商品详情
书名：基于多重共现的知识发现方法
定价：80.0
ISBN：9787030529435
作者：庞弘燊
版次：1
出版时间：2017-06
内容提要：
通过分析共现现象可以从多个角度解释、挖掘隐含在论文中的各类信息, 揭示论文与论文之间的内容关联和逻辑关联。但是, 目前对共现现象的研究主要从两个特征项共现展开, 本书基于多重共现的知识发现方法的研究致力于将三个或三个以上特征项共现的现象作为研究主体, 在总结现有的共现研究方法、数据挖掘技术、可视化技术、知识发现方法的基础上, 拓展共现现象的研究范围。本书界定了多重共现的概念, 构建了一套多重共现的基础理论体系, 研究了可用于多重共现的可视化方式, 设计并开发了三重共现的可视化分析工具, 并进一步构建了基于多重共现的知识发现方法的分析体系, 包括共现关联强度、被引关联强度、共现突发强度三个方面, *后通过实证研究验证了该套方法体系的分析效果及其可应用的研究范畴。
目录：
目录
前言
第1章 绪论 1
1.1 研究背景 1
1.2 国内外相关研究领域的发展现状与趋势 2
1.2.1 知识发现的理论与实践研究 2
1.2.2 共现的相关研究 2
1.3 研究问题的提出 9
1.4 研究目标与研究意义 10
1.5 研究思路与框架 11
1.6 研究方法 12
1.7 本书组织结构 13
第2章 多重共现的基础理论研究 15
2.1 相关概念内涵 15
2.1.1 共现的分析范畴 15
2.1.2 多重共现的定义与研究范畴 16
2.2 多重共现特征项的变量符号 17
2.3 多重共现的矩阵定义与数据组织形式 19
2.4 多重共现的延展系数 23
2.5 小结 25
第3章 多重共现的可视化方法研究 26
3.1 可视化概念简介 26
3.2 知识图谱的可视化软件工具简介 28
3.3 可应用于多重共现的可视化方式研究 33
3.3.1 多重共现的社会网络可视化方式 33
3.3.2 多重共现的交叉图技术可视化方式 38
3.3.3 多重共现的可视化方式对比研究 43
3.4 小结 43
第4章 多重共现知识发现方法的理论研究 45
4.1 知识发现的概念、模式及一般过程 45
4.1.1 数据、信息与知识的定义 45
4.1.2 知识发现的概念 46
4.1.3 知识发现的模式 47
4.1.4 知识发现的一般过程 48
4.2 多重共现的知识发现方法体系设计 51
4.2.1 共现关联强度的分析方法设计 52
4.2.2 被引关联强度的分析方法设计 59
4.2.3 共现突发强度的分析方法设计 65
4.2.4 多重共现的知识发现方法与一般共现分析效果对比 70
4.3 多重共现知识发现可视化分析工具的设计与开发 71
4.3.1 MOVT数据处理及可视化绘图流程 72
4.3.2 MOVT模块构成 73
4.3.3 MOVT与DIVA对比 74
4.4 小结 74
第5章 三重共现知识发现方法的实证研究 76
5.1 共现关联强度的实证分析 76
5.1.1 研究领域的分析一 76
5.1.2 研究领域的分析二 82
5.1.3 研究机构的分析 86
5.1.4 机构间的对比分析 95
5.1.5 研究学者的分析 102
5.2 被引关联强度的实证分析 105
5.2.1 分析模型 105
5.2.2 数据来源 106
5.2.3 样例分析 107
5.2.4 分析效果 109
5.3 共现突发强度的实证分析 110
5.3.1 分析模型 110
5.3.2 数据来源 112
5.3.3 样例分析 112
5.3.4 分析效果 113
5.4 各方法联立的实证分析 114
5.5 小结 115
第6章 总结与展望 117
6.1 研究总结 117
6.1.1 相关理论的研究 117
6.1.2 多重共现基础理论体系的构建 117
6.1.3 多重共现的可视化方法研究 119
6.1.4 多重共现知识发现方法的理论研究 120
6.1.5 三重共现知识发现方法的实证研究 121
6.2 研究的创新之处 122
6.3 研究展望 122
参考文献 128
在线试读：
第1章 绪论
科技发展日新月异, 在信息迅速膨胀与高度开放的今天, 随着科学知识的普及、科学思想的传播、科学理论的研究、科学成果的应用和推广等, 信息源越来越庞大。在激增的信息当中, 包含着许多科学活动规律的重要知识。
1.1 研究背景
