第12卷第5期 智能系统学报 Vol.12 No.5 2017年10月 CAAI Transactions on Intelligent Systems 0ct.2017 D0I:10.11992/tis.201706023 网络出版地址：http:/kns.cmki.ne/kcms/detail/23.1538.TP.20170831.1058.012.html 基于时空域联合建模的领域知识演化脉络分析 金晨，谢振平，任立园，刘渊 (1.江南大学数字媒体学院，江苏无锡214122：2.江苏省蝶体设计与软件技术重，点实验室，江苏无锡214122) 摘要：同一领域不同知识概念之间存在演化关系，分析演化关系能有效地梳理领域知识的发展脉络，然而网络知 识的碎片化、无序性、大规模等特性使得用户很难准确地分析并获取知识之间的这种关系。针对该问题，本文提出 一种基于时控域联合建模的领域知识演化脉络分析方法，该方法首先考虑将知识系统以时空域联合知识网络的形 式进行表达，随后采用骨架聚类方法提取历年知识网络演化路径，并按知识概念的发展进行演化路径衔接及路径分 析。以数字媒体领域知识为例的实验分析表明，该方法能有效提取按年份发展的领域知识演化路径，对于辅助用户 进行领域知识的理解与学习，以及个性化推荐具有显著的价值。 关键词：知识演化：演化路径：知识网络：知识系统：时空域联合：骨架聚类：数字媒体知识 中图分类号：TP181文献标志码：A文章编号：1673-4785(2017)05-0735-10 中文引用格式：金晨，谢振平，任立园，等.基于时空域联合建模的领域知识演化脉络分析[J].智能系统学报，2017,12(5)： 735-744. 英文引用格式：JIN Chen,XIE Zhenping,REN Liyuan,etal.Evolutionary path mining of domain knowledge by joint modeling in space-time correlation[J].CAAI transactions on intelligent systems,2017,12(5):735-744. Evolutionary path mining of domain knowledge by joint modeling in space-time domain JIN Chen,XIE Zhenping,REN Liyuan,LIU Yuan (1.School of Digital Media,Jiangnan University,Wuxi 214122,China;2.Jiangsu Key Laboratory of Media Design and Software Technology, Wuxi 214122.China) Abstract:In special technology fields,there might be evolutionary relationships between various knowledge concepts,and these evolutionary relationship can be used to depict the developmental venation of the corresponding technology field.However,the characteristics of fragmentation,disorder,and large scale in domain knowledge systems make it difficult for users to accurately identify these knowledge relationships.To address this problem,in this paper,we propose an evolutionary path mining method based on skeleton clustering and the joint modeling of domain knowledge with respect to the space-time correlation.In this method,first we express the knowledge system as a knowledge network with joint space-time correlations,then we adopt the skeleton clustering method to extract the evolutionary path of the knowledge network.In addition,we analyze the connection between the evolutionary paths based on the development of the knowledge concept.An experimental analysis of the digital media domain shows that the proposed method can effectively extract the evolutionary path of domain knowledge,which has significant value for knowledge learning and personalized recommendation. Keywords:knowledge evolution;evolution path;knowledge network;knowledge systems;space-time domain combination;skeleton clustering;digital media knowledge 领域知识是一个随时间扩展的体系，那些重要 生，新旧知识之间始终保持动态的知识增长。在这 的理论定律不断被引用，新颖的思想和观点不断产 个过程中，学科领域逐步细化，知识框架也将发生 改变，但科学知识始终保持一个整体，这其中体现 收稿日期：2017-06-07.网络出版日期：2017-08-31 基金项目：江苏省自然科学基金项目(BK20130161):国家自然科学基金项了知识的演化。知识之间存在一种建构的关 目(61572236)：国家科技支撑计划项目(2015BAH5401). 通信作者：谢振平.E-mail:xiezhenping(@hotmail.com. 系-】，任何新知识不可能凭空产生，必然基于现有
第 １２ 卷第 ５ 期 智 能 系 统 学 报 Ｖｏｌ．１２ №．５ ２０１７ 年 １０ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｏｃｔ． ２０１７ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１７０６０２３ 网络出版地址：ｈｔｔｐ： ／ ／ ｋｎｓ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１７０８３１．１０５８．０１２．ｈｔｍｌ 基于时空域联合建模的领域知识演化脉络分析 金晨，谢振平，任立园，刘渊 （１．江南大学 数字媒体学院，江苏 无锡 ２１４１２２； ２．江苏省媒体设计与软件技术重点实验室， 江苏 无锡 ２１４１２２） 摘 要：同一领域不同知识概念之间存在演化关系，分析演化关系能有效地梳理领域知识的发展脉络，然而网络知 识的碎片化、无序性、大规模等特性使得用户很难准确地分析并获取知识之间的这种关系。 针对该问题，本文提出 一种基于时空域联合建模的领域知识演化脉络分析方法，该方法首先考虑将知识系统以时空域联合知识网络的形 式进行表达，随后采用骨架聚类方法提取历年知识网络演化路径，并按知识概念的发展进行演化路径衔接及路径分 析。 以数字媒体领域知识为例的实验分析表明，该方法能有效提取按年份发展的领域知识演化路径，对于辅助用户 进行领域知识的理解与学习，以及个性化推荐具有显著的价值。 关键词：知识演化；演化路径；知识网络；知识系统；时空域联合；骨架聚类；数字媒体知识 中图分类号：ＴＰ１８１ 文献标志码：Ａ 文章编号：１６７３－４７８５（２０１７）０５－０７３５－１０ 中文引用格式：金晨，谢振平，任立园，等．基于时空域联合建模的领域知识演化脉络分析［ Ｊ］． 智能系统学报， ２０１７， １２ （ ５）： ７３５－７４４． 英文引用格式：ＪＩＮ Ｃｈｅｎ， ＸＩＥ Ｚｈｅｎｐｉｎｇ， ＲＥＮ Ｌｉｙｕａｎ， ｅｔ ａｌ． Ｅｖｏｌｕｔｉｏｎａｒｙ ｐａｔｈ ｍｉｎｉｎｇ ｏｆ ｄｏｍａｉｎ ｋｎｏｗｌｅｄｇｅ ｂｙ ｊｏｉｎｔ ｍｏｄｅｌｉｎｇ ｉｎ ｓｐａｃｅ⁃ｔｉｍｅ ｃｏｒｒｅｌａｔｉｏｎ［Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１７， １２（５）： ７３５－７４４． Ｅｖｏｌｕｔｉｏｎａｒｙ ｐａｔｈ ｍｉｎｉｎｇ ｏｆ ｄｏｍａｉｎ ｋｎｏｗｌｅｄｇｅ ｂｙ ｊｏｉｎｔ ｍｏｄｅｌｉｎｇ ｉｎ ｓｐａｃｅ⁃ｔｉｍｅ ｄｏｍａｉｎ ＪＩＮ Ｃｈｅｎ， ＸＩＥ Ｚｈｅｎｐｉｎｇ， ＲＥＮ Ｌｉｙｕａｎ， ＬＩＵ Ｙｕａｎ （１． Ｓｃｈｏｏｌ ｏｆ Ｄｉｇｉｔａｌ Ｍｅｄｉａ， Ｊｉａｎｇｎａｎ Ｕｎｉｖｅｒｓｉｔｙ， Ｗｕｘｉ ２１４１２２， Ｃｈｉｎａ； ２． Ｊｉａｎｇｓｕ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｍｅｄｉａ Ｄｅｓｉｇｎ ａｎｄ Ｓｏｆｔｗａｒｅ Ｔｅｃｈｎｏｌｏｇｙ， Ｗｕｘｉ ２１４１２２， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ： Ｉｎ ｓｐｅｃｉａｌ ｔｅｃｈｎｏｌｏｇｙ ｆｉｅｌｄｓ， ｔｈｅｒｅ ｍｉｇｈｔ ｂｅ ｅｖｏｌｕｔｉｏｎａｒｙ ｒｅｌａｔｉｏｎｓｈｉｐｓ ｂｅｔｗｅｅｎ ｖａｒｉｏｕｓ ｋｎｏｗｌｅｄｇｅ ｃｏｎｃｅｐｔｓ， ａｎｄ ｔｈｅｓｅ ｅｖｏｌｕｔｉｏｎａｒｙ ｒｅｌａｔｉｏｎｓｈｉｐ ｃａｎ ｂｅ ｕｓｅｄ ｔｏ ｄｅｐｉｃｔ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔａｌ ｖｅｎａｔｉｏｎ ｏｆ ｔｈｅ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ｆｉｅｌｄ． Ｈｏｗｅｖｅｒ， ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｆｒａｇｍｅｎｔａｔｉｏｎ， ｄｉｓｏｒｄｅｒ， ａｎｄ ｌａｒｇｅ ｓｃａｌｅ ｉｎ ｄｏｍａｉｎ ｋｎｏｗｌｅｄｇｅ ｓｙｓｔｅｍｓ ｍａｋｅ ｉｔ ｄｉｆｆｉｃｕｌｔ ｆｏｒ ｕｓｅｒｓ ｔｏ ａｃｃｕｒａｔｅｌｙ ｉｄｅｎｔｉｆｙ ｔｈｅｓｅ ｋｎｏｗｌｅｄｇｅ ｒｅｌａｔｉｏｎｓｈｉｐｓ． Ｔｏ ａｄｄｒｅｓｓ ｔｈｉｓ ｐｒｏｂｌｅｍ， ｉｎ ｔｈｉｓ ｐａｐｅｒ， ｗｅ ｐｒｏｐｏｓｅ ａｎ ｅｖｏｌｕｔｉｏｎａｒｙ ｐａｔｈ ｍｉｎｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｓｋｅｌｅｔｏｎ ｃｌｕｓｔｅｒｉｎｇ ａｎｄ ｔｈｅ ｊｏｉｎｔ ｍｏｄｅｌｉｎｇ ｏｆ ｄｏｍａｉｎ ｋｎｏｗｌｅｄｇｅ ｗｉｔｈ ｒｅｓｐｅｃｔ ｔｏ ｔｈｅ ｓｐａｃｅ⁃ｔｉｍｅ ｃｏｒｒｅｌａｔｉｏｎ． Ｉｎ ｔｈｉｓ ｍｅｔｈｏｄ， ｆｉｒｓｔ ｗｅ ｅｘｐｒｅｓｓ ｔｈｅ ｋｎｏｗｌｅｄｇｅ ｓｙｓｔｅｍ ａｓ ａ ｋｎｏｗｌｅｄｇｅ ｎｅｔｗｏｒｋ ｗｉｔｈ ｊｏｉｎｔ ｓｐａｃｅ⁃ｔｉｍｅ ｃｏｒｒｅｌａｔｉｏｎｓ， ｔｈｅｎ ｗｅ ａｄｏｐｔ ｔｈｅ ｓｋｅｌｅｔｏｎ ｃｌｕｓｔｅｒｉｎｇ ｍｅｔｈｏｄ ｔｏ ｅｘｔｒａｃｔ ｔｈｅ ｅｖｏｌｕｔｉｏｎａｒｙ ｐａｔｈ ｏｆ ｔｈｅ ｋｎｏｗｌｅｄｇｅ ｎｅｔｗｏｒｋ． Ｉｎ ａｄｄｉｔｉｏｎ， ｗｅ ａｎａｌｙｚｅ ｔｈｅ ｃｏｎｎｅｃｔｉｏｎ ｂｅｔｗｅｅｎ ｔｈｅ ｅｖｏｌｕｔｉｏｎａｒｙ ｐａｔｈｓ ｂａｓｅｄ ｏｎ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｔｈｅ ｋｎｏｗｌｅｄｇｅ ｃｏｎｃｅｐｔ． Ａｎ ｅｘｐｅｒｉｍｅｎｔａｌ ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ ｄｉｇｉｔａｌ ｍｅｄｉａ ｄｏｍａｉｎ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙ ｅｘｔｒａｃｔ ｔｈｅ ｅｖｏｌｕｔｉｏｎａｒｙ ｐａｔｈ ｏｆ ｄｏｍａｉｎ ｋｎｏｗｌｅｄｇｅ， ｗｈｉｃｈ ｈａｓ ｓｉｇｎｉｆｉｃａｎｔ ｖａｌｕｅ ｆｏｒ ｋｎｏｗｌｅｄｇｅ ｌｅａｒｎｉｎｇ ａｎｄ ｐｅｒｓｏｎａｌｉｚｅｄ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ． Ｋｅｙｗｏｒｄｓ：ｋｎｏｗｌｅｄｇｅ ｅｖｏｌｕｔｉｏｎ； ｅｖｏｌｕｔｉｏｎ ｐａｔｈ； ｋｎｏｗｌｅｄｇｅ ｎｅｔｗｏｒｋ； ｋｎｏｗｌｅｄｇｅ ｓｙｓｔｅｍｓ； ｓｐａｃｅ⁃ｔｉｍｅ ｄｏｍａｉｎ ｃｏｍｂｉｎａｔｉｏｎ； ｓｋｅｌｅｔｏｎ ｃｌｕｓｔｅｒｉｎｇ； ｄｉｇｉｔａｌ ｍｅｄｉａ ｋｎｏｗｌｅｄｇｅ 收稿日期：２０１７－０６－０７． 网络出版日期：２０１７－０８－３１． 基金项目：江苏省自然科学基金项目（ＢＫ２０１３０１６１）； 国家自然科学基金项 目（６１５７２２３６）；国家科技支撑计划项目（２０１５ＢＡＨ５４Ｆ０１）． 通信作者：谢振平．Ｅ⁃ｍａｉｌ ：ｘｉｅｚｈｅｎｐｉｎｇ＠ ｈｏｔｍａｉｌ．ｃｏｍ． 领域知识是一个随时间扩展的体系，那些重要 的理论定律不断被引用，新颖的思想和观点不断产 生，新旧知识之间始终保持动态的知识增长。 在这 个过程中，学科领域逐步细化，知识框架也将发生 改变，但科学知识始终保持一个整体，这其中体现 了知 识 的 演 化。 知 识 之 间 存 在 一 种 建 构 的 关 系［１－２］ ，任何新知识不可能凭空产生，必然基于现有
