2010-2021 年國內(nèi)文本挖掘的文獻計量分析＊

川北醫(yī)學(xué)院管理學(xué)院 譚明亮 蔣靜

本文以中國知網(wǎng)數(shù)據(jù)庫收錄的文本挖掘相關(guān)的研究文獻作為研究對象，借助于知識可視化圖譜分析工具CiteSpace 對研究文獻進行多個維度的分析并以科學(xué)知識圖譜的形式呈現(xiàn)，主要包括關(guān)鍵詞分析、作者分析、研究機構(gòu)分析和研究趨勢分析。本文通過文獻計量分析發(fā)現(xiàn)，2010—2021 年的12 年間，文本挖掘領(lǐng)域研究主題廣泛，研究層次多樣，研究人員數(shù)量眾多，在不同時期有不同的研究重點。

近年來，隨著移動通信和互聯(lián)網(wǎng)技術(shù)的快速發(fā)展和廣泛普及，文本數(shù)據(jù)的規(guī)模呈現(xiàn)出急劇增長的趨勢，主要包括研究報告、學(xué)術(shù)論文、電子郵件、網(wǎng)頁、公司內(nèi)部公告等。非結(jié)構(gòu)化文本是非常重要的數(shù)據(jù)資源，為了更好地處理和使用這些數(shù)量龐大、結(jié)構(gòu)多樣的文本數(shù)據(jù)，文本挖掘技術(shù)隨之而誕生。文本挖掘作為自然語言處理、機器學(xué)習(xí)和數(shù)據(jù)挖掘等多項技術(shù)的交叉研究領(lǐng)域，其研究熱度也逐年提升。本文從中國知網(wǎng)數(shù)據(jù)庫上獲取文本挖掘領(lǐng)域的相關(guān)研究文獻，基于文獻計量法和CiteSpace軟件，主要從研究人員、研究機構(gòu)、研究內(nèi)容和研究趨勢等多個維度，對收集到的文獻數(shù)據(jù)進行全面綜合的分析，以期為文本挖掘領(lǐng)域的研究人員提供一定的參考和借鑒。

1 數(shù)據(jù)選取

本文的研究數(shù)據(jù)來自于中國知網(wǎng)（CNKI）中文數(shù)據(jù)庫，數(shù)據(jù)采集的檢索條件設(shè)置如下：主題詞設(shè)置為“文本挖掘”，研究文獻的發(fā)表年份設(shè)置為2010—2021 年。經(jīng)過檢索，共得到4853 篇研究文獻，其中包括了2326篇學(xué)術(shù)期刊論文、2222 篇學(xué)位論文和101 篇會議論文，剔除其中與本文研究相關(guān)度低的204 篇文獻（包括年鑒、報紙等），得到有效文獻共計4649 篇。

本文將文獻數(shù)據(jù)以Refworks 的格式下載到本地文件夾data for CiteSpace 下的input 文件夾之中，文獻輸出信息以txt 文本文件形式存儲，txt 文件以download_加數(shù)字命名，例如“download_1”，以download_加數(shù)字的格式命名文件是為了后續(xù)能夠更便捷地將CNKI 文獻導(dǎo)入CiteSpace 數(shù)據(jù)庫中。

2 分析方法與分析工具

2.1 分析方法

文獻計量法是一種定量分析方法，是以科技文獻的各種外部特征作為研究對象，采用數(shù)學(xué)與統(tǒng)計學(xué)的方法來描述、評價和預(yù)測科學(xué)技術(shù)現(xiàn)狀與發(fā)展趨勢的一種方法，文獻計量法的主要特點輸出必是量化的信息內(nèi)容[1]。文獻計量法在科技評價、科研管理等領(lǐng)域有著非常廣泛的應(yīng)用，并在圖書情報領(lǐng)域的應(yīng)用尤為廣泛，如測定學(xué)科核心期刊、建設(shè)情報檢索系統(tǒng)、編制領(lǐng)域主題詞表等[2]。

