互信任基礎(chǔ)之上的經(jīng)濟系統(tǒng)，是目前值得關(guān)注的前沿研究問題。人工智能學(xué)科研究主題為異構(gòu)網(wǎng)絡(luò)中社會網(wǎng)絡(luò)及信任關(guān)系的挖掘。社群建立和延續(xù)的基礎(chǔ)是信任關(guān)系的建立，在研究社群經(jīng)濟發(fā)展和形成過程中，關(guān)注于多種異構(gòu)網(wǎng)絡(luò)數(shù)據(jù)的融合，挖掘賣家與買家等主體之間信任關(guān)系的形成、演化機制與原理，對于促進(jìn)社群經(jīng)濟的發(fā)展具有重要的研究價值。從交叉學(xué)科成長的層面分析，兩個學(xué)科的融合可以認(rèn)為是通過人工智能相關(guān)用戶行為分析技術(shù)，來提升社群經(jīng)濟的運行及管理效率，輔助增進(jìn)用戶之間的信任關(guān)系，進(jìn)而產(chǎn)生價值反哺，形成良性的自循環(huán)經(jīng)濟體系。在社群經(jīng)濟的研究中，融入人工智能技術(shù)作為促進(jìn)其發(fā)展的主導(dǎo)力量，其交叉屬于智能化社群經(jīng)濟平臺或系統(tǒng)的范疇。

在聚類6中，“認(rèn)知負(fù)荷”在兩個學(xué)科中具有相同的語義信息，人工智能學(xué)科的關(guān)鍵詞為“學(xué)習(xí)情緒”“自適應(yīng)交互”“被動式腦-機接口”“腦機互適應(yīng)”，信息管理學(xué)科的關(guān)鍵詞為“從眾信息行為”“社會連接”“影響因素”。在人工智能學(xué)科的相關(guān)研究中，側(cè)重于從用戶情感、自適應(yīng)交互、腦機接口等角度進(jìn)行用戶認(rèn)知相關(guān)技術(shù)的研究。信息管理學(xué)科領(lǐng)域則側(cè)重于社會環(huán)境下人員從眾信息行為等研究。通過將人類情感（學(xué)習(xí)情緒）、腦機接口自適應(yīng)技術(shù)與社會環(huán)境下用戶行為研究相結(jié)合，可為相應(yīng)學(xué)科提供新的科學(xué)依據(jù)和方法，或為腦機接口研究提供理論依據(jù)，或為社會網(wǎng)絡(luò)中的從眾信息行為研究提供技術(shù)支撐。目前，腦機接口技術(shù)、自適應(yīng)交互、人類情感（學(xué)習(xí)情緒）、人類從眾行為研究等相融合的研究領(lǐng)域，在現(xiàn)在及未來均具有重要的價值，如健康醫(yī)療、自動駕駛、虛擬現(xiàn)實等領(lǐng)域。從交叉學(xué)科成長的層面分析，兩個學(xué)科的交叉是一個融入用戶行為和認(rèn)知功能的人機交互交叉研究領(lǐng)域，是未來重要的交叉研究發(fā)展方向。

在聚類7中，“協(xié)同進(jìn)化算法”是兩個學(xué)科中相關(guān)知識關(guān)聯(lián)的基礎(chǔ)，人工智能學(xué)科的關(guān)鍵詞為“協(xié)同進(jìn)化學(xué)習(xí)模型”“信息核”“個性化推薦系統(tǒng)”，信息管理學(xué)科的關(guān)鍵詞為“服務(wù)等級協(xié)議”“雙層規(guī)劃模型”。信息管理學(xué)科中，“服務(wù)等級協(xié)議”是指針對不同的用戶制定不同的服務(wù)等級策略，“雙層規(guī)劃模型”[43]是雙層決策問題的數(shù)學(xué)模型，是一種具有雙層遞階結(jié)構(gòu)的系統(tǒng)優(yōu)化問題，上下層都具有各自的目標(biāo)函數(shù)和約束條件，具有層次性、獨立性、沖突性、優(yōu)先性、自主性、制約性和依賴性等特點，在交通領(lǐng)域、資源分配、價格制定等方面都有應(yīng)用場景，如在交通領(lǐng)域向用戶推薦合適的出行路徑等。兩個學(xué)科的學(xué)科知識交叉，可以認(rèn)為是在信息推薦領(lǐng)域的特定場景下，引入雙層規(guī)劃模型、用戶服務(wù)等級策略等理論與方法進(jìn)行相關(guān)研究。雙層規(guī)劃模型是尋求一種將各層的目標(biāo)協(xié)調(diào)至最優(yōu)的具體方案，如交通領(lǐng)域路網(wǎng)規(guī)劃兼顧建設(shè)費用與用戶出行費用、鐵路票價制定兼顧成本與市場需要因素等，其本質(zhì)是為各層提供雙方都能接受的決策方案。在信息推薦系統(tǒng)的設(shè)計中，不僅要考慮用戶的喜好，而且還要考慮推薦物品或內(nèi)容的質(zhì)量等因素進(jìn)行多個目標(biāo)的優(yōu)化推薦，從合理性上看，上述其融合是值得嘗試的研究主題。從交叉學(xué)科成長的層面分析，其是與智能信息服務(wù)相關(guān)的學(xué)科交叉研究。