·736 智能系统学报 第12卷 的知识经验，可以说，新知识是现有知识的演化和 1 模型框架 创新。知识演化体现了知识之间传承和发展的关 系，提取知识间的这种演化关系具有十分重要的意 本文提出的基于时空域联合建模的领域知识 义。一方面，科学知识的增长，知识数量的膨胀，给 演化脉络分析方法着重考虑两个问题：如何表示知 用户准确有效地获取所需知识带来了巨大的挑战， 识概念之间的演化关系：如何从复杂的演化关系中 知识演化分析3]能够帮助用户有效地梳理复杂的 提取演化路径。针对上述问题，本文设计的模型框 知识关系，获悉领域研究热点及发展动向。另一方 架由两部分组成：)采用知识网络来表示知识概念 面，目前网络个性化知识服务已相当成熟，然而能 之间的演化关系，网络节点表示知识概念，网络边 体现时空上演化的知识服务却少有研究，设计一种 表示连接两个知识概念存在知识演化关系：2)采用 自动提取领域知识演化关系的方法能够为用户生 “局部聚合，整体关联”的思想进行网络骨架聚类分 成具有时间上连续的演化知识序列，对个性化知识 析。“局部聚合”指骨架节点能够作为邻近节点的 服务的改进具有一定的价值。 聚类中心，形成局部稠密子图：“整体关联”指各骨 一对演化关系由两个实体概念组成，演化路径 架节点在网络图中是连通的，并且整条骨架上的各 则是演化关系的连续序列，包括演化起点、演化终 节点聚类系数之和最小，则该骨架认为是网络图的 点及演化中间点。例如，1990年数字媒体领域的一 一条最优知识脉络。 条演化路径“电视广播一电视教育一电教媒体一远 1.1 知识网络模块 距离教育一电化教学一计算机技术”，“电视广播” 在知识图谱领域，知识网络是研究知识发展的 表示知识演化起点，“计算机技术”表示知识演化终 重要工具6-0。知识网络由节点和边组成，节点表 点。可以看出，1990年数字媒体领域热点话题围绕 示知识实体单元，边表示实体单元之间的知识关 传统媒体，并将传统媒体广泛应用于教学，整体的 联。按实体单元不同，节点可以是论文、专利、书 演化趋势从传统媒体趋向计算机技术。 籍、关键词等：按知识关联不同，边可以是引证关 系、共现关系、合作关系等。本文采用的知识网络 为了较好地挖掘知识间的这种演化关系，研究 者通常采用知识网络来表示不同形式知识单元之 是一种改进的共词网络，以领域关键词为节点，以 演化关系权重作为边。相对于引证网络，共词网络 间的联系，并设计自动化的知识关系抽取模型，进 能够更加直观有效地体现实体概念在网络结构上 而获取有效的知识信息。根据知识单元的不同表 现形式，常见的知识网络包括引证网络[s6]、合作网 的演化脉络。 本文构建的知识网络是一种加权无向网络，目 络-】、共词网络0-]等。此外，可视化文献分析软 前对该类网络的研究主要包括两方面：1)网络节点 件也广泛应用在研究学科领域的发展趋势与动向。 在网络图中的重要性评价，评价指标主要有节点词 例如，马费成等[)在引文网络的基础上采用网络分 频，节点度（无向图中出度入度相等，统称为节点 析软件Citespace,以生物医学领域为例进行了领域 度)，中介中心度等：2)基于节点连线的网络路径分 主题聚类、关键路径提取、核心文献分析等研究，实 析，包括最短路径、关键路径、平均路径长度等。网 验分析结果为学科发展提供了较好的理解。但 络节点分析常用于获取网络主题分布，而网络路径 Citespace只有在文献引文网络分析中有较好表现， 分析则用于预测领域知识发展方向、发现研究热 并且对文献格式等有一定要求。 点等。 本文提出一种基于时空域联合建模的领域知 本文构建知识网络的过程主要包括以下3个步 识演化脉络分析方法，在传统知识网络分析技术的 骤。1)获取网络节点：自动抽取数字媒体文献的关 基础上引入骨架聚类技术[13-]，针对网络结构中的 键词，进行关键词筛选和统计，获取具有代表性的 最短路径进行骨架聚类分析，骨架聚类效果最优的 领域关键词作为网络节点。2)提取节点关系：统计 最短路径视为该知识网络的演化路径，并根据时空 关键词在文档中的共现频率，基于共现频率计算关 上连续的网络结构进行演化路径衔接，形成连续年 键词对的演化权重，以演化权重作为节点关系。3) 份的知识演化脉络。考虑到近年来数字媒体领域 根据获取的网络节点以及节点关系逐年构建知识 发展之快，影响面之广，本文实验以CNKI在数字媒 网络，形成相邻年份网络结构关联的时空域联合知 体领域发表的期刊文献作为数据来源，按年份发展 识网络。 逐年构建知识网络并采用骨架聚类提取演化路径， 1.1.1知识术语抽取 进而对数字媒体领域的发展历程进行研究分析。 随着自然语言处理领域的快速发展，领域术语
的知识经验，可以说，新知识是现有知识的演化和 创新。 知识演化体现了知识之间传承和发展的关 系，提取知识间的这种演化关系具有十分重要的意 义。 一方面，科学知识的增长，知识数量的膨胀，给 用户准确有效地获取所需知识带来了巨大的挑战， 知识演化分析［３－４］能够帮助用户有效地梳理复杂的 知识关系，获悉领域研究热点及发展动向。 另一方 面，目前网络个性化知识服务已相当成熟，然而能 体现时空上演化的知识服务却少有研究，设计一种 自动提取领域知识演化关系的方法能够为用户生 成具有时间上连续的演化知识序列，对个性化知识 服务的改进具有一定的价值。 一对演化关系由两个实体概念组成，演化路径 则是演化关系的连续序列，包括演化起点、演化终 点及演化中间点。 例如，１９９０ 年数字媒体领域的一 条演化路径“电视广播—电视教育—电教媒体—远 距离教育—电化教学—计算机技术”，“电视广播” 表示知识演化起点，“计算机技术”表示知识演化终 点。 可以看出，１９９０ 年数字媒体领域热点话题围绕 传统媒体，并将传统媒体广泛应用于教学，整体的 演化趋势从传统媒体趋向计算机技术。 为了较好地挖掘知识间的这种演化关系，研究 者通常采用知识网络来表示不同形式知识单元之 间的联系，并设计自动化的知识关系抽取模型，进 而获取有效的知识信息。 根据知识单元的不同表 现形式，常见的知识网络包括引证网络［５－６］ 、合作网 络［７－９］ 、共词网络［１０－１２］等。 此外，可视化文献分析软 件也广泛应用在研究学科领域的发展趋势与动向。 例如，马费成等［４］在引文网络的基础上采用网络分 析软件 Ｃｉｔｅｓｐａｃｅ，以生物医学领域为例进行了领域 主题聚类、关键路径提取、核心文献分析等研究，实 验分析结果为学科发展提供了较好的理解。 但 Ｃｉｔｅｓｐａｃｅ 只有在文献引文网络分析中有较好表现， 并且对文献格式等有一定要求。 本文提出一种基于时空域联合建模的领域知 识演化脉络分析方法，在传统知识网络分析技术的 基础上引入骨架聚类技术［１３－１５］ ，针对网络结构中的 最短路径进行骨架聚类分析，骨架聚类效果最优的 最短路径视为该知识网络的演化路径，并根据时空 上连续的网络结构进行演化路径衔接，形成连续年 份的知识演化脉络。 考虑到近年来数字媒体领域 发展之快，影响面之广，本文实验以 ＣＮＫＩ 在数字媒 体领域发表的期刊文献作为数据来源，按年份发展 逐年构建知识网络并采用骨架聚类提取演化路径， 进而对数字媒体领域的发展历程进行研究分析。 １ 模型框架 本文提出的基于时空域联合建模的领域知识 演化脉络分析方法着重考虑两个问题：如何表示知 识概念之间的演化关系；如何从复杂的演化关系中 提取演化路径。 针对上述问题，本文设计的模型框 架由两部分组成：１）采用知识网络来表示知识概念 之间的演化关系，网络节点表示知识概念，网络边 表示连接两个知识概念存在知识演化关系；２）采用 “局部聚合，整体关联”的思想进行网络骨架聚类分 析。 “局部聚合”指骨架节点能够作为邻近节点的 聚类中心，形成局部稠密子图；“整体关联” 指各骨 架节点在网络图中是连通的，并且整条骨架上的各 节点聚类系数之和最小，则该骨架认为是网络图的 一条最优知识脉络。 １．１ 知识网络模块 在知识图谱领域，知识网络是研究知识发展的 重要工具［１６－２０］ 。 知识网络由节点和边组成，节点表 示知识实体单元，边表示实体单元之间的知识关 联。 按实体单元不同，节点可以是论文、专利、书 籍、关键词等；按知识关联不同，边可以是引证关 系、共现关系、合作关系等。 本文采用的知识网络 是一种改进的共词网络，以领域关键词为节点，以 演化关系权重作为边。 相对于引证网络，共词网络 能够更加直观有效地体现实体概念在网络结构上 的演化脉络。 本文构建的知识网络是一种加权无向网络，目 前对该类网络的研究主要包括两方面：１）网络节点 在网络图中的重要性评价，评价指标主要有节点词 频，节点度（无向图中出度入度相等，统称为节点 度），中介中心度等；２）基于节点连线的网络路径分 析，包括最短路径、关键路径、平均路径长度等。 网 络节点分析常用于获取网络主题分布，而网络路径 分析则用于预测领域知识发展方向、发现研究热 点等。 本文构建知识网络的过程主要包括以下 ３ 个步 骤。 １）获取网络节点：自动抽取数字媒体文献的关 键词，进行关键词筛选和统计，获取具有代表性的 领域关键词作为网络节点。 ２）提取节点关系：统计 关键词在文档中的共现频率，基于共现频率计算关 键词对的演化权重，以演化权重作为节点关系。 ３） 根据获取的网络节点以及节点关系逐年构建知识 网络，形成相邻年份网络结构关联的时空域联合知 识网络。 １．１．１ 知识术语抽取 随着自然语言处理领域的快速发展，领域术语 ·７３６· 智 能 系 统 学 报 第 １２ 卷