科學(xué)知識圖譜分析法是文獻計量學(xué)的一種重要分析方法，它將科研活動的主體（如研究人員、研究團隊、研究機構(gòu)等）或具有某種共同特征的學(xué)科領(lǐng)域群體作為研究對象，利用可視化技術(shù)描述知識資源及其載體，通過分析、挖掘和可視化知識及其之間的相互關(guān)系，將相關(guān)研究的發(fā)展進程和結(jié)構(gòu)關(guān)系以直觀圖形的方式展現(xiàn)，從而幫助研究者了解領(lǐng)域研究現(xiàn)狀和前沿動態(tài)[3]。

2.2 分析工具

大數(shù)據(jù)背景下，文獻信息的規(guī)模與日俱增，如何在這些文獻中找出值得深入閱讀和作為參考的關(guān)鍵文獻，挖掘?qū)W科前沿，找到相關(guān)領(lǐng)域的研究熱點成為科研工作中的重要問題。為了有效地分析研究文獻，各種繪制科學(xué)知識圖譜的工具紛至沓來。其中，美國德雷塞爾大學(xué)陳超美教授開發(fā)的用于文獻數(shù)據(jù)分析和可視化的Java 應(yīng)用程序CiteSpace（其中文名為“引文空間”）成為了目前最流行的知識圖譜繪制工具之一[4]。

CiteSpace 以共引分析理論（Co-ciation）、尋徑網(wǎng)絡(luò)算法（PathFinder）、結(jié)構(gòu)洞理論（Structural Holes）等理論作為基礎(chǔ)，將某一特定領(lǐng)域的文獻進行計量和可視化，以期探求出學(xué)科領(lǐng)域演化的關(guān)鍵路徑和知識拐點，再結(jié)合繪制的一系列可視化知識圖譜，對學(xué)科領(lǐng)域內(nèi)潛在的演化動力機制進行分析和對學(xué)科發(fā)展前沿進行探測[5]。目前，國內(nèi)外的研究者們已經(jīng)將CiteSpace 軟件廣泛應(yīng)用于圖書情報、醫(yī)療衛(wèi)生、經(jīng)濟管理等領(lǐng)域的文獻計量與可視化分析中。

3 文本挖掘研究文獻的可視化圖譜分析

3.1 關(guān)鍵詞分析

本文對文本挖掘研究文獻的關(guān)鍵詞進行統(tǒng)計分析，篩選出7 個頻次大于100 的關(guān)鍵詞。除去本文選取的檢索詞“文本挖掘（頻次為2340）”，其余的關(guān)鍵詞分別是“數(shù)據(jù)挖掘（頻次為242）”“情感分析（頻次為217）”“文本分類（頻次為204）”“主題模型（頻次為173）”“文本聚類（頻次為168）”“機器學(xué)習(xí)（頻次為102）”，這些關(guān)鍵詞代表了文本挖掘研究領(lǐng)域最核心的問題主要包括文本的分類、聚類、主題分析和情感分析等。

本文利用CiteSpace 軟件繪制2010-2021 年文本挖掘研究文獻關(guān)鍵詞的突現(xiàn)圖譜，選取其中突變率最高的20 個關(guān)鍵詞進行展示，如圖1 所示。2010年，文本挖掘的研究主要集中于文本分類和本體；到2011-2014 年之間，文本挖掘領(lǐng)域的研究熱點逐漸向醫(yī)學(xué)方面傾斜，逐步應(yīng)用于西藥、中成藥以及中藥方面；在2014-2018 年這5 年中，文本挖掘涉及的領(lǐng)域不斷增多，在證候、網(wǎng)絡(luò)評論、短文本、微博、圖書館等領(lǐng)域都有所涉及；在2018-2021 年間，文本挖掘的研究主要集中于人工智能、知識圖譜、情感分析、金融科技、政策評論、政策工具等方面?？傮w而言，文本挖掘研究領(lǐng)域的變化，與我國經(jīng)濟迅速發(fā)展和信息技術(shù)日新月異的時代背景緊密相關(guān)。