文献计量学者很早就注意到论文共现(co-occurrence and occurrence) 现象, 通过分析共现现象可以从多个角度解释、挖掘隐含在论文中的各类信息, 揭示论文与论文之间的内容关联和逻辑关联。由于共现现象可以转换为形式化的表述方式(如共现矩阵)加以定量测度, 尤其是在计算机技术的辅助下, 共现分析以其方法的简明性和分析结果的可靠性, 成为支撑信息内容分析研究过程的重要手段和工具, 受到研究者的关注并得到了大量理论探讨与应用研究。
在学术期刊上公开发表的论文, 都有着比较严格的著录规范, 包括正文以及一系列对论文相关信息进行描述的特征项。因此, 期刊论文作为科学知识、科研成果的有形载体, 除了直接反映成果的研究内容, 还蕴藏着大量表征科学活动基本性状的信息。例如, 题名是对论文主题的扼要表达; 关键词是反映论文主题的学术词汇; 摘要是对论文内容的高度概括; 而其他特征项如作者、机构、引文、发表期刊、出版年份等则是对论文外部特征全方面、多角度的补充。
这些在学术期刊上单独成篇发表的论文数据看似孤立, 实则有着千丝万缕的关联。每一篇论文都由若干个特征项(entities) 组成, 包括关键词、作者、机构、发表期刊等[1] 。这些特征项结合在一起构成了一篇论文的重要特征, 也是论文之间相互区别的重要特质。在文献计量研究中, 通常用分析特征项之间关联的方法探索论文的关联, 进而映射科学领域在不同方面的关联结构, 揭示科学活动的发展规律。
而要实现对海量论文数据的量化分析, 就必须对文献数据进行特征提炼, 抽取可以定量分析的结构化数据。揭示某种特征项内部的关联结构是目前大部分可视化技术所能实现的, 并在科学计量研究中被广泛应用, 如聚类分析和多维尺度分析等。这些可视化技术揭示的是一种特征项之间的关系, 如关键词共现、作者合作、文献共被引等, 然而, 这些关系揭示的信息存在一定的局限性。
众所周知, 作为反映科学论文特征的不同特征项之间, 也存在千丝万缕的联系。例如, 施引论文与被引论文两种不同特征项之间的相互引用关系, 作者与关键词之间的使用关系, 论文与论文作者之间的隶属关系等。到目前为止, 许多研究者已经对论文中特征项之间的联系进行了多方面的研究[2-25] 。
1.2 国内外相关研究领域的发展现状与趋势
1.2.1 知识发现的理论与实践研究
知识发现又称数据库中的知识发现(knowledge discovery in database, KDD), 是指从大量数据集合中识别出有效的、新颖的、潜在有用的以及*终可理解模式的高级处理过程, 数据挖掘(data mining) 是知识发现过程中的一个主要步骤[26] 。目前国际上知识发现的研究方向主要以知识发现的任务描述、知识评价与知识表示为主线, 以有效的知识发现算法为中心, 以知识发现模型为重点, 研究知识发现自身的运行机制和内在机理及其在各领域中的实际应用。
知识发现的基本任务包括[27]数据分类、数据聚类、衰退和预报、关联和相关性、顺序发现、描述和辨别、时间序列分析等。知识发现的过程如图1-1所示, 可以概括为三部曲, 即数据准备(数据筛选、数据预处理、数据变换)、数据挖掘以及结果的解释评价。
目前国内外基于数据库本身的知识发现研究, 除了借鉴数据库知识发现的理论, 主要是运用聚类分析、神经网络方法、决策树方法、粗糙集技术、遗传算法、关联规则挖掘等数据挖掘算法分析发现数据集中数据之间的关联关系。
1.2.2 共现的相关研究
1. 共现的基本理论研究
目前国内外已有很多关于各种类型共现现象的研究, 包括相同类型特征项的共现研究(co-occurrence)和不同类型特征项的共现研究(occurrence)。相同类型特征项的共现包括论文共现、关键词共现、作者共现等, 其中研究*早、影响*大的是论文共现。不同类型特征项的共现包括作者文献耦合、作者关键词耦合等。以下是目前各种共现类型的研究现状。
图1-1 知识发现的过程
1) 文献耦合(bibliographic coupling)
文献耦合是指文献通过参考文献进行的耦合。具体地, 就是当两篇文献共同引用了一篇或多篇文献时, 这两篇文献之间的关系就称为文献耦合。耦合的强度取决于共同参考文献(被引文献)的数量。Fano 在1956 年注意到这种现象, 首次提出文献耦合的概念和思路, 但之后并没有引起人们广泛的关注[2]。1963 年, Kessler 在对Physical Review 期刊进行研究时注意到越是学科专业内容相近的论文, 它们参考文献中的相同文献的数量就越多, 于是他把两篇(或多篇)同时引用一篇论文的论文称为耦合论文, 并把它们之间的这种关系称为文献耦合, 相同参考文献的数量即耦合强度[3] 。两篇文献的耦合强度越高, 说明这两篇文献之间的研究主题越相似。在美国科学情报研究所(ISI) 的Web of Science 数据库中, 就是通过文献耦合为用户提供相关文献的信息。但是文献耦合的分析方法有一定的制约性, 因为对于选定的论文数据, 耦合关系不会随着时间流逝而发生改变, 而是保持固定的, 从这个意义上讲, 耦合分析的结论是静态的。
