|
|
知识图谱在图情领域被称为“科学知识图谱”，虽然有的学者认为图情领域的“科学知识图谱”与业界所称的“知识图谱”不是一个东西，但个人认为科学知识图谱属于知识图谱，只是科学知识图谱中的实体、边、属性等都是“最简化”的，例如科学知识图谱中的“实体”可能直接用科技文献中已经结构化了的著录信息，但这并不阻挡其是知识图谱的本质。下文是个人梳理的图情领域知识图谱的构建方法和常用工具，对于我们后续深入了解知识图谱应该会有一定的意义。
1 引言
共现科学知识图谱是对科学文献系统中知识单元间的共现模式进行抽取、简化和可视化的结果，即通过科学文献所承载学科及研究领域的概念、知识和社会结构间的相互联系，构建知识单元共现网络，以图谱方式揭示科学研究知识单元和知识群体的网络结构与动态演变。从1964年加菲尔德等人基于引文数据手工绘制完成DNA领域历史发展图谱，1965年Price[1]基于相同数据完成经典论文《科学引文网络》，到1973年Small[2]提出基于共被引关系研究科学知识结构，1983年Callon等人[3]将共词网络引入科学知识图谱，再到1991年Peters等人[4]建立合作网络发现科学研究中的社会合作结构，以及2005年刘则渊[5]正式引入“知识图谱”指代计量学新兴研究主题“MappingKnowledgeDomains”，无不展现出共现科学知识图谱循序渐进的研究过程。
科学研究规模蔓延生长、不断演化和科技成果指数级增长的趋势，使得历经50多年发展并日趋成熟的共现科学知识图谱在洞察科研动向中扮演的角色愈加重要，成为图书情报学科的主要研究领域之一，并在其它学科得到快速渗透和广泛扩散，如教育学、医学、计算机科学、管理学与经济学等[6]，是学者洞察领域热点与趋势、发现学术共同体、对学科交叉及融合进行测度与可视化的重要方法和有效工具，特别是近几年层出不穷的新技术(如大数据、物联网、人工智能、区块链)更为共现科学知识图谱的应用增添了新活力[7-8]。面对该领域快速兴起和发展的趋势，已有学者通过统计计量与理论思辨等方法对其进行研究现状梳理和知识体系构建[9-11]，以期厘清其发展脉络、理论基础、实现工具和应用概貌。
共现科学知识图谱在支撑理论和应用成果方面都取得长足发展，但对于一个正处在从夯实理论基础向多学科融合发展和转变的领域来说，笔者认为有必要对其实现原理和流程进行梳理，归纳构建共现科学知识图谱的关键技术和集成工具，探索共现科学知识图谱的发展趋势和主要挑战，从而帮助科研人员更好地理解、掌握和运用共现科学知识图谱，选择适合的绘制方法和工具，提高图谱运用、解读与转化能力，也可为共现科学知识图谱工具的进一步优化提供借鉴路径。
2 实现原理与流程
2.1 基础原理
文献组件指科学文献中的任一逻辑组成部分，包括文献题名、摘要、关键词、作者、机构等以元数据形式予以标注和存储的外部特征，也包括正文中的段落、句子、词组、关键概念和术语等反映内在语义的部件[12-13]，这些基础组件可被视为科学文献逻辑内容及外在形式的重要表征，它们构成了特定文献的知识单元集合。不同知识单元间由于某种联系（如词共现、作者合作、共被引等）而被组合成具有意义的实体对，作为有指示价值的概念或主体被人们理解，这些知识单元高频率的共现说明其指示的概念或主体间关联的可能性更大，在此基础上构建的网络一定程度上能建立起对特定领域知识结构的描述，进而反映特定学科或领域的研究热点、发展过程和结构演化。
共现科学知识图谱可看做是一张由科学文献知识单元集合构成的网络，网络中的节点代表文献知识单元，节点间的连线代表知识单元之间的共现关系[14]，我们可以将这种共现关系称为“共现大家庭”[15]或“大共现”[16]。共现图谱绘制的基本原理就是对样本文献集进行解构，提取出待分析的知识单元，然后根据知识单元间的共现类型和强度进行重构，形成不同意义的网络结构，通过对网络结构的测度和可视化，发现特定学科和领域知识结构的隐含模式和规律（如图1）。
