基于LDA的ESI研究前沿主題發(fā)現(xiàn)研究

袁潤　劉邦國　潘穎

摘要：文章利用LDA主題模型對ESI研究前沿進(jìn)行主題發(fā)現(xiàn)研究，將每1期的ESI分類的22個(gè)學(xué)科領(lǐng)域的研究前沿視為1個(gè)文檔，1年6期數(shù)據(jù)共計(jì)合成132個(gè)文檔，再將這些文檔構(gòu)成文檔集，利用R語言貢獻(xiàn)包中的LDA函數(shù)進(jìn)行主題建模，得到“文檔-主題-術(shù)語”矩陣，在此基礎(chǔ)上可視化表征學(xué)科領(lǐng)域的主題及其演變、交叉融合。

關(guān)鍵詞：研究前沿;主題發(fā)現(xiàn);主題建模;ESI;LDA

一、引言

科學(xué)文獻(xiàn)主題發(fā)現(xiàn)是科技情報(bào)分析的基礎(chǔ)。LDA主題模型因其具有對海量異構(gòu)文本數(shù)據(jù)建模的優(yōu)勢，在科學(xué)文獻(xiàn)知識(shí)挖掘、科學(xué)研究熱點(diǎn)發(fā)現(xiàn)與新興主題探測、科學(xué)研究主題演化、學(xué)術(shù)評價(jià)等研究方向得到了廣泛的應(yīng)用。關(guān)鵬、王曰芬等研究了最優(yōu)LDA主題數(shù)確定方法，分析了主題抽取的效果;張勇開展了基于詞性與LDA主題模型的文本分類技術(shù)研究，實(shí)驗(yàn)證明了詞性特征提取方法是有效的，具有普適性;李湘東等研究了基于LDA主題模型的圖書網(wǎng)頁書目信息提取方法。

目前，基于ESI研究前沿的研究主要集中在三個(gè)方面。一是關(guān)于研究前沿的探測，二是關(guān)于研究前沿的解讀，三是關(guān)于研究前沿的學(xué)科分析與服務(wù)。這些研究為我國高校圖書館開展學(xué)科知識(shí)服務(wù)提供了強(qiáng)大的理論支撐，特別是在“雙一流”建設(shè)大背景下，ESI備受關(guān)注，深入研究它對學(xué)科知識(shí)服務(wù)的價(jià)值具有很強(qiáng)的現(xiàn)實(shí)意義。

每期發(fā)布的ESI研究前沿都會(huì)有較大的變化，本文以1年6期ESI研究前沿為研究對象，對其開展了基于文本挖掘的探索性研究，旨在發(fā)現(xiàn)科學(xué)研究主題，為解析學(xué)科結(jié)構(gòu)、掌握學(xué)科發(fā)展脈絡(luò)、預(yù)測技術(shù)發(fā)展趨勢等學(xué)術(shù)情報(bào)分析奠定基礎(chǔ)。

二、ESI研究前沿的主題模型分析

主題模型是一種以非監(jiān)督學(xué)習(xí)的方式對文本集的隱含語義結(jié)構(gòu)進(jìn)行聚類的統(tǒng)計(jì)模型，廣泛應(yīng)用在語義分析和文本挖掘等研究領(lǐng)域。本文將每1期的每1個(gè)學(xué)科領(lǐng)域的研究前沿視為一個(gè)文檔，利用LDA算法生成“文檔-主題”“主題-術(shù)語”和“文檔-主題-術(shù)語”三種矩陣形式的結(jié)果，在此基礎(chǔ)上抽取領(lǐng)域?qū)W科主題。LDA主題建模需要預(yù)先給定主題的數(shù)量，需要不斷進(jìn)行嘗試才能尋找到最佳主題數(shù)量，存在一定的偶然性，因?yàn)镋SI設(shè)置了22個(gè)學(xué)科領(lǐng)域，所以有理由相信每個(gè)學(xué)科領(lǐng)域至少包含1個(gè)主題。利用R語言中topicmodels工具包中的LDA函數(shù)創(chuàng)建22個(gè)主題模型后首先得到主題-詞頻矩陣，如圖1所示。

接著，將每個(gè)主題與22個(gè)學(xué)科相對應(yīng)，結(jié)果如表1所示。

從表1可見，有20個(gè)主題與學(xué)科領(lǐng)域一一對應(yīng)，所以表明LDA對于ESI研究前沿的分類效果較好。而未能對應(yīng)學(xué)科的主題有2個(gè)， 其中，9號主題是未能對應(yīng)到學(xué)科，而11號主題對應(yīng)到生物學(xué)和多學(xué)科2個(gè)領(lǐng)域。

以術(shù)語cancer為例，發(fā)現(xiàn)至少有107個(gè)文檔中包含了該術(shù)語，涉及到14個(gè)主題和多個(gè)學(xué)科，該術(shù)語主要分布于臨床醫(yī)學(xué)和化學(xué)兩個(gè)學(xué)科領(lǐng)域。如此可以探索術(shù)語（term）在文檔（document）、主題（topic）、學(xué)科（field）中的分布情況，并從中發(fā)現(xiàn)有價(jià)值的學(xué)術(shù)信息。另外，2019年5月的數(shù)據(jù)出現(xiàn)了突變，從20號主題變成5號主題，這些信息值得深入研究，也需要得到領(lǐng)域?qū)＜业慕庾x。