2) 共被引(co-citation)
共被引是目前广受关注、研究成果*多的共现研究, 包括文献共被引、作者共被引、期刊共被引等。
(1) 文献共被引分析(document co-citation analysis, DCA) 。文献共被引, 又称文献共引, 是指两篇文献同时被后来的其他文献所引用。具有共被引关系的文献之间借共被引强度体现彼此之间的关联度和内容的相似性, 其实质是将一组具有共被引关系的文献作为分析对象, 综合利用数学、统计学和逻辑分析方法, 把对象之间错综复杂的共被引关系量化、抽象并简单表达的过程[4]。1973 年, 美国情报学家 Small 在对“粒子物理学专业”进行知识结构描述时, 发现两篇论文被相同文献引用的强度可以用来测度其内容相似程度, 在此基础上创造性地提出了共被引的概念[5] 。文献共被引分析方法经过40 多年的演进, 以Small 等为代表的研究者从引文数据的选择、共被引矩阵的标准化处理, 到不同层次及等级聚类方法的改进、可视化方法的引入等方面进行了大量的研究, 使得文献共被引分析的理论和技术日臻完善。而近年来, 利用共被引聚类来挖掘科学的热点领域、前沿领域以及发展领域正成为研究的焦点。
(2) 作者共被引分析(author co-citation analysis, ACA) 。作者共被引, 又称作者共引, 是在文献共被引的基础上提出的, ACA 假定两位作者的文章若被后来的文献同时引用, 那么表明这两位作者之间有联系, 同时被引用的次数越多, 就说明他们之间关系越紧密。ACA 起源于美国的Drexel 大学, 在1981 年该校的White和Griffith合作发表的“Author co-citation: A literature measure of intellectual structure” 一文开创了ACA的先河, 文章对39位信息科学作者进行了共被引分析, 划分出了情报学五大体系的核心作者, 为之后的 ACA研究提供了良好的范例[6] 。1990年, McCain[7]将ACA的分析步骤归纳为选择作者、检索共被引频次、生成共被引矩阵、转化为Pearson 相关系数矩阵、多元统计分析、解释结果及效度分析六个步骤, 人们将其称为ACA传统法模式或Drexel模式。现在, 作者共被引分析已成为一种高效和多产的分析方法, 不仅可以用来揭示科学结构的发展现状乃至变化情况, 还可以用来进行前沿分析、领域分析、科研评价等。但是目前对于ACA的相关分析方法还有待优化, 如在 Pearson 相关系数的适应性、对角线值的确定、矩阵的标准化等问题上还存有争议[8]。
(3) 期刊共被引分析(journal co-citation analysis, JCA) 。期刊共被引, 又称期刊共引, 是指以期刊为基本单元而建立的共被引关系。具体来说, 就是n 种(n≥2)期刊的论文被其他期刊同时引用, 称这n种期刊具有共被引关系。其共被引程度以引用它们的期刊种数(或次数)来衡量, 这个测度称为期刊共被引强度或频次。期刊共被引分析把数量众多的期刊按被引证关系联系起来, 从而从利用的角度揭示了各学科期刊之间的相互关系和结构特征[9] 。1991年, 美国得克萨斯大学的McCain将文献共被引、作者共被引的思路和技术应用到期刊共现研究上, 对经济学领域期刊进行共被引分析, 以此为例考察在期刊水平上得出的聚合情况[10]; 1998年和2000年McCain和Ding等分别对神经网络领域、信息检索领域主流期刊进行了多维尺度(MDS)分析, 考察了在不同时间段期刊的交流结构, 通过透视期刊共被引结构来发现学科研究的变迁[11,12] 。期刊共被引分析也可以用于挑选与评价期刊, 运用社会网络分析方法如MDS分析来发现处于被引中心圈的期刊, 即核心期刊[13] 。
3) 共篇(co-text)
共篇分析属于论文共现研究。2002 年, 中国学者崔雷和郑华川注意到论文之间基于相同关键词会产生关联, 提出了“共篇”的概念, 认为两篇论文共同出现相同关键词的数量越多, 则两篇论文的内容相关性越强; 并通过对胃癌前病变的研究现状和热点进行了探索, 比较了共被引分析与共篇分析结果, 发现两者的聚类分析的结论大致相同[14]。