图1 科学知识图谱实现原理图解
2.2 构造流程与关键技术
Börner等人[17]将科学知识图谱绘制归结为数据提取、分析单元确定、方法选择、相似度计算、布局、可视化展现与图谱解读六个阶段；杨思洛等人[18]认为知识图谱绘制由样本数据获取、数据清洗、选择分析单元、构建单元关系、数据标准化、数据简化、知识可视化、图谱解读八部分组成；Cobo等人[19]则将其划分为数据检索、数据清洗与处理、网络提取、标准化处理、图谱绘制、统计分析、可视化、图谱解读。笔者认为，共现科学知识图谱的实现可看做三个层次：知识单元抽取层、知识网络构建层、知识发现与可视化层，其中，知识单元抽取是图谱构建的第一步，主要解决如何从数据源中抽取待分析的知识单元这一问题；知识网络构建层则对知识单元间的共现类型和强度进行抽取，建立关系网络；知识发现与可视化层基于前期构建的知识单元网络，利用聚类技术、社会网络分析、多维尺度分析等方法对知识单元间的共现关系和潜在规律进行挖掘，并通过可视化手段将数据及统计分析结果映射到图形属性。图2结合共现图谱绘制软件VOSviewer中涉及的关键技术，对共现科学知识图谱的一般处理流程进行了归纳，以便读者进一步理解和掌握图谱实现技术和流程。
图2 共现科学知识图谱一般实现流程
2.2.1 知识单元抽取层
文献数据获取与整理。共现科学知识图谱的数据来源是科学知识域（Knowledge
Domains），其载体主要是某一主题相关的科学文献样本数据[20]，因此，图谱绘制的质量、合理性与可靠性很大程度上依赖于文献样本数据的准确性和全面性。国际层面研究中Web of Science、Scopus、Google Scholar是较为常用的数据获取来源，国内研究则主要集中于中国知网、万方或中文社会科学引文索引（CSSCI），不同数据源在收录范围、计量指标、领域分类标准等方面各有不同，研究者需立足其优劣，根据研究目的选择合适的样本数据[21]。其次，获取特定学科或领域的样本文献集时常采用基于关键词组合[22]、主流期刊[23]、特定作者/机构/国家[24]、相关领域/学科分类[25]的检索式。在获取样本文献集后，对不同格式和质量的数据进行预处理和清洗也是必要的，共现图谱绘制可能涉及的数据清洗类型有[26]：重复数据、拼写错误或不完整数据、同形异义、同义异形、通用性强或无意义的词等。
知识单元提取与筛选。知识单元是共现图谱构建的基本元素，其来源可分为两类：一是直接利用作者、机构、被引文献和关键词等文献著录项；二是从标题、摘要和全文中提取词源（术语），由于词源（术语）提取更具复杂性，现有研究日益将共词分析的词源选择问题纳入深入研究范围[27]。此外，受研究工具、统计分析过程限制及出于提高结果分析与可视化效用的目的，研究者通常选择部分知识单元绘制共现图谱，这使得知识单元筛选也成为一个难以解决的问题，当前研究大多根据相关指标或方法筛选出核心知识单元（如表1），但对其筛选标准并没有达成统一见解，很大程度上放大了知识单元过滤的主观性和不确定性。
表1 常见知识单元筛选方法
2.2.2 知识网络构建
传统共现矩阵构建。网络是对复杂系统的简化表示，通过抽取复杂系统中的关系模式，利用点和连线可建立抽象网络结构，共现科学知识图谱构建主要基于共现矩阵形式所表现的网络。为有效提取样本文献集中的知识单元关系矩阵，通常先构造一个行动者集合*事件集合形式的M*N维属性矩阵O（occurancematrix）（M指行动者集合的数量，N指行动者集合中所有或部分知识单元的个数，Okj表示第k个行动者与第j个知识单元的数量关系）[28]，其中，“行动者”可以是文献、作者、期刊、机构等主体，“事件”指不同类型的知识单元，如作者、关键词、参考文献，若行动者集合为文献，事件集合为该文献集所包含的关键词，得到的属性矩阵O表示某篇文献k是否包含或包含关键词j的数量。