三、ESI研究前沿的主題發(fā)現(xiàn)

（一）穩(wěn)定的學(xué)科及主題的發(fā)現(xiàn)

1. 農(nóng)業(yè)科學(xué)領(lǐng)域穩(wěn)定的研究對象發(fā)現(xiàn)

以農(nóng)業(yè)科學(xué)為例，圖2展示了農(nóng)業(yè)科學(xué)領(lǐng)域的主題術(shù)語演變級及出現(xiàn)頻次，明顯可以看出“水”、“土壤”、“小麥”、“大米”是農(nóng)業(yè)科學(xué)學(xué)科穩(wěn)定的研究對象，體現(xiàn)了作為人類賴以生存基礎(chǔ)的農(nóng)作物、農(nóng)作物的生長環(huán)境在農(nóng)業(yè)科學(xué)領(lǐng)域的重要位置。并且，很直觀地看出，“土壤”（soil）“食物”（food）兩個(gè)術(shù)語的詞頻遠(yuǎn)遠(yuǎn)大于其它術(shù)語，是該學(xué)科領(lǐng)域的核心主題。

2. 穩(wěn)定學(xué)科中的新增主題

穩(wěn)定的學(xué)科也會(huì)存在一絲波瀾，這些波瀾就是每一期涌現(xiàn)出的新的研究主題，比如2019年第3期、第5期相繼出現(xiàn)研究土壤微生物在生態(tài)化學(xué)計(jì)量、植物群落、土壤性質(zhì)變化等方面的文章。2019年第5期、第7期研究前沿新增了電化學(xué)法、電化學(xué)傳感器用于鉛、鎘等重金屬的測定研究。

3.社會(huì)因素對穩(wěn)定學(xué)科的影響

結(jié)合實(shí)際情況，可以推斷出部分穩(wěn)定學(xué)科中新增的主題與當(dāng)社會(huì)出現(xiàn)新問題有很大的相關(guān)性。比如2018年2月5日，伊朗吉蘭省發(fā)生H5N6亞型高致病性禽流感，在2019年第3期、第5期的研究前沿中就出現(xiàn)對特定地區(qū)食品健康風(fēng)險(xiǎn)評估研究熱點(diǎn)，比如伊朗市場食品樣品中苯的風(fēng)險(xiǎn)評價(jià)，伊朗水稻砷鉛含量的系統(tǒng)評價(jià)及致癌風(fēng)險(xiǎn)評價(jià)。這種影響存在一定的滯后性。

實(shí)際研究中發(fā)現(xiàn)，研究前沿中存在穩(wěn)定研究主題的學(xué)科不在少數(shù)，包括計(jì)算機(jī)科學(xué)、數(shù)學(xué)、微生物科學(xué)、植物科學(xué)等，這種穩(wěn)定學(xué)科的存在和發(fā)現(xiàn)，有助于學(xué)者、機(jī)構(gòu)對研究前沿的發(fā)展進(jìn)行梳理、解讀和預(yù)測，存在進(jìn)一步深入研究的價(jià)值。

（二）學(xué)科主題變化及交叉融合的發(fā)現(xiàn)

如果某術(shù)語（term）在多個(gè)學(xué)科領(lǐng)域出現(xiàn)，本文認(rèn)為這些術(shù)語為交叉學(xué)科主題。根據(jù)本次研究得出的交叉主題術(shù)語結(jié)合文獻(xiàn)的閱讀，分析出了如下交叉融合的實(shí)例：食品學(xué)科與光學(xué)學(xué)科的交叉產(chǎn)生了高光譜成像在食品質(zhì)量分析、分類、鑒別等方面的研究主題;計(jì)算科學(xué)的參與，產(chǎn)生了模型在智能預(yù)測、估算方面的研究，比如混合進(jìn)化模糊智能模型在懸沙濃度預(yù)測的應(yīng)用、非調(diào)諧數(shù)據(jù)模型在土壤溫度智能估算的應(yīng)用。按照這一思路提取的臨床醫(yī)學(xué)與生物學(xué)的交叉主題詞云如圖3所示。

