基于文献标引词频统计《中国中医药学主题词表》选词探究.docVIP

基于文献标引词频统计《中国中医药学主题词表》选词探究 　　摘要：目的 通过对文献标引词频进行统计与分析，为中医药主题词表修订的选词提供依据。方法 以《中国中医药期刊文献数据库》近5年的文献标引词为数据来源，利用MS Access对主题词、关键词进行词频统计，再对结果进行分类与分析。结果 245 680篇文献涉及主题词18 796个，其中中医主题词6940个，标引使用的中医主题词占2007年版《中国中医药学主题词表》中主题词的83.47%；15个类目主题词利用率最低的是药用动植物类（69.97%），其次是自然科学类（71.01%）和中医精神疾病和心理学类（82.81%）。245 680篇文献涉及关键词136 832个，其中词频≥10次的关键词3485个，经分析剔除无意义词576个，初步推荐预选新主题词或入口词368个，其余2541个供词表修订时根据实际需要进行选择。结论 词频统计结果与分析为新版词表修订选词提供了依据。 关键词：中医药学主题词表；修订；文献标引；词频统计 中图分类号：R2-05 文献标识码：A 文章编号：1005-5304（2013）10-0016-03 中国中医科学院中医药信息研究所研制的《中国中医药学主题词表》（以下简称《词表》）为国内外医学及中医药学信息领域广泛采用的中医药学专业主题词表，是数据库建设和检索的重要工具[1-2]。该词表的研制起步于20世纪70年代，第1版于1987年问世，虽于1996年、2007年曾两次修订，但随着医学信息领域研究的深入，该《词表》在词汇完备性、词语标准化和规范化方面都有待改进，主题词的注释、定义和英文译名也需重新审定、修正与补充。为了适应时代发展的需要，保证标引和检索质量，词表的修订工作迫在眉睫。 对中医药学期刊文献主题词和关键词进行词频统计，是主题词表修订中选词工作的前提，词频统计结果是主题词表选词的重要参考依据之一[3]，为此，我们选取近5年中医药期刊文献数据库的标引词进行词频统计分析。通过主题词词频统计准确地掌握现有主题词的标引使用频率，了解其文献保证率，从而判断原主题词选词的科学性和实用性，为主题词表修订提供可靠依据[4]。通过关键词词频统计，找出有意义的高频词，推荐为新主题词和入口词的预选对象。 1 资料与方法 1.1 数据来源 数据来源于《中国中医药期刊文献数据库》，该数据库涵盖了中国国内出版的生物医学及其他相关期刊1400余种，包含中医药学、针灸、气功、按摩、保健等方面的内容，收录了1949年以来的中医药文献题录110余万篇，并采用美国国立医学图书馆的《医学主题词注释表》（MeSH）及《词表》进行规范的主题词标引。 1.2 数据抽取方法 抽取2008-2012年已完成标引的文献的主题词、关键词字段数据，抽取日期为2013年2月28日。 1.3 数据处理方法 应用Python语言自行开发的拆分工具对标引的主题词、关键词进行拆分，得到单独的主题词或关键词，再经数据整理、格式规范后，去掉主题词中的加权符号“*”。 1.4 数据分析方法 利用MS Access对主题词、关键词进行词频统计，再对其中的高频词进行人工分类与分析。 2 结果与分析 2.1 数据统计结果 从《中国中医药期刊文献数据库》中共抽取文献245 680篇，涉及主题词18 796个，其中中医主题词6940个，涉及关键词136 832个。 2.2 主题词词频分布 2007年版《词表》的主题词分为15个类目，68个子类目，共有正式主题词8314个。将6940个中医主题词与2007年版《词表》的主题词对照比较，得出尚有1374个中医主题词在近5年的文献标引中未被使用，标引使用的中医主题词占2007年版《词表》中主题词的83.47%。按类目统计主题词使用情况见表1。在词表的68个子类目中，有4个子类目未被使用的主题词在100个以上，其中最多的是药用植物类（497个），其次是中医儿科疾病类（198个）、药用动物类（117个）和症状体征及证候类（117个）。 在已用于标引的6940个中医主题词中，频次≥10 000次的有5个，频次≥5000次的有11个，频次≥4000次的有20个，见表2。 2.3 关键词词频分布 在136 832个关键词中，由于部分关键词为文献作者提供或杂志社标引，故关键词里还包含主题词和入口词，去掉其中的6281个主题词和3099个入口词后，实际关键词为127 452个。其中词频≥10次的3485个。 通过对词频≥10次的关键词进行逐个分类与分析，主要归纳为6种情况。①2007年版《词表》未收录的中药制剂：共有340个，如丹红注射液（499）、痰热清注射液（418