在聚類8中，“群體推薦”在兩個學(xué)科中具有相同的語義信息，人工智能學(xué)科的關(guān)鍵詞為“興趣聚集”“群體決策”，信息管理學(xué)科的關(guān)鍵詞為“語義偏好”“信任引導(dǎo)”“多輪信息交互”。群體決策指的是對于復(fù)雜的決策問題，需要發(fā)揮集體智慧的作用，即群體成員制定決策的過程。通過對群體成員語義偏好挖掘、群體成員信任關(guān)系建模、多輪信息交互等理論體系和方法的研究，準(zhǔn)確描述群體決策研究中群體成員的群體交互行為及活動，并在此基礎(chǔ)上進(jìn)行群體興趣、群體決策等人工智能領(lǐng)域相關(guān)問題的研究具有重要的研究價值和意義。隨著人工智能相關(guān)技術(shù)的不斷發(fā)展，群體決策也體現(xiàn)出了在未來將進(jìn)一步發(fā)展的巨大價值，如卡耐基梅隆大學(xué)將自愿癥狀調(diào)查、醫(yī)生報告、實驗室統(tǒng)計數(shù)據(jù)和谷歌搜索趨勢等結(jié)合一體，實時預(yù)測新冠肺炎流行趨勢等。從交叉學(xué)科成長的層面分析，結(jié)合信息管理學(xué)科關(guān)于群體成員用戶行為研究的理論與技術(shù)，進(jìn)行群體決策相關(guān)研究是人工智能領(lǐng)域重要的研究方向，兩個學(xué)科的交叉是智能信息服務(wù)決策系統(tǒng)的研究。

在聚類9中，“模型檢測”是將兩個學(xué)科中相關(guān)知識關(guān)聯(lián)的基礎(chǔ)。模型檢測是一種用于檢測系統(tǒng)狀態(tài)時序邏輯關(guān)系正確性及可靠性的自動驗證方法，可以揭示系統(tǒng)狀態(tài)轉(zhuǎn)移的時序邏輯規(guī)律[44]。人工智能學(xué)科的關(guān)鍵詞為“策略推理”“全局博弈策略”，信息管理學(xué)科的關(guān)鍵詞為“時序邏輯”“負(fù)面情感”“應(yīng)急響應(yīng)”。其中，“全局博弈策略”是一種博弈系統(tǒng)，策略表示與推理是其構(gòu)建的關(guān)鍵。信息管理學(xué)科研究主題為對突發(fā)事件分析相關(guān)人員負(fù)面情感變化的規(guī)律，進(jìn)行應(yīng)急響應(yīng)策略制定的研究。從兩個學(xué)科的研究主題看，兩者均有揭示系統(tǒng)狀態(tài)轉(zhuǎn)移的時序邏輯規(guī)律問題的研究，具有語義環(huán)境的相似性。目前，有相關(guān)文獻(xiàn)就“情感”與“博弈”結(jié)合進(jìn)行相關(guān)研究，如文獻(xiàn)[45]就情感計算與博弈理論相結(jié)合，進(jìn)行情感演化的預(yù)測方法的研究。從交叉學(xué)科成長的層面分析，將博弈理論、用戶情感分析和推理與突發(fā)事件中用戶情感演化機制及原理的研究相結(jié)合，是突發(fā)事件應(yīng)急響應(yīng)理論方法與人工智能策略推理相融合的研究方向，兩個學(xué)科的交叉是智能應(yīng)急響應(yīng)信息服務(wù)系統(tǒng)的研究。

