基于CiteSpace的神經(jīng)網(wǎng)絡(luò)模型可視化分析

中圖分類(lèi)號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2025）12-0156-05

Visualization Analysis of Neural Network Model Based on CiteSpace

LYU Lu （Wuchang Institute of Technology，Wuhan 430o65，China）

Abstract： CiteSpace software is used to conduct a visual quantitative analysis of 497 Neural Network model research pappers in the CNKI database from 2015 to 2025.The overalldevelopment and trend of domestic neural network model researchare systematicall investigated.Theresearchresultsshow that theauthorcooperation networkdensityislow，anda stablecoreresearch grouphas notyetformed.Theresearch institutionsarenotcloselylinked，and most authorsandresearch institutions arerelatively independent.Researchhotspotsand trends focusonNeural Network，DeepLearning，prediction model，sentimntsiaion，aceLangediction，tentale，ndoivetratition.eseachldf Neural Network model has moved from the stageof technology developmenttoanew eraof multi-domain appication and interdisciplinaryintegration.Futureresearchwillpaymoreatentiontotheiterpretabilityoftechnologyandtherealizationof social value.

Keywords： Neural Network model; CiteSpace; visualization analysis; quantitative analysis

0 引言

近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，神經(jīng)網(wǎng)絡(luò)模型在自然語(yǔ)言處理、收益預(yù)測(cè)、藥物推薦等多個(gè)領(lǐng)域取得了顯著的進(jìn)展。神經(jīng)網(wǎng)絡(luò)模型作為人工智能領(lǐng)域的重要基礎(chǔ)技術(shù)，近年來(lái)在眾多應(yīng)用場(chǎng)景中展現(xiàn)出了非凡的價(jià)值和潛力。在計(jì)算機(jī)視覺(jué)領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)（CNN）推動(dòng)了圖像識(shí)別、目標(biāo)檢測(cè)和圖像生成技術(shù)的飛速發(fā)展[1]。在自然語(yǔ)言處理領(lǐng)域，基于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和Transformer架構(gòu)的模型顯著提升了機(jī)器翻譯、情感分析、對(duì)話系統(tǒng)和生成式語(yǔ)言模型的性能[2-4]。在推薦系統(tǒng)領(lǐng)域，神經(jīng)網(wǎng)絡(luò)模型同樣展現(xiàn)出了極強(qiáng)的適應(yīng)性和性能，例如，抖音利用基于深度神經(jīng)網(wǎng)絡(luò)的推薦算法對(duì)用戶的興趣進(jìn)行預(yù)測(cè)，從而向用戶精準(zhǔn)推薦個(gè)性化的視頻內(nèi)容[5]。在金融預(yù)測(cè)領(lǐng)域，深度學(xué)習(xí)模型（如LSTM和GRU）在時(shí)間序列數(shù)據(jù)建模方面表現(xiàn)出色，能夠有效捕捉金融市場(chǎng)復(fù)雜的時(shí)序特征，助力投資者做出更準(zhǔn)確的交易決策[。隨著硬件性能的提升和算法的不斷優(yōu)化，神經(jīng)網(wǎng)絡(luò)模型正在從理論研究走向更多實(shí)際應(yīng)用場(chǎng)景，進(jìn)一步改變社會(huì)生活的方方面面。

國(guó)內(nèi)外有眾多學(xué)者致力于神經(jīng)網(wǎng)絡(luò)模型算法優(yōu)化的研究，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）以及基于Transformer架構(gòu)的模型。但是至今尚未形成有關(guān)神經(jīng)網(wǎng)絡(luò)模型的具體定量研究成果。CiteSpace軟件主要用于分析和可視化作者共被引網(wǎng)絡(luò)，生成知識(shí)概念圖譜和知識(shí)聚類(lèi)圖譜，幫助研究者探索知識(shí)領(lǐng)域中的研究熱點(diǎn)、前沿和潛在新趨勢(shì)[]。本研究利用文獻(xiàn)計(jì)量學(xué)知名軟件CiteSpace對(duì)2015—2025年神經(jīng)網(wǎng)絡(luò)模型相關(guān)的研究熱點(diǎn)進(jìn)行可視化分析，以探索未來(lái)的發(fā)展趨勢(shì)和方向，為未來(lái)神經(jīng)網(wǎng)絡(luò)模型的研究提供參考。