基于属性矩阵O进行变换可得到的一个N阶对称方阵，即共现矩阵C（co-occurrencematrix），其中，对属性矩阵O的转换方式可分为基于事件转换和基于行动者转换两种（表2），基于事件转换可构建词共现、合作、共被引等共现矩阵，基于行动者转换可构建起耦合形式的共现矩阵，若属性矩阵O表示样本文献集*被引文献的关系，基于事件转换的结果是文献共被引矩阵，基于行动者转换的结果为文献耦合网络。笔者以事件集合（x轴）、行动者集合（y轴）、转换方式（z轴）建立三维坐标系，构建起如图3所示的具有广泛适用性的共现矩阵实现模型。
共现矩阵构建的另一关键问题是通过对共现矩阵的相似度度量消除量纲数量级差异造成的不可比性，通常采用相似度计算对共现矩阵进行标准化转换，形成相似矩阵（similarity
matrix），共现数据相似性计算有两种方式[29]，一是根据共现次数这一单一指标来计算，如Pearson相关系数；二是根据两个节点的共现次数、两个节点各自出现的次数这三个指标来计算，如cosine、Jaccard index、association、strength，他们的数学原理不同会给计算结果造成显著影响，但目前学术界尚未就不同相似度测度算法达成共识。
表2 共现矩阵提取方式 （注：定义 OT为矩阵 O 的转置矩阵 ）
图3 三维坐标下的共现网络构建模型
传统共现矩阵的改进。传统关系矩阵以知识单元的共现频次为基础衡量知识单元之间的相关性，这不可避免会存在“共现即相关”、“同量即同质”等缺陷，因此，越来越多学者开始注重对知识单元矩阵的优化，试图引进更优的相关性计算方法测度知识单元间的相关关系。其一是进行差异化（加权）处理，突出核心知识单元或共现边的主导作用，如吴清强等人[30]根据文献来源期刊的重要程度对关键词赋予权重，朱丽娟等人[31]提出将作者贡献、作者之间人际关系、作者的学科及机构等因素引入合作网络边权计算；其二是考虑语义相关性，如唐晓波等人[32]引入领域本体计算高频关键词间的语义相似度，王玉林等人[33]则提出借助RDF三元组对知识单元进行语义关联化。
2.2.3 知识发现与可视化层
关系矩阵并不能直观的传递有价值的信息，需要借助统计分析方法和可视化技术构建知识图谱[34]，进一步揭示知识单元间的潜在规律，实现知识发现。现有共现科学知识图谱工具主要提供两种类型的知识发现与可视化方式：其一是直接将知识单元间的关系转换为图，即引入布局算法，按照特定方式将知识单元排列于图中，从知识单元的位置对图谱进行解读；其二是利用统计算法对网络进行测度，包括网络总体特征、网络模块化、节点中心度、节点路径特征、节点、动态度等，当然，对网络节点及关系的测度值也会在外观上作用于节点和边，并映射到图形属性[35]。
网络布局。笔者参照Eck和Waltman等人[36]提出的网络布局分类，将目前应用于共现科学知识图谱的布局算法分为三类（表3）：基于距离法、基于图法和基于时间线法，基于距离的布局利用节点间的距离揭示节点间的共现强度，典型算法包括多维尺度法、VOS布局、VxOrd、DrL、OpenOrd等；基于图的布局也将节点布局在二维或多维空间中，但节点间的距离不代表二者关系的强弱，而是用连线表示，典型算法有Kamada-Kawai、Fruchterman-Reingold等，这些算法通常与寻径网络、最小生成树算法结合使用，以达到修剪网络的目的；而基于时间线的布局则包括两个维度，一个维度用来反映时序关系，另一个用来揭示节点之间的联系，其通常与前两种布局算法结合使用。总体来说，现有布局算法均针对速度和美观方面进行优化，主要目的体现在减少重叠、统一边长度、实现对称等。
表3 共现科学知识图谱常见布局算法