在聚類10中，“數(shù)據(jù)包絡(luò)分析”在兩個學(xué)科中具有相同的語義信息，人工智能學(xué)科的關(guān)鍵詞為“能效分析”“預(yù)測建模”“復(fù)雜化工過程”，信息管理學(xué)科的關(guān)鍵詞為“移動信息技術(shù)”“用戶適應(yīng)性”“組織績效”。兩個學(xué)科的知識通過“數(shù)據(jù)包絡(luò)分析”方法進(jìn)行關(guān)聯(lián)，數(shù)據(jù)包絡(luò)分析方法[46]是根據(jù)多項投入指標(biāo)和產(chǎn)出指標(biāo)，利用線性規(guī)劃的方法，對具有可比性的同類型單位進(jìn)行相對有效性評價的一種數(shù)量分析方法。人工智能相關(guān)內(nèi)容是在復(fù)雜化工過程中，進(jìn)行能效分析以及對能效預(yù)測的研究。信息管理相關(guān)研究為針對移動信息技術(shù)構(gòu)建用戶適應(yīng)性策略，提升組織績效。兩者之間的研究領(lǐng)域相差較遠(yuǎn)，但其合理性值得探討，從某些角度分析，其交叉具有一定意義，如企業(yè)人員對移動信息技術(shù)的適應(yīng)性的預(yù)測與建模、從用戶適應(yīng)性角度對企業(yè)的績效進(jìn)行分析及預(yù)測等。從交叉學(xué)科成長的層面分析，該交叉主題屬于用戶技術(shù)適應(yīng)性及組織績效預(yù)測相關(guān)的研究。

在聚類11中，“云計算安全”在兩個學(xué)科中具有相同的語義信息。人工智能學(xué)科的關(guān)鍵詞為“信息安全技術(shù)”“生物密鑰”，信息管理學(xué)科的關(guān)鍵詞為“技術(shù)采納”“云存儲服務(wù)”“采納行為”。兩者之間的知識交叉點是基于生物密鑰的信息安全技術(shù)（包括不斷優(yōu)化的新型高強度生物密鑰技術(shù)）應(yīng)用于云存儲相關(guān)服務(wù)，在用戶采納、技術(shù)風(fēng)險等方面相關(guān)問題的研究?；谏锩荑€的信息安全技術(shù)與用戶采納技術(shù)行為方面的原理及理論研究相結(jié)合，具有重要的現(xiàn)實研究價值及意義，可以完善豐富基于生物密鑰的信息安全技術(shù)的理論基礎(chǔ)。從交叉學(xué)科成長的層面分析，該學(xué)科交叉知識點是關(guān)于云存儲技術(shù)安全領(lǐng)域用戶技術(shù)采納行為的研究。

在聚類12中，“微博輿情”在兩個學(xué)科中具有相同的語義信息，人工智能學(xué)的科關(guān)鍵詞為“傳播控制”“可信評估”，信息管理學(xué)科的關(guān)鍵詞為“信息窄化”“信息溝”。人工智能學(xué)科的研究主題主要集中于信息傳播的控制技術(shù)、信息的可信性評價技術(shù)方面的研究。信息管理學(xué)科中，“信息溝”理論認(rèn)為，新傳播技術(shù)的采用帶來的利益對所有社會成員并非均等，既有信息富裕階層具有信息獲得的優(yōu)勢，新技術(shù)不斷出現(xiàn)，新的信息溝不斷形成[47]?！靶畔⒄笔侵赣捎谛畔⑦^濾機制的影響，個人獲取的知識會沉溺于固有的范圍，使人的知識陷入狹窄的認(rèn)知中[48]。在“信息溝”“信息窄化”等問題中，通過信息傳播控制、信息可信性評價等方法、技術(shù)或算法進(jìn)行相關(guān)問題的治理、干預(yù)、策略制定等，具有一定契合性及研究意義。從交叉學(xué)科成長的層面進(jìn)行分析，可以認(rèn)為是人工智能領(lǐng)域信息傳播控制相關(guān)算法、技術(shù)與信息傳播中相關(guān)問題優(yōu)化的交叉研究，兩個學(xué)科的交叉是人工智能技術(shù)優(yōu)化信息服務(wù)，進(jìn)而消減用戶信息認(rèn)知副作用的研究。