1數(shù)據(jù)來(lái)源與分析方法

本研究以中國(guó)知網(wǎng)學(xué)術(shù)總庫(kù)為文獻(xiàn)數(shù)據(jù)的來(lái)源，從中獲取文章發(fā)布日期在2015年1月1日至2025年1月1日（檢索文獻(xiàn)時(shí)間為2024年4月19日）的與神經(jīng)網(wǎng)絡(luò)有關(guān)的文獻(xiàn)。同時(shí)設(shè)置主題詞為“神經(jīng)網(wǎng)絡(luò)模型”，并采用精確匹配方式。為保證文獻(xiàn)的高水平和質(zhì)量，進(jìn)一步篩選出CSSCI來(lái)源類(lèi)別文獻(xiàn)497篇，并導(dǎo)出為Refworks格式。利用CiteSpace軟件分析了作者發(fā)文情況、機(jī)構(gòu)發(fā)文、研究熱點(diǎn)和研究趨勢(shì)[8-9]。

2 研究文獻(xiàn)基本特征

2.1 作者發(fā)文分析

在文獻(xiàn)計(jì)量學(xué)中常使用普賴斯定律來(lái)衡量學(xué)科內(nèi)某些作者文獻(xiàn)的分布規(guī)律。本研究利用普賴斯定律分析神經(jīng)網(wǎng)絡(luò)模型研究領(lǐng)域中一些核心作者在2015年1月1日至2025年1月1日期間的發(fā)文情況，以便了解該領(lǐng)域內(nèi)的關(guān)鍵學(xué)者的發(fā)文情況[10]，如式 （1）所示：

根據(jù)CiteSpace軟件作者發(fā)文分析結(jié)果， N_max 取值為4，計(jì)算得出 M 為1.498。通常 M 向上取整到最近的整數(shù)，這意味著當(dāng)發(fā)文量最多的作者發(fā)表了4篇文獻(xiàn)時(shí)，核心作者的最少發(fā)文數(shù)量是2篇。進(jìn)而得出神經(jīng)網(wǎng)絡(luò)模型研究領(lǐng)域核心作者數(shù)量共有37人，通過(guò)普賴斯定律（ M 乘以核心作者的數(shù)量）來(lái)估算總發(fā)文量，估算得出核心作者發(fā)文量共計(jì)74篇，遠(yuǎn)低于總發(fā)文量的 50% ，說(shuō)明神經(jīng)網(wǎng)絡(luò)模型研究領(lǐng)域的核心研究群體尚未成型，如表1所示。

表1神經(jīng)網(wǎng)絡(luò)模型領(lǐng)域前8位作者

CiteSpace軟件對(duì)神經(jīng)網(wǎng)絡(luò)模型研究領(lǐng)域發(fā)文作者進(jìn)行計(jì)算和分析，得到神經(jīng)網(wǎng)絡(luò)模型研究作者發(fā)文合作網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)量為263，其中節(jié)點(diǎn)連線為83條，計(jì)算得出作者合作網(wǎng)絡(luò)圖譜密度為0.0024，如圖1所示，小于0.1，表明發(fā)文作者之間的合作研究比較少，發(fā)文作者各自的發(fā)文數(shù)量少，研究力量總體來(lái)看比較薄弱，核心作者群體的出現(xiàn)尚待一些時(shí)日。從圖1的節(jié)點(diǎn)來(lái)看，圖譜中大多數(shù)節(jié)點(diǎn)都是孤立存在，其中8個(gè)節(jié)點(diǎn)較大，分別是俞立平、劉毅、柯佳、李楓林、石寶峰、楊蓮、王延章、王杜娟。其中王延章與王杜娟等人構(gòu)成一組合作群簇，楊蓮與石寶峰等人構(gòu)成另一組合作群簇。圖中兩個(gè)合作簇的連線皆不密集，顯示出合作頻次較低，獨(dú)立發(fā)文的作者比較多，說(shuō)明該領(lǐng)域研究者應(yīng)進(jìn)行更多的跨學(xué)科合作研究。

圖12015—2025年神經(jīng)網(wǎng)絡(luò)模型研究作者發(fā)文合作網(wǎng)絡(luò)2.2發(fā)文機(jī)構(gòu)分析