圖1 關(guān)鍵詞突現(xiàn)圖譜Fig.1 Keywords emergence map

本文利用CiteSpace 軟件對研究文獻的關(guān)鍵詞進行共詞分析，結(jié)果如圖2 所示。在關(guān)鍵詞共現(xiàn)圖譜中分布著許多大小不一的圓圈，圓圈的大小代表著關(guān)鍵詞的頻次，圓圈越大，頻次越多。在圖2中，有5 個明顯的圓圈，其代表的關(guān)鍵詞分別為文本挖掘、主題分類、數(shù)據(jù)挖掘、文本分類和情感分析。關(guān)鍵詞共現(xiàn)圖譜中的線條代表著關(guān)鍵詞之間的聯(lián)系，通過線條顏色能看出哪一年有哪些關(guān)鍵詞，線條顏色越鮮艷標(biāo)志著該研究內(nèi)容的年份越靠近當(dāng)下?？梢钥闯?，在文本挖掘領(lǐng)域發(fā)展的各個時間段都有著不同的研究側(cè)重點和研究熱點，在顏色最鮮艷的時間線上的關(guān)鍵詞有深度學(xué)習(xí)、主題模型、語義分析、知識發(fā)現(xiàn)、推薦系統(tǒng)、人工智能、政策工具等，最近幾年文本挖掘領(lǐng)域的研究重點主要集中在智能服務(wù)、語義深度挖掘、政策分析等領(lǐng)域。圖2 線條眾多，連接復(fù)雜，說明在文本挖掘研究領(lǐng)域中各關(guān)鍵詞之間聯(lián)系緊密，文本挖掘研究涉及的領(lǐng)域廣泛。

圖2 關(guān)鍵詞共現(xiàn)圖譜Fig.2 Keywords co-occurrence map

3.2 作者分析

為了發(fā)現(xiàn)文本挖掘領(lǐng)域研究的中堅力量，探尋該領(lǐng)域的核心作者群體，本文利用CiteSpace 軟件繪制了文本挖掘研究領(lǐng)域的作者共現(xiàn)圖譜，如圖3 所示。圖中最突出的合作關(guān)系是以呂愛平為中心的研究團體，該團體中研究人員眾多，包括張弛、姜春燕、趙寧、王耀獻、崔趙麗等人；汪雪鋒、任惠超、劉玉琴、張磊等人組成了一個研究團體，在這個團體中，以作者汪雪峰為中心；除此之外，還有黃敏婷、劉芳羽、趙秉元、李澤、古超等人組成的研究團體;以及白衛(wèi)國、王躍溪、王麗穎、韓學(xué)杰、趙學(xué)堯等人組成的研究團體。

圖3 作者共現(xiàn)圖譜Fig.3 Authors co-occurrence map

從事文本挖掘領(lǐng)域研究的專家學(xué)者不勝枚舉，其中，郭洪濤、姜淼、呂愛平、鄭光、汪雪鋒所發(fā)表的文獻被引次數(shù)最多；呂愛平、鄭光發(fā)表的文獻被引次數(shù)為69次；姜淼發(fā)表的文獻被引次數(shù)為56 次；郭洪濤發(fā)表的文獻被引次數(shù)為45 次。這幾位作者是文本挖掘研究領(lǐng)域的帶頭人，在文本挖掘研究領(lǐng)域內(nèi)具有重要影響。

通過作者突顯分析，可以發(fā)現(xiàn)在2010—2021 年之間各個階段的主要研究人員。在2011—2013 年中，作者郭洪濤、譚勇、楊靜發(fā)表文獻最多；2015—2017年，作者張永安發(fā)表文獻最多；2017—2021 年之間，作者黃名選、黃魯成、崔雷、武帥發(fā)表文獻最多，其中作者黃魯成在2016—2021 年都保持著較高的發(fā)文量。以上這些作者在文本挖掘研究領(lǐng)域都保持著較高的活躍度，在文本挖掘研究領(lǐng)域都具有重要的影響。作者呂愛平、鄭光、姜淼在總體上發(fā)文最多，但論文的主要發(fā)表年限都集中在2013年，論文發(fā)表年限比較早，是文本挖掘研究領(lǐng)域的開拓者之一。