在聚類13中，“網(wǎng)絡(luò)分析”在兩個學(xué)科中具有相近的語義信息，即網(wǎng)絡(luò)科學(xué)中的網(wǎng)絡(luò)分析相關(guān)概念。人工智能學(xué)科的關(guān)鍵詞為“模式學(xué)習(xí)”“軌跡預(yù)測”，信息管理學(xué)科的關(guān)鍵詞為“中心度”“小世界網(wǎng)絡(luò)”。上述研究主題可以理解為網(wǎng)絡(luò)科學(xué)中的理論知識與模式學(xué)習(xí)、軌跡預(yù)測相融合的學(xué)科交叉研究。在目前的相關(guān)學(xué)術(shù)研究中，軌跡預(yù)測作為人工智能領(lǐng)域重要的研究方向，將軌跡數(shù)據(jù)以網(wǎng)絡(luò)的方式進(jìn)行組織，從復(fù)雜網(wǎng)絡(luò)理論的角度，結(jié)合機器學(xué)習(xí)相關(guān)技術(shù)，開展軌跡預(yù)測方面的研究是值得關(guān)注及深入探究的學(xué)科交叉研究方向。從交叉學(xué)科成長的層面分析，該學(xué)科交叉知識點屬于網(wǎng)絡(luò)科學(xué)理論與機器學(xué)習(xí)軌跡預(yù)測相融合的智能信息服務(wù)學(xué)科交叉研究，歷來具有重要的研究價值與意義。

在聚類14中，“平臺演化”在兩個學(xué)科中具有相近的語義信息，即電子商務(wù)領(lǐng)域消費平臺的演化。人工智能學(xué)科的關(guān)鍵詞為“社交服務(wù)平臺”“復(fù)雜消費行為”“社交影響力”“用戶興趣建?！保畔⒐芾韺W(xué)科的關(guān)鍵詞為“平臺績效”“電商平臺”“平臺商業(yè)生態(tài)系統(tǒng)”“復(fù)雜適應(yīng)”。人工智能學(xué)科研究主題是社交電子商務(wù)中關(guān)于社交用戶消費等行為方面的研究。信息管理學(xué)科中研究主題是與復(fù)雜適應(yīng)理論相結(jié)合，進(jìn)行電商平臺生態(tài)系統(tǒng)平臺績效的相關(guān)研究。“復(fù)雜適應(yīng)”來源于復(fù)雜適應(yīng)系統(tǒng)理論[49]，其思想是系統(tǒng)中的成員能夠與環(huán)境及其他主體進(jìn)行交互作用，在這種持續(xù)不斷的交互作用中，不斷的學(xué)習(xí)或積累經(jīng)驗，并根據(jù)學(xué)到的經(jīng)驗改變自身的結(jié)構(gòu)和行為方式。社交與電子商務(wù)的融合，為電子商務(wù)的發(fā)展帶來了新的活力，如拼多多、小紅書等平臺，是電子商務(wù)平臺的一種表現(xiàn)形式，其核心在于對社交用戶價值的挖掘以及其平臺商業(yè)生態(tài)系統(tǒng)的不斷完善。在社交電商平臺用戶復(fù)雜消費行為挖掘建模的基礎(chǔ)上，研究社交電商平臺生態(tài)系統(tǒng)、績效等之間的影響機理，對于促進(jìn)社交電商平臺的健康發(fā)展具有重要研究價值。從交叉學(xué)科成長的層面分析，該研究屬于智能電子商務(wù)服務(wù)系統(tǒng)相關(guān)的研究。

經(jīng)過對上述結(jié)果的解析，兩個學(xué)科領(lǐng)域的交叉研究主要側(cè)重人工智能技術(shù)與用戶行為、認(rèn)知、模型、情感以及信息獲取等方面的交叉，其知識交叉大部分具有重要的研究價值和意義。雖然關(guān)鍵詞的語義差異和語義環(huán)境會導(dǎo)致聚類結(jié)果出現(xiàn)偏差，如關(guān)鍵詞“動力學(xué)”“多模型”等，但大多數(shù)聚類結(jié)果具有較好的可解釋性，因此，認(rèn)為上述模型具有一定的合理性和有效性。