4) 共词(co-word、co-term)
共词分析方法属于内容分析方法的一种, 其原理主要是对一组词两两统计它们在同一篇文献中出现的次数, 对这些词进行聚类分析, 进而分析这些词所代表的学科和主题的结构变化。共词分析的思路*初是在20世纪70年代由法国文献计量学家提出的。1986年, 法国国家科研中心(CNRS)的Callon等出版了Mapping the Dynamics of Science and Technology一书, 当时被称为“LEXIMAPPE”[15]。由于在结果分析方面关键词具有得天独厚的直接性, 很快引起了研究者的高度关注。共词分析方法发展至今, 主要经历了三个阶段, 即第*代基于包容指数和临近指数的共词分析方法, 第二代基于战略坐标的共词分析方法以及新一代基于数据库内容结构分析的共词分析方法[16] 。
经过30 多年的发展, 共词分析方法从原理到使用都有了大幅度改进。利用共词分析方法基本原理可以概述研究领域的研究热点, 横向和纵向分析领域学科的发展过程、特点以及领域或学科之间的关系, 反映某个专业的科学研究水平及其发展历史的动态和静态结构, 以及基础研究和技术研究之间的关系等。但是这种方法也存在着一些弊端, 例如, 共词分析对于词的选择非常敏感, 作者取词的习惯、未经规范的关键词在表征论文内容的完整性等都会造成结论的模糊、晦涩。此外, 还有些研究对共词结论的可解释性提出质疑, 认为其具有随意性较大和存在不确定性的缺陷, 因而关于这一研究仍需不断地完善和改进[17,18] 。
5) 作者合作(co-authorship)及国家、机构合作
在全球化趋势日益明显的今天, 科研人员相互之间进行科研合作是非常普遍的现象, 很多一流的研究成果需要通过不同科研人员的紧密协作完成。在文献计量研究中, 作者共同署名即作者合作而在论文中产生不同作者姓名的共现, 成为对合作研究定量测度的指标, 类似地, 机构名称共现、国家共现也是科学合作在不同层次和规模水平上的表现形式。科学计量学之父普赖斯是*早关注并对作者合作进行计量研究的学者, 他在20世纪60年代初的研究表明, 从20 世纪开始, 多作者合著论文一直呈快速增长的趋势[19]。美国的Beaver 等在1978 年对作者共现从社会学和历史学的角度进行了分析[20]。在近 40年的研究中, 学者们研究了不同国家、机构、学科之间、学科内部等作者合作的影响和规律[21] 。此外, 在研究机构合作方面, 美国学者B.rner等对机构合作数据处理技术进行了研究[22] 。2006年, 杨立英等分析了化学领域国际Top20机构合作的规律, 在分析化学领域机构合作规律的基础上, 通过比较研究内容相似但合作较少的机构, 提出了可以作为发现潜在合作机构的依据[23] 。
6) 作者文献耦合分析(author bibliographic-coupling analysis, ABCA)
作者文献耦合分析是将文献耦合的方法扩展到作者层次, 通过作者所有作品中参考文献的耦合强度来建立作者之间的关系。Zhao等[24]在2008年提出了作者文献耦合分析, 描述活跃作者自身的研究活动以便获得研究领域内更加真实的情况。作者文献耦合将文献耦合扩展到作者单元, 可以反映当前的研究活动结构及其随时间的变化, 不仅包括第*作者, 而且也包括其他作者。通过对该方法进行实证研究，发现这种方法与作者共被引分析所揭示的知识结构是相互补充的, 两种方法的结合可以更加全面地了解领域的知识结构。
7) 作者关键词耦合分析(author keywords coupling analysis, AKCA)
利用关键词的耦合强度分析作者之间关系的方法称为作者关键词耦合分析。同ABCA 一样, 从本质上讲, AKCA也是一种耦合方法的扩展应用, 而且这个名称也能很好地说明研究的层次(作者)以及所利用方法的本质(关键词耦合)。刘志辉等[25] 在2010年提出作者关键词耦合分析方法, 该方法利用作者作品的关键词耦合强度建立作者之间的关系, 进而以这种关系生成的邻接矩阵为基础进行分析。他们认为, AKCA的首要问题是如何计算两位作者之间的相似度(S), 并将作者之间关系的强度(即相似度S)定义为在所研究的时间段内, 作者所发表论文的关键词的耦合强度, 即两位作者拥有相同关键词的数量; 并通过对科学计量学研究现状的分析对该方法进行了实证研究。