第5期 金晨，等：基于时空域联合建模的领域知识演化脉络分析 ·737. 抽取技术已取得显著的成绩21-2)】，并且涌现出了一 dis(s:s;)= ∑lj-il/n (1) 批成熟的术语抽取系统2】，其中最著名的是中科院 汉语分词系统NLPR。本节主要介绍如何使用 式中：i和j表示知识概念在序列中出现的位置，n NLPIR工具进行文档术语抽取及统计工作。术语 表示知识对在序列中出现的次数。语义距离越小 抽取的具体流程如图1所示：首先搜集指定领域相 表明实体概念s和s之间的演化强度越大。在实验 关的文本语料，然后调用NLPIR系统的KeyExtract_ 过程中本文设定语义距离阈值ε，当知识对在共现 GetKey Words方法进行单篇文档术语抽取，并将获 序列中位置差小于给定阈值时认为两个知识存在 取的关键词以键值对的形式存入HashMa即中，Key 演化关系，否则认为没有关系。如果节点对s:和s 表示关键词，Value表示关键词出现的次数，从而实 之间存在演化关系，则节点对在知识网络中必然存 现关键词次数统计。统计过程首先提取文档t:的 在一条关联路径。演化距离的定义如(2)式所示： 关键词集合K,如果关键词首次出现则存入 evo(s,s,)=exp[(>dis(s s;))/(2m8)]/m2 (2) HashMap,并将Key值设为l;如果关键词在 钙eT HashMap中已存在，则将关键词对应的Value值累 式中：T表示实体概念s:和s共现的文档集合，m表 加1；直到统计完该年所有文档中的关键词。最终 示共现文档数，evo(ss)值越小表明从概念s:演化 按Value值对关键词进行降序排序，获取频次较高 至s越容易。 的前N个关键词作为该领域术语集合。 提取演化关系具体流程如图2所示：将提取的 文本语料T={4,1,…) 关键词导入NLPR分词工具，作为用户自定义词 提取关键词 典，使分词工具能够实现粒度较大的分词。对单篇 文档，的关键词集合K 文档进行分词，筛选分词结果中的用户自定义词， K={k,k,:…,k} 初步得到文档关键词序列S,合并序列中相邻重复 统计 出现的关键词，得到相邻关键词不重复的新序列 以k,n的形式存储关键词 S'。在此基础上，进一步统计序列S中两两关键词 N <匹配一 对的关系。例如，s:和s是S中的两个关键词，按 y {s,d,ng}的格式进行存储，s表示关系对，dn表示 K的计数值n,+I 关系对在文档中的语义距离，n,表示关系对出现的 排序 次数。进一步，统计所有文档中出现的关系对，对 按计数值c降序排序关键词 于重复出现的关系对，d,值累加，n值累加。最终得 取计数值较大的前W个关键词 到每一对关系的平均语义距离及出现的次数。根 图1术语抽取流程 据式(2)计算每一对关系的演化距离，作为知识网 Fig.1 Term extraction process 络边的权重。 1.1.2时空域联合知识网络构建 文本语料7=，， 时空域联合知识网络旨在通过构建空间上连 导入关键词的分词 续层面的知识网络来表现知识在时间上的连续演 文档关键词序列S 化关系。联合知识网络构建过程可分为两步：首先 合并相邻重复词 逐年创建知识网络，然后根据相邻年份重复的网络 文档关键词序列S 节点自动形成空间上连续的网络结构。 关系统计 以关系s3,文档距离d 构建知识网络的核心工作在于提取网络节点 共现次数n)存储关系 之间的关系权重，本文将知识概念之间的演化关系 视为网络边权重。演化关系可认为是实体关 <匹配 系[25-26]的一种，这种关系是由知识概念在文档中的 距离权重d和共现次数n 语义距离和共现频率决定的，距离越小频率越高则 分别累加 演化强度越大。本文针对演化关系给出如下定义： 计算演化权重 根据式(2)计算关系的 对于给定的文档T,文档知识概念实体序列表示为 演化权重 S={s1,52s3,…},两个实体概念s:和s在序列S中 图2演化关系抽取流程 的语义距离计算如(1)式： Fig.2 Evolutionary relationship extraction process
抽取技术已取得显著的成绩［２１－２３］ ，并且涌现出了一 批成熟的术语抽取系统［２４］ ，其中最著名的是中科院 汉语分词系统 ＮＬＰＩＲ。 本节主要介绍如何使用 ＮＬＰＩＲ 工具进行文档术语抽取及统计工作。 术语 抽取的具体流程如图 １ 所示：首先搜集指定领域相 关的文本语料，然后调用 ＮＬＰＩＲ 系统的 ＫｅｙＥｘｔｒａｃｔ＿ ＧｅｔＫｅｙＷｏｒｄｓ 方法进行单篇文档术语抽取，并将获 取的关键词以键值对的形式存入 ＨａｓｈＭａｐ 中，Ｋｅｙ 表示关键词，Ｖａｌｕｅ 表示关键词出现的次数，从而实 现关键词次数统计。 统计过程首先提取文档 ｔ ｉ 的 关键 词 集 合 Ｋ， 如 果 关 键 词 首 次 出 现 则 存 入 ＨａｓｈＭａｐ， 并 将 Ｋｅｙ 值 设 为 １； 如 果 关 键 词 在 ＨａｓｈＭａｐ 中已存在，则将关键词对应的 Ｖａｌｕｅ 值累 加 １；直到统计完该年所有文档中的关键词。 最终 按 Ｖａｌｕｅ 值对关键词进行降序排序，获取频次较高 的前 Ｎ 个关键词作为该领域术语集合。 图 １ 术语抽取流程 Ｆｉｇ．１ Ｔｅｒｍ ｅｘｔｒａｃｔｉｏｎ ｐｒｏｃｅｓｓ １．１．２ 时空域联合知识网络构建 时空域联合知识网络旨在通过构建空间上连 续层面的知识网络来表现知识在时间上的连续演 化关系。 联合知识网络构建过程可分为两步：首先 逐年创建知识网络，然后根据相邻年份重复的网络 节点自动形成空间上连续的网络结构。 构建知识网络的核心工作在于提取网络节点 之间的关系权重，本文将知识概念之间的演化关系 视为 网 络 边 权 重。 演 化 关 系 可 认 为 是 实 体 关 系［２５－２６］的一种，这种关系是由知识概念在文档中的 语义距离和共现频率决定的，距离越小频率越高则 演化强度越大。 本文针对演化关系给出如下定义： 对于给定的文档 Ｔ，文档知识概念实体序列表示为 Ｓ ＝ ｛ｓ１ ，ｓ２ ，ｓ３ ，…｝，两个实体概念 ｓｉ和 ｓｊ在序列 Ｓ 中 的语义距离计算如（１）式： ｄｉｓ（ｓｉ ｓｊ） ＝ ∑ｓ ｉ ｓ ｊ∈Ｓ ｊ － ｉ ／ ｎ （１） 式中：ｉ 和 ｊ 表示知识概念在序列中出现的位置，ｎ 表示知识对在序列中出现的次数。 语义距离越小 表明实体概念 ｓｉ和 ｓｊ之间的演化强度越大。 在实验 过程中本文设定语义距离阈值 ε，当知识对在共现 序列中位置差小于给定阈值时认为两个知识存在 演化关系，否则认为没有关系。 如果节点对 ｓｉ 和 ｓｊ 之间存在演化关系，则节点对在知识网络中必然存 在一条关联路径。 演化距离的定义如（２）式所示： ｅｖｏ（ｓｉ ｓｊ） ＝ ｅｘｐ［（∑ ｓ ｉ ｓ ｊ∈Ｔ － ｄｉｓ（ｓｉ ｓｊ）） ２ ／ （２ｍ ２ δ ２ ）］ ／ ｍ ２ （２） 式中：Ｔ － 表示实体概念 ｓｉ 和 ｓｊ 共现的文档集合，ｍ 表 示共现文档数，ｅｖｏ（ ｓｉ ｓｊ）值越小表明从概念 ｓｉ 演化 至 ｓｊ 越容易。 提取演化关系具体流程如图 ２ 所示：将提取的 关键词导入 ＮＬＰＩＲ 分词工具，作为用户自定义词 典，使分词工具能够实现粒度较大的分词。 对单篇 文档进行分词，筛选分词结果中的用户自定义词， 初步得到文档关键词序列 Ｓ，合并序列中相邻重复 出现的关键词，得到相邻关键词不重复的新序列 Ｓ′。 在此基础上，进一步统计序列 Ｓ′中两两关键词 对的关系。 例如，ｓｉ 和 ｓｊ 是 Ｓ′中的两个关键词，按 ｛ｓｉｊ，ｄｉｊ，ｎｉｊ｝的格式进行存储，ｓｉｊ表示关系对，ｄｉｊ表示 关系对在文档中的语义距离，ｎｉｊ表示关系对出现的 次数。 进一步，统计所有文档中出现的关系对，对 于重复出现的关系对，ｄｉｊ值累加，ｎｉｊ值累加。 最终得 到每一对关系的平均语义距离及出现的次数。 根 据式（２）计算每一对关系的演化距离，作为知识网 络边的权重。 图 ２ 演化关系抽取流程 Ｆｉｇ．２ Ｅｖｏｌｕｔｉｏｎａｒｙ ｒｅｌａｔｉｏｎｓｈｉｐ ｅｘｔｒａｃｔｉｏｎ ｐｒｏｃｅｓｓ 第 ５ 期 金晨，等：基于时空域联合建模的领域知识演化脉络分析 ·７３７·
·738· 智能系统学报 第12卷 按照上述方法，我们以关键词作为知识网络节 点，以演化距离作为知识网络边的权重，逐年构建 知识网络，并根据相邻年份重复节点自动形成时空 域联合知识网络。图3为连续3年的时空域联合知 识网络结构，圆点表示知识概念，圆点半径越大表 年份 年份j 年份 明该知识在网络中的重要性越强：节点间的连线表 图4联合时空域知识网络演化路径 示演化关系，权重越小则节点距离越近，表明两个 Fig.4 Evolutionary paths in joint space-time 知识之间演化强度越大。虚线表示相邻年份知识 knowledge network 网络之间存在重叠的知识概念，通过这些重复的知 是知识间演化的必然趋势。不同的演化起点和演 识概念来建立连续年份之间的知识演化关系。 化终点对应不同的最短路径，因此需进一步通过骨 架聚类的方法来分析不同最短路径对整个网络结 构的演化重要性。 骨架由骨架节点组成，一个理想的骨架节点应 具有较好的中心性，相邻节点簇以骨架节点为聚类 中心构成一个知识主题。节点聚类系数具体计算 图3时空域联合知识网络结构 公式如(3)式所示： Fig.3 Space-time domain joint knowledge network structure CH(s)=∑djs(c,s)/C. (3) 1.2骨架聚类分析 CIEC 式中：CH(s)表示骨架节点s的聚类系数：C表示s 基于给定知识网络，如何从该知识网络中提取 所对应的知识主题：C,表示主题C包含的节点数； 理想的演化路径是本节主要讨论的问题。一条理 dis(*,*)表示节点间的最短路径。如果CH(s)聚 想的演化路径可看作若干条网络结构骨架的连接， 类系数值最小，则节点s被认为主题聚类中心，即骨 骨架是用于支撑网络结构或轮廓的支架，一条理想 架节点。进一步计算整条骨架的主题聚类系数，根 的骨架应具有中心性、连通性等特性。本文提出一 据骨架节点聚类系数平均值来选取最优的骨架。 种骨架聚类的方法提取知识网络中的演化路径。 具体计算公式如(4)式所示： 骨架聚类方法的整体思想是“局部聚合，整体关 联”。“局部聚合”的目的是将知识网络进行聚类划 SH(S)=∑CH(s)/S。 (4) sieS 分，每一个类可认为是一个知识主题，骨架节点应 式中S,表示骨架S包含的骨架节点数。如果骨架S 尽可能地分布在不同的知识主题中，并且该骨架节 的聚类系数平均值SH(S)最小，则认为该最短路径 点能够作为主题的一个聚类中心，使得主题聚类效 对应的骨架是一条理想演化路径。 果最优。“整体关联”的目的是将所有的骨架节点 1.3演化路径抽取 进行连接，整合成一条完整的骨架，理论上整条骨 进一步对演化路径抽取流程进行具体描述，算 架应尽可能全面地覆盖知识网络，并且使得骨架节 法详细描述了1990一2016年间的演化路径抽取流 点的主题聚类效果之和最优。 程。算法中步骤2)~4)，首先根据每一年的文本语 图4为知识网络演化路径示意图，圆点表示知 料生成该年的知识网络G,然后获取相邻年份知识 识节点，连线表示演化关系。图4展示了3个连续 交集G作为相邻年份演化路径的衔接知识，使得上 年份的知识网络i,j,k,其中A一B一C一D和 一年演化路径的终点为下一年演化路径的起点，如 O一P一Q一R表示两条完整的演化路径。每个知识 算法中5)~10)从1990年开始逐年提取演化路径。 网络中提取两条骨架路径，如年份i知识网络中实 演化第一年以当前年份知识网络G中任意节点为 线A一B和O一P所示。相邻知识网络间的虚线连 演化起点，以相邻年份知识网络交集G中的节点为 接表示上一年演化路径的终点与下一年演化路径 演化终点，进而提取所有可能的最短路径集合S作 的起点为同一个知识，如图4中B一B、C一C等。 为该年候选的演化路径。从演化第二年开始，上一 两个知识之间存在许多种可能的演化路径，其 年所提取的top-k条最优演化路径的演化终点VT 中最短路径认为是最优的演化路径。最短路径通 作为下一年演化起点。演化最后一年，由于不存在 常用于计算网络图中一个节点到其他节点的最小 与下一年知识网络知识交集，故演化终点即为该年 路径代价，在知识演化网络图中，最短路径可认为 知识网络中的任意节点。获取候选演化路径之后
按照上述方法，我们以关键词作为知识网络节 点，以演化距离作为知识网络边的权重，逐年构建 知识网络，并根据相邻年份重复节点自动形成时空 域联合知识网络。 图 ３ 为连续 ３ 年的时空域联合知 识网络结构，圆点表示知识概念，圆点半径越大表 明该知识在网络中的重要性越强；节点间的连线表 示演化关系，权重越小则节点距离越近，表明两个 知识之间演化强度越大。 虚线表示相邻年份知识 网络之间存在重叠的知识概念，通过这些重复的知 识概念来建立连续年份之间的知识演化关系。 图 ３ 时空域联合知识网络结构 Ｆｉｇ． ３ Ｓｐａｃｅ⁃ｔｉｍｅ ｄｏｍａｉｎ ｊｏｉｎｔ ｋｎｏｗｌｅｄｇｅ ｎｅｔｗｏｒｋ ｓｔｒｕｃｔｕｒｅ １．２ 骨架聚类分析 基于给定知识网络，如何从该知识网络中提取 理想的演化路径是本节主要讨论的问题。 一条理 想的演化路径可看作若干条网络结构骨架的连接， 骨架是用于支撑网络结构或轮廓的支架，一条理想 的骨架应具有中心性、连通性等特性。 本文提出一 种骨架聚类的方法提取知识网络中的演化路径。 骨架聚类方法的整体思想是“ 局部聚合，整体关 联”。 “局部聚合”的目的是将知识网络进行聚类划 分，每一个类可认为是一个知识主题，骨架节点应 尽可能地分布在不同的知识主题中，并且该骨架节 点能够作为主题的一个聚类中心，使得主题聚类效 果最优。 “整体关联”的目的是将所有的骨架节点 进行连接，整合成一条完整的骨架，理论上整条骨 架应尽可能全面地覆盖知识网络，并且使得骨架节 点的主题聚类效果之和最优。 图 ４ 为知识网络演化路径示意图，圆点表示知 识节点，连线表示演化关系。 图 ４ 展示了 ３ 个连续 年份 的 知 识 网 络 ｉ， ｊ， ｋ， 其 中 Ａ—Ｂ—Ｃ—Ｄ 和 Ｏ—Ｐ—Ｑ—Ｒ 表示两条完整的演化路径。 每个知识 网络中提取两条骨架路径，如年份 ｉ 知识网络中实 线 Ａ—Ｂ 和 Ｏ—Ｐ 所示。 相邻知识网络间的虚线连 接表示上一年演化路径的终点与下一年演化路径 的起点为同一个知识，如图 ４ 中 Ｂ—Ｂ、Ｃ—Ｃ 等。 两个知识之间存在许多种可能的演化路径，其 中最短路径认为是最优的演化路径。 