面向特征挖掘的知識(shí)單元學(xué)科歸屬判定方法對(duì)比研究

操玉杰，向榮榮，毛 進(jìn)，王施運(yùn)

（1. 華中師范大學(xué)信息管理學(xué)院，武漢 430079；2. 武漢大學(xué)信息管理學(xué)院，武漢 430072）

0 引 言

當(dāng)代社會(huì)重大科技突破和研究成果越來越依賴于多個(gè)學(xué)科的交叉融合。學(xué)科交叉本身已成為一個(gè)重要的科學(xué)研究對(duì)象，開展“跨學(xué)科學(xué)”[1]研究，探索學(xué)科交叉一般規(guī)律和方法，有助于充分發(fā)揮學(xué)科交叉在科技創(chuàng)新中的作用和價(jià)值。已有較多定量研究利用引文關(guān)系、作者合著等從學(xué)術(shù)出版物中揭示跨學(xué)科研究活動(dòng)的知識(shí)交互特征和規(guī)律[2]。然而，引文關(guān)系、作者合著等信息僅是知識(shí)關(guān)互關(guān)系的間接測(cè)度，即文獻(xiàn)和作者并不是知識(shí)的直接承載物。相較而言，部分學(xué)者近年來開始從文獻(xiàn)文本中直接提取能夠反映細(xì)粒度知識(shí)內(nèi)容的知識(shí)單元，進(jìn)而從知識(shí)內(nèi)容角度來量化測(cè)度學(xué)科之間的知識(shí)傳播和知識(shí)整合，以期更準(zhǔn)確地揭示學(xué)科交叉規(guī)律[3-4]。同時(shí)，情報(bào)學(xué)研究中基于文獻(xiàn)的跨學(xué)科知識(shí)發(fā)現(xiàn)，旨在從跨學(xué)科領(lǐng)域的文獻(xiàn)中挖掘得到來自不同學(xué)科的知識(shí)內(nèi)容之間的關(guān)聯(lián)關(guān)系，其研究對(duì)象也是細(xì)粒度知識(shí)內(nèi)容。結(jié)合已有研究[5-6]，本文使用知識(shí)單元作為細(xì)粒度知識(shí)內(nèi)容的度量單位，認(rèn)為其是指具有獨(dú)立知識(shí)含義和完整知識(shí)內(nèi)容的詞或詞組，是相關(guān)概念的統(tǒng)稱：知識(shí)元是不可再分、最小粒度的知識(shí)單元[7]，知識(shí)實(shí)體是微觀層面上的部分知識(shí)單元[8]，術(shù)語(yǔ)是表達(dá)特定概念的詞或詞組[9]?；诩?xì)粒度知識(shí)內(nèi)容的跨學(xué)科學(xué)研究和知識(shí)發(fā)現(xiàn)研究，能夠服務(wù)于學(xué)科交叉相關(guān)的科技政策、科研管理和科研活動(dòng)，促進(jìn)交叉學(xué)科和交叉科學(xué)的發(fā)展。

無論是基于知識(shí)內(nèi)容的跨學(xué)科學(xué)研究，還是基于文獻(xiàn)的跨學(xué)科知識(shí)發(fā)現(xiàn)，知識(shí)單元的學(xué)科歸屬判定均是重要的基礎(chǔ)性工作和任務(wù)。結(jié)合學(xué)科關(guān)聯(lián)視角[10]，本文將知識(shí)單元的學(xué)科歸屬理解為知識(shí)單元依托于某一學(xué)科的程度，知識(shí)單元的學(xué)科歸屬度越高，則其與該學(xué)科的知識(shí)關(guān)聯(lián)性越高，其知識(shí)產(chǎn)生背景、知識(shí)應(yīng)用過程均與該學(xué)科具有較高關(guān)聯(lián)，同時(shí)與學(xué)科中其他知識(shí)也具有高度的連接性。有效判別知識(shí)單元的學(xué)科屬性，能夠保障學(xué)科間知識(shí)關(guān)系測(cè)度和知識(shí)單元關(guān)聯(lián)發(fā)現(xiàn)的準(zhǔn)確性。然而，目前交叉研究領(lǐng)域的知識(shí)單元學(xué)科歸屬判定仍然是一個(gè)難點(diǎn)，面臨著多方面的挑戰(zhàn)?，F(xiàn)有方法主要針對(duì)文獻(xiàn)或機(jī)構(gòu)等粗粒度知識(shí)對(duì)象，而關(guān)于如概念、術(shù)語(yǔ)、詞語(yǔ)等知識(shí)單元[5]的學(xué)科歸屬識(shí)別研究相對(duì)較少，鮮有研究針對(duì)知識(shí)單元提出適應(yīng)性的優(yōu)化方法。目前，相關(guān)研究一般借鑒相似任務(wù)中的識(shí)別方法，在文獻(xiàn)的學(xué)科分類基礎(chǔ)上，進(jìn)一步采用多種統(tǒng)計(jì)指標(biāo)或機(jī)器學(xué)習(xí)方法來判定知識(shí)單元學(xué)科歸屬。知識(shí)單元的學(xué)科歸屬與術(shù)語(yǔ)領(lǐng)域歸屬度計(jì)算存在一定的關(guān)聯(lián)：術(shù)語(yǔ)領(lǐng)域歸屬度通過測(cè)度術(shù)語(yǔ)的領(lǐng)域?qū)I(yè)性和區(qū)分性來反映術(shù)語(yǔ)自身在特定領(lǐng)域中的重要程度。然而，這些研究尚存在如下不足：一是現(xiàn)有研究一般僅實(shí)現(xiàn)了知識(shí)單元的學(xué)科歸屬方法，進(jìn)而應(yīng)用在后續(xù)任務(wù)之中，較少在同一數(shù)據(jù)集上對(duì)比不同方法的性能；二是在理論層面，已有方法一般只依賴知識(shí)單元的部分特征來設(shè)計(jì)方法，未能系統(tǒng)地梳理知識(shí)單元的特征體系并評(píng)估特征的重要性。

鑒于此，本文借助16 種可用于判定知識(shí)單元學(xué)科歸屬的常用測(cè)度模型，解析出知識(shí)單元的學(xué)科重要度、學(xué)科相關(guān)度和學(xué)科區(qū)分度3 種學(xué)科維度特征體系，厘清各個(gè)方法所使用的特征組合情況，進(jìn)而構(gòu)建交叉研究領(lǐng)域測(cè)試集開展方法對(duì)比實(shí)驗(yàn)，根據(jù)詞頻和學(xué)科覆蓋度區(qū)分不同類型的知識(shí)單元，對(duì)比分析不同方法對(duì)不同類型知識(shí)單元的學(xué)科歸屬判定性能，從而挖掘出對(duì)學(xué)科歸屬判定性能有貢獻(xiàn)和價(jià)值的知識(shí)單元特征及其組合。本文系統(tǒng)性地揭示了對(duì)于學(xué)科歸屬判定方法產(chǎn)生影響的知識(shí)單元特征體系，有利于優(yōu)化知識(shí)單元的學(xué)科分類方法，提升細(xì)粒度知識(shí)內(nèi)容計(jì)量的精確性，促進(jìn)跨學(xué)科學(xué)發(fā)展，也有助于改進(jìn)跨學(xué)科知識(shí)發(fā)現(xiàn)方法，以促進(jìn)交叉科學(xué)研究活動(dòng)的開展。