统计分析。在网络统计分析方面，对网络个体（节点和连线）、模块化（小团体）、主干骨架及整体特性的测度是当前的主流方式（表4）。对网络个体的测度目的是探讨某一知识单元在网络中的权力，而当网络中某些知识单元间的关系特别紧密，以至于结合成一个次级子网络时，这样的子网络通常被称为“小团体”，通过网络模块化的方法可进行知识单元小团体发现。此外，由于特定领域或学科的产生及发展取决于为数不多的关键文献，也有学者将主路径分析引入共现图谱中，用以识别关键文献、关键人物和关键事件，从而更好地刻画领域发展脉络和知识演化过程。
表4 共现科学知识图谱常见统计分析方法
可视化映射。网络布局和统计算法从量化的角度进行图谱测度，而可视化手段则将测度结果反映到图形属性上。Wilkinson在2005年创建了一套描述统计图形深层特性的语法规则[37]，指出统计图形是从数据到几何对象（如点、线、条形等）的图形属性（如颜色、大小、形状等）的映射，这其中包含数据统计变换，最后绘制在某个特定坐标系中[38]。反映到共现图谱上，知识网络中知识单元、连线的出现及共现频次、时间、所属类团及其他统计测度值均可映射到图谱属性，如节点大小反映知识单元出现频次，节点颜色代表出现时间，连线粗细反映知识单元对之间的共现强度。在此基础上，布局算法与图谱属性进一步融合，形成多种类型的可视化图谱，如反映单元模块化和结构性的聚类视图，展现类团发展演化的时间线图和时区图，反映密度关系的热力图等，笔者借鉴Ognyanova[39]提出的网络可视化框架，将共现图谱从知识单元到图形属性的映射归结为四大要素:映射主体、映射中介、映射结果和可视化目标（图4），其中，“映射主体”指知识单元、连线、类团的统计属性，如出现频次、共现频次和时间；“映射中介”指用以进行可视化的图形属性，如颜色、位置、大小和形状；“映射结果”指从统计属性到图形属性的最终视图，如聚类视图、热力图、弧图和时间线图，这三者共同实现共现图谱“可视化目标”，即突出关键节点和连线、反映关系强度、展示网络结构、发现小团体、洞察知识扩散及演化规律。
图4 共现科学知识图谱映射要素
3 共现科学知识图谱绘制工具
根据可处理数据类型的不同，将目前主流的共现图谱软件分为两类（表5）：第一类是以Pajek、Gephi、UCINET为代表的通用网络分析工具，第二类是以CiteSpace、VOSviewer为代表的文献专用图谱绘制工具，笔者分别从可分析的图谱类型、数据格式要求、统计分析功能、可视化及优势等方面对当前主流共现图谱绘制软件进行归纳和对比。
表5 主流科学知识图谱工具对比
表5表明，共现图谱绘制工具在统计分析和可视化等方面存在很大不同，目前尚缺乏较完备的工具能将共现科学知识图谱绘制过程中所涉及的技术和功能囊括在内，要进行深入分析需借助多种不同工具，而这其中涉及的一个关键问题是如何实现不同数据格式的转换。通常来讲，共现科学知识图谱绘制常见的数据处理方式包括四种：一是从特定数据库中下载不同格式的文献题录信息直接导入相应软件；二是借助bibexcel、SATI、bicomb等工具抽取文献记录的字段信息，在进行频次统计和生成共现矩阵（表）后导入支持的科学知识图谱软件；三是利用自编程序提取共现数据导入特定软件；四是借助科学知识图谱软件提供的数据互操作功能（表6），其中，CiteSpace导出的矩阵数据支持的工具类型较多，但没有可接受的知识图谱类软件数据格式，而Pajek、UCINET相对更具开放性。
表6 共现图谱软件的互操作情况
4 发展趋势和挑战
根据前文对共现科学知识图谱构建技术与工具的梳理, 我们可以对当前挑战和研究趋势做一些回顾和预测（图5）。
图5 共现科学知识图谱各环节面临的主要挑战
4.1 知识单元选择的客观性、细粒度与多源性
绘制共现知识图谱的基础性工作是选择知识单元，而知识单元的过多或过少都会对共现图谱效果产生直接影响，这突出体现在：