最短路径通 常用于计算网络图中一个节点到其他节点的最小 路径代价，在知识演化网络图中，最短路径可认为 图 ４ 联合时空域知识网络演化路径 Ｆｉｇ．４ Ｅｖｏｌｕｔｉｏｎａｒｙ ｐａｔｈｓ ｉｎ ｊｏｉｎｔ ｓｐａｃｅ⁃ｔｉｍｅ ｋｎｏｗｌｅｄｇｅ ｎｅｔｗｏｒｋ 是知识间演化的必然趋势。 不同的演化起点和演 化终点对应不同的最短路径，因此需进一步通过骨 架聚类的方法来分析不同最短路径对整个网络结 构的演化重要性。 骨架由骨架节点组成，一个理想的骨架节点应 具有较好的中心性，相邻节点簇以骨架节点为聚类 中心构成一个知识主题。 节点聚类系数具体计算 公式如（３）式所示： ＣＨ（ｓ） ＝ ∑ｃｉ∈Ｃ ｄｊｓ（ｃｉ，ｓ） ／ Ｃｎ （３） 式中：ＣＨ（ ｓ）表示骨架节点 ｓ 的聚类系数；Ｃ 表示 ｓ 所对应的知识主题；Ｃｎ表示主题 Ｃ 包含的节点数； ｄｉｓ（∗，∗）表示节点间的最短路径。 如果 ＣＨ（ｓ）聚 类系数值最小，则节点 ｓ 被认为主题聚类中心，即骨 架节点。 进一步计算整条骨架的主题聚类系数，根 据骨架节点聚类系数平均值来选取最优的骨架。 具体计算公式如（４）式所示： ＳＨ（Ｓ） ＝ ∑ｓ ｉ∈Ｓ ＣＨ（ｓｉ） ／ Ｓｎ （４） 式中 Ｓｎ表示骨架 Ｓ 包含的骨架节点数。 如果骨架 Ｓ 的聚类系数平均值 ＳＨ（Ｓ）最小，则认为该最短路径 对应的骨架是一条理想演化路径。 １．３ 演化路径抽取 进一步对演化路径抽取流程进行具体描述，算 法详细描述了 １９９０—２０１６ 年间的演化路径抽取流 程。 算法中步骤 ２） ～４），首先根据每一年的文本语 料生成该年的知识网络 Ｇ，然后获取相邻年份知识 交集 Ｇ － 作为相邻年份演化路径的衔接知识，使得上 一年演化路径的终点为下一年演化路径的起点，如 算法中 ５） ～１０）从 １９９０ 年开始逐年提取演化路径。 演化第一年以当前年份知识网络 Ｇ 中任意节点为 演化起点，以相邻年份知识网络交集 Ｇ － 中的节点为 演化终点，进而提取所有可能的最短路径集合 Ｓ′作 为该年候选的演化路径。 从演化第二年开始，上一 年所提取的 ｔｏｐ⁃ｋ 条最优演化路径的演化终点 ＶＴ 作为下一年演化起点。 演化最后一年，由于不存在 与下一年知识网络知识交集，故演化终点即为该年 知识网络中的任意节点。 获取候选演化路径之后 ·７３８· 智 能 系 统 学 报 第 １２ 卷
第5期 金晨，等：基于时空域联合建模的领域知识演化脉络分析 ·739· 通过骨架聚类来分析最优的演化路径，如算法中 的部分文章均采用图片格式保存，导致格式转换出 11)~13)。对于S中的任何一条最短路径，以该路 现乱码，需通过程序进行筛选，去除无效数据。最 径上的节点作为网络的聚类中心，路径包含的节点 终，获取1990~2016年间数字媒体领域发表的部分 数作为聚类数，根据式(3)、(4)计算每一条最短路 具有代表性的学术文章，共计5420篇，其中1990年 径的聚类系数C,然后根据C.值对S'中的所有路 文章数量最少仅有11篇，2016年最多514篇。这 径进行排序，选择聚类系数最小的k(实验中k=10) 些文章基本能够代表数字媒体领域的发展动态及 条路径作为该年演化路径。完整的演化路径需将 研究成果。 相邻年份的演化路径进行连接，形成一条连续的， 2.2实验分析 覆盖该领域所有年份的演化脉络。步骤6)、8)、10) 实验部分主要基于知识网络展开分析，首先 已经保证了相邻年份演化路径的演化终点和演化 整合数字媒体领域历年的期刊文献，构建一个整 起，点相同，如算法中步骤15)所示，只需将相邻年份 体的领域知识网络，根据网络的词频、节点度来 的演化路径根据相同节点进行连接即可形成连续 整体分析数字媒体领域的核心知识和研究热点； 年份的知识演化脉络。 然后，针对历年数字媒体知识网络进行知识演化 连续年份知识演化路径提取算法详细描述 分析，并提取演化路径来展示数字媒体领域的发 如下： 1)for literature:∈L|1990≤i≤2016 展历程。 2.2.1网络节点分析 2)G,=GetKnowledgeGraph(l) 首先采用NLPIR分词工具进行数字媒体领域 3)if1990≤i≤2015 关键词提取，实验从每一篇文档中择优提取10个关 4)G=G,∩G1: 键词，并统计5420篇文档中所有关键词及其相应的 5)ifi=1990 词频，最终筛选获取词频最高的953个关键词作为 6)S'=djs(v,V,)veGi,v,G; 7)if1991≤i≤2015 数字媒体领域的知识术语。表1为出现频数最高的 8)S'=djs(v,V,)IV,EVT,V,EG; To即l0关键词，表中展示的“数字媒体”、“媒体”、 9)ifi=2016 “传统媒体”等关键词都是数字媒体领域非常有代 表性的知识术语，这在一定程度上展示了关键词提 10)S'={djs(V.,V,)lV.∈VT-1,V∈G}; 11)Let C,=SH(s)sES'; 取的有效性。 12)Sort S'by C.; 表1数字媒体领域整合词频前十关键词列表 13)get top-k items of S'; Tablel Most frequent ten key words in digital media 14)end knowledge domain 15)S=Link(S:,S); 序号 关键词 出现频数 实验研究 数字媒体 836 2.1实验数据 媒体 708 考虑领域的发展现状及研究热点，本文以数字 传统媒体 667 媒体领域作为实验研究对象。搜集和处理数据的 信息 542 步骤如下：首先数据来源选择CNK中国知网，分别 以“媒体”和“数字媒体”作为检索输入，以“关键 新闻 409 词”和“摘要”作为检索项，检索1990~2016年期间 6 传播 356 发表的期刊文章。再按年份下载CAJ格式论文，并 7 以“1990-01”的格式保存在相应年份的文件夹下。 数字电视 336 如果某一年发表的文章数量较多，则根据文章的下 网络 325 载量和被引量择优选择300~500篇。然后，采用 9 广告 313 CAJViewer自带的“另存为”功能将CAJ格式转化成 10 电视 298 TXT格式，便于Java程序进行处理。由于早期发表
通过骨架聚类来分析最优的演化路径，如算法中 １１） ～１３）。 对于 Ｓ′中的任何一条最短路径，以该路 径上的节点作为网络的聚类中心，路径包含的节点 数作为聚类数，根据式（３）、（４）计算每一条最短路 径的聚类系数 Ｃｖ，然后根据 Ｃｖ 值对 Ｓ′中的所有路 径进行排序，选择聚类系数最小的 ｋ（实验中 ｋ ＝ １０） 条路径作为该年演化路径。 完整的演化路径需将 相邻年份的演化路径进行连接，形成一条连续的， 覆盖该领域所有年份的演化脉络。 步骤 ６）、８）、１０） 已经保证了相邻年份演化路径的演化终点和演化 起点相同，如算法中步骤 １５）所示，只需将相邻年份 的演化路径根据相同节点进行连接即可形成连续 年份的知识演化脉络。 连续年份知识演化路径提取算法详细描述 如下： １）ｆｏｒ ｌｉｔｅｒａｔｕｒｅ ｌ ｉ∈Ｌ １９９０≤ｉ≤２０１６ ２）Ｇｉ ＝ＧｅｔＫｎｏｗｌｅｄｇｅＧｒａｐｈ（ｌ ｉ） ３）ｉｆ １９９０≤ｉ≤２０１５ ４） Ｇ － ｉ ＝Ｇｉ∩Ｇｉ ＋１ ； ５）ｉｆ ｉ ＝ １９９０ ６）Ｓ′＝ ｛ｄｊｓ（Ｖｘ，Ｖｙ） Ｖｘ∈Ｇｉ，Ｖｙ∈Ｇ － ｉ｝； ７）ｉｆ １９９１≤ｉ≤２０１５ ８） Ｓ′＝ ｛ｄｊｓ（Ｖｘ，Ｖｙ） Ｖｘ∈ＶＴｉ －１ ，Ｖｙ∈Ｇ － ｉ｝； ９）ｉｆ ｉ ＝ ２０１６ １０） Ｓ′＝ ｛ｄｊｓ（Ｖｘ，Ｖｙ） Ｖｘ∈ＶＴｉ－１ ，Ｖｙ∈Ｇｉ｝； １１）Ｌｅｔ Ｃｖ ＝ ＳＨ（ｓ） ｓ∈Ｓ′； １２）Ｓｏｒｔ Ｓ′ ｂｙ Ｃｖ； １３）ｇｅｔ ｔｏｐ⁃ｋ ｉｔｅｍｓ ｏｆ Ｓ′； １４）ｅｎｄ １５）Ｓ ＝ Ｌｉｎｋ（Ｓｉ，Ｓｉ＋１ ）； ２ 实验研究 ２．１ 实验数据 考虑领域的发展现状及研究热点，本文以数字 媒体领域作为实验研究对象。 搜集和处理数据的 步骤如下：首先数据来源选择 ＣＮＫＩ 中国知网，分别 以“媒体” 和“数字媒体” 作为检索输入，以“关键 词”和“摘要”作为检索项，检索 １９９０ ～ ２０１６ 年期间 发表的期刊文章。 再按年份下载 ＣＡＪ 格式论文，并 以“１９９０－０１”的格式保存在相应年份的文件夹下。 如果某一年发表的文章数量较多，则根据文章的下 载量和被引量择优选择 ３００ ～ ５００ 篇。 然后，采用 ＣＡＪＶｉｅｗｅｒ 自带的“另存为”功能将 ＣＡＪ 格式转化成 ＴＸＴ 格式，便于 Ｊａｖａ 程序进行处理。 由于早期发表 的部分文章均采用图片格式保存，导致格式转换出 现乱码，需通过程序进行筛选，去除无效数据。 最 终，获取 １９９０～２０１６ 年间数字媒体领域发表的部分 具有代表性的学术文章，共计５ ４２０篇，其中 １９９０ 年 文章数量最少仅有 １１ 篇，２０１６ 年最多 ５１４ 篇。 这 些文章基本能够代表数字媒体领域的发展动态及 研究成果。 ２．２ 实验分析 实验部分主要基于知识网络展开分析，首先 整合数字媒体领域历年的期刊文献，构建一个整 体的领域知识网络，根据网络的词频、节点度来 整体分析数字媒体领域的核心知识和研究热点； 然后，针对历年数字媒体知识网络进行知识演化 分析，并提取演化路径来展示数字媒体领域的发 展历程。 ２．２．１ 网络节点分析 首先采用 ＮＬＰＩＲ 分词工具进行数字媒体领域 关键词提取，实验从每一篇文档中择优提取 １０ 个关 键词，并统计５ ４２０篇文档中所有关键词及其相应的 词频，最终筛选获取词频最高的 ９５３ 个关键词作为 数字媒体领域的知识术语。 表 １ 为出现频数最高的 Ｔｏｐ１０ 关键词，表中展示的“数字媒体”、 “ 媒体”、 “传统媒体”等关键词都是数字媒体领域非常有代 表性的知识术语，这在一定程度上展示了关键词提 取的有效性。 表 １ 数字媒体领域整合词频前十关键词列表 Ｔａｂｌｅ１ Ｍｏｓｔ ｆｒｅｑｕｅｎｔ ｔｅｎ ｋｅｙ ｗｏｒｄｓ ｉｎ ｄｉｇｉｔａｌ ｍｅｄｉａ ｋｎｏｗｌｅｄｇｅ ｄｏｍａｉｎ 序号 关键词 出现频数 １ 数字媒体 ８３６ ２ 媒体 ７０８ ３ 传统媒体 ６６７ ４ 信息 ５４２ ５ 新闻 ４０９ ６ 传播 ３５６ ７ 数字电视 ３３６ ８ 网络 ３２５ ９ 广告 ３１３ １０ 电视 ２９８ 第 ５ 期 金晨，等：基于时空域联合建模的领域知识演化脉络分析 ·７３９·
·740 智能系统学报 第12卷 进一步整合数字媒体1990~2016年所有的期 10 1.0r 刊文献，构建一个涵盖27年知识发展的整体知识网 8 络并分析网络节点度。以获取的953个知识术语作 6 控0.4 为数字媒体知识库，从5420篇期刊中提取这些关 0.2 0 键词在文档中的序列，并根据式(2)计算序列中关 101201301401501601701801901 节点编号 键词对的演化距离，以关键词作为网络节点，演化 图5知识网络节点度分布曲线 距离作为网络边构建知识网络。 Fig.5 Knowledge network node degree distribution 节点度表示知识网络中节点拥有的关系数量， 表2为部分年份知识网络节点度前20关键词 关系数量越大表明该关键词的重要性越强。图5为 列表，分析列表数据可知，1990年主要以“电视”、 953个关键词所拥有的116274对知识关系，关键词 “广播”、“电化教学”等传统媒体关键词为主，2000 度数服从长尾分布，表明知识网络内部拥有小部分 年以后“网络”、“互联网”、“手机”等关键词开始涌 现，而具有领域广泛代表性的“媒体”、“电视”等关 节点度较大的核心知识，大部分节点度较小的边缘 键词在各年份都高频出现，这在一定程度上体现了 知识，核心知识在网络中起到“桥梁”的作用，为边 数字媒体领域伴随年份的演化特征。 缘知识建立知识关联。 表2部分年份知识网络节点度前20关键词列表 Table 2 First 20 key works list of knowledge networks in some years 序号 1990年 1995年 2000年 2005年 2010年 2015年 1 电视 媒体 网络 媒体 媒体 媒体 2 广播 多媒体 电视 网络 网络 网络 3 媒体 计算机 媒体 数字 电视 互联网 4 计算机 电视 数字 电视 数字 数字 5 视听教材 图像 图像 数字化 互联网 视频 6 图像 网络 计算机 广播 数字化 电视 > 电大 多媒体技术 广播 多媒体 视频 数字化 8 视听教学 数字 数字化 视频 手机 数字技术 9 广播电视 软件 多媒体 计算机 多媒体 传统媒体 10 远距离教育 广播 软件 互联网 广告 手机 11 软件 视频 视频 图像 广播 软件 12 电影 电子 互联网 软件 计算机 网站 13 电视教育 光盘 上网 广告 传媒 传媒 14 电视教学 程序 电子 数字电视 数字技术 广告 15 电化教学 动画 广播电视 数字媒体 数字媒体 数字媒体 16 程序 多媒体信息 数字技术 电子 软件 媒体时代 17 动画 数据库 电脑 广播电视 图像 多媒体 18 数字媒体 多媒体系统 光盘 数字技术 网站 计算机 19 磁带 电脑 网站 电影 传统媒体 广播 20 录像机 电影 数据库 网站 电子 微博