1 相關(guān)研究概述

1.1 學(xué)科分類體系

科學(xué)研究具有結(jié)構(gòu)特征，學(xué)科分類有利于人類對(duì)知識(shí)體系形成清晰認(rèn)識(shí)[11]?，F(xiàn)有學(xué)科分類體系繁多，常見的包括Web of Science （WoS） 學(xué)科分類[12]、Scopus 學(xué)科分類[12]、ESI （Essential Science Indicators）學(xué)科分類[13]和《中國(guó)圖書館分類法》[14]等。不同分類體系的差異體現(xiàn)在學(xué)科覆蓋范圍、學(xué)科分類層級(jí)、學(xué)科與期刊的關(guān)聯(lián)3 個(gè)方面。其中，在學(xué)科覆蓋范圍方面，當(dāng)前學(xué)科分類體系均覆蓋較廣，基本覆蓋自然科學(xué)、社會(huì)科學(xué)、生命科學(xué)、醫(yī)學(xué)等；在學(xué)科分類層級(jí)方面，較多學(xué)科分類體系包括2 個(gè)或3 個(gè)層級(jí)；在學(xué)科與期刊的關(guān)聯(lián)方面，以Web of Science 為代表的英文學(xué)科分類體系均提供學(xué)科與期刊的對(duì)應(yīng)關(guān)系，以多對(duì)多為主，而《中國(guó)圖書館分類法》未提供學(xué)科與期刊關(guān)聯(lián)關(guān)系。上述學(xué)科分類體系為知識(shí)的學(xué)科分類和跨學(xué)科研究提供了數(shù)據(jù)基礎(chǔ)。WoS 學(xué)科分類體系因期刊的學(xué)科類別獲取難度低、學(xué)科覆蓋面廣而在跨學(xué)科研究中使用最為廣泛[15]。

1.2 知識(shí)的學(xué)科分類方法

在科學(xué)計(jì)量和科技知識(shí)發(fā)現(xiàn)研究領(lǐng)域，學(xué)者們嘗試對(duì)不同粒度的知識(shí)對(duì)象識(shí)別其學(xué)科歸屬，包括研究領(lǐng)域、期刊、論文、作者和關(guān)鍵詞等知識(shí)對(duì)象。多數(shù)研究基于學(xué)科分類體系中的期刊學(xué)科對(duì)應(yīng)關(guān)系，通過“學(xué)科-期刊-論文”關(guān)聯(lián)獲得知識(shí)對(duì)象的學(xué)科分類[16-17]。這種簡(jiǎn)單承襲方法認(rèn)為論文及論文中的作者、關(guān)鍵詞等均隸屬于論文刊載期刊的學(xué)科分類，但對(duì)于論文和更細(xì)粒度的知識(shí)對(duì)象而言，這種方法具有較大的隨機(jī)性：其默認(rèn)知識(shí)只要在學(xué)科中出現(xiàn)過即歸屬于該學(xué)科。為了優(yōu)化這種學(xué)科分類方法，學(xué)者們嘗試?yán)媒y(tǒng)計(jì)閾值來提升知識(shí)的學(xué)科專指性。例如，呂雙[18]認(rèn)為一個(gè)前沿領(lǐng)域發(fā)表在某個(gè)學(xué)科的核心論文數(shù)超過該領(lǐng)域總論文數(shù)的20%時(shí)，可判定這個(gè)前沿領(lǐng)域?qū)儆谠搶W(xué)科；華萌等[19]提出文獻(xiàn)數(shù)分類法來確定期刊的學(xué)科分類，認(rèn)為期刊隸屬于文獻(xiàn)占比超過20%的學(xué)科；范晴晴等[20]通過論文參考文獻(xiàn)期刊的學(xué)科類別統(tǒng)計(jì)出占比10%以上的一種或多種學(xué)科作為論文所歸屬的學(xué)科。除了期刊的學(xué)科信息外，作者通信信息中的機(jī)構(gòu)名稱也可以用于判定作者和論文的學(xué)科歸屬[21]。

為進(jìn)一步提升學(xué)科分類的精度，部分研究者嘗試?yán)弥R(shí)在學(xué)科語(yǔ)料中的統(tǒng)計(jì)信息來挖掘知識(shí)與學(xué)科之間的關(guān)聯(lián)特征。計(jì)算原理來自Kageura 和Umino 于1996 年提出的“術(shù)語(yǔ)度”，認(rèn)為術(shù)語(yǔ)在給定領(lǐng)域和背景語(yǔ)料庫(kù)的統(tǒng)計(jì)信息可區(qū)分與領(lǐng)域關(guān)聯(lián)度較大和較小的術(shù)語(yǔ)，并以此識(shí)別領(lǐng)域術(shù)語(yǔ)[22]?；谶@種對(duì)比不同語(yǔ)料中統(tǒng)計(jì)信息的思路，學(xué)者們提出了相關(guān)方法衡量知識(shí)單元的學(xué)科歸屬。呂雙[18]在詞頻基礎(chǔ)上考慮學(xué)科論文在背景語(yǔ)料庫(kù)的詞匯覆蓋度特征，設(shè)計(jì)關(guān)鍵詞的學(xué)科隸屬度指標(biāo)。Fattah[23]利用詞匯在學(xué)科內(nèi)外的分布差異比例衡量詞匯對(duì)某學(xué)科的重要性，認(rèn)為該比值最大的學(xué)科為詞匯的歸屬學(xué)科。劉麗帆等[24]使用卡方值觀察名詞塊與學(xué)科的相關(guān)性特征，認(rèn)為名詞塊與學(xué)科相關(guān)度越高，其能代表學(xué)科的可能性越大。