定价：80.0
ISBN：9787030529435
作者：庞弘燊
版次：1
出版时间：2017-06
内容提要：
通过分析共现现象可以从多个角度解释、挖掘隐含在论文中的各类信息, 揭示论文与论文之间的内容关联和逻辑关联。但是, 目前对共现现象的研究主要从两个特征项共现展开, 本书基于多重共现的知识发现方法的研究致力于将三个或三个以上特征项共现的现象作为研究主体, 在总结现有的共现研究方法、数据挖掘技术、可视化技术、知识发现方法的基础上, 拓展共现现象的研究范围。本书界定了多重共现的概念, 构建了一套多重共现的基础理论体系, 研究了可用于多重共现的可视化方式, 设计并开发了三重共现的可视化分析工具, 并进一步构建了基于多重共现的知识发现方法的分析体系, 包括共现关联强度、被引关联强度、共现突发强度三个方面, *后通过实证研究验证了该套方法体系的分析效果及其可应用的研究范畴。
目录：
目录
前言
第1章 绪论 1
1.1 研究背景 1
1.2 国内外相关研究领域的发展现状与趋势 2
1.2.1 知识发现的理论与实践研究 2
1.2.2 共现的相关研究 2
1.3 研究问题的提出 9
1.4 研究目标与研究意义 10
1.5 研究思路与框架 11
1.6 研究方法 12
1.7 本书组织结构 13
第2章 多重共现的基础理论研究 15
2.1 相关概念内涵 15
2.1.1 共现的分析范畴 15
2.1.2 多重共现的定义与研究范畴 16
2.2 多重共现特征项的变量符号 17
2.3 多重共现的矩阵定义与数据组织形式 19
2.4 多重共现的延展系数 23
2.5 小结 25
第3章 多重共现的可视化方法研究 26
3.1 可视化概念简介 26
3.2 知识图谱的可视化软件工具简介 28
3.3 可应用于多重共现的可视化方式研究 33
3.3.1 多重共现的社会网络可视化方式 33
3.3.2 多重共现的交叉图技术可视化方式 38
3.3.3 多重共现的可视化方式对比研究 43
3.4 小结 43
第4章 多重共现知识发现方法的理论研究 45
4.1 知识发现的概念、模式及一般过程 45
4.1.1 数据、信息与知识的定义 45
4.1.2 知识发现的概念 46
4.1.3 知识发现的模式 47
4.1.4 知识发现的一般过程 48
4.2 多重共现的知识发现方法体系设计 51
4.2.1 共现关联强度的分析方法设计 52
4.2.2 被引关联强度的分析方法设计 59
4.2.3 共现突发强度的分析方法设计 65
4.2.4 多重共现的知识发现方法与一般共现分析效果对比 70
4.3 多重共现知识发现可视化分析工具的设计与开发 71
4.3.1 MOVT数据处理及可视化绘图流程 72
4.3.2 MOVT模块构成 73
4.3.3 MOVT与DIVA对比 74
4.4 小结 74
第5章 三重共现知识发现方法的实证研究 76
5.1 共现关联强度的实证分析 76
5.1.1 研究领域的分析一 76
5.1.2 研究领域的分析二 82
5.1.3 研究机构的分析 86
5.1.4 机构间的对比分析 95
5.1.5 研究学者的分析 102
5.2 被引关联强度的实证分析 105
5.2.1 分析模型 105
5.2.2 数据来源 106
5.2.3 样例分析 107
5.2.4 分析效果 109
5.3 共现突发强度的实证分析 110
5.3.1 分析模型 110
5.3.2 数据来源 112
5.3.3 样例分析 112
5.3.4 分析效果 113
5.4 各方法联立的实证分析 114
5.5 小结 115
第6章 总结与展望 117
6.1 研究总结 117
6.1.1 相关理论的研究 117
6.1.2 多重共现基础理论体系的构建 117
6.1.3 多重共现的可视化方法研究 119
6.1.4 多重共现知识发现方法的理论研究 120
6.1.5 三重共现知识发现方法的实证研究 121
6.2 研究的创新之处 122
6.3 研究展望 122
参考文献 128
在线试读：
第1章 绪论
科技发展日新月异, 在信息迅速膨胀与高度开放的今天, 随着科学知识的普及、科学思想的传播、科学理论的研究、科学成果的应用和推广等, 信息源越来越庞大。在激增的信息当中, 包含着许多科学活动规律的重要知识。
1.1 研究背景