根據(jù)CiteSpace軟件的作者發(fā)文機(jī)構(gòu)分析功能，得到網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)量為245個(gè)，連線數(shù)量為101條，網(wǎng)絡(luò)密度為0.0034的作者機(jī)構(gòu)合作網(wǎng)絡(luò)圖譜。如圖2所示，武漢大學(xué)信息管理學(xué)院發(fā)文量最多，達(dá)到10篇。南京大學(xué)信息管理學(xué)院發(fā)文數(shù)量為9篇，中國(guó)人民大學(xué)統(tǒng)計(jì)學(xué)院發(fā)文數(shù)量為7篇，中國(guó)科學(xué)院大學(xué)發(fā)文數(shù)量為6篇，上海理工大學(xué)管理學(xué)院發(fā)文數(shù)量為6篇，中南財(cái)經(jīng)政法大學(xué)統(tǒng)計(jì)與數(shù)學(xué)學(xué)院發(fā)文數(shù)量為6篇，合肥工業(yè)大學(xué)管理學(xué)院發(fā)文數(shù)量為5篇，北京體育大學(xué)運(yùn)動(dòng)人體科學(xué)學(xué)院發(fā)文數(shù)量為4篇，中國(guó)科學(xué)院文獻(xiàn)情報(bào)中心發(fā)文數(shù)量為4篇，河海大學(xué)商學(xué)院發(fā)文數(shù)量為4篇，北京信息科技大學(xué)經(jīng)濟(jì)管理學(xué)院發(fā)文數(shù)量為4篇，福州大學(xué)經(jīng)濟(jì)與管理學(xué)院發(fā)文量為4篇。華南理工大學(xué)工商管理學(xué)院、南京大學(xué)經(jīng)濟(jì)學(xué)院、西北農(nóng)林科技大學(xué)信用大數(shù)據(jù)應(yīng)用研究中心、英國(guó)薩里大學(xué)計(jì)算機(jī)系、大連理工大學(xué)管理與經(jīng)濟(jì)學(xué)部、西北農(nóng)林科技大學(xué)經(jīng)濟(jì)管理學(xué)院、中國(guó)人民大學(xué)商學(xué)院、華中師范大學(xué)信息管理學(xué)院、北京交通大學(xué)經(jīng)濟(jì)管理學(xué)院、中南財(cái)經(jīng)政法大學(xué)信息與安全工程學(xué)院、華僑大學(xué)工商管理學(xué)院發(fā)文數(shù)量均為3篇。其他單位發(fā)文數(shù)量在 1～2 篇之間?？梢钥闯錾窠?jīng)網(wǎng)絡(luò)模型領(lǐng)域的發(fā)文機(jī)構(gòu)之間的密切合作現(xiàn)象暫時(shí)還比較少，多數(shù)研究機(jī)構(gòu)尚處于各自獨(dú)立研究的狀態(tài)，尚未形成以某一機(jī)構(gòu)為中心的合作網(wǎng)絡(luò)。

3 研究熱點(diǎn)領(lǐng)域分析

3.1 關(guān)鍵詞共現(xiàn)分析

CiteSpace對(duì)研究文獻(xiàn)進(jìn)行分析，構(gòu)建了2015—2025年神經(jīng)網(wǎng)絡(luò)模型關(guān)鍵詞共現(xiàn)圖譜，該圖譜包含297個(gè)節(jié)點(diǎn)和317條連線，計(jì)算得到的密度為0.072。如圖3所示，關(guān)鍵詞“神經(jīng)網(wǎng)絡(luò)”處于核心地位，其他高頻關(guān)鍵詞包括“深度學(xué)習(xí)”“機(jī)器學(xué)習(xí)”“人工智能”“預(yù)測(cè)”“預(yù)測(cè)模型”“價(jià)值評(píng)估”“主題模型”“決策樹(shù)”“大數(shù)據(jù)”“信用評(píng)價(jià)”“因子分析”等。同時(shí)，通過(guò)高頻詞匯邊界公式來(lái)確定神經(jīng)網(wǎng)絡(luò)模型高頻關(guān)鍵詞的臨界閾值。