除了上述統(tǒng)計(jì)方法外，機(jī)器學(xué)習(xí)也被應(yīng)用于知識(shí)的學(xué)科分類。Uysal 等[25]提出區(qū)分特征選擇器（distinguishing feature selector，DFS），綜合考慮學(xué)科詞頻占比、詞匯與學(xué)科相互依賴程度和詞匯在學(xué)科內(nèi)外的分布差異，用機(jī)器學(xué)習(xí)方法篩選出具有學(xué)科獨(dú)特性的詞匯。杜濤[26]在詞頻逆文檔頻率（term frequency-inverse document frequency，TF-IDF）特征基礎(chǔ)上，借用機(jī)器學(xué)習(xí)方法對(duì)SCI（Science Citation Index）論文進(jìn)行一級(jí)學(xué)科歸屬判別。部分學(xué)者也開始關(guān)注知識(shí)單元的類型對(duì)學(xué)科分類的影響，如胡昌平等[27]認(rèn)為高頻詞對(duì)領(lǐng)域代表性存在天然缺陷。在知識(shí)單元學(xué)科分類實(shí)現(xiàn)基礎(chǔ)上，學(xué)者們進(jìn)一步引入上下文語(yǔ)境、結(jié)構(gòu)位置、引文內(nèi)容等特征開展了知識(shí)單元的語(yǔ)義分類研究。例如，陸偉等[28]認(rèn)為學(xué)術(shù)文本詞匯在特定上下文環(huán)境中承載了特定的語(yǔ)義功能，結(jié)合機(jī)器學(xué)習(xí)方法將關(guān)鍵詞劃分為研究問題、研究方法和其他；Wang 等[29]考慮了引文內(nèi)容及篇章結(jié)構(gòu)特征，將方法章節(jié)引文內(nèi)容中的知識(shí)對(duì)象進(jìn)行人工分類標(biāo)注，包含14 類計(jì)算機(jī)方法。

綜上所述，知識(shí)的學(xué)科分類方法研究整體呈現(xiàn)研究對(duì)象細(xì)粒度化、分類模糊性降低、分類方法復(fù)雜度升高的趨勢(shì)。知識(shí)單元的學(xué)科歸屬判定不僅是大勢(shì)所趨，也需要進(jìn)一步提升方法性能。進(jìn)行特征挖掘以尋找影響知識(shí)單元的學(xué)科歸屬判定性能的關(guān)鍵特征，對(duì)優(yōu)化學(xué)科分類方法至關(guān)重要。

2 研究方法

2.1 研究思路

知識(shí)單元的學(xué)科歸屬判定可視為一個(gè)分類任務(wù)：已知一個(gè)給定的學(xué)科集合，根據(jù)知識(shí)單元的特征由分類算法自動(dòng)賦予其一個(gè)學(xué)科標(biāo)簽。識(shí)別和發(fā)現(xiàn)關(guān)鍵特征對(duì)提升知識(shí)單元學(xué)科分類性能具有重要影響。為此，本文嘗試借助16 種知識(shí)單元學(xué)科歸屬測(cè)度模型，分析模型所納入的特征，并對(duì)比不同方法的效果，以挖掘出有效的關(guān)鍵知識(shí)單元特征或特征組合。本文梳理了現(xiàn)有學(xué)科歸屬測(cè)度方法及其特征維度，設(shè)計(jì)了對(duì)比研究框架，如圖1 所示。

圖1 詞匯學(xué)科歸屬判定方法對(duì)比研究框架

該對(duì)比研究框架包括3 個(gè)環(huán)節(jié)：①測(cè)試集構(gòu)建。選擇一個(gè)交叉研究領(lǐng)域，識(shí)別詞匯及其學(xué)科信息，構(gòu)建一個(gè)知識(shí)單元學(xué)科歸屬測(cè)試數(shù)據(jù)集。②學(xué)科歸屬判定。分別將16 種方法應(yīng)用在測(cè)試數(shù)據(jù)集上，判定測(cè)試集中每個(gè)詞匯在背景語(yǔ)料庫(kù)中的學(xué)科歸屬，并轉(zhuǎn)換為是否屬于醫(yī)學(xué)的二分類結(jié)果。③特征組合性能對(duì)比。本文歸納了所梳理的學(xué)科歸屬判定方法涉及的知識(shí)單元特征及特征組合，通過對(duì)比分析，探討不同特征或特征組合對(duì)學(xué)科歸屬判定效果的影響。

2.2 知識(shí)單元學(xué)科歸屬測(cè)試集構(gòu)建

本文針對(duì)交叉領(lǐng)域的知識(shí)單元，識(shí)別其所歸屬的學(xué)科。因此，需要構(gòu)建一個(gè)交叉領(lǐng)域的數(shù)據(jù)集，獲取該領(lǐng)域的知識(shí)單元，并進(jìn)行學(xué)科分類。由于學(xué)科歸屬判定方法一般會(huì)利用知識(shí)單元在關(guān)聯(lián)學(xué)科中的統(tǒng)計(jì)信息，因此，除了獲取交叉領(lǐng)域數(shù)據(jù)之外，還需要收集該領(lǐng)域的關(guān)聯(lián)學(xué)科的數(shù)據(jù)集。本文構(gòu)建知識(shí)單元學(xué)科歸屬測(cè)試集的操作如下：在評(píng)價(jià)和比較學(xué)科歸屬測(cè)度方法性能時(shí)，需要構(gòu)建包含面向?qū)W科歸屬判定需求的交叉領(lǐng)域知識(shí)單元集、標(biāo)準(zhǔn)學(xué)科相關(guān)知識(shí)單元集的測(cè)試集，以及支持學(xué)科歸屬測(cè)試方法計(jì)算的學(xué)科知識(shí)單元集。

（1）交叉領(lǐng)域及關(guān)聯(lián)學(xué)科數(shù)據(jù)集

選取近年新興醫(yī)學(xué)交叉領(lǐng)域“計(jì)算醫(yī)學(xué)”[30]，對(duì)該領(lǐng)域知識(shí)單元進(jìn)行學(xué)科分類。在WoS 核心合集中以主題詞computational medicine 進(jìn)行檢索，時(shí)間范圍為1999—2022 年，檢索時(shí)間為2022 年8 月15日，共獲得文獻(xiàn)6113 篇。分別統(tǒng)計(jì)計(jì)算醫(yī)學(xué)領(lǐng)域發(fā)文分布和WoS 學(xué)科分布，如圖2 和表1 所示。可以看出，計(jì)算醫(yī)學(xué)領(lǐng)域文獻(xiàn)數(shù)量呈現(xiàn)指數(shù)增長(zhǎng)趨勢(shì)，處于蓬勃發(fā)展態(tài)勢(shì)中，發(fā)文量排名前20 位的學(xué)科主要分布在醫(yī)學(xué)、生物學(xué)、計(jì)算機(jī)科學(xué)和化學(xué)等學(xué)科大類中，數(shù)量分布較為均衡，具有典交叉領(lǐng)域特性。從表1 中選擇歸屬于不同學(xué)科大類且發(fā)文量較高的4 個(gè)關(guān)聯(lián)基礎(chǔ)學(xué)科，即放射學(xué)、核醫(yī)學(xué)和醫(yī)學(xué)成像（radiology, nuclear medicine & medical imaging），計(jì)算機(jī)科學(xué)跨學(xué)科應(yīng)用（computer science, interdisciplinary applications），基因遺傳學(xué)（genetics heredity） 和化學(xué)- 多學(xué)科（chemistry, multidisciplinary）?；贘CR（Journal Citation Reports）獲取4個(gè)學(xué)科的核心期刊列表，按照“放射學(xué)、核醫(yī)學(xué)和醫(yī)學(xué)成像”前25 本期刊所占該分類論文比例（27.67%）進(jìn)行等比抽樣，采集期刊論文題錄數(shù)據(jù)。