四、結(jié)論與不足

本文使用了統(tǒng)計(jì)分析和主題模型的方法對ESI研究前沿進(jìn)行了探索性研究，對研究前沿的探測、解讀和服務(wù)具有一定意義，包括：第一，社會(huì)新問題或重要事件的出現(xiàn)以及持續(xù)的時(shí)間，會(huì)對新主題的誕生產(chǎn)生一定程度的影響。第二，學(xué)科之間目前已經(jīng)形成了交叉融合的研究模式，包含交叉主題、交叉學(xué)科等，這種交叉融合的模式對學(xué)術(shù)、學(xué)科、機(jī)構(gòu)等的管理有借鑒和參考作用。第三，基于本文的假設(shè)，每一個(gè)學(xué)科至少存在一個(gè)最具代表性的主題，實(shí)際利用LDA主題模型進(jìn)行主題發(fā)現(xiàn)也的確驗(yàn)證了這一假設(shè)，代表著不同主題雖然存在融合、交叉，但也有自己核心的研究主題。第四，相較于其他文章將著眼點(diǎn)放在主題的突變，本文以農(nóng)業(yè)科學(xué)為例，發(fā)現(xiàn)該學(xué)科研究主題術(shù)語極具穩(wěn)定性，作者稱之為穩(wěn)定的學(xué)科，穩(wěn)定的學(xué)科交易于進(jìn)行前沿的探索、解讀和預(yù)測，這種穩(wěn)定的學(xué)科也通常具有研究環(huán)境相對穩(wěn)定、試驗(yàn)周期長等特征。

本文尚存在以下局限。首先，主題模型的方法有很多，包括LSA（又稱LSI）、pLSA（又稱pLSI）、LDA、NMF等，由于本文主要目的是對ESI研究前沿進(jìn)行探索性研究，僅使用了LDA一種主題模型，并未對不同主題模型之間的特點(diǎn)和不足進(jìn)行對比分析。其次，本文是一種對ESI研究前沿較為粗粒度的研究，描述了一種或多種學(xué)科的外貌特征，包括學(xué)科交叉程度、學(xué)科發(fā)展穩(wěn)定性、學(xué)科主題演變情況、主題發(fā)現(xiàn)相關(guān)影響因素等，想要獲取更加縱向的深入的主題分析，需要在本文基礎(chǔ)上進(jìn)一步縮小范圍，縮小范圍進(jìn)行細(xì)粒度的研究分析。

參考文獻(xiàn)：

[1]關(guān)鵬，王曰芬，傅柱.不同語料下基于IDA主題模型的科學(xué)文獻(xiàn)主題抽取效果分析[J].圖書情報(bào)工作，2016（02）：112-121.

[2]關(guān)鵬，王日芬.科技情報(bào)分析中LDA主題模型最優(yōu)主題數(shù)確定方法研究[J].現(xiàn)代圖書情報(bào)技術(shù)，2016，32（09）：42-50.

[3]張勇.基于詞性與LDA主題模型的文本分類技術(shù)研究[D].合肥：安徽大學(xué)，2016.

[4]李湘東，霍亞勇，張嬌.基于LDA主題模型的圖書網(wǎng)頁書目信息提取研究[J].情報(bào)科學(xué)，2016，34（01）：34-37.

[5]李牧南.基于關(guān)聯(lián)規(guī)則挖掘競爭情報(bào)研究前沿分析[J].情報(bào)雜志，2016，35（03）：54-60.

[6]李小濤，金心怡，李艷.基于ESI高被引論文的醫(yī)學(xué)信息學(xué)研究前沿可視化分析[J].現(xiàn)代情報(bào)，2018，38（12）：122-127.

[7]孫震，冷伏海.一種基于知識(shí)元共現(xiàn)的ESI研究前沿 知識(shí)演進(jìn)分析方法[J].情報(bào)學(xué)報(bào)，2018，37（11）：23-41.

[8]王小梅，鄧啟平，李國鵬，等.ESI研究前沿的科學(xué)圖譜及在納米領(lǐng)域的應(yīng)用[J].圖書情報(bào)工作，2017，61（12）：106-112.

[9]錢萬強(qiáng)，張峰，江海燕，等.世界前沿科學(xué)發(fā)展趨勢研究：基于ESI數(shù)據(jù)庫和十大突破分析[J].中國科學(xué)基金，2017（01）：66-71.

[10]邊文越，王海名，邢穎，等.基于ESI研究前沿的納米領(lǐng)域研究分析[J].中國科學(xué)院院刊，2017，32（10）：1150-1158.

[11]周群，韓濤，左文革，等.基于學(xué)科前沿性視角的科研機(jī)構(gòu)評測研究與實(shí)證[J].現(xiàn)代情報(bào)，2018，38（04）：65-70+76.

[12]董彥邦，劉莉.全球?qū)W科排名與ESI研究前沿的相關(guān)性研究——以計(jì)算機(jī)學(xué)科為例[J].情報(bào)雜志，2019，38（05）：81-86.

[13]周麗英，冷伏海，左文革.引文耦合增強(qiáng)的共詞分析方法改進(jìn)研究——以ESI農(nóng)業(yè)科學(xué)研究主題劃分為例[J].情報(bào)理論與實(shí)踐，2015，38（11）：120-125.

*本文系國家社會(huì)科學(xué)基金項(xiàng)目“圖書館知識(shí)發(fā)現(xiàn)服務(wù)的功能定位和建設(shè)策略研究”（項(xiàng)目編號：14BTQ018）研究成果之一。項(xiàng)目負(fù)責(zé)人：袁潤。

（作者單位：袁潤、潘穎，江蘇大學(xué)圖書館;劉邦國，江蘇大學(xué)科技信息研究所）