文献计量学者很早就注意到论文共现(co-occurrence and occurrence) 现象, 通过分析共现现象可以从多个角度解释、挖掘隐含在论文中的各类信息, 揭示论文与论文之间的内容关联和逻辑关联。由于共现现象可以转换为形式化的表述方式(如共现矩阵)加以定量测度, 尤其是在计算机技术的辅助下, 共现分析以其方法的简明性和分析结果的可靠性, 成为支撑信息内容分析研究过程的重要手段和工具, 受到研究者的关注并得到了大量理论探讨与应用研究。
在学术期刊上公开发表的论文, 都有着比较严格的著录规范, 包括正文以及一系列对论文相关信息进行描述的特征项。因此, 期刊论文作为科学知识、科研成果的有形载体, 除了直接反映成果的研究内容, 还蕴藏着大量表征科学活动基本性状的信息。例如, 题名是对论文主题的扼要表达; 关键词是反映论文主题的学术词汇; 摘要是对论文内容的高度概括; 而其他特征项如作者、机构、引文、发表期刊、出版年份等则是对论文外部特征全方面、多角度的补充。
这些在学术期刊上单独成篇发表的论文数据看似孤立, 实则有着千丝万缕的关联。每一篇论文都由若干个特征项(entities) 组成, 包括关键词、作者、机构、发表期刊等[1] 。这些特征项结合在一起构成了一篇论文的重要特征, 也是论文之间相互区别的重要特质。在文献计量研究中, 通常用分析特征项之间关联的方法探索论文的关联, 进而映射科学领域在不同方面的关联结构, 揭示科学活动的发展规律。
而要实现对海量论文数据的量化分析, 就必须对文献数据进行特征提炼, 抽取可以定量分析的结构化数据。揭示某种特征项内部的关联结构是目前大部分可视化技术所能实现的, 并在科学计量研究中被广泛应用, 如聚类分析和多维尺度分析等。这些可视化技术揭示的是一种特征项之间的关系, 如关键词共现、作者合作、文献共被引等, 然而, 这些关系揭示的信息存在一定的局限性。
众所周知, 作为反映科学论文特征的不同特征项之间, 也存在千丝万缕的联系。例如, 施引论文与被引论文两种不同特征项之间的相互引用关系, 作者与关键词之间的使用关系, 论文与论文作者之间的隶属关系等。到目前为止, 许多研究者已经对论文中特征项之间的联系进行了多方面的研究[2-25] 。
1.2 国内外相关研究领域的发展现状与趋势
1.2.1 知识发现的理论与实践研究
知识发现又称数据库中的知识发现(knowledge discovery in database, KDD), 是指从大量数据集合中识别出有效的、新颖的、潜在有用的以及*终可理解模式的高级处理过程, 数据挖掘(data mining) 是知识发现过程中的一个主要步骤[26] 。目前国际上知识发现的研究方向主要以知识发现的任务描述、知识评价与知识表示为主线, 以有效的知识发现算法为中心, 以知识发现模型为重点, 研究知识发现自身的运行机制和内在机理及其在各领域中的实际应用。
知识发现的基本任务包括[27]数据分类、数据聚类、衰退和预报、关联和相关性、顺序发现、描述和辨别、时间序列分析等。知识发现的过程如图1-1所示, 可以概括为三部曲, 即数据准备(数据筛选、数据预处理、数据变换)、数据挖掘以及结果的解释评价。
目前国内外基于数据库本身的知识发现研究, 除了借鉴数据库知识发现的理论, 主要是运用聚类分析、神经网络方法、决策树方法、粗糙集技术、遗传算法、关联规则挖掘等数据挖掘算法分析发现数据集中数据之间的关联关系。
1.2.2 共现的相关研究
1. 共现的基本理论研究
目前国内外已有很多关于各种类型共现现象的研究, 包括相同类型特征项的共现研究(co-occurrence)和不同类型特征项的共现研究(occurrence)。相同类型特征项的共现包括论文共现、关键词共现、作者共现等, 其中研究*早、影响*大的是论文共现。不同类型特征项的共现包括作者文献耦合、作者关键词耦合等。以下是目前各种共现类型的研究现状。
图1-1 知识发现的过程
1) 文献耦合(bibliographic coupling)
文献耦合是指文献通过参考文献进行的耦合。具体地, 就是当两篇文献共同引用了一篇或多篇文献时, 这两篇文献之间的关系就称为文献耦合。耦合的强度取决于共同参考文献(被引文献)的数量。Fano 在1956 年注意到这种现象, 首次提出文献耦合的概念和思路, 但之后并没有引起人们广泛的关注[2]。1963 年, Kessler 在对Physical Review 期刊进行研究时注意到越是学科专业内容相近的论文, 它们参考文献中的相同文献的数量就越多, 于是他把两篇(或多篇)同时引用一篇论文的论文称为耦合论文, 并把它们之间的这种关系称为文献耦合, 相同参考文献的数量即耦合强度[3] 。两篇文献的耦合强度越高, 说明这两篇文献之间的研究主题越相似。在美国科学情报研究所(ISI) 的Web of Science 数据库中, 就是通过文献耦合为用户提供相关文献的信息。但是文献耦合的分析方法有一定的制约性, 因为对于选定的论文数据, 耦合关系不会随着时间流逝而发生改变, 而是保持固定的, 从这个意义上讲, 耦合分析的结论是静态的。