进一步整合数字媒体 １９９０ ～ ２０１６ 年所有的期 刊文献，构建一个涵盖 ２７ 年知识发展的整体知识网 络并分析网络节点度。 以获取的 ９５３ 个知识术语作 为数字媒体知识库，从 ５ ４２０ 篇期刊中提取这些关 键词在文档中的序列，并根据式（２）计算序列中关 键词对的演化距离，以关键词作为网络节点，演化 距离作为网络边构建知识网络。 节点度表示知识网络中节点拥有的关系数量， 关系数量越大表明该关键词的重要性越强。 图 ５ 为 ９５３ 个关键词所拥有的 １１６ ２７４ 对知识关系，关键词 度数服从长尾分布，表明知识网络内部拥有小部分 节点度较大的核心知识，大部分节点度较小的边缘 知识，核心知识在网络中起到“桥梁” 的作用，为边 缘知识建立知识关联。 图 ５ 知识网络节点度分布曲线 Ｆｉｇ．５ Ｋｎｏｗｌｅｄｇｅ ｎｅｔｗｏｒｋ ｎｏｄｅ ｄｅｇｒｅｅ ｄｉｓｔｒｉｂｕｔｉｏｎ 表 ２ 为部分年份知识网络节点度前 ２０ 关键词 列表，分析列表数据可知，１９９０ 年主要以“电视”、 “广播”、“电化教学”等传统媒体关键词为主，２０００ 年以后“网络”、“互联网”、“手机”等关键词开始涌 现，而具有领域广泛代表性的“媒体”、“电视”等关 键词在各年份都高频出现，这在一定程度上体现了 数字媒体领域伴随年份的演化特征。 表 ２ 部分年份知识网络节点度前 ２０ 关键词列表 Ｔａｂｌｅ ２ Ｆｉｒｓｔ ２０ ｋｅｙ ｗｏｒｋｓ ｌｉｓｔ ｏｆ ｋｎｏｗｌｅｄｇｅ ｎｅｔｗｏｒｋｓ ｉｎ ｓｏｍｅ ｙｅａｒｓ 序号 １９９０ 年 １９９５ 年 ２０００ 年 ２００５ 年 ２０１０ 年 ２０１５ 年 １ 电视 媒体 网络 媒体 媒体 媒体 ２ 广播 多媒体 电视 网络 网络 网络 ３ 媒体 计算机 媒体 数字 电视 互联网 ４ 计算机 电视 数字 电视 数字 数字 ５ 视听教材 图像 图像 数字化 互联网 视频 ６ 图像 网络 计算机 广播 数字化 电视 ７ 电大 多媒体技术 广播 多媒体 视频 数字化 ８ 视听教学 数字 数字化 视频 手机 数字技术 ９ 广播电视 软件 多媒体 计算机 多媒体 传统媒体 １０ 远距离教育 广播 软件 互联网 广告 手机 １１ 软件 视频 视频 图像 广播 软件 １２ 电影 电子 互联网 软件 计算机 网站 １３ 电视教育 光盘 上网 广告 传媒 传媒 １４ 电视教学 程序 电子 数字电视 数字技术 广告 １５ 电化教学 动画 广播电视 数字媒体 数字媒体 数字媒体 １６ 程序 多媒体信息 数字技术 电子 软件 媒体时代 １７ 动画 数据库 电脑 广播电视 图像 多媒体 １８ 数字媒体 多媒体系统 光盘 数字技术 网站 计算机 １９ 磁带 电脑 网站 电影 传统媒体 广播 ２０ 录像机 电影 数据库 网站 电子 微博 ·７４０· 智 能 系 统 学 报 第 １２ 卷
第5期 金晨，等：基于时空域联合建模的领域知识演化脉络分析 .741· 2.2.2演化脉络分析 于路径包含大量演化节点，表中仅展示了每一年演 实验给出了数字媒体领域1990一2016年10 化路径的演化起点和演化终点。例如，1990年演化 条最优的演化路径。首先以1990年作为知识演 起点包括“报纸媒体”、“大众传媒”、“广告”、“数据 化起始年份，从中提取了10条聚类效果最优的 库”、“软件”，演化终点包括“数据库”、“广告”、“大 演化路径，并以该年的10个演化终点知识作为 众传媒”、“软件”、“电视信号”，由于中间节点的不 下一年的知识演化起点，以此获取10条连续的 同，这些起始节点总共组成了10条演化路径。1991 涵盖数字媒体领域27年的知识演化脉络。需要 年演化起点包含5个节点，演化终点包含4个节点， 指出的是，由于知识网络是一个无向图，某一年 其中“大众传播”和“电视信号”均演化为“远距离教 的演化路径无法体现演化的方向性，演化方向主 学”，总路径数为5条。直到2010年所有的演化路 要体现在连续年份上知识的发展。例如，某一年 径合并为一条，演化终点为“现代传媒”。进入“现 存在两条演化路径A一B一C和C一B一A,演化的 代传媒”时代之后，数字化技术开始盛行，包括“数 下一年将分别以节点C和节点A作为演化起点， 字广播”、“数字影音”、“数字游戏”等，整个过程体 因此在连续年份的知识演化上这两条路径的知 现了从“传统媒体”至“现代传媒”的一条演化脉络。 识演化方向是完全不同的。 10条演化路径演化趋势基本一致，表明了知识演化 表3给出了实验提取的10条最优演化路径，由 脉络的可靠性。 表3数字媒体领域10条最优演化路径 Table 3 Ten key evolutionary paths in digital media knowledge domain 年份 演化起点 演化终点 路径数 1990 报纸媒体、大众传媒、广告、数据库、软件 数据库、广告、大众传播、软件、电视信号 10 1991 数据库、广告、大众传播、软件、电视信号 无线电广播、动画片、远距离教学、电视广播 5 1992 无线电广播、动画片、远距离教学、电视广播 信息服务、新闻传播 4 1993 信息服务、新闻传播 报纸广告、人机交互 2 1994 报纸广告、人机交互 微软、卫星直播 2 1995 微软、卫星直播 视听教学、电子技术 2 1996 视听教学，电子技术 数字化处理、电视信号 2 1997 数字化处理、电视信号 杂志广告、软件工程 2 1998 杂志广告、软件工程 微处理芯片、计算机图形 2 1999 微处理芯片、计算机图形 媒体资源，电脑 2 2000 媒体资源、电脑 通信技术、网络广告 2 2001 通信技术、网络广告 互联网用户、卫星数字电视 2 2002 互联网用户、卫星数字电视 智能卡、媒体广告 2 2003 智能卡、媒体广告 网络电视、电影电视 2 2004 网络电视、电影电视 传统媒介、媒体业务 2 2005 传统媒介、媒体业务 客户端软件、楼宇电视 2 2006 客户端软件、楼宇电视 电视新闻媒体、信息社会 2 2007 电视新闻媒体、信息社会 电视广告、新闻媒体 2 2008 电视广告、新闻媒体 音频广播、移动电视 2 2009 音频广播、移动电视 游戏产业、大数据 2 2010 游戏产业、大数据 现代传媒 2 2011 现代传媒 音乐产业 2012 音乐产业 网络运营商 2013 网络运营商 网络资源 2014 网络资源 家庭影院 1 2015 家庭影院 互动体验 1 2016 互动体验 数字期刊
２．２．２ 演化脉络分析 实验给出了数字媒体领域 １９９０—２０１６ 年 １０ 条最优的演化路径。 首先以 １９９０ 年作为知识演 化起始年份，从中提取了 １０ 条聚类效果最优的 演化路径，并以该年的 １０ 个演化终点知识作为 下一年的知识演化起点，以此获取 １０ 条连续的 涵盖数字媒体领域 ２７ 年的知识演化脉络。 需要 指出的是，由于知识网络是一个无向图，某一年 的演化路径无法体现演化的方向性，演化方向主 要体现在连续年份上知识的发展。 例如，某一年 存在两条演化路径 Ａ—Ｂ—Ｃ 和 Ｃ—Ｂ—Ａ， 演化的 下一年将分别以节点 Ｃ 和节点 Ａ 作为演化起点， 因此在连续年份的知识演化上这两条路径的知 识演化方向是完全不同的。 表 ３ 给出了实验提取的 １０ 条最优演化路径，由 于路径包含大量演化节点，表中仅展示了每一年演 化路径的演化起点和演化终点。 例如，１９９０ 年演化 起点包括“报纸媒体”、“大众传媒”、“广告”、“数据 库”、“软件”，演化终点包括“数据库”、“广告”、“大 众传媒”、“软件”、“电视信号”，由于中间节点的不 同，这些起始节点总共组成了 １０ 条演化路径。 １９９１ 年演化起点包含 ５ 个节点，演化终点包含 ４ 个节点， 其中“大众传播”和“电视信号”均演化为“远距离教 学”，总路径数为 ５ 条。 直到 ２０１０ 年所有的演化路 径合并为一条，演化终点为“现代传媒”。 进入“现 代传媒”时代之后，数字化技术开始盛行，包括“数 字广播”、“数字影音”、“数字游戏”等，整个过程体 现了从“传统媒体”至“现代传媒”的一条演化脉络。 １０ 条演化路径演化趋势基本一致，表明了知识演化 脉络的可靠性。 表 ３ 数字媒体领域 １０ 条最优演化路径 Ｔａｂｌｅ ３ Ｔｅｎ ｋｅｙ ｅｖｏｌｕｔｉｏｎａｒｙ ｐａｔｈｓ ｉｎ ｄｉｇｉｔａｌ ｍｅｄｉａ ｋｎｏｗｌｅｄｇｅ ｄｏｍａｉｎ 年份 演化起点 演化终点 路径数 １９９０ 报纸媒体、大众传媒、广告、数据库、软件 数据库、广告、大众传播、软件、电视信号 １０ １９９１ 数据库、广告、大众传播、软件、电视信号 无线电广播、动画片、远距离教学、电视广播 ５ １９９２ 无线电广播、动画片、远距离教学、电视广播 信息服务、新闻传播 ４ １９９３ 信息服务、新闻传播 报纸广告、人机交互 ２ １９９４ 报纸广告、人机交互 微软、卫星直播 ２ １９９５ 微软、卫星直播 视听教学、电子技术 ２ １９９６ 视听教学、电子技术 数字化处理、电视信号 ２ １９９７ 数字化处理、电视信号 杂志广告、软件工程 ２ １９９８ 杂志广告、软件工程 微处理芯片、计算机图形 ２ １９９９ 微处理芯片、计算机图形 媒体资源、电脑 ２ ２０００ 媒体资源、电脑 通信技术、网络广告 ２ ２００１ 通信技术、网络广告 互联网用户、卫星数字电视 ２ ２００２ 互联网用户、卫星数字电视 智能卡、媒体广告 ２ ２００３ 智能卡、媒体广告 网络电视、电影电视 ２ ２００４ 网络电视、电影电视 传统媒介、媒体业务 ２ ２００５ 传统媒介、媒体业务 客户端软件、楼宇电视 ２ ２００６ 客户端软件、楼宇电视 电视新闻媒体、信息社会 ２ ２００７ 电视新闻媒体、信息社会 电视广告、新闻媒体 ２ ２００８ 电视广告、新闻媒体 音频广播、移动电视 ２ ２００９ 音频广播、移动电视 游戏产业、大数据 ２ ２０１０ 游戏产业、大数据 现代传媒 ２ ２０１１ 现代传媒 音乐产业 １ ２０１２ 音乐产业 网络运营商 １ ２０１３ 网络运营商 网络资源 １ ２０１４ 网络资源 家庭影院 １ ２０１５ 家庭影院 互动体验 １ ２０１６ 互动体验 数字期刊 １ 第 ５ 期 金晨，等：基于时空域联合建模的领域知识演化脉络分析 ·７４１·
·742. 智能系统学报 第12卷 为了更进一步地分析演化的细节，表4展示了 户”等关键词的出现标志着互联网技术也越来越 1990一2016年一条具有代表性的完整的演化路 成熟；2000年开始数字媒体正式进入“数字时 径。分析表4可知，数字媒体领域发展日新月异， 代”，“数字广播”、“数字电视”、“数字音乐”、“数 新的事物新的概念不断涌现。1990一1993年数字 字信息”等大量出现在人们的视野中：2010年开 媒体领域主要以传统媒体为主，包括电视、广播、 始，数字媒体领域呈现了多方趋势。“游戏产业”、 报纸等，并且将传统媒体广泛应用于教育事业，出 “网络游戏”等关键词体现了游戏行业的繁荣发 现了关键词“电化教学”、“教学媒体”、“远距离教 展：“虚拟世界”、“互动体验”“家庭影院”、“智能 育”等；1994年演化终点出现了关键词“微软”，这 移动终端”等关键词体现了数字媒体的发展将越 是推动数字媒体领域发展最重要的企业，这也标 来越贴近人们的生活，标志着生活智能化和艺术 志着计算机技术与数字媒体的融合。1995一2000 平民化时代的到来。路径整体演化趋势与10条 年，计算机技术得到更广泛的应用，包括数字化处 路径综合演化的整体趋势基本一致，进一步表明 理、图像处理等，同时“笔记本电脑”、“互联网用演化脉络的可靠性。 