基礎(chǔ)研究領(lǐng)域知識圖譜研究前沿的可視化分析

陳雅丹，杜元，朱爽，趙欣然，孫娜，李心怡，胡燁胤，李新龍

1.北京中醫(yī)藥大學(xué)，北京 100029；

2.北京中醫(yī)藥大學(xué)東方醫(yī)院，北京 100078；

3.北京中醫(yī)藥大學(xué)東直門醫(yī)院，北京 100700

知識圖譜(Knowledge Graph)一詞在1972 年即已經(jīng)被提出[1]，隨著2012年谷歌知識圖譜的發(fā)布，特定領(lǐng)域的知識圖譜構(gòu)建成為研究熱點(diǎn)問題，并逐漸滲透到金融、工業(yè)和醫(yī)學(xué)領(lǐng)域[2]。知識圖譜的本質(zhì)是連接實(shí)體間關(guān)系的圖，即揭示實(shí)體之間關(guān)系的語義網(wǎng)絡(luò)[3]，在實(shí)現(xiàn)知識可視化的同時(shí)，也可以挖掘知識單元或知識群之間隱含的復(fù)雜關(guān)系[4]。知識圖譜技術(shù)作為新一代人工智能的關(guān)鍵通用技術(shù)[5]，在推動人工智能從感知智能向認(rèn)知智能的跨越中扮演著重要角色。國家自然科學(xué)基金(national natural science foundation of China，NSFC)作為我國資助基礎(chǔ)研究的主體之一，其所資助的項(xiàng)目在一定程度上代表了國內(nèi)基礎(chǔ)研究領(lǐng)域的熱點(diǎn)和方向。本文通過對NSFC在知識圖譜研究資助項(xiàng)目的分布情況、研究熱點(diǎn)及前沿的計(jì)量分析，系統(tǒng)梳理了基礎(chǔ)研究領(lǐng)域知識圖譜技術(shù)的研究進(jìn)展。

1 資料與方法

1.1 數(shù)據(jù)來源在NSFC 官網(wǎng)[6]立項(xiàng)項(xiàng)目中，以“知識圖譜”、“知識地圖”為關(guān)鍵詞檢索相關(guān)研究，檢索時(shí)間1997至2019年。

1.2 數(shù)據(jù)預(yù)處理(1)數(shù)據(jù)庫建立：將檢索結(jié)果分批導(dǎo)入到Excel 軟件，提取立項(xiàng)項(xiàng)目標(biāo)題、所屬學(xué)部、項(xiàng)目類型、項(xiàng)目編號、項(xiàng)目金額、負(fù)責(zé)人、單位、批準(zhǔn)年份等信息。(2)項(xiàng)目初篩及預(yù)處理：首先根據(jù)項(xiàng)目標(biāo)題剔除與知識圖譜無關(guān)的項(xiàng)目。對項(xiàng)目單位信息進(jìn)行預(yù)處理，將同一大學(xué)或科研院所附屬研究所統(tǒng)一合并為該大學(xué)或科研院所，如“中國科學(xué)院北京基因組研究所、中國科學(xué)院沈陽自動化研究所、中國科學(xué)院大連化學(xué)物理研究所”統(tǒng)一為“中國科學(xué)院”。(3)主題詞提取及預(yù)處理：對納入項(xiàng)目的標(biāo)題進(jìn)行分詞處理，在分詞處理時(shí)遵循以下原則：①拆分，最小完整意義拆分，保留具有實(shí)際意義的最小完整詞匯，如“異質(zhì)信息網(wǎng)絡(luò)的多粒度表示與知識獲取方法研究”拆分為“異質(zhì)信息網(wǎng)絡(luò)、多粒度、知識表示、知識獲取”；②剔除，剔除標(biāo)題中部分通用表述或無特定含義的詞匯，如知識圖譜、機(jī)制、研究、關(guān)系、作用；③統(tǒng)一，對同一含義的主題詞統(tǒng)一為多數(shù)研究采用的表述，英文縮略詞統(tǒng)一為相應(yīng)的中文表述，如“DEA”統(tǒng)一為“數(shù)據(jù)包絡(luò)分析”；④合并，將同一研究領(lǐng)域內(nèi)的具體分子物質(zhì)、通用技術(shù)等合并為其上級概念，如“知識抽取”、“知識發(fā)現(xiàn)”等相同概念統(tǒng)一為“知識獲取”。