知识单元选择的客观性与细粒度。合作、共被引等共现图谱的知识单元相对明确，在筛选过程中所要解决的是选择“何种筛选标准”以及选取“多少节点”的问题，而对于共词图谱来说，元数据描述取词或全文自动标引取词的词源选择问题，以及自然语言的不可控性所带来的词汇规范化[40]使其绘制更具复杂性和主观性，虽然部分学者对共词分析的词源选择问题进行了探索性或对比性分析，包括不同词源选择的应用对比、术语规范化的必要性和规范方法研究以及词汇抽取的细粒度探究，但在研究结果上依然存在分歧。如何寻求更为科学有效的知识单元筛选方法，减少知识单元过滤的主观性和不确定性？如何突破单纯基于“元数据描述单元”的统计，研究有效算法提取粒度更细的“知识单元”？这些问题的解决都需要在未来研究中不断探索。
知识单元选择的多源性。科学交流系统不仅局限在科学技术文献等正式交流渠道，数字化与网络化语境推动下网络计量学与替代计量学的兴起，为共现图谱的绘制带来了更具创新性、可计量非正式交流特征的节点类型，如学术社区中知识主体的互动、网络环境下知识单元的提及等，这种综合多源知识单元的共现图谱能更好反映知识类别界限、所构建的知识网络更为紧密[41]，如何挖掘存在于传统科学文献之外的新兴知识单元，并将其有效融入共现知识图谱中[42]，更加全面反映学术景观自然成为一个具有挑战性的课题。
4.2 知识网络构建的差异化、语义化与多维性
传统共现图谱的实现有两大基本假设，一是“共现即相关”假设，即假设节点共现便意味着节点相关，但事实上知识单元间是存在直接共现关系和间接语义关联的，这种研究假设缺乏对知识单元间语义关系的揭示，一定程度上简化了网络复杂性，未能有效揭示整体网络的结构和特征信息[43]。二是“同量即同质”假设，即假设频次相等，则重要性和相关性强度也相等，但从信息理论学、语言学及科研贡献度的观点来看，不同词性、位置等要素的词汇对文献表达的贡献程度是存在差异的，不同学者在网络中的地位也是不一样的，有效区分节点的差异性，考虑“同量不同质”，能更加客观、真实反映科学交流系统内部要素的关联。针对“共现不一定相关”、“同量不一定同质”这两大问题，已有学者探索对知识单元及边进行加权处理，以及研究有效测度节点间语义关系的算法[44]，但大多处于探索性阶段，现成知识图谱绘制软件中也仅有VOSviewer[45]将节点差异化算法嵌入。
此外，共现科学知识图谱将抽象的计量信息表征为可视化的网络，本质是对网络的分析与可视化，已有研究表明，将多模网络、多节点共现引入共现图谱有利于增强图谱信息揭示能力，将网络动态演化机制应用于共现图谱能更加真实的模拟网络演化特征[46]，探讨如何将网络结构维度上的异构、多模特征及时间维度上的演化特征引入共现图谱是当前面临的一个重要问题。
4.3 知识发现方法优化与计算能力提高
学术领域对共现图谱的知识发现基本遵循“相似性测度+统计分析”的思路，在节点相似度计算方面，主要基于共现频次这一基本指标衍生，包括互信息度算法、association strength、inclusion index、Jaccard’s coefficient、Salton’s cosine（Ochiia系数），如文献共被引代表者Small主张采用Salton’s cosine或Jaccard’s coefficient测度[47]，作者共被引代表者White倾向于Pearson相关系数[48]，Leydesdorff则认为Pearson相关系数和cosine测度只适用于非对称矩阵而不适用于对称矩阵[49]，在当前相似度计算算法众说纷纭的情形下，有必要对不同算法应用于不同共现图谱的效果进行对比研究，分析各类测度算法间的内在联系及适用场景，提高后期统计分析的准确性和针对性。