3.3 研究機構(gòu)分析

通過對研究機構(gòu)的分析，可以看出哪些機構(gòu)在文本挖掘研究領(lǐng)域發(fā)揮著重要的作用，哪些機構(gòu)之間聯(lián)系比較緊密，哪些機構(gòu)為文本挖掘的研究做出了重要貢獻[6]。本文利用CiteSpace 軟件繪制了文本挖掘研究領(lǐng)域的研究機構(gòu)共現(xiàn)圖譜，如圖4 所示。

從圖4 可以直觀地看出，文本挖掘領(lǐng)域的研究主要以中國科學(xué)院大學(xué)經(jīng)濟與管理學(xué)院、中國科學(xué)院文獻情報中心、中國科學(xué)院大學(xué)、北京理工大學(xué)管理與經(jīng)濟學(xué)院、北京工業(yè)大學(xué)經(jīng)濟與管理學(xué)院、武漢大學(xué)信息管理學(xué)院這幾個研究機構(gòu)為中心。其中，以中國中醫(yī)科學(xué)院中醫(yī)臨床基礎(chǔ)醫(yī)學(xué)研究所為中心，蘭州大學(xué)信息學(xué)院、蘭州大學(xué)應(yīng)用數(shù)學(xué)與統(tǒng)計學(xué)院、上海中醫(yī)藥大學(xué)、河南中醫(yī)學(xué)院第一附屬醫(yī)院等研究機構(gòu)參與了文本挖掘領(lǐng)域內(nèi)的研究；以北京理工大學(xué)管理與經(jīng)濟學(xué)院為中心，中國船舶信息中心、北京印刷學(xué)院新聞出版學(xué)院、中國政法大學(xué)商學(xué)院等研究機構(gòu)進行了合作；以中國科學(xué)院大學(xué)為中心，中國科學(xué)院國家科學(xué)圖書館、北京大學(xué)信息管理系、上海市浦東新區(qū)人民檢察院、中國科學(xué)院大數(shù)據(jù)挖掘與知識管理重點實驗室等機構(gòu)對文本挖掘進行了研究與合作；以武漢大學(xué)信息管理學(xué)院為中心，武漢大學(xué)信息資源研究中心、武漢大學(xué)遙感信息工程學(xué)院、武漢紡織大學(xué)會計學(xué)院等機構(gòu)進行了合作。

圖4 研究機構(gòu)共現(xiàn)圖譜Fig.4 Research institutions co-occurrence map

本文對文本挖掘領(lǐng)域的主要研究機構(gòu)的文獻發(fā)表數(shù)量進行統(tǒng)計，大連理工大學(xué)發(fā)表了相關(guān)論文112篇，中國中醫(yī)科學(xué)院發(fā)表了相關(guān)論文90篇，北京郵電大學(xué)發(fā)表了相關(guān)論文89篇，電子科技大學(xué)發(fā)表了相關(guān)論文83篇，武漢大學(xué)發(fā)表了相關(guān)論文81篇，北京工業(yè)大學(xué)發(fā)表了相關(guān)論文80篇，吉林大學(xué)發(fā)表了相關(guān)論文72篇，中國科學(xué)院大學(xué)發(fā)表了相關(guān)論文71篇，蘭州大學(xué)發(fā)表了相關(guān)論文71篇，北京交通大學(xué)發(fā)表了相關(guān)論文68 篇。由以上數(shù)據(jù)可以得出，在文本挖掘研究領(lǐng)域文獻的發(fā)表機構(gòu)以高等院校為主，主要集中在理工類院校，也有少部分高等醫(yī)學(xué)院校。在這些高等院校中，大連理工大學(xué)發(fā)表的相關(guān)論文數(shù)量最多。這些研究機構(gòu)主要集中在中國經(jīng)濟發(fā)展水平比較高、學(xué)術(shù)研究力量較為雄厚的大城市，如北京、武漢、大連、長春等。這些研究機構(gòu)學(xué)術(shù)型人才多，學(xué)術(shù)水平較高，研究視野開闊。