1.3 主題詞共現(xiàn)分析及可視化(1)數(shù)據(jù)格式轉(zhuǎn)換：將完成預(yù)處理的項(xiàng)目信息表(.xlsx) 整理為“CNKI-EndNote 格式”，另存為“制表符分隔的文本(.txt)”文件后將制表符替換為空格，將每條題錄最后增加兩空行，將項(xiàng)目信息表轉(zhuǎn)換成可視化軟件VOSViewer (Version 1.6.15)[7]可讀取的文章題錄信息形式：%0 Journal Article；%A 辜麗川；%+安徽農(nóng)業(yè)大學(xué)；%T 基于知識圖譜的農(nóng)業(yè)大數(shù)據(jù)碎片化知識發(fā)現(xiàn)方法研究；%D 2017；%K 農(nóng)業(yè)；大數(shù)據(jù)；碎片化知識；知識發(fā)現(xiàn)；%W CNKI。(2)主題可視化網(wǎng)絡(luò)構(gòu)建及聚類：將“.txt”題錄文件導(dǎo)入VOSViewer 軟件，構(gòu)建主題詞可視化網(wǎng)絡(luò)，采用軟件網(wǎng)絡(luò)聚類算法進(jìn)行聚類分析。VOSViewer網(wǎng)絡(luò)聚類算法類似于Modularity方法(公式1)，能夠?qū)崿F(xiàn)聚類內(nèi)部各元素間較高的相似性，不同簇間存在較高的相異性。

公式中，Wij=2m/cicj，ci為元素i 所屬的聚類，δ (ci，cj)表示的方程值為1 (若ci=cj)或0；γ為聚類的分辨率，γ越大則得到的聚類越多，分類就越細(xì)。(3)主題詞時(shí)間疊加網(wǎng)絡(luò)：在上述主題詞網(wǎng)絡(luò)的基礎(chǔ)上，以主題詞出現(xiàn)的平均年度為依據(jù)，構(gòu)建主題詞時(shí)間疊加網(wǎng)絡(luò)。將主題詞可視化網(wǎng)絡(luò)及時(shí)間疊加網(wǎng)絡(luò)導(dǎo)出為“.png”格式。

2 結(jié)果

2.1 一般情況描述自1997—2019 年，共檢索到立項(xiàng)項(xiàng)目2 069項(xiàng)，剔除無關(guān)項(xiàng)目后共納入141個(gè)項(xiàng)目，總資助金額8 916.5 萬元，共涉及9 種項(xiàng)目類型(表1)，其中面上項(xiàng)目、聯(lián)合基金項(xiàng)目、青年科學(xué)基金項(xiàng)目是主要立項(xiàng)類型，共計(jì)123項(xiàng)(88%)，資助總額6 860萬元(76.93%)，見圖1和圖2。

圖1 各年度項(xiàng)目立項(xiàng)項(xiàng)目數(shù)分布

圖2 各年度項(xiàng)目立項(xiàng)總金額分布

表1 立項(xiàng)項(xiàng)目類型及金額分布

納入項(xiàng)目主要分布在7 個(gè)學(xué)部，立項(xiàng)項(xiàng)目數(shù)目及資助金額前3 位的學(xué)部為信息科學(xué)部、地球科學(xué)部和管理科學(xué)部(表2)，其中信息科學(xué)部立項(xiàng)項(xiàng)目94 項(xiàng)(66.67%)，資助金額6 698萬元(75.12%)。17個(gè)知識圖譜研究涉及生命醫(yī)學(xué)內(nèi)容，在學(xué)科領(lǐng)域分布上，中醫(yī)學(xué)領(lǐng)域7 項(xiàng)，藏醫(yī)學(xué)1 項(xiàng)，現(xiàn)代醫(yī)學(xué)6 個(gè)，生命科學(xué)3項(xiàng)；分布在醫(yī)學(xué)科學(xué)部8 項(xiàng)、生命科學(xué)部4 項(xiàng)、信息科學(xué)部4項(xiàng)，管理科學(xué)部1項(xiàng)。