2) 共被引(co-citation)
共被引是目前广受关注、研究成果*多的共现研究, 包括文献共被引、作者共被引、期刊共被引等。
(1) 文献共被引分析(document co-citation analysis, DCA) 。文献共被引, 又称文献共引, 是指两篇文献同时被后来的其他文献所引用。具有共被引关系的文献之间借共被引强度体现彼此之间的关联度和内容的相似性, 其实质是将一组具有共被引关系的文献作为分析对象, 综合利用数学、统计学和逻辑分析方法, 把对象之间错综复杂的共被引关系量化、抽象并简单表达的过程[4]。1973 年, 美国情报学家 Small 在对“粒子物理学专业”进行知识结构描述时, 发现两篇论文被相同文献引用的强度可以用来测度其内容相似程度, 在此基础上创造性地提出了共被引的概念[5] 。文献共被引分析方法经过40 多年的演进, 以Small 等为代表的研究者从引文数据的选择、共被引矩阵的标准化处理, 到不同层次及等级聚类方法的改进、可视化方法的引入等方面进行了大量的研究, 使得文献共被引分析的理论和技术日臻完善。而近年来, 利用共被引聚类来挖掘科学的热点领域、前沿领域以及发展领域正成为研究的焦点。
(2) 作者共被引分析(author co-citation analysis, ACA) 。作者共被引, 又称作者共引, 是在文献共被引的基础上提出的, ACA 假定两位作者的文章若被后来的文献同时引用, 那么表明这两位作者之间有联系, 同时被引用的次数越多, 就说明他们之间关系越紧密。ACA 起源于美国的Drexel 大学, 在1981 年该校的White和Griffith合作发表的“Author co-citation: A literature measure of intellectual structure” 一文开创了ACA的先河, 文章对39位信息科学作者进行了共被引分析, 划分出了情报学五大体系的核心作者, 为之后的 ACA研究提供了良好的范例[6] 。1990年, McCain[7]将ACA的分析步骤归纳为选择作者、检索共被引频次、生成共被引矩阵、转化为Pearson 相关系数矩阵、多元统计分析、解释结果及效度分析六个步骤, 人们将其称为ACA传统法模式或Drexel模式。现在, 作者共被引分析已成为一种高效和多产的分析方法, 不仅可以用来揭示科学结构的发展现状乃至变化情况, 还可以用来进行前沿分析、领域分析、科研评价等。但是目前对于ACA的相关分析方法还有待优化, 如在 Pearson 相关系数的适应性、对角线值的确定、矩阵的标准化等问题上还存有争议[8]。
(3) 期刊共被引分析(journal co-citation analysis, JCA) 。期刊共被引, 又称期刊共引, 是指以期刊为基本单元而建立的共被引关系。具体来说, 就是n 种(n≥2)期刊的论文被其他期刊同时引用, 称这n种期刊具有共被引关系。其共被引程度以引用它们的期刊种数(或次数)来衡量, 这个测度称为期刊共被引强度或频次。期刊共被引分析把数量众多的期刊按被引证关系联系起来, 从而从利用的角度揭示了各学科期刊之间的相互关系和结构特征[9] 。1991年, 美国得克萨斯大学的McCain将文献共被引、作者共被引的思路和技术应用到期刊共现研究上, 对经济学领域期刊进行共被引分析, 以此为例考察在期刊水平上得出的聚合情况[10]; 1998年和2000年McCain和Ding等分别对神经网络领域、信息检索领域主流期刊进行了多维尺度(MDS)分析, 考察了在不同时间段期刊的交流结构, 通过透视期刊共被引结构来发现学科研究的变迁[11,12] 。期刊共被引分析也可以用于挑选与评价期刊, 运用社会网络分析方法如MDS分析来发现处于被引中心圈的期刊, 即核心期刊[13] 。
3) 共篇(co-text)
共篇分析属于论文共现研究。2002 年, 中国学者崔雷和郑华川注意到论文之间基于相同关键词会产生关联, 提出了“共篇”的概念, 认为两篇论文共同出现相同关键词的数量越多, 则两篇论文的内容相关性越强; 并通过对胃癌前病变的研究现状和热点进行了探索, 比较了共被引分析与共篇分析结果, 发现两者的聚类分析的结论大致相同[14]。