表1 計(jì)算醫(yī)學(xué)領(lǐng)域文獻(xiàn)的WoS學(xué)科分布

圖2 計(jì)算醫(yī)學(xué)領(lǐng)域文獻(xiàn)的時(shí)間分布

分別針對(duì)計(jì)算醫(yī)學(xué)領(lǐng)域和4 個(gè)學(xué)科的文獻(xiàn)數(shù)據(jù)集，利用python 的spaCy （https://spacy.io） 程序包從能夠表征文獻(xiàn)核心內(nèi)容的標(biāo)題、摘要和關(guān)鍵詞等題錄文本中抽取名詞短語(yǔ)，進(jìn)行清洗和詞形還原等預(yù)處理，作為最終的知識(shí)單元。本文將計(jì)算醫(yī)學(xué)領(lǐng)域文獻(xiàn)數(shù)據(jù)集稱為交叉領(lǐng)域語(yǔ)料庫(kù)，將其所關(guān)聯(lián)的4 個(gè)學(xué)科基礎(chǔ)文獻(xiàn)數(shù)據(jù)集作為背景語(yǔ)料庫(kù)。交叉領(lǐng)域語(yǔ)料庫(kù)和背景語(yǔ)料庫(kù)的基礎(chǔ)情況如表2 所示。

表2 學(xué)科領(lǐng)域語(yǔ)料庫(kù)基本情況

（2）知識(shí)單元學(xué)科歸屬測(cè)試集

構(gòu)建知識(shí)單元學(xué)科歸屬測(cè)試集的目標(biāo)是收集一個(gè)詞匯集合，并賦予每個(gè)詞匯相應(yīng)的學(xué)科歸屬標(biāo)簽。然而，目前較難獲取詞匯的學(xué)科標(biāo)簽，也無相應(yīng)的數(shù)據(jù)集可以借鑒和使用。根據(jù)計(jì)算醫(yī)學(xué)領(lǐng)域論文涉及的WoS 學(xué)科分類來看，主要涉及的學(xué)科大類包括醫(yī)學(xué)、計(jì)算機(jī)科學(xué)、生物學(xué)、化學(xué)等。鑒于可操作性，本文以醫(yī)學(xué)學(xué)科為知識(shí)單元?dú)w屬的目標(biāo)學(xué)科，構(gòu)建數(shù)據(jù)集。由于數(shù)據(jù)規(guī)模和數(shù)據(jù)獲取難度問題，本文僅使用4 個(gè)關(guān)聯(lián)學(xué)科來表征這幾個(gè)學(xué)科大類。

首先，從計(jì)算醫(yī)學(xué)領(lǐng)域知識(shí)單元中選取現(xiàn)在多個(gè)學(xué)科（需包括醫(yī)學(xué)）中的數(shù)量將詞匯視為待判定交叉領(lǐng)域知識(shí)單元，共獲得31366 個(gè)詞匯。只出現(xiàn)在一個(gè)學(xué)科中的詞匯，其學(xué)科歸屬較為簡(jiǎn)單，可將知識(shí)單元出現(xiàn)的學(xué)科視為其歸屬學(xué)科。

其次，利用MeSH（medical subject headings）醫(yī)學(xué)主題詞表來判定上述知識(shí)單元是否歸屬于醫(yī)學(xué)學(xué)科，認(rèn)為在MeSH 詞表中出現(xiàn)的詞匯屬于醫(yī)學(xué)學(xué)科。醫(yī)學(xué)主題詞表[31]是美國(guó)國(guó)立醫(yī)學(xué)圖書館（National Library of Medicine，NLM）編制的最具權(quán)威性的醫(yī)學(xué)領(lǐng)域動(dòng)態(tài)主題詞表，其覆蓋了醫(yī)學(xué)領(lǐng)域的規(guī)范性敘詞概念，該詞表每年都會(huì)進(jìn)行版本升級(jí)、主題增刪，主題詞表收錄時(shí)考慮了詞匯的穩(wěn)定性和新穎性[32]。對(duì)31366 個(gè)詞匯依次使用MeSH 在線文本匹配功能（https://meshb-prev.nlm.nih.gov/MeSHon-Demand），判斷其是否為MeSH 主題詞。通過以上操作，共發(fā)現(xiàn)4348 個(gè)詞匯屬于醫(yī)學(xué)學(xué)科，占總量的13.86%。由此可知，知識(shí)單元學(xué)科歸屬測(cè)試集共包括31366 個(gè)詞匯，其中4348 個(gè)屬于醫(yī)學(xué)學(xué)科，27018 個(gè)不屬于醫(yī)學(xué)學(xué)科。

2.3 學(xué)科歸屬測(cè)度方法

知識(shí)單元學(xué)科歸屬判定方法一般是根據(jù)知識(shí)單元即詞匯在各個(gè)學(xué)科中的統(tǒng)計(jì)特征來確定該知識(shí)單元最可能從屬的學(xué)科。本文在統(tǒng)計(jì)分析詞匯信息基礎(chǔ)上，實(shí)現(xiàn)學(xué)科二分類任務(wù)，即根據(jù)詞匯的統(tǒng)計(jì)指標(biāo)，結(jié)合判定規(guī)則判定一個(gè)詞匯是否屬于學(xué)科“醫(yī)學(xué)”。本文基于現(xiàn)有研究[10,13,33-34]梳理了16 種可用于知識(shí)單元學(xué)科歸屬的判定方法。本節(jié)分析了這些方法所考慮的詞匯特征或特征組合，以及具體的學(xué)科歸屬分類判定規(guī)則。