圖22015—2025年神經(jīng)網(wǎng)絡(luò)模型機(jī)構(gòu)合作圖譜

圖32015—2025年神經(jīng)網(wǎng)絡(luò)模型關(guān)鍵詞共現(xiàn)圖譜

式（2）中 I₁ 為關(guān)鍵詞頻次為1的數(shù)量[8]。 I₁ 通過(guò)CiteSpace分析后得出取值為240，計(jì)算得出 T 的值為21.41。將關(guān)鍵詞按頻次降序排列后，排名第21位的關(guān)鍵詞被確定為高頻關(guān)鍵詞的臨界線。那么得出降序排列的第21個(gè)關(guān)鍵詞的頻數(shù)為3。以關(guān)鍵詞頻數(shù)3作為臨界值，獲取關(guān)鍵詞頻數(shù)為3以上的21個(gè)頻次最高的關(guān)鍵詞，作為神經(jīng)網(wǎng)絡(luò)模型研究熱點(diǎn)的高頻關(guān)鍵詞，詳細(xì)結(jié)果如表2所示。

表2神經(jīng)網(wǎng)絡(luò)模型研究熱點(diǎn)高頻關(guān)鍵詞

3.2關(guān)鍵詞聚類(lèi)分析

利用CiteSpace軟件中關(guān)鍵詞聚類(lèi)分析功能，模塊度（Modularity Q ）為0.7205，高于臨界值0.3。平均輪廓系數(shù)（MeanSilhouette S ）為0.9582，高于臨界值0.5。說(shuō)明聚類(lèi)分析結(jié)果清晰、可信度高，主題內(nèi)部的關(guān)鍵詞關(guān)聯(lián)性強(qiáng)，各主題關(guān)鍵詞聚類(lèi)效果比較好。如圖4所示，聚類(lèi)得到8個(gè)聚類(lèi)主題分類(lèi)：#0神經(jīng)網(wǎng)絡(luò)、#1深度學(xué)習(xí)、#2預(yù)測(cè)模型、#3情感分類(lèi)、#4機(jī)器學(xué)習(xí)、#5預(yù)測(cè)、#6專利價(jià)值、#8認(rèn)知分層。

3.3 時(shí)間線聚類(lèi)分析

CiteSpace時(shí)間線聚類(lèi)分析可以得出關(guān)鍵詞在時(shí)間序列中的聚類(lèi)效果及演變發(fā)展進(jìn)程，也可以得出部分關(guān)鍵詞節(jié)點(diǎn)的影響力。圖5展示了神經(jīng)網(wǎng)絡(luò)模型在2015一2025年近十年的關(guān)鍵詞發(fā)展研究進(jìn)程。圖中可以看出神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、預(yù)測(cè)模型、情感分類(lèi)、預(yù)測(cè)、專利價(jià)值和認(rèn)知分層等關(guān)鍵詞在2015一2020年、2020一2025年的演進(jìn)與發(fā)展趨勢(shì)?？梢悦黠@看出，情感分類(lèi)的研究熱度在2020年以后開(kāi)始逐漸減少，而深度學(xué)習(xí)的研究熱點(diǎn)將會(huì)在較長(zhǎng)的時(shí)間內(nèi)維持一定熱度。2015一2020年間，神經(jīng)網(wǎng)絡(luò)模型在圖書(shū)訂購(gòu)、公共管理、投資基金、網(wǎng)絡(luò)輿情等多個(gè)行業(yè)內(nèi)已經(jīng)成為研究焦點(diǎn)，反映出該領(lǐng)域跨學(xué)科、多場(chǎng)景應(yīng)用的特征。

圖42015—2025年神經(jīng)網(wǎng)絡(luò)模型關(guān)鍵詞聚類(lèi)圖譜

圖52015—2025年神經(jīng)網(wǎng)絡(luò)模型時(shí)間線聚類(lèi)圖譜

4研究趨勢(shì)分析

4.1 研究熱點(diǎn)的關(guān)聯(lián)性

如圖5所示，2015—2025年人工智能、機(jī)器學(xué)習(xí)及相關(guān)領(lǐng)域研究主題的演變趨勢(shì)清晰地展示了研究熱點(diǎn)的動(dòng)態(tài)演變，反映了人工智能技術(shù)從理論探索到實(shí)際應(yīng)用的逐步發(fā)展。