表2 各學(xué)部立項(xiàng)項(xiàng)目及金額分布

納入項(xiàng)目分布在81家單位，資助金額前3位的單位為中國科學(xué)院，浙江大學(xué)和中國人民大學(xué)(表3)，三家單位共立項(xiàng)項(xiàng)目16 項(xiàng)(11.40%)，資助金額2 065 萬元(23.16%)。

表3 各單位立項(xiàng)項(xiàng)目及金額分布(前10位)

2.2 主題詞分析納入項(xiàng)目共包含274 個(gè)主題詞，共出現(xiàn)頻次486 次，出現(xiàn)頻次前10 位的主題詞包括：圖譜構(gòu)建(36，7.4%)、大規(guī)模(12，2.5%)、模型(11，2.3%)、大數(shù)據(jù)(11，2.3%)、關(guān)系推理(10，2.1%)、圖譜查詢(8，1.6%)、文本(8，1.6%)、中醫(yī)學(xué)(7，1.4%)、語義網(wǎng)絡(luò)(7，1.4%)、個(gè)性化(7，1.4%)。構(gòu)建主題詞的可視化網(wǎng)絡(luò)(圖3)，對其進(jìn)行聚類分析并構(gòu)建時(shí)間疊加網(wǎng)絡(luò)(圖4)。主題詞可視化網(wǎng)絡(luò)(圖3)中，節(jié)點(diǎn)代表主題詞，主題詞頻次越高，節(jié)點(diǎn)直徑越大；節(jié)點(diǎn)間的連線表示兩主題詞在同一項(xiàng)目標(biāo)題中出現(xiàn)，共同出現(xiàn)頻次越高，連線越粗(下同)。節(jié)點(diǎn)的顏色用于表示不同聚類，顏色相同的節(jié)點(diǎn)屬于同一聚類，納入主題詞共分為5個(gè)亞類，聚類一(紅色)圍繞知識圖譜技術(shù)模型，主要涉及“模型、大規(guī)模、關(guān)系推理、圖譜查詢、圖譜分析、圖譜補(bǔ)全、分布式”等主題詞；聚類二(綠色)以圍繞醫(yī)學(xué)領(lǐng)域知識圖譜應(yīng)用，主要涉及“中醫(yī)學(xué)、醫(yī)學(xué)、可視化、深度學(xué)習(xí)、知識發(fā)現(xiàn)”等主題詞；聚類三(藍(lán)色)圍繞圖譜構(gòu)建，主要涉及“文本、語義網(wǎng)絡(luò)、動態(tài)、時(shí)空”等主題詞；聚類四(黃色)圍繞人工智能，主要涉及“個(gè)性化、推薦、自動化、智能化、機(jī)器人、在線”等主題詞；聚類五(紫色)圍繞數(shù)據(jù)應(yīng)用，主要涉及“大數(shù)據(jù)、社交媒體、社交優(yōu)化”等主題詞。主題詞時(shí)間疊加網(wǎng)絡(luò)(圖4)中，節(jié)點(diǎn)顏色表示該主題詞出現(xiàn)的時(shí)間，每個(gè)主題詞的出現(xiàn)時(shí)間為其所在項(xiàng)目立項(xiàng)年度的平均值(下同)，從圖中可以看出，“模型、主題模型、知識發(fā)現(xiàn)、圖譜分析、時(shí)空、人工知識”等主題詞為早期研究熱點(diǎn)，“云制造、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、體制、嵌入式、多源數(shù)據(jù)、多目標(biāo)協(xié)同”等主題詞為目前研究前沿?zé)狳c(diǎn)。對納入研究的17 個(gè)生命醫(yī)學(xué)相關(guān)項(xiàng)目主題詞進(jìn)行亞組分析，構(gòu)建主題詞可視化網(wǎng)絡(luò)(圖5)，共計(jì)62 個(gè)主題詞，出現(xiàn)87 次，其中“中醫(yī)學(xué)(7，8%)、醫(yī)學(xué)(6，6.9%)、圖譜構(gòu)建(4，4.6%)、古籍(3，3.4%)、知識發(fā)現(xiàn)(3，3.4%)”為出現(xiàn)頻次前5 位的主題詞。上述主題詞可分為5個(gè)亞類，其中聚類一(紅色)圍繞現(xiàn)代醫(yī)學(xué)，主要涉及“生物、知識庫”等主題詞；聚類二(綠色)圍繞中醫(yī)學(xué)，主要涉及“古籍、知識發(fā)現(xiàn)、可視化、本體”等主題詞；聚類三(藍(lán)色)圍繞圖譜技術(shù)，主要涉及“圖譜構(gòu)建、非完整數(shù)據(jù)、個(gè)性化”等主題詞；聚類四(黃色)圍繞體質(zhì)研究，涉及“體質(zhì)、動態(tài)”等主題詞；聚類五(紫色)圍繞針灸研究，涉及“針灸知識、古代、框架”等主題詞。