表4一条完整的代表性数字媒体知识演化路径 Table 4 Typical complete evolutionary path in digital media knowledge domain 年份 演化路径 1990 报纸媒体-广告-媒体-电教媒体-磁带-现代化教学媒体-媒体传播-图像-电视信号-软件-数据库 1991 数据库-图像-电视信号-录像机-电影-教学媒体-动画制作-电视-无线电广播 1992 无线电广播-大众传播媒体-远距离教育-电视媒体-印刷教材-广播-报纸-信息网络-信息服务 1993 信息服务-广告-音像出版社-电化教学-电子-大众传播媒介-传媒-电视新闻-报纸广告 1994 报纸广告-报纸-广播电视-录像机-录音机-游戏-微软 1995 微软-电子出版物-多媒体应用-计算机应用-多媒体系统-录音机-视听教学 1996 视听教学-视听教育-超媒体-电子-数字信号-信息技术-通信技术-数字化处理 1997 数字化处理-通信技术-电视传播-图像处理-平面媒体-媒体-杂志广告 1998 杂志广告一报纸广告-彩电一多媒体-信息内容-光盘-记录媒体-计算机-网络-微处理芯片 1999 微处理芯片-电子计算机-计算机-广播电视教育-电视-电视会议-电脑 2000 电脑-数字媒体-互联网-信息产业-网络-通信技术 2001 通信技术-数字信息-电子信息-信息技术-远程教育-笔记本电脑-移动电话-互联网用户 2002 互联网用户-多媒体数据-计算机-数字技术-数字化时代-数字时代-媒体广告 2003 媒体广告-数字时代-广播电视媒体-广播电视-因特网-音视频-广播-电影电视 2004 电影电视-广播-网络艺术-电子-宽带网络-网络媒体-媒体环境-互动媒体-传统艺术-传统媒介 2005 传统媒介-电视行业-有线电视-终端设备-计算机-软件开发-游戏-信息咨询-电子邮件-客户端软件 2006 客户端软件-软件-电视业-电影-网站-通信技术-广播-电视-电视新闻媒体 2007 电视新闻媒体-电视-广播-电子信息一移动电话-计算机-通信技术-新闻媒体 2008 新闻媒体-远程教育-电子商务-电子-数码-数字音频-音频广播 2009 音频广播-移动电视-网络游戏-网络广告-门户网站-视频广告-电视-游戏产业 2010 游戏产业-音乐产业-网络游戏-数据库-现代传媒 2011 现代传媒-网络-媒体-传统媒体-网络媒体-数字广告-文化产业-音乐产业 2012 音乐产业-信息网络传播-移动互联网-国际互联网-数字技术-网络运营商 2013 网络运营商-信息服务-博客-微博-媒体-网络资源 2014 网络资源-数字音频-传统电视节目-传统媒体-媒体-网络-通信技术-计算机-家庭影院 2015 家庭影院-电脑-虚拟世界-互联网-媒体-传统媒体-大众媒体-媒体时代-移动智能终端-互动体验 2016 互动体验-图像-印刷技术-数字媒体一媒体-广播-报纸-数字期刊
为了更进一步地分析演化的细节，表 ４ 展示了 １９９０—２０１６ 年一条具有代表性的完整的演化路 径。 分析表 ４ 可知，数字媒体领域发展日新月异， 新的事物新的概念不断涌现。 １９９０—１９９３ 年数字 媒体领域主要以传统媒体为主，包括电视、广播、 报纸等，并且将传统媒体广泛应用于教育事业，出 现了关键词“电化教学” 、“教学媒体” 、“远距离教 育”等；１９９４ 年演化终点出现了关键词“微软” ，这 是推动数字媒体领域发展最重要的企业，这也标 志着计算机技术与数字媒体的融合。 １９９５—２０００ 年，计算机技术得到更广泛的应用，包括数字化处 理、图像处理等，同时“ 笔记本电脑” 、“ 互联网用 户”等关键词的出现标志着互联网技术也越来越 成熟； ２０００ 年 开 始 数 字 媒 体 正 式 进 入 “ 数 字 时 代” ，“数字广播” 、“数字电视” 、“数字音乐” 、“数 字信息” 等大量出现在人们的视野中；２０１０ 年开 始，数字媒体领域呈现了多方趋势。 “游戏产业” 、 “网络游戏” 等关键词体现了游戏行业的繁荣发 展；“虚拟世界” 、“互动体验” “家庭影院” 、“智能 移动终端” 等关键词体现了数字媒体的发展将越 来越贴近人们的生活，标志着生活智能化和艺术 平民化时代的到来。 路径整体演化趋势与 １０ 条 路径综合演化的整体趋势基本一致，进一步表明 演化脉络的可靠性。 表 ４ 一条完整的代表性数字媒体知识演化路径 Ｔａｂｌｅ ４ Ｔｙｐｉｃａｌ ｃｏｍｐｌｅｔｅ ｅｖｏｌｕｔｉｏｎａｒｙ ｐａｔｈ ｉｎ ｄｉｇｉｔａｌ ｍｅｄｉａ ｋｎｏｗｌｅｄｇｅ ｄｏｍａｉｎ 年份 演化路径 １９９０ 报纸媒体－广告－媒体－电教媒体－磁带－现代化教学媒体－媒体传播－图像－电视信号－软件－数据库 １９９１ 数据库－图像－电视信号－录像机－电影－教学媒体－动画制作－电视－无线电广播 １９９２ 无线电广播－大众传播媒体－远距离教育－电视媒体－印刷教材－广播－报纸－信息网络－信息服务 １９９３ 信息服务－广告－音像出版社－电化教学－电子－大众传播媒介－传媒－电视新闻－报纸广告 １９９４ 报纸广告－报纸－广播电视－录像机－录音机－游戏－微软 １９９５ 微软－电子出版物－多媒体应用－计算机应用－多媒体系统－录音机－视听教学 １９９６ 视听教学－视听教育－超媒体－电子－数字信号－信息技术－通信技术－数字化处理 １９９７ 数字化处理－通信技术－电视传播－图像处理－平面媒体－媒体－杂志广告 １９９８ 杂志广告－报纸广告－彩电－多媒体－信息内容－光盘－记录媒体－计算机－网络－微处理芯片 １９９９ 微处理芯片－电子计算机－计算机－广播电视教育－电视－电视会议－电脑 ２０００ 电脑－数字媒体－互联网－信息产业－网络－通信技术 ２００１ 通信技术－数字信息－电子信息－信息技术－远程教育－笔记本电脑－移动电话－互联网用户 ２００２ 互联网用户－多媒体数据－计算机－数字技术－数字化时代－数字时代－媒体广告 ２００３ 媒体广告－数字时代－广播电视媒体－广播电视－因特网－音视频－广播－电影电视 ２００４ 电影电视－广播－网络艺术－电子－宽带网络－网络媒体－媒体环境－互动媒体－传统艺术－传统媒介 ２００５ 传统媒介－电视行业－有线电视－终端设备－计算机－软件开发－游戏－信息咨询－电子邮件－客户端软件 ２００６ 客户端软件－软件－电视业－电影－网站－通信技术－广播－电视－电视新闻媒体 ２００７ 电视新闻媒体－电视－广播－电子信息－移动电话－计算机－通信技术－新闻媒体 ２００８ 新闻媒体－远程教育－电子商务－电子－数码－数字音频－音频广播 ２００９ 音频广播－移动电视－网络游戏－网络广告－门户网站－视频广告－电视－游戏产业 ２０１０ 游戏产业－音乐产业－网络游戏－数据库－现代传媒 ２０１１ 现代传媒－网络－媒体－传统媒体－网络媒体－数字广告－文化产业－音乐产业 ２０１２ 音乐产业－信息网络传播－移动互联网－国际互联网－数字技术－网络运营商 ２０１３ 网络运营商－信息服务－博客－微博－媒体－网络资源 ２０１４ 网络资源－数字音频－传统电视节目－传统媒体－媒体－网络－通信技术－计算机－家庭影院 ２０１５ 家庭影院－电脑－虚拟世界－互联网－媒体－传统媒体－大众媒体－媒体时代－移动智能终端－互动体验 ２０１６ 互动体验－图像－印刷技术－数字媒体－媒体－广播－报纸－数字期刊 ·７４２· 智 能 系 统 学 报 第 １２ 卷
第5期 金晨，等：基于时空域联合建模的领域知识演化脉络分析 .743. 法：随机行走中的聚合效应[J].情报理论与实践，2015， 3 结束语 38(12):98-103. 本文提出了一种基于时空域联合建模的领域 XU Qi,FENG Yujing.A method of knowledge flow 知识演化脉络分析方法，并对1990一2016年间 extraction based on patent citation network:aggregation 5420篇数字媒体领域期刊文献进行了研究分析。 effect in random walk[].Information theory and practice, 2015,38(12):98-103. 首先，构建了一个数字媒体领域的整体知识网络， [7]黄玮强，庄新田，姚爽.产业集群广义创新合作网络演 从节点词频、节点度等分析领域的核心知识及知识 化[J].东北大学学报自然科学版，2012,33(4)： 结构。进而，构建了一个时空域联合知识网络，并 592-596. 根据骨架聚类算法提取相应年份的网络骨架，连接 HUANG Weiqiang,ZHUANG Xintian,YAO Shuang. 形成连续年份的演化脉络，并根据获取的演化脉络 Evolution of generalized innovation network in industry 对数字媒体领域的发展进行深入分析。研究表明， clusters [J].Journal of northeastem university:natural 数字媒体领域的发展可以概括为，从20世纪90年 science,2012,33(4):592-596. 代初期的“电视”、“广播”、“报纸”等传统媒体到 [8]关世杰，赵海.互联网技术领域科研合作网络分析[」] 2000年正式进入现代传媒，各种传统媒体都向数字 东北大学学报：自然科学版，2013,34(4)：509-511. 化转型，并由此又衍生出多个重点领域，包括“数字 GUAN Shijie,ZHAO Hai.Analysis of scientific research 游戏”、“数字动漫”、“数字影音”、“数字出版”、“数 cooperation network in internet technology[].Journal of northeastern university:natural science,2013,34(4): 字学习”等。 509-511. 综合分析可知，本文方法是领域知识建模分析 [9]陆浩，王飞跃，刘德荣，等.基于科研知识图谱的近年 的一种新颖手段，不仅具备良好的技术参考价值 国内外自动化学科发展综述[」].自动化学报，2014,40 而且对个性化知识推荐与学习具有显著实用价值。 (5):994-1015. LU Hao,WANG Feiyue,LIU Derong,et al.A summary of 参考文献： development of automation discipline at home and abroad in [1]BODNER G M.Constructivism:a theory of knowledge [] recent years based on scientific research knowledge J]. Journal of chemical education,1985,63(10):873-878. Acta automatica sinica,2014,40(5):994-1015. [2]MCCOURT D M.Practice theory and relationalism as the [10]张斌.共词网络的结构与演化：概念与理论进展[J].情 new constructivism[J].International studies quarterly, 报杂志，2014,33(7)：103-109. 2016,60(3):475-485. ZHANG Bin.The structure and evolution of co-word [3]高俊平，张晖，赵旭剑，等.面向维基百科的领域知识 networks:concept and theoretical progress[J].Journal of 演化关系抽[J].计算机学报，2016,39(10)： intelligence,2014.33(7):103-109. 2088-2101, [11]张豪锋，李海龙.我国教育技术学研究前沿探讨—一基 GAO Junping,CHEN Hui,ZHAO Xujian.Evolutionary 于核心期刊关键词的共词网络与聚类分析[J].电化教 relation extraction for domain knowledge in WikipediaJ]. 育研究，2011(10)：26-29. Chinese journal of computers,2016,39(10):2088-2101. ZHANG Haofeng,LI Hailong.Frontier study of educational [4]马费成，陈潇俊，刘向.基于科学知识图谱分析的知识 technology research in China-Co-word network and cluster 演化研究一以生物医学为例[J].情报科学，2012,30 analysis based on keywords in core journals [J]. (1):1-7 Eeducation research,2011(10):26-29. MA Feicheng,CHEN Xiaojun,LIU Xiang.Study on the [12]吴建南，郑烨，张攀，等.基于共词网络分析的国内创 knowledge evolution based on mapping scientific domain-a 新驱动研究热点与趋势[J刀].中国科技论坛，2014(6)： case of the biomedicine field[J ]Information science, 17-23. 2012,30(1):1-7. WU Jiannan,ZHENG Ye,ZHANG Pan,et al.Research [5]刘向，马费成.科学知识网络的演化与动力一基于科 focus and trend of domestic innovation driven research 学引证网络的分析[J].管理科学学报，2012,15(1)： based on co-word network analysis[J].China science and 87-94. technology forum,2014(6):17-23. LIU Xiang,MA Feicheng.Evolution and dynamics of [13]宗瑜，李明楚，江贺.近似骨架导向的归约聚类算法 scientific knowledge network:Based on the study of [J].电子与信息学报，2009,31(12)：2953-2957. scientific citation network[].Journal of management ZONG Yu,LI Mingchu,JIANG He.Approximation of sciences in China,2012,15(1):87-94. skeleton-oriented reduction clustering algorithm[J]. [6]许琦，冯羽静.一种基于专利引证网络的知识流提取方 Journal of electronics and information technology,2009