2.3.1 16種方法的計(jì)算公式和判定規(guī)則

表3 梳理了16 種知識(shí)單元學(xué)科歸屬方法的計(jì)算公式和判定規(guī)則。其中，計(jì)算公式以學(xué)科內(nèi)外詞頻和文檔頻為基礎(chǔ)計(jì)算知識(shí)單元與學(xué)科的某種關(guān)系指標(biāo)。判定規(guī)則用于判斷知識(shí)單元是否屬于某個(gè)學(xué)科，其依據(jù)主要有兩種：一種是根據(jù)某學(xué)科內(nèi)的指標(biāo)值排名情況進(jìn)行判定，如熱度、期望交叉熵和領(lǐng)域相關(guān)度3 種方法均是將某學(xué)科中指標(biāo)值靠前的知識(shí)單元視為歸屬于該學(xué)科?？壳伴撝等W(xué)科歸屬測(cè)試集中屬于醫(yī)學(xué)的詞匯占比（前13.86%）。另一種是通過對(duì)比不同學(xué)科間的指標(biāo)值進(jìn)行判定，如在互信息方法中，分別計(jì)算知識(shí)單元與多個(gè)學(xué)科的互信息值，然后選擇指標(biāo)值最大的學(xué)科視為該知識(shí)單元的歸屬學(xué)科。根據(jù)判定規(guī)則獲得知識(shí)單元在背景語(yǔ)料庫(kù)中的對(duì)應(yīng)醫(yī)學(xué)、生物學(xué)、計(jì)算機(jī)科學(xué)和化學(xué)4 個(gè)學(xué)科的學(xué)科歸屬，并轉(zhuǎn)化為是否屬于醫(yī)學(xué)的二分類結(jié)果。

表3 知識(shí)單元學(xué)科歸屬測(cè)度方法

2.3.2 知識(shí)單元的特征維度

根據(jù)學(xué)科歸屬測(cè)度指標(biāo)涉及的統(tǒng)計(jì)項(xiàng)和指標(biāo)設(shè)計(jì)原理，將知識(shí)單元特征歸納為學(xué)科重要度、學(xué)科相關(guān)度和學(xué)科區(qū)分度3 個(gè)方面。

（1）學(xué)科重要度

學(xué)科重要度（importance，I）主要描述詞匯對(duì)特定學(xué)科知識(shí)內(nèi)容表征的重要性，學(xué)科內(nèi)出現(xiàn)越多或者相對(duì)越多的詞匯對(duì)學(xué)科越重要。詞匯出現(xiàn)情況通?？梢杂脤W(xué)科語(yǔ)料庫(kù)中詞匯熱度或詞匯論文覆蓋率來描述，即

其中，IF(i,j)表示詞匯i在學(xué)科j內(nèi)的熱度；freq(i,j)表示詞匯i在學(xué)科j內(nèi)的出現(xiàn)頻次；freq(all,j)表示學(xué)科j內(nèi)所有詞匯的累積頻次。

其中，ID(i,j)表示詞匯i在學(xué)科j內(nèi)的詞匯論文覆蓋率；doc(i,j)表示學(xué)科j內(nèi)包含詞匯i的論文數(shù)；doc(all,j)表示學(xué)科j的所有論文數(shù)。

（2）學(xué)科相關(guān)度

學(xué)科相關(guān)度（relevance，R） 主要描述詞匯在統(tǒng)計(jì)語(yǔ)料庫(kù)中與特定學(xué)科的關(guān)聯(lián)程度。在背景語(yǔ)料庫(kù)中詞匯在特定學(xué)科中的出現(xiàn)占比越大，詞匯與學(xué)科的相關(guān)性越高。詞匯的學(xué)科占比通?？赏ㄟ^學(xué)科詞頻占比和學(xué)科論文占比來描述，即

其中，RF(i,j)表示詞匯i在學(xué)科j內(nèi)的學(xué)科詞頻占比；freq(i,j)表示詞匯i在學(xué)科j內(nèi)的出現(xiàn)頻次；freq(i,all)表示背景語(yǔ)料庫(kù)中詞匯i的所有累積頻次。

其中，RD(i,j)表示學(xué)科j內(nèi)包含詞匯i的學(xué)科論文占比；doc(i,j)表示學(xué)科j內(nèi)包含詞匯i的論文數(shù)；doc(i,all)表示背景語(yǔ)料庫(kù)中包含詞匯i的所有論文數(shù)。

（3）學(xué)科區(qū)分度

學(xué)科區(qū)分度（discriminability，D）是詞匯對(duì)學(xué)科特性的表征能力。對(duì)學(xué)科特性表征能力高的詞匯，應(yīng)該在學(xué)科內(nèi)盡可能多地出現(xiàn)，同時(shí)在學(xué)科外盡可能少地出現(xiàn)[35]。借鑒術(shù)語(yǔ)度計(jì)算原理[36-37]，學(xué)科區(qū)分度可以通過詞匯在給定學(xué)科和背景語(yǔ)料庫(kù)中的統(tǒng)計(jì)信息來計(jì)算。以詞頻和文檔頻率來計(jì)算的兩種方式分別為

其中，DF(i,j)表示詞匯i在學(xué)科j內(nèi)外的學(xué)科詞頻占比；freq(i,j)表示詞匯i在學(xué)科j內(nèi)的出現(xiàn)頻次；freq(all,j)表示學(xué)科j的詞匯累積頻次；freq(i,all)表示詞匯i在背景語(yǔ)料庫(kù)中的所有累積頻次；freq(all,all)表示背景語(yǔ)料庫(kù)中所有詞匯的累積頻次。

其中，DD(i,j)表示學(xué)科j內(nèi)外包含詞匯i的學(xué)科論文占比；doc(i,j)表示學(xué)科j內(nèi)包含詞匯i的論文數(shù)量；doc(all,j)表示學(xué)科j的論文數(shù)；doc(i,all)表示背景語(yǔ)料庫(kù)中包含詞匯i的所有論文數(shù)；doc(all,all)表示背景語(yǔ)料庫(kù)中的所有論文數(shù)。

2.4 對(duì)比分析實(shí)驗(yàn)設(shè)計(jì)

2.4.1 性能評(píng)價(jià)方法

在實(shí)驗(yàn)時(shí)，統(tǒng)計(jì)31366 個(gè)詞匯在醫(yī)學(xué)、計(jì)算機(jī)科學(xué)、生物學(xué)和化學(xué)等學(xué)科數(shù)據(jù)集中的詞頻和文檔頻率，運(yùn)用16 種方法判定每個(gè)詞匯的學(xué)科歸屬，轉(zhuǎn)換為是否屬于醫(yī)學(xué)的二分類結(jié)果，進(jìn)而與測(cè)試集進(jìn)行匹配評(píng)估方法性能。

本文采用精準(zhǔn)率（precision）、召回率（recall）和F1 指標(biāo)進(jìn)行性能評(píng)價(jià)。測(cè)試集知識(shí)單元數(shù)量為S，學(xué)科歸屬判定方法得到的醫(yī)學(xué)知識(shí)單元數(shù)量為T，所命中的測(cè)試集醫(yī)學(xué)知識(shí)單元數(shù)量為St。