在统计分析层面，突现检测、聚类分析、多维尺度分析、社会网络分析和主路径分析一直占据主导地位，突现检测用于提取突发术语，适用于识别研究前沿，聚类分析可识别不同类团，使得类团内节点具有高相似度、类团间存在较大差异，多维尺度分析则对聚类分析起进一步矫正作用，不仅可识别具有高相似度的类团，还可判定各节点在网络中的相对位置和核心程度，社会网络分析常用于探索学者、机构等主体间的合作关系，主路径分析则在演化脉络、关键节点识别方面更具优势，各类统计分析方法的应用场景存在一定区别，需要对各类方法的优劣势和适用性作进一步对比和梳理。另外，现有统计分析方法在参数选择、分析过程等方面也存在一定模糊性，如聚类分析中类团数量的选择、类间距离的选择、类团标签的确定等，这些悬而未决的问题使得共现图谱的绘制充满主观性，进而导致研究人员对统计结果的解读缺乏准确性与科学性。
在计算能力层面，大数据环境下共现图谱的规模急剧扩大，这对计算机硬件及数据分析算法的性能提出更高的要求，探索能高效处理大规模、复杂化数据集的统计分析算法、寻求基于分布式计算机集群的云处理技术将更加清晰、快速的展示和发现海量知识单元间的复杂关系。
4.4 图谱解读的科学性与规范性
知识单元间的关系表现在多个层面和多种类型，其原理既有相似性又存在差别，进而绘制的知识图谱在科学研究结构的揭示能力上具有相似性但又各具独特性，知识基础、研究热点、研究前沿、演进脉络等不同分析目标需要借助与之对应的图谱类型，如基于共词网络的研究热点识别、基于共被引网络的知识基础研究等，当前对不同网络结构信息揭示能力的比较和内在机理研究相对缺乏，使得研究结果千差万别，图谱解读欠缺科学性与规范性[50-51]。
5 结语
作为一种将各类信息载体中的共现现象定量化的有效手段和方法[52]，几十年来共现分析一直广受图情领域研究者青睐，并跨学科延伸至多领域，而融合图形学、认知科学及可视化等技术的共现科学知识图谱更有利推动了共现分析的快速发展与革新，并在基础理论、方法研究和应用实践方面取得显著成果，无数研究表明，在可预见的未来，共现科学知识图谱的“知识图形可视化”与“知识谱系序列化”特征[53-54]及知识单元提取、网络构建、知识发现与可视化等各环节的优化将进一步拓宽和深化基于海量数据的知识组织与发现，促进研究范式的变革与更迭。
参考文献：
[1] Price D J. NETWORKS OF SCIENTIFIC PAPERS[J].Science, 1965, 149(3683):510-515.
[2] Small H. Co‐citation in the scientific literature:A new measure of the relationship between two documents[J]. Journal of theAmerican Society for Information Science & Technology, 1973, 24(4):265-269.
[3] Callon M,Courtial J J P, Turner W A, et al. From translations to problematic networks - anintroduction to co-word analysis. Soc Sci Inf Sur Les Sci Soc[J]. SocialScience Information, 1983, 22(2):191-235.
[4] Peters H PF, Raan A F J V. Structuring scientific activities by co-author analysis[J].Scientometrics, 1991, 20(1):235-255.
[5] 陈悦, 刘则渊. 悄然兴起的科学知识图谱[J]. 科学学研究, 2005, 23(2):149-154.
[6] 李明鑫, 王松. 近十年国内知识图谱研究脉络及主题分析[J]. 图书情报知识, 2016(4):93-101.