３ 结束语 本文提出了一种基于时空域联合建模的领域 知识 演 化 脉 络 分 析 方 法， 并 对 １９９０—２０１６ 年 间 ５ ４２０篇数字媒体领域期刊文献进行了研究分析。 首先，构建了一个数字媒体领域的整体知识网络， 从节点词频、节点度等分析领域的核心知识及知识 结构。 进而，构建了一个时空域联合知识网络，并 根据骨架聚类算法提取相应年份的网络骨架，连接 形成连续年份的演化脉络，并根据获取的演化脉络 对数字媒体领域的发展进行深入分析。 研究表明， 数字媒体领域的发展可以概括为，从 ２０ 世纪 ９０ 年 代初期的“电视”、“广播”、“报纸” 等传统媒体到 ２０００ 年正式进入现代传媒，各种传统媒体都向数字 化转型，并由此又衍生出多个重点领域，包括“数字 游戏”、“数字动漫”、“数字影音”、“数字出版”、“数 字学习”等。 综合分析可知，本文方法是领域知识建模分析 的一种新颖手段，不仅具备良好的技术参考价值， 而且对个性化知识推荐与学习具有显著实用价值。 参考文献： ［１］ＢＯＤＮＥＲ Ｇ Ｍ． Ｃｏｎｓｔｒｕｃｔｉｖｉｓｍ： ａ ｔｈｅｏｒｙ ｏｆ ｋｎｏｗｌｅｄｇｅ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｃｈｅｍｉｃａｌ ｅｄｕｃａｔｉｏｎ， １９８５， ６３（１０）： ８７３－８７８． ［２］ ＭＣＣＯＵＲＴ Ｄ Ｍ． Ｐｒａｃｔｉｃｅ ｔｈｅｏｒｙ ａｎｄ ｒｅｌａｔｉｏｎａｌｉｓｍ ａｓ ｔｈｅ ｎｅｗ ｃｏｎｓｔｒｕｃｔｉｖｉｓｍ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ ｓｔｕｄｉｅｓ ｑｕａｒｔｅｒｌｙ， ２０１６， ６０（３）： ４７５－４８５． ［３］高俊平， 张晖， 赵旭剑， 等． 面向维基百科的领域知识 演化 关 系 抽 ［ Ｊ ］． 计 算 机 学 报， ２０１６， ３９ （ １０ ）： ２０８８－２１０１． ＧＡＯ Ｊｕｎｐｉｎｇ， ＣＨＥＮ Ｈｕｉ， ＺＨＡＯ Ｘｕｊｉａｎ． Ｅｖｏｌｕｔｉｏｎａｒｙ ｒｅｌａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ ｆｏｒ ｄｏｍａｉｎ ｋｎｏｗｌｅｄｇｅ ｉｎ Ｗｉｋｉｐｅｄｉａ［ Ｊ］． Ｃｈｉｎｅｓｅ ｊｏｕｒｎａｌ ｏｆ ｃｏｍｐｕｔｅｒｓ， ２０１６， ３９（１０）： ２０８８－２１０１． ［４］马费成， 陈潇俊， 刘向． 基于科学知识图谱分析的知识 演化研究—以生物医学为例［ Ｊ］． 情报科学， ２０１２， ３０ （１）：１－７． ＭＡ Ｆｅｉｃｈｅｎｇ， ＣＨＥＮ Ｘｉａｏｊｕｎ， ＬＩＵ Ｘｉａｎｇ． Ｓｔｕｄｙ ｏｎ ｔｈｅ ｋｎｏｗｌｅｄｇｅ ｅｖｏｌｕｔｉｏｎ ｂａｓｅｄ ｏｎ ｍａｐｐｉｎｇ ｓｃｉｅｎｔｉｆｉｃ ｄｏｍａｉｎ—ａ ｃａｓｅ ｏｆ ｔｈｅ ｂｉｏｍｅｄｉｃｉｎｅ ｆｉｅｌｄ ［ Ｊ ］． Ｉｎｆｏｒｍａｔｉｏｎ ｓｃｉｅｎｃｅ， ２０１２， ３０（１）： １－７． ［５］刘向， 马费成． 科学知识网络的演化与动力———基于科 学引证网络的分析［ Ｊ］． 管理科学学报， ２０１２， １５（ １）： ８７－９４． ＬＩＵ Ｘｉａｎｇ， ＭＡ Ｆｅｉｃｈｅｎｇ． Ｅｖｏｌｕｔｉｏｎ ａｎｄ ｄｙｎａｍｉｃｓ ｏｆ ｓｃｉｅｎｔｉｆｉｃ ｋｎｏｗｌｅｄｇｅ ｎｅｔｗｏｒｋ： Ｂａｓｅｄ ｏｎ ｔｈｅ ｓｔｕｄｙ ｏｆ ｓｃｉｅｎｔｉｆｉｃ ｃｉｔａｔｉｏｎ ｎｅｔｗｏｒｋ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｍａｎａｇｅｍｅｎｔ ｓｃｉｅｎｃｅｓ ｉｎ Ｃｈｉｎａ， ２０１２， １５（１）： ８７－９４． ［６］许琦， 冯羽静． 一种基于专利引证网络的知识流提取方 法：随机行走中的聚合效应［Ｊ］． 情报理论与实践， ２０１５， ３８（１２）： ９８－１０３． ＸＵ Ｑｉ， ＦＥＮＧ Ｙｕｊｉｎｇ． Ａ ｍｅｔｈｏｄ ｏｆ ｋｎｏｗｌｅｄｇｅ ｆｌｏｗ ｅｘｔｒａｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｐａｔｅｎｔ ｃｉｔａｔｉｏｎ ｎｅｔｗｏｒｋ： ａｇｇｒｅｇａｔｉｏｎ ｅｆｆｅｃｔ ｉｎ ｒａｎｄｏｍ ｗａｌｋ［ Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ ｔｈｅｏｒｙ ａｎｄ ｐｒａｃｔｉｃｅ， ２０１５， ３８（１２）： ９８－１０３． ［７］黄玮强， 庄新田， 姚爽． 产业集群广义创新合作网络演 化［ Ｊ］． 东 北 大 学 学 报 自 然 科 学 版， ２０１２， ３３ （ ４ ）： ５９２－５９６． ＨＵＡＮＧ Ｗｅｉｑｉａｎｇ， ＺＨＵＡＮＧ Ｘｉｎｔｉａｎ， ＹＡＯ Ｓｈｕａｎｇ． Ｅｖｏｌｕｔｉｏｎ ｏｆ ｇｅｎｅｒａｌｉｚｅｄ ｉｎｎｏｖａｔｉｏｎ ｎｅｔｗｏｒｋ ｉｎ ｉｎｄｕｓｔｒｙ ｃｌｕｓｔｅｒｓ ［ Ｊ ］． Ｊｏｕｒｎａｌ ｏｆ ｎｏｒｔｈｅａｓｔｅｒｎ ｕｎｉｖｅｒｓｉｔｙ： ｎａｔｕｒａｌ ｓｃｉｅｎｃｅ， ２０１２， ３３（４）： ５９２－５９６． ［８］关世杰， 赵海． 互联网技术领域科研合作网络分析［ Ｊ］． 东北大学学报：自然科学版， ２０１３， ３４（４）： ５０９－５１１． ＧＵＡＮ Ｓｈｉｊｉｅ， ＺＨＡＯ Ｈａｉ． Ａｎａｌｙｓｉｓ ｏｆ ｓｃｉｅｎｔｉｆｉｃ ｒｅｓｅａｒｃｈ ｃｏｏｐｅｒａｔｉｏｎ ｎｅｔｗｏｒｋ ｉｎ ｉｎｔｅｒｎｅｔ ｔｅｃｈｎｏｌｏｇｙ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｎｏｒｔｈｅａｓｔｅｒｎ ｕｎｉｖｅｒｓｉｔｙ： ｎａｔｕｒａｌ ｓｃｉｅｎｃｅ， ２０１３， ３４ （ ４ ）： ５０９－５１１． ［９］陆浩， 王飞跃， 刘德荣， 等． 基于科研知识图谱的近年 国内外自动化学科发展综述［Ｊ］． 自动化学报， ２０１４， ４０ （５）： ９９４－１０１５． ＬＵ Ｈａｏ， ＷＡＮＧ Ｆｅｉｙｕｅ， ＬＩＵ Ｄｅｒｏｎｇ， ｅｔ ａｌ． Ａ ｓｕｍｍａｒｙ ｏｆ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ａｕｔｏｍａｔｉｏｎ ｄｉｓｃｉｐｌｉｎｅ ａｔ ｈｏｍｅ ａｎｄ ａｂｒｏａｄ ｉｎ ｒｅｃｅｎｔ ｙｅａｒｓ ｂａｓｅｄ ｏｎ ｓｃｉｅｎｔｉｆｉｃ ｒｅｓｅａｒｃｈ ｋｎｏｗｌｅｄｇｅ ［ Ｊ ］． Ａｃｔａ ａｕｔｏｍａｔｉｃａ ｓｉｎｉｃａ， ２０１４， ４０（５）： ９９４－１０１５． ［１０］张斌． 共词网络的结构与演化：概念与理论进展［Ｊ］． 情 报杂志， ２０１４， ３３（７）：１０３－１０９． ＺＨＡＮＧ Ｂｉｎ． Ｔｈｅ ｓｔｒｕｃｔｕｒｅ ａｎｄ ｅｖｏｌｕｔｉｏｎ ｏｆ ｃｏ⁃ｗｏｒｄ ｎｅｔｗｏｒｋｓ： ｃｏｎｃｅｐｔ ａｎｄ ｔｈｅｏｒｅｔｉｃａｌ ｐｒｏｇｒｅｓｓ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｉｎｔｅｌｌｉｇｅｎｃｅ， ２０１４， ３３（７）： １０３－１０９． ［１１］张豪锋， 李海龙． 我国教育技术学研究前沿探讨———基 于核心期刊关键词的共词网络与聚类分析［ Ｊ］． 电化教 育研究， ２０１１（１０）： ２６－２９． ＺＨＡＮＧ Ｈａｏｆｅｎｇ， ＬＩ Ｈａｉｌｏｎｇ． Ｆｒｏｎｔｉｅｒ ｓｔｕｄｙ ｏｆ ｅｄｕｃａｔｉｏｎａｌ ｔｅｃｈｎｏｌｏｇｙ ｒｅｓｅａｒｃｈ ｉｎ Ｃｈｉｎａ⁃Ｃｏ⁃ｗｏｒｄ ｎｅｔｗｏｒｋ ａｎｄ ｃｌｕｓｔｅｒ ａｎａｌｙｓｉｓ ｂａｓｅｄ ｏｎ ｋｅｙｗｏｒｄｓ ｉｎ ｃｏｒｅ ｊｏｕｒｎａｌｓ ［ Ｊ ］． Ｅｅｄｕｃａｔｉｏｎ ｒｅｓｅａｒｃｈ， ２０１１（１０）： ２６－２９． ［１２］吴建南， 郑烨， 张攀，等． 基于共词网络分析的国内创 新驱动研究热点与趋势［Ｊ］． 中国科技论坛， ２０１４（６）： １７－２３． ＷＵ Ｊｉａｎｎａｎ， ＺＨＥＮＧ Ｙｅ， ＺＨＡＮＧ Ｐａｎ， ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｆｏｃｕｓ ａｎｄ ｔｒｅｎｄ ｏｆ ｄｏｍｅｓｔｉｃ ｉｎｎｏｖａｔｉｏｎ ｄｒｉｖｅｎ ｒｅｓｅａｒｃｈ ｂａｓｅｄ ｏｎ ｃｏ⁃ｗｏｒｄ ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓ［ Ｊ］． Ｃｈｉｎａ ｓｃｉｅｎｃｅ ａｎｄ ｔｅｃｈｎｏｌｏｇｙ ｆｏｒｕｍ， ２０１４（６）： １７－２３． ［１３］宗瑜， 李明楚， 江贺． 近似骨架导向的归约聚类算法 ［Ｊ］． 电子与信息学报， ２００９， ３１（１２）： ２９５３－２９５７． ＺＯＮＧ Ｙｕ， ＬＩ Ｍｉｎｇｃｈｕ， ＪＩＡＮＧ Ｈｅ． Ａｐｐｒｏｘｉｍａｔｉｏｎ ｏｆ ｓｋｅｌｅｔｏｎ⁃ｏｒｉｅｎｔｅｄ ｒｅｄｕｃｔｉｏｎ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ［ Ｊ ］． Ｊｏｕｒｎａｌ ｏｆ ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄ ｉｎｆｏｒｍａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ， ２００９， 第 ５ 期 金晨，等：基于时空域联合建模的领域知识演化脉络分析 ·７４３·