精準(zhǔn)率衡量學(xué)科歸屬判定方法的準(zhǔn)確程度，其公式為

召回率衡量學(xué)科歸屬判定方法的完備程度，其公式為

F1 是精準(zhǔn)率和召回率的調(diào)和平均值，用于綜合評(píng)價(jià)指標(biāo)分類性能，其公式為

需要注意的是，事實(shí)上16 種方法在本文數(shù)據(jù)集中判斷的結(jié)果是詞匯是否屬于放射學(xué)、核醫(yī)學(xué)和醫(yī)學(xué)成像，而不是醫(yī)學(xué)大類。本文構(gòu)建的基于MeSH的測(cè)試集中可能存在部分概念屬于醫(yī)學(xué)領(lǐng)域，但不屬于該二級(jí)領(lǐng)域，故所得到的指標(biāo)值比真實(shí)指標(biāo)值偏大。盡管如此，本文認(rèn)為這種評(píng)價(jià)方法也有其合理性，因?yàn)榭梢哉J(rèn)為，不屬于MeSH 中的詞匯也不能歸屬于該二級(jí)領(lǐng)域，即對(duì)負(fù)樣本的評(píng)價(jià)相對(duì)準(zhǔn)確。

2.4.2 知識(shí)單元分組

詞頻和學(xué)科覆蓋是兩種公認(rèn)的與知識(shí)單元的學(xué)科特征表征能力緊密相關(guān)的屬性特征。在實(shí)驗(yàn)結(jié)果分析時(shí)，本文將對(duì)不同詞頻和學(xué)科覆蓋的知識(shí)單元進(jìn)行分組分析。

現(xiàn)有研究認(rèn)為處于不同詞頻區(qū)間的知識(shí)單元對(duì)學(xué)科領(lǐng)域代表性存在差異，如高頻詞對(duì)領(lǐng)域代表性存在天然缺陷[31]，而非高頻詞更能反映類別的特征[38]等。本文借助基于詞頻、詞量、累計(jì)詞頻占比動(dòng)態(tài)取值的方法[39]，依據(jù)交叉領(lǐng)域知識(shí)單元集在學(xué)科知識(shí)單元集中的頻次統(tǒng)計(jì)，將詞匯劃分為高頻詞、中頻詞和低頻詞3 種。

知識(shí)單元同時(shí)出現(xiàn)的學(xué)科數(shù)量，即學(xué)科覆蓋情況，在一定程度上反映了知識(shí)單元的學(xué)科通用性或?qū)I(yè)性[40]。該特征同樣可理解為知識(shí)單元對(duì)學(xué)科領(lǐng)域特征的表征能力，從而影響知識(shí)單元的學(xué)科歸屬判定。本文統(tǒng)計(jì)了交叉領(lǐng)域知識(shí)單元集中詞匯在學(xué)科知識(shí)單元集中同時(shí)出現(xiàn)的學(xué)科數(shù)量。本文的實(shí)驗(yàn)將詞匯按學(xué)科覆蓋情況劃分為覆蓋二學(xué)科、覆蓋三學(xué)科和覆蓋四學(xué)科3 種類型。

2.4.3 對(duì)比分析的總體思路

為進(jìn)一步挖掘究竟哪些特征或特征組合用于知識(shí)單元的學(xué)科歸屬測(cè)度能夠獲得較好的學(xué)科判定性能，本文分析了現(xiàn)有的16 種學(xué)科測(cè)度方法所考慮的具體特征或特征組合，如表3 所示。在知識(shí)單元的詞頻分組和學(xué)科覆蓋分組基礎(chǔ)上，本文設(shè)計(jì)了對(duì)比分析思路，包括3 項(xiàng)具體對(duì)比分析：①針對(duì)所有知識(shí)單元，對(duì)比分析不同特征組合下的性能差異。②針對(duì)不同詞頻分組知識(shí)單元，對(duì)比分析不同特征組合下的性能差異，并分析不同詞頻分組知識(shí)單元間的性能差異。在領(lǐng)域知識(shí)分析中，不同詞頻的知識(shí)單元的判別難度不同，對(duì)于領(lǐng)域知識(shí)分析的價(jià)值也不一樣。分別考察學(xué)科歸屬方法在高頻詞、中頻詞和低頻詞中的性能，有助于理解特征組合對(duì)于不同詞頻知識(shí)單元的學(xué)科歸屬區(qū)分性能影響。③針對(duì)不同學(xué)科覆蓋知識(shí)單元，對(duì)比分析不同特征組合下的性能差異，并分析不同學(xué)科覆蓋知識(shí)單元間的性能差異。通過以上對(duì)比分析進(jìn)行特征挖掘，以獲得通用情境下和特定情境（如不同詞頻或?qū)W科覆蓋）效果最好的特征或特征組合。

3 結(jié)果與分析

3.1 學(xué)科歸屬測(cè)度方法性能總體對(duì)比

為了比較不同特征組合下的知識(shí)單元學(xué)科歸屬測(cè)度方法的性能，分別運(yùn)用16 種學(xué)科歸屬測(cè)度方法進(jìn)行學(xué)科歸屬判定，并計(jì)算性能評(píng)價(jià)指標(biāo)值，進(jìn)而結(jié)合各方法考慮的知識(shí)單元特征組合進(jìn)行分組分析。對(duì)相同特征組合的各方法性能進(jìn)行統(tǒng)計(jì)，得到7 組特征組合的性能。圖3 列出了每組特征組合的精準(zhǔn)率、召回率和F1 值的箱型圖，表4 列出了每種特征組合下各方法的精準(zhǔn)率、召回率和F1 值的排名與指標(biāo)值。

圖3 7種特征組合下的學(xué)科歸屬測(cè)度方法性能(四分位箱型圖)

由圖3 和表4 可以觀察得到不同特征組合對(duì)于學(xué)科歸屬測(cè)度方法的影響，相關(guān)發(fā)現(xiàn)如下：

（1）對(duì)于測(cè)試集中所有詞匯而言，知識(shí)單元學(xué)科歸屬測(cè)度效果最好的3 組特征組合依次為I、I+R+D 和I+D。其中，只考慮特征組合I 的綜合性能遠(yuǎn)高于后兩種，而在加入學(xué)科區(qū)分度D 后性能有所下降，但在綜合考慮加入學(xué)科相關(guān)度R 時(shí)則性能有所回升。特征組合I 和特征組合I+D 兩種組合性能優(yōu)勢(shì)體現(xiàn)在精準(zhǔn)率上，而特征組合I+R+D 的組合性能在精準(zhǔn)率和召回率上均較為靠前。由此可以認(rèn)為，能帶來高精準(zhǔn)率的特征組合I 是知識(shí)單元學(xué)科歸屬測(cè)度方法的必要特征選擇，3 種特征的綜合考慮則能夠在保障精準(zhǔn)率的同時(shí)也提升查全率，以保障較為均衡的整體性能。