圖3 納入項(xiàng)目主題詞可視化網(wǎng)絡(luò)

圖4 納入項(xiàng)目主題詞時(shí)間疊加網(wǎng)絡(luò)

圖5 生命醫(yī)學(xué)領(lǐng)域項(xiàng)目主題詞可視化網(wǎng)絡(luò)

主題詞時(shí)間疊加網(wǎng)絡(luò)(圖6)提示“醫(yī)學(xué)、決策模型、群智能、關(guān)系推理、圖神經(jīng)網(wǎng)絡(luò)、知識補(bǔ)全、健康社區(qū)、體質(zhì)、動態(tài)”等主題詞為目前研究前沿?zé)狳c(diǎn)。

圖6 生命醫(yī)學(xué)領(lǐng)域項(xiàng)目主題詞時(shí)間疊加網(wǎng)絡(luò)

3 討論

從NSFC 在知識圖譜研究資助課資助力度來看，自2003 年起不同類型項(xiàng)目的立項(xiàng)數(shù)量及總資助金額呈現(xiàn)波動中增長的趨勢，其中青年科學(xué)基金項(xiàng)目在立項(xiàng)數(shù)量方面總體增長態(tài)勢較為明顯，但資助金額整體水平并不高，平均資助金額有限；面上項(xiàng)目在項(xiàng)目數(shù)量及資助總額呈現(xiàn)穩(wěn)步增長趨勢，是NSFC 在知識圖譜資助的主要類型。根據(jù)NSFC“十三五”發(fā)展規(guī)劃[8]，將科學(xué)基金資助格局調(diào)整為探索、人才、工具、融合四大系列，在知識圖譜領(lǐng)域立項(xiàng)項(xiàng)目主要分布在探索系列和人才系列，近幾年主要資助融合系列及探索系列項(xiàng)目，工具系列的研究一直偏少。從立項(xiàng)項(xiàng)目學(xué)部分布情況來看，信息科學(xué)部為知識圖譜的熱點(diǎn)學(xué)部，相交于其他學(xué)部NSFC 立項(xiàng)項(xiàng)目和金額數(shù)占據(jù)絕對優(yōu)勢。在生命科學(xué)和醫(yī)學(xué)科學(xué)部，也可看到知識圖譜相關(guān)研究立項(xiàng)，但目前資助力度還處于較低水平，個(gè)別生命醫(yī)學(xué)領(lǐng)域知識圖譜研究立項(xiàng)在其他學(xué)部。從立項(xiàng)項(xiàng)目單位分布情況來看，知識圖譜領(lǐng)域NSFC 的26.95%支持在前10位的單位，其中中國科學(xué)院的立項(xiàng)項(xiàng)目數(shù)目及基金總量均位于首位，其次為浙江大學(xué)與中國人民大學(xué)，一定程度上反映出NSFC 項(xiàng)目對研究基礎(chǔ)的要求相對較高。