神經(jīng)網(wǎng)絡(luò)模型在多個(gè)行業(yè)中的應(yīng)用逐漸成為研究的焦點(diǎn)。早期（2015年左右），研究主要集中在基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)框架（如TensorFlow）上。隨著時(shí)間推移，2020年以后研究逐漸向更多應(yīng)用領(lǐng)域擴(kuò)展，如情感分類(lèi)、預(yù)測(cè)模型、推薦系統(tǒng)、專利價(jià)值評(píng)估等。深度學(xué)習(xí)（#1）和神經(jīng)網(wǎng)絡(luò)（#0）作為核心技術(shù)，貫穿整個(gè)時(shí)間軸，且與其他主題（如情感分析、預(yù)測(cè)模型等）形成大量的關(guān)聯(lián)，這表明深度學(xué)習(xí)是推動(dòng)這些領(lǐng)域發(fā)展的關(guān)鍵技術(shù)。時(shí)間線圖譜中的節(jié)點(diǎn)連線揭示了研究熱點(diǎn)之間的內(nèi)在邏輯關(guān)系?！吧疃葘W(xué)習(xí)”與“預(yù)測(cè)模型”之間的關(guān)聯(lián)表明，深度學(xué)習(xí)技術(shù)是預(yù)測(cè)模型優(yōu)化的重要工具；“情感分類(lèi)”與“網(wǎng)絡(luò)輿情”的關(guān)聯(lián)則反映了情感分析技術(shù)在輿情監(jiān)控中的關(guān)鍵作用。

4.2研究主題的多樣性

如圖5所示，隨著時(shí)間的推移，研究主題逐漸多樣化，特別是在2020年以后，出現(xiàn)了更多與具體應(yīng)用相關(guān)的研究，例如推薦模型、財(cái)務(wù)指標(biāo)預(yù)測(cè)、鄉(xiāng)村振興等。這些應(yīng)用領(lǐng)域涵蓋了從技術(shù)層面的優(yōu)化到社會(huì)經(jīng)濟(jì)問(wèn)題的解決，表明人工智能技術(shù)的實(shí)際應(yīng)用范圍在不斷擴(kuò)大，也表明跨領(lǐng)域研究的趨勢(shì)日益明顯。“深度學(xué)習(xí)”“情感分類(lèi)”“預(yù)測(cè)模型”等領(lǐng)域是近幾年研究的重點(diǎn)。推薦模型、情感分類(lèi)等在2020年后逐漸成為熱門(mén)方向，這些領(lǐng)域的技術(shù)和需求在快速增長(zhǎng)。這一階段的研究更加注重技術(shù)的實(shí)際應(yīng)用，尤其是在金融、公共管理、網(wǎng)絡(luò)輿情等領(lǐng)域。

4.3 未來(lái)的研究方向

如圖5所示，從2023年到2025年的趨勢(shì)來(lái)看，研究逐漸向更具體、更復(fù)雜的場(chǎng)景（如財(cái)務(wù)預(yù)測(cè)、鄉(xiāng)村振興等）發(fā)展。同時(shí)，知識(shí)分層（#8）等主題的出現(xiàn)，可能預(yù)示著未來(lái)研究將更加關(guān)注知識(shí)結(jié)構(gòu)化和智能系統(tǒng)的解釋性。

5結(jié)論

利用CiteSpace軟件對(duì)來(lái)源于中國(guó)知網(wǎng)中的2015一2025年間發(fā)布的487篇CSSCI核心期刊神經(jīng)網(wǎng)絡(luò)模型研究文獻(xiàn)進(jìn)行可視化分析，得出以下結(jié)論：

1）關(guān)鍵詞聚類(lèi)和時(shí)間線分析共同揭示了神經(jīng)網(wǎng)絡(luò)模型研究從技術(shù)開(kāi)發(fā)到應(yīng)用落地的協(xié)同發(fā)展過(guò)程基礎(chǔ)技術(shù)（如神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)）為應(yīng)用研究提供了支撐，而具體應(yīng)用場(chǎng)景 （如預(yù)測(cè)模型、情感分類(lèi)）又反過(guò)來(lái)推動(dòng)了技術(shù)的改進(jìn)。

神經(jīng)網(wǎng)絡(luò)模型研究在2015一2025年間經(jīng)歷了從基礎(chǔ)理論到多領(lǐng)域應(yīng)用的演變過(guò)程。早期研究集中于神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)框架（如TensorFlow），而后逐漸擴(kuò)展至情感分類(lèi)、預(yù)測(cè)模型、推薦系統(tǒng)、專利價(jià)值評(píng)估等具體應(yīng)用領(lǐng)域。

深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)作為核心技術(shù)貫穿始終，推動(dòng)了相關(guān)領(lǐng)域的發(fā)展，并與其他主題形成了密切關(guān)聯(lián)。