（2）效果較好的學(xué)科特征組合中排名靠前的學(xué)科歸屬測(cè)度方法為TF、DR、DP、FW 和DFS。前3種指標(biāo)同時(shí)考慮詞頻和文檔頻，會(huì)獲得較高精準(zhǔn)率和低召回率，且體現(xiàn)為僅考慮學(xué)科內(nèi)的情況下精準(zhǔn)率和綜合性能更高。后兩種指標(biāo)當(dāng)只考慮詞匯在學(xué)科內(nèi)外的文檔覆蓋情況時(shí)，能夠獲得較為均衡的精準(zhǔn)率和召回率。同時(shí)還觀察到，即使考慮相同的特征組合，具體方法設(shè)計(jì)也能較大程度地影響方法性能。例如，在考慮學(xué)科重要性I 的方法中，TF 和DR 方法明顯優(yōu)于ECE 方法。

（3）受數(shù)據(jù)不平衡分布影響，排名靠前學(xué)科特征選擇與方法性能評(píng)估通常體現(xiàn)為高精準(zhǔn)率和低召回率。在測(cè)試數(shù)據(jù)集中，屬于醫(yī)學(xué)與不屬于醫(yī)學(xué)兩種分類詞匯數(shù)量比約為1∶6。這決定了交叉領(lǐng)域知識(shí)單元集中實(shí)際屬于醫(yī)學(xué)的詞匯較少，降低了判定結(jié)果中屬于醫(yī)學(xué)的概率，在性能上表現(xiàn)為召回率較低。

3.2 不同詞頻區(qū)間知識(shí)單元的性能對(duì)比

為了探討特征組合對(duì)不同詞頻區(qū)間知識(shí)單元的學(xué)科歸屬測(cè)度性能影響，本文進(jìn)一步分組對(duì)比了16種學(xué)科歸屬判定方法在不同詞頻區(qū)間知識(shí)單元上的性能。表5 列出了測(cè)試數(shù)據(jù)集中的詞頻區(qū)間劃分結(jié)果，共識(shí)別出高頻詞222 個(gè)、中頻詞7570 個(gè)和低頻詞23574 個(gè)。

表5 知識(shí)單元詞頻區(qū)間劃分

從圖4 列出的不同詞頻區(qū)間的學(xué)科歸屬測(cè)度方法性能來看，不同頻次詞匯的綜合性能排序?yàn)橹蓄l區(qū)＞高頻區(qū)＞低頻區(qū)，F(xiàn)1 值分別為26.61%、22.43%和16.50%。這一觀察部分佐證了高頻詞與非高頻詞對(duì)于學(xué)科領(lǐng)域代表性存在差異的觀點(diǎn)。在此基礎(chǔ)上，進(jìn)一步發(fā)現(xiàn)了高頻詞的學(xué)科歸屬測(cè)度結(jié)果沒有中頻詞的表現(xiàn)好，但優(yōu)于低頻詞。高頻次可能是概念范疇較大的通用型詞匯，也可能是領(lǐng)域中非常重要的詞匯；對(duì)于前一種情況，其可能涉及多個(gè)學(xué)科，因而區(qū)分難度較大。對(duì)于低頻詞而言，其出現(xiàn)頻次信息較少，相關(guān)指標(biāo)值可能受到隨機(jī)因素影響，因而區(qū)分難度最大。

圖4 不同詞頻區(qū)間的學(xué)科歸屬測(cè)度方法性能

如圖5 所示，進(jìn)一步對(duì)3 種詞頻區(qū)間的知識(shí)單元考察7 種特征組合下的學(xué)科歸屬測(cè)度方法性能，結(jié)合縱向詞頻對(duì)比和橫向特征組合對(duì)比，可以看出：①特征組合I+R+D 在3 種頻次中綜合性能均排在前3 位，并且3 種頻次區(qū)間的F1 值排序?yàn)橹蓄l區(qū)＞高頻區(qū)＞低頻區(qū)；②一些特征組合有性能優(yōu)勢(shì)詞頻區(qū)間，其中特征組合D 和特征組合R+D 僅在高頻詞中綜合性能F1 值排名第一和第二，特征組合R 在中頻詞綜合性能F1 值排名第三，特征組合I 在低頻詞綜合性能F1 值排名第一；③從不同特征組合的方法性能分布來看，大部分特征組合在中頻詞上能夠獲得較好的性能。

圖5 不同詞頻區(qū)間的特征組合性能對(duì)比

由此可知，針對(duì)不同頻次區(qū)間知識(shí)單元，可以采用不同的特征組合方法來進(jìn)行更好的學(xué)科歸屬判定。對(duì)于高頻詞而言，注重學(xué)科區(qū)分度（D）的特征組合表現(xiàn)出了相對(duì)較好的性能，即需要進(jìn)一步判定高頻詞是否具有高學(xué)科區(qū)分度。對(duì)于低頻詞，其涉及的學(xué)科相對(duì)較少，注重知識(shí)單元對(duì)于學(xué)科的重要性（I）能夠表現(xiàn)出較好的學(xué)科歸屬性能。

3.3 不同學(xué)科覆蓋知識(shí)單元的性能對(duì)比

本文進(jìn)一步對(duì)比不同學(xué)科覆蓋的知識(shí)單元學(xué)科特征組合效果。按照學(xué)科覆蓋情況將測(cè)試集中的知識(shí)單元?jiǎng)澐譃槎W(xué)科、三學(xué)科和四學(xué)科，分別包含5636 （占17.97%）、8417 （占26.83%） 和17313（占55.20%）個(gè)詞。3 組知識(shí)單元的整體性能如圖6 所示。綜合性能F1 值排序?yàn)樗膶W(xué)科（25.39%） ＞三學(xué)科（16.68%） ＞二學(xué)科（7.82%），整體呈現(xiàn)出詞匯所覆蓋的學(xué)科越多，學(xué)科歸屬判定效果越好?？梢酝茰y(cè)，詞匯出現(xiàn)的學(xué)科越多，其學(xué)科間的差異性更能被統(tǒng)計(jì)指標(biāo)所捕獲，因此，這些學(xué)科歸屬判定方法能更加準(zhǔn)確地給出判定結(jié)果。