·744. 智能系统学报 第12卷 31(12):2953-2957 [22]GUAN A,WANG Y,YANG L.Automatic term extraction [14]金萍，宗瑜，屈世超，等.面向不确定数据的近似骨架 for chinese opera domain ontology [C]//International 启发式聚类算法[J].南京大学学报自然科学，2015， Conference on Fuzzy Systems and Knowledge Discovery. 51(1):197-205. Zhangjiajie,China,2015:1372-1376. JIN Ping,ZONG Yu,QU Shichao,et al.Approximate [23]TAO L,WANG X L,GUAN Y,et al.Domain-specific skeleton heuristic clustering algorithm for uncertain term extraction and its application in text classification[]. data[J].Journal of Nanjing university:natural sciences, Acta electronica sinica,2007,35(2):328-332. 2015,51(1):197-205. [24]MTC Castellvi,RE Bagot,JV Palatresi.Automatic term [15]LU Z.SUN X,WEN Y,et al.Skeleton construction in detection:a review of current systems[J].Recent advances mobile social networks:algorithms and applications[C]/ in computational terminology,2008,52(1):53-88. Eleventh IEEE International Conference on Sensing, [25]黄勋，游宏梁，于洋.关系抽取技术研究综述[J].现代 Communication,and Networking.Singapore,Singapore, 图书情报技术，2013,29(11)：30-39. 2014:477-485. HUANG Xun,YOU Hongliang,YU Yang.A summary of [16]刘向，马费成，王晓光.知识网络的结构及过程模型 research on relational extraction technology[J].New [J].系统工程理论与实践，2013,33(7)：1836-1844. technology of library and information service,2013,29 LIU Xiang,MA Feicheng,WANG Xiaoguang.The (11):30-39. structure and process model of knowledge network [J]. [26]DEY L,ABULAISH M,SHARMA G.Text Mining through System engineering theory and practice,2013,33(7): Entity-Relationship Based Information Extraction [C]/ 1836-1844. International Conferences on Web Intelligence and [17]马费成，刘向.科学知识网络的演化模型[J].系统工 Intelligent Agent Technology-Workshops.Silicon Valley, 程理论与实践，2013,33(2)：437-443. USA,2007:177-180. MA Feicheng,LIU Xiang.Evolution model of scientific 作者简介： knowledge network J].System engineering theory and 金晨，男，1991年生，硕士研究生， practice,2013,33(2):437-443. 主要研究方向为人工智能、机器学习、 [18]刘向，马费成，陈潇俊，等.知识网络的结构与演化 知识网络。 概念与理论进展[J].情报科学，2011(06)：801-809. LIU Xiang,MA Feicheng,CHEN Xiaojun,et al.The structure and evolution of knowledge network-concept and theory progress[].Information science,2011 (06): 801-809. 谢振平，男，1979年生，副教授， [19]PFEIFFER J J,MORENO S,FOND T L,et al.Attributed CCF会员，博士，主要研究方向为演化 graph models:modeling network structure with correlated 认知、知识网络、机器视觉。 attributes[C]//The International World Wide Web Conference.Seoul,Korea,2014:831-842. [20]CHOI J,YI S,LEE K C.Analysis of keyword networks in MIS research and implications for predicting knowledge evolution[J].Information and management,2011,48 任立园，女，1990年生，硕士研究 (8):371-381. 生，主要研究方向为机器学习、数据 [21]袁劲松，张小明，李舟军.术语自动抽取方法研究综述 挖掘。 [J].计算机科学，2015,42(8)：7-12. YUAN Jinsong,ZHANG Xiaoming,LI Zhoujun.A summary of the study on automatic extraction of terminology [J].Computer science,2015,42(8):7-12
３１（１２）： ２９５３－２９５７． ［１４］金萍， 宗瑜， 屈世超，等． 面向不确定数据的近似骨架 启发式聚类算法［ Ｊ］． 南京大学学报自然科学， ２０１５， ５１（１）： １９７－２０５． ＪＩＮ Ｐｉｎｇ， ＺＯＮＧ Ｙｕ， ＱＵ Ｓｈｉｃｈａｏ， ｅｔ ａｌ． Ａｐｐｒｏｘｉｍａｔｅ ｓｋｅｌｅｔｏｎ ｈｅｕｒｉｓｔｉｃ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｕｎｃｅｒｔａｉｎ ｄａｔａ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｎａｎｊｉｎｇ ｕｎｉｖｅｒｓｉｔｙ： ｎａｔｕｒａｌ ｓｃｉｅｎｃｅｓ， ２０１５， ５１（１）： １９７－２０５． ［１５］ＬＵ Ｚ， ＳＵＮ Ｘ， ＷＥＮ Ｙ， ｅｔ ａｌ． Ｓｋｅｌｅｔｏｎ ｃｏｎｓｔｒｕｃｔｉｏｎ ｉｎ ｍｏｂｉｌｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ： ａｌｇｏｒｉｔｈｍｓ ａｎｄ ａｐｐｌｉｃａｔｉｏｎｓ［Ｃ］ ／ ／ Ｅｌｅｖｅｎｔｈ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｅｎｓｉｎｇ， Ｃｏｍｍｕｎｉｃａｔｉｏｎ， ａｎｄ Ｎｅｔｗｏｒｋｉｎｇ． Ｓｉｎｇａｐｏｒｅ， Ｓｉｎｇａｐｏｒｅ， ２０１４： ４７７－４８５． ［１６］刘向， 马费成， 王晓光． 知识网络的结构及过程模型 ［Ｊ］． 系统工程理论与实践， ２０１３， ３３（７）： １８３６－１８４４． ＬＩＵ Ｘｉａｎｇ， ＭＡ Ｆｅｉｃｈｅｎｇ， ＷＡＮＧ Ｘｉａｏｇｕａｎｇ． Ｔｈｅ ｓｔｒｕｃｔｕｒｅ ａｎｄ ｐｒｏｃｅｓｓ ｍｏｄｅｌ ｏｆ ｋｎｏｗｌｅｄｇｅ ｎｅｔｗｏｒｋ ［ Ｊ ］． Ｓｙｓｔｅｍ ｅｎｇｉｎｅｅｒｉｎｇ ｔｈｅｏｒｙ ａｎｄ ｐｒａｃｔｉｃｅ， ２０１３， ３３ （ ７）： １８３６－１８４４． ［１７］马费成， 刘向． 科学知识网络的演化模型［ Ｊ］． 系统工 程理论与实践， ２０１３， ３３（２）： ４３７－４４３． ＭＡ Ｆｅｉｃｈｅｎｇ， ＬＩＵ Ｘｉａｎｇ． Ｅｖｏｌｕｔｉｏｎ ｍｏｄｅｌ ｏｆ ｓｃｉｅｎｔｉｆｉｃ ｋｎｏｗｌｅｄｇｅ ｎｅｔｗｏｒｋ ［ Ｊ ］． Ｓｙｓｔｅｍ ｅｎｇｉｎｅｅｒｉｎｇ ｔｈｅｏｒｙ ａｎｄ ｐｒａｃｔｉｃｅ， ２０１３， ３３（２）： ４３７－４４３． ［１８］刘向，马费成，陈潇俊，等． 知识网络的结构与演化——— 概念与理论进展［Ｊ］． 情报科学，２０１１（０６）： ８０１－８０９． ＬＩＵ Ｘｉａｎｇ， ＭＡ Ｆｅｉｃｈｅｎｇ， ＣＨＥＮ Ｘｉａｏｊｕｎ， ｅｔ ａｌ． Ｔｈｅ ｓｔｒｕｃｔｕｒｅ ａｎｄ ｅｖｏｌｕｔｉｏｎ ｏｆ ｋｎｏｗｌｅｄｇｅ ｎｅｔｗｏｒｋ－ｃｏｎｃｅｐｔ ａｎｄ ｔｈｅｏｒｙ ｐｒｏｇｒｅｓｓ［Ｊ］． Ｉｎｆｏｒｍａｔｉｏｎ ｓｃｉｅｎｃｅ， ２０１１ （ ０６ ）： ８０１－８０９． ［１９］ＰＦＥＩＦＦＥＲ Ｊ Ｊ， ＭＯＲＥＮＯ Ｓ， ＦＯＮＤ Ｔ Ｌ， ｅｔ ａｌ． Ａｔｔｒｉｂｕｔｅｄ ｇｒａｐｈ ｍｏｄｅｌｓ： ｍｏｄｅｌｉｎｇ ｎｅｔｗｏｒｋ ｓｔｒｕｃｔｕｒｅ ｗｉｔｈ ｃｏｒｒｅｌａｔｅｄ ａｔｔｒｉｂｕｔｅｓ［Ｃ］ ／ ／ Ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ Ｃｏｎｆｅｒｅｎｃｅ． Ｓｅｏｕｌ， Ｋｏｒｅａ， ２０１４： ８３１－８４２． ［２０］ＣＨＯＩ Ｊ， ＹＩ Ｓ， ＬＥＥ Ｋ Ｃ． Ａｎａｌｙｓｉｓ ｏｆ ｋｅｙｗｏｒｄ ｎｅｔｗｏｒｋｓ ｉｎ ＭＩＳ ｒｅｓｅａｒｃｈ ａｎｄ ｉｍｐｌｉｃａｔｉｏｎｓ ｆｏｒ ｐｒｅｄｉｃｔｉｎｇ ｋｎｏｗｌｅｄｇｅ ｅｖｏｌｕｔｉｏｎ ［ Ｊ ］． Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ ｍａｎａｇｅｍｅｎｔ， ２０１１， ４８ （８）：３７１－３８１． ［２１］袁劲松， 张小明， 李舟军． 术语自动抽取方法研究综述 ［Ｊ］． 计算机科学， ２０１５， ４２（８）： ７－１２． ＹＵＡＮ Ｊｉｎｓｏｎｇ， ＺＨＡＮＧ Ｘｉａｏｍｉｎｇ， ＬＩ Ｚｈｏｕｊｕｎ． Ａ ｓｕｍｍａｒｙ ｏｆ ｔｈｅ ｓｔｕｄｙ ｏｎ ａｕｔｏｍａｔｉｃ ｅｘｔｒａｃｔｉｏｎ ｏｆ ｔｅｒｍｉｎｏｌｏｇｙ ［Ｊ］． Ｃｏｍｐｕｔｅｒ ｓｃｉｅｎｃｅ， ２０１５， ４２（８）： ７－１２． ［２２］ＧＵＡＮ Ａ， ＷＡＮＧ Ｙ， ＹＡＮＧ Ｌ． Ａｕｔｏｍａｔｉｃ ｔｅｒｍ ｅｘｔｒａｃｔｉｏｎ ｆｏｒ ｃｈｉｎｅｓｅ ｏｐｅｒａ ｄｏｍａｉｎ ｏｎｔｏｌｏｇｙ ［ Ｃ ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ ａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ． Ｚｈａｎｇｊｉａｊｉｅ， Ｃｈｉｎａ， ２０１５： １３７２－１３７６． ［２３］ ＴＡＯ Ｌ， ＷＡＮＧ Ｘ Ｌ， ＧＵＡＮ Ｙ， ｅｔ ａｌ． Ｄｏｍａｉｎ⁃ｓｐｅｃｉｆｉｃ ｔｅｒｍ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｔｅｘｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． Ａｃｔａ ｅｌｅｃｔｒｏｎｉｃａ ｓｉｎｉｃａ， ２００７， ３５（２）： ３２８－３３２． ［２４］ ＭＴＣ Ｃａｓｔｅｌｌｖí， ＲＥ Ｂａｇｏｔ， ＪＶ Ｐａｌａｔｒｅｓｉ． Ａｕｔｏｍａｔｉｃ ｔｅｒｍ ｄｅｔｅｃｔｉｏｎ： ａ ｒｅｖｉｅｗ ｏｆ ｃｕｒｒｅｎｔ ｓｙｓｔｅｍｓ［Ｊ］． Ｒｅｃｅｎｔ ａｄｖａｎｃｅｓ ｉｎ ｃｏｍｐｕｔａｔｉｏｎａｌ ｔｅｒｍｉｎｏｌｏｇｙ， ２００８， ５２（１）： ５３－８８． ［２５］黄勋， 游宏梁， 于洋． 关系抽取技术研究综述［Ｊ］． 现代 图书情报技术，２０１３， ２９（１１）： ３０－３９． ＨＵＡＮＧ Ｘｕｎ， ＹＯＵ Ｈｏｎｇｌｉａｎｇ， ＹＵ Ｙａｎｇ． Ａ ｓｕｍｍａｒｙ ｏｆ ｒｅｓｅａｒｃｈ ｏｎ ｒｅｌａｔｉｏｎａｌ ｅｘｔｒａｃｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ［Ｊ］． Ｎｅｗ ｔｅｃｈｎｏｌｏｇｙ ｏｆ ｌｉｂｒａｒｙ ａｎｄ ｉｎｆｏｒｍａｔｉｏｎ ｓｅｒｖｉｃｅ， ２０１３， ２９ （１１）： ３０－３９． ［２６］ＤＥＹ Ｌ， ＡＢＵＬＡＩＳＨ Ｍ， ＳＨＡＲＭＡ Ｇ． Ｔｅｘｔ Ｍｉｎｉｎｇ ｔｈｒｏｕｇｈ Ｅｎｔｉｔｙ⁃Ｒｅｌａｔｉｏｎｓｈｉｐ Ｂａｓｅｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｘｔｒａｃｔｉｏｎ ［ Ｃ ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅｓ ｏｎ Ｗｅｂ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｉｎｔｅｌｌｉｇｅｎｔ Ａｇｅｎｔ Ｔｅｃｈｎｏｌｏｇｙ － Ｗｏｒｋｓｈｏｐｓ． Ｓｉｌｉｃｏｎ Ｖａｌｌｅｙ， ＵＳＡ， ２００７：１７７－１８０． 作者简介： 金晨，男，１９９１ 年生，硕士研究生， 主要研究方向为人工智能、机器学习、 知识网络。 谢振 平， 男， １９７９ 年 生， 副 教 授， ＣＣＦ 会员，博士，主要研究方向为演化 认知、知识网络、机器视觉。 任立园，女，１９９０ 年生，硕士研究 生，主要研究方 向 为 机 器 学 习、 数 据 挖掘。 ·７４４· 智 能 系 统 学 报 第 １２ 卷