3.4 研究趨勢分析

為了分析出文本挖掘領(lǐng)域在2010-2021 年的研究趨勢，本文利用CiteSpace 工具，繪制有關(guān)文本挖掘領(lǐng)域的關(guān)鍵詞時區(qū)圖，如圖5 所示?？梢钥闯?，在2010年，文本挖掘研究重點在文本分類、情感分析、數(shù)據(jù)挖掘以及主題模型這幾個方面；2011年，文本挖掘研究重點在可視化、主題分析、指標(biāo)體系、西藥、神經(jīng)網(wǎng)絡(luò)等幾個方面；2012年，文本挖掘研究重點在文本分析、數(shù)字人文、情感分類、社交網(wǎng)絡(luò)、情感詞典等幾個方面；2013年，文本挖掘研究重點在股票市場、共詞分析、微博、圖書館、推薦系統(tǒng)等幾個方面；2014年，文本挖掘研究重點在大數(shù)據(jù)、網(wǎng)絡(luò)爬蟲、短文本、社交媒體、知識圖譜等幾個方面；2015年，文本挖掘研究重點在詞向量、復(fù)雜網(wǎng)絡(luò)、主題挖掘等幾個方面；2016年，文本挖掘研究重點在用戶畫像、數(shù)據(jù)分析、協(xié)同過濾、分詞等幾個方面；2017年，文本挖掘研究重點在滿意度、文獻計量、影響因素、用戶要求等方面；2018年，文本挖掘研究重點在人工智能、新浪微博等幾個方面；2019年，文本挖掘研究重點在詞云圖、網(wǎng)絡(luò)新聞、商業(yè)銀行、服務(wù)質(zhì)量等幾個方面；2020年，文本挖掘研究重點在政策文本、電力設(shè)備、金融科技、形象感知等幾個方面；2021年，文本挖掘研究重點在評論數(shù)據(jù)、微博評論等幾個方面。

圖5 關(guān)鍵詞時區(qū)圖Fig.5 Keywords time zone map

4 結(jié)語

本文從關(guān)鍵詞、作者、研究機構(gòu)、研究趨勢這四個方面，對文本挖掘研究領(lǐng)域的相關(guān)文獻進行分析總結(jié)。無論是從時間的橫向還是縱向來看，文本挖掘領(lǐng)域的研究可以總結(jié)如下：文本挖掘的研究熱點主要集中在大數(shù)據(jù)、評論挖掘、情感分析等方面，文本挖掘研究涉及領(lǐng)域廣泛，包括計算機領(lǐng)域、醫(yī)學(xué)領(lǐng)域、管理領(lǐng)域以及政治領(lǐng)域等；文本挖掘的研究人員和研究機構(gòu)眾多，主要研究機構(gòu)為高等院校，也有少部分企業(yè)對文本挖掘進行研究；文本挖掘在社會科學(xué)和自然科學(xué)的研究中得到了充分利用，且呈現(xiàn)不斷上升的趨勢，主要涉及計算機科學(xué)、圖書情報和經(jīng)濟管理等學(xué)科領(lǐng)域，文本分類、文本聚類和情感分析是文本挖掘的核心技術(shù)。

引用

[1] 吳愛芝,肖瓏,張春紅,等.基于文獻計量的高校學(xué)科競爭力評估方法與體系[J].大學(xué)圖書館學(xué)報,2018,36(1):62-67+26.

[2] 朱亮,孟憲學(xué).文獻計量法與內(nèi)容分析法比較研究[J].圖書館工作與研究,2013(6):64-66.

[3] 馮新翎,何勝,熊太純,等.“科學(xué)知識圖譜”與“Google知識圖譜”比較分析——基于知識管理理論視角[J].情報雜志,2017,36 (1):149-153.

[4] 陳悅,陳超美,劉則淵,等.CiteSpace知識圖譜的方法論功能[J].科學(xué)學(xué)研究,2015,33(2):242-253.

[5] 侯劍華,胡志剛.CiteSpace軟件應(yīng)用研究的回顧與展望[J].現(xiàn)代情報,2013,33(4):99-103.

[6] 蔣海剛.詞向量文本挖掘技術(shù)在建筑設(shè)施管理應(yīng)用研究[J].電腦知識與技術(shù),2021,17(33):22-25.