圖6 不同學(xué)科覆蓋知識(shí)單元的學(xué)科歸屬判定性能

分組計(jì)算7 種特征組合對(duì)應(yīng)的學(xué)科歸屬判定方法性能。圖7 為這3 組不同學(xué)科覆蓋詞匯列出了不同特征組合方法的性能結(jié)果，可以看出：①特征組合I 和I+R+D 在3 種學(xué)科覆蓋類型下有較好的精準(zhǔn)率和F1 指標(biāo)值，尤其在四學(xué)科覆蓋情況下最好，說明了學(xué)科重要性對(duì)于判斷學(xué)科歸屬的重要性；②特征組合R、I+R 和I+R+D 的召回率較高，說明從學(xué)科覆蓋視角，對(duì)于涉及多學(xué)科的知識(shí)單元而言，依據(jù)學(xué)科相關(guān)性能夠發(fā)現(xiàn)更多的知識(shí)單元；③各組加入學(xué)科區(qū)分度D 的特征組合在四學(xué)科覆蓋的知識(shí)單元組中的相對(duì)性能顯著提升，說明針對(duì)涉及多個(gè)學(xué)科的知識(shí)單元而言，在學(xué)科重要度基礎(chǔ)上應(yīng)重點(diǎn)補(bǔ)充學(xué)科區(qū)分度。

圖7 不同學(xué)科覆蓋特征組合下的性能對(duì)比

3.4 學(xué)科特征組合的通用性分析

為進(jìn)一步挖掘在不同情況下性能表現(xiàn)較好的通用特征選擇，本文匯總知識(shí)單元特征組合與不同知識(shí)單元分組下的49 種“分組-特征組合”性能，并進(jìn)行對(duì)比分析。表6 歸納了7 種特征組合在整體、高頻、中頻、低頻、二學(xué)科、三學(xué)科和四學(xué)科7 種情況下的整體性能F1 值的排名，并以粗體突出每種知識(shí)單元類型中排名前3 位的特征組合。排名靠前的特征組合反映了其在該情況下的適用性。由表6 可以看出：①特征組合I 和I+R+D 的通用性較強(qiáng)，I 的性能最優(yōu)，I+R+D 在更多場(chǎng)景中表現(xiàn)較好；②特征組合D 的通用性弱，但在特定知識(shí)單元類型高頻詞中性能突出；③特征組合I+R 在各場(chǎng)景性能均較差，是可以優(yōu)先剔除的特征組合選擇。

表6 49種分組中學(xué)科特征組合綜合性能的F1值排名

4 總結(jié)與討論

相較于引文內(nèi)容和引文關(guān)系這種間接的測(cè)度方式，論文研究?jī)?nèi)容如知識(shí)單元，可以更好地揭示學(xué)科特征[41]。其前提是需要篩選能夠代表學(xué)科領(lǐng)域的知識(shí)單元特征以更好地判定知識(shí)單元學(xué)科歸屬。本文從學(xué)術(shù)文獻(xiàn)的知識(shí)單元出發(fā)，梳理了現(xiàn)有學(xué)科歸屬測(cè)度方法及其利用的知識(shí)單元學(xué)科特征，并在不同詞頻區(qū)間和不同學(xué)科覆蓋度的知識(shí)單元分組中進(jìn)行性能對(duì)比，以挖掘特征對(duì)學(xué)科歸屬測(cè)度的影響，為優(yōu)化學(xué)科歸屬判定或分類方法提供支持。

在“計(jì)算醫(yī)學(xué)”領(lǐng)域開展實(shí)證研究，構(gòu)建了待分類詞表和測(cè)試數(shù)據(jù)集，判定詞匯是否屬于醫(yī)學(xué)學(xué)科，借助學(xué)科歸屬測(cè)度模型性能的對(duì)比分析，進(jìn)行影響知識(shí)單元學(xué)科歸屬判定的特征挖掘：①總體來看，綜合使用學(xué)科重要度、學(xué)科相關(guān)度和學(xué)科區(qū)分度指標(biāo)的方法在各組分析中均表現(xiàn)出較好的性能，同時(shí)學(xué)科重要度在多個(gè)分組的表現(xiàn)都較好，由此說明學(xué)科重要度是3 種特征中最重要的一項(xiàng)；②高頻詞和低頻詞的學(xué)科歸屬難度大于中頻詞，對(duì)于不同詞頻區(qū)間知識(shí)單元，可以選擇不同的策略，高頻詞需要注重學(xué)科區(qū)分度，低頻詞需要重點(diǎn)考慮學(xué)科重要性；③針對(duì)涉及多個(gè)學(xué)科的知識(shí)單元而言，在學(xué)科重要度基礎(chǔ)上加上學(xué)科區(qū)分度能夠顯著提高精準(zhǔn)率，從而提升整體性能，學(xué)科相關(guān)性則有助于提高召回率。

本文的理論意義與實(shí)踐啟示：①系統(tǒng)梳理了16種文本重要性和文本分類相關(guān)的指標(biāo)方法，并移植于交叉領(lǐng)域知識(shí)單元的學(xué)科歸屬研究，從理論上對(duì)這些方法進(jìn)行了剖解；②通過對(duì)16 種方法的學(xué)科重要度、學(xué)科相關(guān)度和學(xué)科區(qū)分度組合特征對(duì)于其性能的影響分析，揭示了知識(shí)單元學(xué)科歸屬的知識(shí)單元特征影響機(jī)理，能夠?qū)ξ磥淼难芯糠椒ㄌ峁├碚撝笇?dǎo)；③發(fā)現(xiàn)了不同詞頻和不同學(xué)科覆蓋度詞匯適用的特征，能夠?yàn)閷W(xué)科分類判定實(shí)踐提供具體建議。

本文尚存在一些局限。一是受MeSH 詞表參照標(biāo)準(zhǔn)的限制，僅能進(jìn)行面向醫(yī)學(xué)的二值學(xué)科判定，無法對(duì)尚未被MeSH 詞表收錄的新興醫(yī)學(xué)概念進(jìn)行判斷；二是受到研究數(shù)據(jù)規(guī)模和處理能力的影響，在構(gòu)建測(cè)試數(shù)據(jù)集時(shí)，僅抽樣醫(yī)學(xué)、計(jì)算機(jī)科學(xué)、生物學(xué)和化學(xué)的二級(jí)學(xué)科的部分論文，無法完全反映知識(shí)單元在學(xué)科中的真實(shí)分布情況。未來，將進(jìn)一步借助機(jī)器學(xué)習(xí)方法在知識(shí)單元特征組合的基礎(chǔ)上優(yōu)化知識(shí)單元學(xué)科歸屬判定方法，并在跨學(xué)科知識(shí)流動(dòng)、研究領(lǐng)域跨學(xué)科交叉程度研究等場(chǎng)景中展開應(yīng)用研究。同時(shí)，需要指出的是，知識(shí)單元與學(xué)科的關(guān)聯(lián)性也可以通過其與學(xué)科中其他知識(shí)單元的關(guān)聯(lián)關(guān)系進(jìn)行判斷，本文僅關(guān)注了知識(shí)單元自身，而未考慮這種結(jié)構(gòu)關(guān)聯(lián)性。