4.2.2 結(jié)果評價

從模型的合理性角度分析。當(dāng)關(guān)鍵詞共現(xiàn)于同一項目中時，其必定具有語義上的相關(guān)性，通過上文中模型將關(guān)鍵詞映射到向量空間后，關(guān)鍵詞在向量空間中因語義相關(guān)而距離相近，形成特定的研究主題，其理論上具有合理性。聚類結(jié)果的出現(xiàn)主要依賴分布于兩個不同學(xué)科的同一個關(guān)鍵詞，將不同學(xué)科之間的知識關(guān)聯(lián)起來。通過對同時出現(xiàn)于兩個學(xué)科的關(guān)鍵詞進(jìn)行統(tǒng)計共獲取96個，通過圖1所示模型共計獲取表1所示14個學(xué)科交叉知識點，共有82個關(guān)鍵詞關(guān)聯(lián)的知識點經(jīng)過圖1模型后被過濾掉。經(jīng)過對數(shù)據(jù)和模型進(jìn)行分析后認(rèn)為，一是模型在設(shè)計時，將聚類結(jié)果中某學(xué)科關(guān)鍵詞只有1個的聚類進(jìn)行剔除，主要原因為相關(guān)領(lǐng)域?qū)＜艺J(rèn)為某學(xué)科只有1個關(guān)鍵詞的聚類提供的該學(xué)科語義信息過少，不能支撐該聚類為學(xué)科交叉知識點；二是受語料庫提供的關(guān)鍵詞間關(guān)系影響，關(guān)鍵詞映射到向量空間后，具有2個學(xué)科屬性的關(guān)鍵詞，與其他學(xué)科關(guān)鍵詞共現(xiàn)關(guān)系強度低于模型中設(shè)置的閾值，無法圍繞此類關(guān)鍵詞形成有效聚類。從模型的合理性角度分析，可認(rèn)為圖1模型是有效的。

從聚類結(jié)果的合理性角度分析。從表1聚類結(jié)果可知，上述結(jié)果的合理性是建立在連接不同項目的相同關(guān)鍵詞具有語義信息或語境信息相似的基礎(chǔ)上，如果相同的關(guān)鍵詞連接兩個不同學(xué)科的知識點在語義信息或語境信息差別較大時，即關(guān)鍵詞的多義性，那么會造成關(guān)聯(lián)的學(xué)科交叉知識差異性較大。本研究初期隨機選擇兩個學(xué)科資助項目數(shù)據(jù)進(jìn)行分析，嘗試將本文圖1所示模型應(yīng)用于學(xué)科之間學(xué)科交叉知識的發(fā)現(xiàn)，但將兩個學(xué)科之間的知識進(jìn)行關(guān)聯(lián)的許多關(guān)鍵詞在語義或語境上相差巨大，造成具有可解釋性的交叉知識點相對較少，而無法體現(xiàn)出模型的合理性。因此，現(xiàn)有實驗選擇人工智能學(xué)科相關(guān)項目和信息管理學(xué)科相關(guān)項目進(jìn)行研究，雖然同樣受到關(guān)鍵詞歧義的影響，但是當(dāng)兩個學(xué)科語義環(huán)境較為接近時，絕大部分結(jié)果獲得了較好的可解釋性。針對上述問題，本文認(rèn)為需要在后續(xù)研究中，對關(guān)聯(lián)不同學(xué)科的關(guān)鍵詞進(jìn)行消歧處理，從而在模型中過濾掉在不同學(xué)科語義相差較大的關(guān)鍵詞，形成的學(xué)科交叉知識點，進(jìn)而提升聚類結(jié)果的合理性和準(zhǔn)確性，目前已有文獻(xiàn)對跨學(xué)科術(shù)語歧義問題[50]、科學(xué)領(lǐng)域的語義詞移問題[51]進(jìn)行研究。結(jié)合第4.2.1節(jié)對表1聚類結(jié)果的分析，本文認(rèn)為模型最終提取的聚類結(jié)果合理、有效，在一定程度上揭示了兩個學(xué)科之間的學(xué)科交叉熱點，并研判未來學(xué)科間潛在的交叉學(xué)科形成。