[7] 王发明, 朱美娟. 国内区块链研究热点的文献计量分析[J]. 情报杂志, 2017(12):69-74.
[8] 赵蓉英, 魏明坤. 基于可视化图谱的国内外大数据研究[J]. 情报科学, 2016, V34(12):3-10.
[9] Shiffrin RM, Börner K. Mapping knowledge domains.[J]. Proc Natl Acad Sci U S A, 2004, 101Suppl 1(Supplement 1):5183-5185.
[10] 曹树金, 吴育冰, 韦景竹,等. 知识图谱研究的脉络、流派与趋势——基于SSCI与CSSCI期刊论文的计量与可视化[J]. 中国图书馆学报, 2015, 41(5):16-34.
[11] Chen C. Science Mapping:A Systematic Review ofthe Literature[J]. Journal of Data and Information Science, 2017, 2(2):1-40.
[12] Bishop A P.Digital libraries and knowledge disaggregation:the use of journal articlecomponents[C]// ACM Conference on Digital Libraries. ACM, 1998:29-39.
[13] 曹树金, 李洁娜, 王志红. 面向网络信息资源聚合搜索的细粒度聚合单元元数据研究[J]. 中国图书馆学报, 2017, 43(4):74-92.
[14] Sugimoto CR, Mccain K W. Visualizing changes over time: A history of informationretrieval through the lens of descriptor tri-occurrence mapping.[J]. Journal ofInformation Science, 2010, 36(4):481-493.
[15] 杨立英. 科技论文共现理论研究与应用[D]. 中国科学院文献情报中心, 2007.
[16] 张超星, 刘小玲, 谭宗颖. 图情领域的大共现及其发展现状[J]. 情报资料工作, 2016, 37(1):27-33.
[17] Börner K,Chen C, Boyack K W. Visualizing knowledge domains[J]. Annual Review ofInformation Science & Technology, 2003, 37(1):179-255.
[18] 杨思洛, 韩瑞珍. 国外知识图谱绘制的方法与工具分析[J]. 图书情报知识, 2012(6):101-109.
[19] Cobo M J,Herrera-Viedma E, Herrera F. Science mapping software tools: Review, analysis,and cooperative study among tools[J]. Journal of the Association forInformation Science & Technology, 2014, 62(7):1382-1402.
[20] 杨萌, 张云中. 知识地图、科学知识图谱和谷歌知识图谱的分歧和交互[J]. 情报理论与实践, 2017, 40(5):122-126.
[21] Harzing A W, Alakangas S.Google Scholar, Scopus and the Web of Science: A longitudinal andcross-disciplinary comparison[J]. Scientometrics, 2016, 106(2):787-804
[22] 孙建军. 链接分析:知识基础、研究主体、研究热点与前沿综述——基于科学知识图谱的途径[J]. 情报学报, 2014, 33(6):659-672.
[23] 邱均平, 温芳芳. 近五年来图书情报学研究热点与前沿的可视化分析——基于13种高影响力外文源刊的计量研究[J]. 中国图书馆学报, 2011, 37(2):51-60.
[24] 潘有能, 谭健. 普赖斯奖得主的科学合作网络研究[J]. 图书情报工作, 2012, 56(16):80-84.
[25] Zhu Y, YanE. Dynamic subfield analysis of disciplines: an examination of the tradingimpact and knowledge diffusion patterns of computer science[J]. Scientometrics,2015, 104(1):335-359.
[26] 潘玮, 牟冬梅, 李茵,等. 关键词共现方法识别领域研究热点过程中的数据清洗方法[J]. 图书情报工作, 2017, 61(7):111-117.
[27] 李纲, 巴志超. 共词分析过程中的若干问题研究[J]. 中国图书馆学报, 2017, 43(4):93-113.
[28] Aria M,Cuccurullo C. bibliometrix : An R-tool for comprehensive science mappinganalysis[J]. Journal of Informetrics, 2017, 11(4):959-975.