在研究關(guān)鍵詞分析方面，限于項(xiàng)目公示信息的限制，本研究根據(jù)立項(xiàng)項(xiàng)目標(biāo)題進(jìn)行了主題詞的拆分和預(yù)處理，雖然一定程度上引入了新的偏倚風(fēng)險(xiǎn)，但考慮研究標(biāo)題對一個(gè)NSFC 項(xiàng)目的重要性，以其作為研究主題分析數(shù)據(jù)源，還是能夠最大程度上保留研究的原意。從研究主題詞分布來看，“知識獲取、創(chuàng)新、企業(yè)”等主題詞頻率遠(yuǎn)遠(yuǎn)高于其他主題詞，這也反映出NSFC資助基礎(chǔ)研究的戰(zhàn)略定位。對知識圖譜領(lǐng)域高頻主題詞的聚類分析提示，目前NSFC 在知識圖譜領(lǐng)域資助的項(xiàng)目主要圍繞圖譜技術(shù)模型、醫(yī)學(xué)應(yīng)用、圖譜構(gòu)建、人工智能、數(shù)據(jù)應(yīng)用等形成了五大熱點(diǎn)研究領(lǐng)域，根據(jù)主題詞的時(shí)間疊加網(wǎng)絡(luò)圖(圖4)，可以清晰的看出，主題詞平均出現(xiàn)時(shí)間主要集中在2014—2019年，這與本時(shí)段NSFC 立項(xiàng)項(xiàng)目數(shù)量整體較高有關(guān)，“云制造、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、體制、嵌入式、多源數(shù)據(jù)、多目標(biāo)協(xié)同”等成為我國基礎(chǔ)研究領(lǐng)域知識圖譜研究前沿。在生命醫(yī)學(xué)領(lǐng)域內(nèi)，圍繞現(xiàn)代醫(yī)學(xué)、中醫(yī)學(xué)、針灸、體質(zhì)、圖譜技術(shù)形成五個(gè)研究熱點(diǎn)領(lǐng)域，其中“醫(yī)學(xué)、決策模型、群智能、關(guān)系推理、圖神經(jīng)網(wǎng)絡(luò)、知識補(bǔ)全、健康社區(qū)、體質(zhì)、動態(tài)”為當(dāng)前研究前沿。

從目前NSFC在知識圖譜研究資助項(xiàng)目分布情況來看，資助項(xiàng)目數(shù)量波動式上升，資助金額總量變化較大，研究主題豐富度逐漸增加，主要分布在探索系列和人才系列研究，融合系列有明顯提升，工具系列研究依舊薄弱，學(xué)科交叉型及成果轉(zhuǎn)化型研究有待進(jìn)一步提高。知識圖譜研究已經(jīng)滲透到金融、工業(yè)和醫(yī)學(xué)領(lǐng)域，對知識圖譜的定量和定性特征的科學(xué)理解已經(jīng)成為大數(shù)據(jù)、智能化時(shí)代科學(xué)研究中一個(gè)基礎(chǔ)性研究方向。在醫(yī)學(xué)特別是中醫(yī)學(xué)領(lǐng)域有著廣闊的應(yīng)用前景，目前已在中醫(yī)百科系統(tǒng)、中醫(yī)智能問答、臨床輔助決策、數(shù)據(jù)挖掘分析領(lǐng)域進(jìn)行了很多有益的嘗試[2]，但目前我國基礎(chǔ)研究領(lǐng)域知識圖譜研究仍偏于技術(shù)應(yīng)用層面，知識圖譜關(guān)鍵基礎(chǔ)技術(shù)研究有待進(jìn)一步加強(qiáng)深化。