從交叉學(xué)科發(fā)展的角度分析。從表1的聚類結(jié)果可知，文中模型提取的重要學(xué)科交叉知識包括：智能體（agent）理論與社區(qū)用戶知識共享行為；人工智能用戶行為挖掘與金融風(fēng)險預(yù)測、欺詐識別；異構(gòu)社會網(wǎng)絡(luò)中用戶挖掘與社群經(jīng)濟的研究；自適應(yīng)交互、腦機接口技術(shù)與用戶信息行為相關(guān)的認(rèn)知研究；群體行為的挖掘與語義信息結(jié)合的研究；全局博弈策略與群體情感演化的應(yīng)急響應(yīng)研究；云存儲生物密鑰技術(shù)和用戶技術(shù)接受以及采納行為的研究；信息的傳播控制技術(shù)與信息社會問題的研究；復(fù)雜網(wǎng)絡(luò)理論與軌跡預(yù)測相關(guān)的研究；社交電商平臺用戶行為挖掘與電商生態(tài)系統(tǒng)績效相關(guān)的研究等。人工智能與信息管理兩個學(xué)科的交叉研究中，人工智能領(lǐng)域側(cè)重于技術(shù)方法的研究，信息管理領(lǐng)域則側(cè)重于理論、機制、機理等方面的研究，兩者之間的融合地帶，如金融風(fēng)險識別、社群經(jīng)濟、腦機交互、群體決策、情感演化、用戶技術(shù)采納、信息傳播控制、軌跡預(yù)測等，均可看作未來的前沿學(xué)科交叉及發(fā)展方向。兩個學(xué)科的交叉主要集中于將人工智能技術(shù)與用戶行為（如信息共享、信息獲取、采納、情感、認(rèn)知等）相融合，在更廣泛的領(lǐng)域提供高效的智能信息服務(wù)，這種融合也與人工智能和信息管理兩個學(xué)科的學(xué)科特點有著密切的關(guān)系。從交叉學(xué)科成長的角度，應(yīng)側(cè)重于資助人工智能技術(shù)、用戶行為、用戶認(rèn)知等結(jié)合的智能信息服務(wù)研究，促進(jìn)其在更廣泛的智能信息服務(wù)領(lǐng)域得到應(yīng)用，如金融、電子商務(wù)、智能交通、決策支持、人機交互等，進(jìn)而圍繞智能信息服務(wù)形成相關(guān)的交叉學(xué)科研究領(lǐng)域。本文模型雖然受到關(guān)鍵詞歧義的影響，但絕大部分的分析結(jié)果具有一定的合理性和研究前瞻價值，為啟迪相關(guān)研究人員拓展研究思路，開展學(xué)科交叉相關(guān)研究具有參考價值。

從學(xué)科交叉結(jié)果的評價角度分析。本文制定的聚類結(jié)果排序公式，雖然受語料庫關(guān)鍵詞收集范圍等因素的影響，很難從研究價值上進(jìn)行衡量或評價，但是本文認(rèn)為知識勢差相差越懸殊，知識語義相關(guān)度越大，其融合趨勢更具有驅(qū)動性和創(chuàng)新性，上文公式的定義具有一定的合理性和價值。上述模型的結(jié)果是建立在已有數(shù)據(jù)的共現(xiàn)關(guān)系基礎(chǔ)之上，隨著新的資助項目的不斷融入，相對較弱的共現(xiàn)關(guān)系可能會逐漸增強，被過濾掉的跨學(xué)科知識點會得到呈現(xiàn)，因此，在后續(xù)研究中，需要不斷擴充語料庫，賦予關(guān)鍵詞更多語義關(guān)聯(lián)信息。由于本文選定了特定的具有一定語義相通性的不同學(xué)科進(jìn)行分析，聚類結(jié)果能夠通過已有數(shù)據(jù)較好地呈現(xiàn)出新的研究知識點，然而在更加復(fù)雜的語義環(huán)境下，需要針對特定的問題進(jìn)一步做深入研究和探索。同時，后續(xù)研究還需融入知識出現(xiàn)的時間等因素，完善學(xué)科知識交叉評價方法。