[29] Eck N J V,Waltman L. How to normalize cooccurrence data? An analysis of some well‐known similarity measures[J].Journal of the Association for Information Science & Technology, 2010,60(8):1635-1651.
[30] 吴清强, 赵亚娟. 基于论文属性的加权共词模型探讨[J]. 情报学报, 2008, 27(1):89-92.
[31] 朱丽娟, 于建荣. 合著关系网络的加权模式研究[J]. 图书情报工作, 2010, 54(12):69-73.
[32] 唐晓波, 肖璐. 融合关键词增补与领域本体的共词分析方法研究[J]. 现代图书情报技术, 2013, 29(11):60-67.
[33] 王玉林, 王忠义. 细粒度语义共词分析方法研究[J]. 图书情报工作, 2014, 58(21):73-80.
[34] 徐硕, 乔晓东, 朱礼军,等. 共现聚类分析的新方法:最大频繁项集挖掘[J]. 情报学报, 2012, 31(2):143-150.
[35] 刘勇, 杜一. 网络数据可视化与分析利器: Gephi中文教程[M]. 北京: 电子工业出版社, 2017：3-4
[36] Eck N J V,Waltman L. Visualizing Bibliometric Networks[M]// Measuring Scholarly Impact.Springer International Publishing, 2014:285-320.
[37] Wilkinson L. The grammar of graphics[M]. Springer, 2005：85-356
[38] 哈德利・威克姆. ggplot2:数据分析与图形艺术[M]. 西安交通大学出版社, 2013：3-4
[39] Ognyanova,K. Network visualization with R. Retrieved from www.kateto.net/network-visualization.2017
[40] 傅柱, 王曰芬. 共词分析中术语收集阶段的若干问题研究[J]. 情报学报, 2016, 35(7):704-713.
[41] 张洋, 谢卓力. 基于多源网络学术信息聚合的知识图谱构建研究[J]. 图书情报工作, 2014, 58(22):84-94.
[42] 商宪丽, 王学东, 张煜轩. 基于标签共现的学术博客知识资源聚合研究[J]. 情报科学, 2016, V34(5):125-129.
[43] 巴志超, 李纲, 朱世伟. 共现分析中的关键词选择与语义度量方法研究[J]. 情报学报, 2016, 35(2):197-207.
[44] 王忠义, 谭旭, 夏立新. 共词分析方法的细粒度化与语义化研究[J]. 情报学报, 2014(9):969-978.
[45] Perianes-RodriguezA, Waltman L, Eck N J V. Constructing bibliometric networks: A comparisonbetween full and fractional counting [J]. Journal of Informetrics, 2016,10(4):1178-1195.
[46] 党永杰, 邱均平, 郑世珏. 基于改进BA模型的作者合作加权网络动态演化研究[J]. 情报学报, 2017, 36(1):28-38.
[47] Small H .Tracking and predicting growth areas in science[J]. Scientometrics, 2006,68(3):595-610.
[48] White H D .Author cocitation analysis and Pearson's r[M]. John Wiley & Sons, Inc.2003.
[49] LeydesdorffL , Vaughan L . Co-occurrence matrices and their applications in informationscience: Extending ACA to the Web environment[M]. John Wiley & Sons, Inc.2006.
[50] 崔雷, 隋明爽. 共现聚类分析结果表达方法的研究[J]. 情报学报, 2015, 34(12):1270-1277.
[51] 邱均平, 董克. 作者共现网络的科学研究结构揭示能力比较研究[J]. 中国图书馆学报, 2014, 40(1):15-24.
[52] Kostoff RN. Multidisciplinary research thrusts from co-word analysis[C]// TechnologyManagement : the New International Language. IEEE, 2002.
[53] 刘则渊, 陈悦, 侯海燕. 科学知识图谱:方法与应用[M]. 人民出版社, 2008：3-5
[54] 刘则渊, 陈超美, 侯海燕,等. 迈向科学学大变革的时代[J]. 科学学与科学技术管理, 2009, 30(7):5-12.
|
|
发表于 2020-3-4 16:43:20
楼主