4) 共词(co-word、co-term)
共词分析方法属于内容分析方法的一种, 其原理主要是对一组词两两统计它们在同一篇文献中出现的次数, 对这些词进行聚类分析, 进而分析这些词所代表的学科和主题的结构变化。共词分析的思路*初是在20世纪70年代由法国文献计量学家提出的。1986年, 法国国家科研中心(CNRS)的Callon等出版了Mapping the Dynamics of Science and Technology一书, 当时被称为“LEXIMAPPE”[15]。由于在结果分析方面关键词具有得天独厚的直接性, 很快引起了研究者的高度关注。共词分析方法发展至今, 主要经历了三个阶段, 即第*代基于包容指数和临近指数的共词分析方法, 第二代基于战略坐标的共词分析方法以及新一代基于数据库内容结构分析的共词分析方法[16] 。
经过30 多年的发展, 共词分析方法从原理到使用都有了大幅度改进。利用共词分析方法基本原理可以概述研究领域的研究热点, 横向和纵向分析领域学科的发展过程、特点以及领域或学科之间的关系, 反映某个专业的科学研究水平及其发展历史的动态和静态结构, 以及基础研究和技术研究之间的关系等。但是这种方法也存在着一些弊端, 例如, 共词分析对于词的选择非常敏感, 作者取词的习惯、未经规范的关键词在表征论文内容的完整性等都会造成结论的模糊、晦涩。此外, 还有些研究对共词结论的可解释性提出质疑, 认为其具有随意性较大和存在不确定性的缺陷, 因而关于这一研究仍需不断地完善和改进[17,18] 。
5) 作者合作(co-authorship)及国家、机构合作
在全球化趋势日益明显的今天, 科研人员相互之间进行科研合作是非常普遍的现象, 很多一流的研究成果需要通过不同科研人员的紧密协作完成。在文献计量研究中, 作者共同署名即作者合作而在论文中产生不同作者姓名的共现, 成为对合作研究定量测度的指标, 类似地, 机构名称共现、国家共现也是科学合作在不同层次和规模水平上的表现形式。科学计量学之父普赖斯是*早关注并对作者合作进行计量研究的学者, 他在20世纪60年代初的研究表明, 从20 世纪开始, 多作者合著论文一直呈快速增长的趋势[19]。美国的Beaver 等在1978 年对作者共现从社会学和历史学的角度进行了分析[20]。在近 40年的研究中, 学者们研究了不同国家、机构、学科之间、学科内部等作者合作的影响和规律[21] 。此外, 在研究机构合作方面, 美国学者B.rner等对机构合作数据处理技术进行了研究[22] 。2006年, 杨立英等分析了化学领域国际Top20机构合作的规律, 在分析化学领域机构合作规律的基础上, 通过比较研究内容相似但合作较少的机构, 提出了可以作为发现潜在合作机构的依据[23] 。
6) 作者文献耦合分析(author bibliographic-coupling analysis, ABCA)
作者文献耦合分析是将文献耦合的方法扩展到作者层次, 通过作者所有作品中参考文献的耦合强度来建立作者之间的关系。Zhao等[24]在2008年提出了作者文献耦合分析, 描述活跃作者自身的研究活动以便获得研究领域内更加真实的情况。作者文献耦合将文献耦合扩展到作者单元, 可以反映当前的研究活动结构及其随时间的变化, 不仅包括第*作者, 而且也包括其他作者。通过对该方法进行实证研究，发现这种方法与作者共被引分析所揭示的知识结构是相互补充的, 两种方法的结合可以更加全面地了解领域的知识结构。
7) 作者关键词耦合分析(author keywords coupling analysis, AKCA)
利用关键词的耦合强度分析作者之间关系的方法称为作者关键词耦合分析。同ABCA 一样, 从本质上讲, AKCA也是一种耦合方法的扩展应用, 而且这个名称也能很好地说明研究的层次(作者)以及所利用方法的本质(关键词耦合)。刘志辉等[25] 在2010年提出作者关键词耦合分析方法, 该方法利用作者作品的关键词耦合强度建立作者之间的关系, 进而以这种关系生成的邻接矩阵为基础进行分析。他们认为, AKCA的首要问题是如何计算两位作者之间的相似度(S), 并将作者之间关系的强度(即相似度S)定义为在所研究的时间段内, 作者所发表论文的关键词的耦合强度, 即两位作者拥有相同关键词的数量; 并通过对科学计量学研究现状的分析对该方法进行了实证研究。