5 總結(jié)與展望

通過對實驗結(jié)果進(jìn)行分析以及對學(xué)科專家進(jìn)行訪談，本文認(rèn)為通過詞嵌入的方法進(jìn)行關(guān)鍵詞的詞向量映射，進(jìn)而發(fā)現(xiàn)學(xué)科交叉知識點，不僅可以完成關(guān)鍵詞在共現(xiàn)網(wǎng)絡(luò)中的重要性評價，還可以對學(xué)科關(guān)鍵詞之間的共現(xiàn)關(guān)系大小進(jìn)行量化，便于開展相關(guān)學(xué)科交叉分析及評價。模型獲取的最終結(jié)果也證明了本文思路的可行性，為學(xué)科交叉知識發(fā)現(xiàn)與評價提供了一種新的思路。但該模型也需要在后續(xù)通過更多的工作進(jìn)行優(yōu)化提升，主要包括以下幾個方面：①從知識工程的角度，對學(xué)科知識進(jìn)行管理和利用。知識圖譜是識別、發(fā)現(xiàn)和推斷數(shù)據(jù)中事物之間關(guān)系的可計算模型，在輔助語言理解、數(shù)據(jù)分析等方面發(fā)揮越來越重要的作用。通過知識圖譜技術(shù)，從知識工程的角度對科研數(shù)據(jù)進(jìn)行知識抽取、消歧、組織、管理和利用，可以在最大程度上提升數(shù)據(jù)的質(zhì)量和分析效果。②學(xué)科知識分類體系的研究。學(xué)科交叉識別的一個重要挑戰(zhàn)是識別和界定相關(guān)研究對象的學(xué)科屬性，為基金項目相關(guān)知識實體等賦予合適的學(xué)科信息，是學(xué)科交叉研究的先決條件。關(guān)于知識實體學(xué)科屬性的劃分方法，一種是將論文和出版物按照學(xué)科分類體系歸屬到不同的學(xué)科門類下，另外一種方式是通過文獻(xiàn)的引文分析、文本分析形成聚類，從而探究學(xué)科的結(jié)構(gòu)[9]。將基金資助項目以及相應(yīng)知識劃分到合適的學(xué)科體系開展相關(guān)研究，是提升學(xué)科交叉識別質(zhì)量的重要方向。③學(xué)科關(guān)鍵詞歧義問題的研究。在學(xué)科交叉知識發(fā)現(xiàn)中，學(xué)科中代表成果主題的一些關(guān)鍵詞在不同的學(xué)科背景或上下文語義環(huán)境中存在多義（polyse‐my）現(xiàn)象，或者不同的關(guān)鍵詞代表同一個研究主題或語義的同義（synonym）現(xiàn)象。多義現(xiàn)象或同義現(xiàn)象在進(jìn)行學(xué)科交叉研究時，都會在一定程度上會阻礙學(xué)科交叉知識識別的準(zhǔn)確性。消除詞語歧義的研究,除了要通過相關(guān)技術(shù)的提升改進(jìn)準(zhǔn)確率外，還要構(gòu)建更多的與關(guān)鍵詞關(guān)聯(lián)的實體和關(guān)系信息，豐富特定詞語在特定環(huán)境下的含義，從而提升了知識消歧的效果。④鏈接預(yù)測與交叉評價的研究。預(yù)測是通過已有的知識去預(yù)測未知的知識的過程，是人類認(rèn)知世界的重要途徑。學(xué)科交叉發(fā)生的因素各種各樣，目前的方法通常是通過對學(xué)科交叉知識演變的過程進(jìn)行分析，從而發(fā)現(xiàn)學(xué)科交叉演變等，但也有相關(guān)研究[52]從預(yù)測的角度對學(xué)科未來的交叉方向進(jìn)行分析。近年來，圖神經(jīng)網(wǎng)絡(luò)通過處理圖結(jié)構(gòu)的數(shù)據(jù)以及捕捉圖中節(jié)點之間的鄰近關(guān)系，從而實現(xiàn)了節(jié)點之間關(guān)系的推理與預(yù)測，并取得了較好的效果。學(xué)科間知識的交叉研究，除了通過鏈接預(yù)測的方法進(jìn)行研究外，還需對學(xué)科交叉發(fā)生的內(nèi)層原因進(jìn)行分析，如文獻(xiàn)[53-54]從動力學(xué)角度進(jìn)行理論解析等。⑤從交叉知識發(fā)現(xiàn)，到交叉學(xué)科成長的研究。從本文模型發(fā)現(xiàn)的學(xué)科交叉結(jié)果合理性來看，其在一定程度上可以體現(xiàn)目前人工智能與信息管理學(xué)科之間的學(xué)科交叉研究情況；從交叉知識點的研究內(nèi)容也可以看出，兩者之間的潛在交叉學(xué)科可以看作智能信息服務(wù)相關(guān)的研究。但是，目前的模型對交叉知識的提取是一種相對靜態(tài)的模型，還需引入學(xué)科知識動態(tài)演變的角度對交叉學(xué)科形成進(jìn)行分析，如時間因素融入學(xué)科交叉知識的發(fā)現(xiàn)。