2）作者合作網(wǎng)絡(luò)和機(jī)構(gòu)合作網(wǎng)絡(luò)的密度較低，說(shuō)明研究者之間的合作不夠緊密，核心研究群體尚未完全形成。核心作者發(fā)文量較少，且合作頻次不高，導(dǎo)致研究力量相對(duì)分散。

3）關(guān)鍵詞聚類(lèi)分析顯示了8個(gè)主要研究主題，包括神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、預(yù)測(cè)模型、情感分類(lèi)、機(jī)器學(xué)習(xí)、專利價(jià)值評(píng)估等。時(shí)間線分析揭示了研究熱點(diǎn)的演變過(guò)程，表明神經(jīng)網(wǎng)絡(luò)模型在多個(gè)行業(yè)（如圖書(shū)訂購(gòu)、公共管理、投資基金、網(wǎng)絡(luò)輿情等）中具有跨學(xué)科應(yīng)用特征。關(guān)鍵詞聚類(lèi)中的“認(rèn)知分層”以及時(shí)間線分析中的跨行業(yè)應(yīng)用表明，未來(lái)研究將更加注重跨學(xué)科融合和復(fù)雜場(chǎng)景的智能化解決方案。這些應(yīng)用場(chǎng)景的多樣性表明，神經(jīng)網(wǎng)絡(luò)模型的研究已經(jīng)從單一技術(shù)開(kāi)發(fā)轉(zhuǎn)向多領(lǐng)域的跨學(xué)科融合。

目前神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為比較成熟的人工智能技術(shù)，并且已經(jīng)在各個(gè)不同行業(yè)中大放異彩。未來(lái)神經(jīng)網(wǎng)絡(luò)模型研究可能更加關(guān)注復(fù)雜決策場(chǎng)景和認(rèn)知分層。多行業(yè)跨學(xué)科的融合將隨著技術(shù)的成熟愈發(fā)凸顯，如金融預(yù)測(cè)、醫(yī)學(xué)影像、輿情分析等。而應(yīng)用行業(yè)的成熟知識(shí)庫(kù)，也將成為推動(dòng)人工智能技術(shù)創(chuàng)新與發(fā)展的關(guān)鍵。

參考文獻(xiàn)：

[1]任青陽(yáng)，王彥丁，施儉.卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法研究進(jìn)展[J].科學(xué)技術(shù)與工程，2024，24（32）：13665-13677.

[2]楊璐，樊同科.基于遞歸神經(jīng)網(wǎng)絡(luò)的英譯漢機(jī)器翻譯模型設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)測(cè)量與控制，2021，29（11）：142-147.

[3]董鎧.基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的商品評(píng)論情感分析算法研究[D].蘭州：蘭州理工大學(xué)，2021.

[4]鞏固.基于Transformer的生成式對(duì)話系統(tǒng)[D].成都：電子科技大學(xué)，2021.

[5]劉華玲，馬俊，張國(guó)祥.基于深度學(xué)習(xí)的內(nèi)容推薦算法研究綜述[J].計(jì)算機(jī)工程，2021，47（7）：1-12.

[6]劉滄萍.基于LSTM-GRU網(wǎng)絡(luò)模型的上證指數(shù)收盤(pán)價(jià)預(yù)測(cè)[D].武漢：華中師范大學(xué)，2022.

[7]賈維辰，李文光，余明媚.中文期刊知識(shí)圖譜研究范式的優(yōu)化[J].中國(guó)遠(yuǎn)程教育，2020（11）： 1-10+76

[8]劉文釗，馬杰，劉東賢.基于CiteSpace的近十年科研誠(chéng)信研究現(xiàn)狀與熱點(diǎn)分析[J].現(xiàn)代信息科技，2023，7（6）：132-134+138.

[9]翟江，劉曉莉.基于CiteSpace的圖書(shū)館資源建設(shè)研究可視化分析[J].現(xiàn)代信息科技，2023，7（6）：128-131.

[10]汪普慶，張仁義，別曉薇.我國(guó)預(yù)制菜研究熱點(diǎn)、現(xiàn)狀與展望——基于CiteSpace的可視化分析[J].糧油食品科技，2024，32（6）：249-258.

作者簡(jiǎn)介：呂露（1987一），女，漢族，湖北武漢人，講師，碩士，研究方向：人工智能、信息計(jì)量學(xué)。