一种基于科技规划文本的研究前沿主题地图构建方法.docxVIP

? ? 一种基于科技规划文本的研究前沿主题地图构建方法 ? ? 　　分类号：G250 　　1 引言 　　“创新驱动，情报先行”，科技创新需要确定创新的方向、步骤以及方法等，准确、前瞻性地识别出科学研究前沿，对于科技创新的成败起着决定性作用。从企业来看，能否紧紧抓住科学技术研究前沿关系到企业的生死；从国家角度来看，准确预测科学研究前沿能为科技部门的规划部署提供强有力的智库支持。然而，科学研究前沿领域自身的发展、科技创新政策与战略的新变化使得科技情报工作需求也发生了变化，在推动实施创新驱动发展战略的过程中，在新形势下如何做好“耳目、尖兵、参谋”是对情报工作提出新的挑战。 　　因此，本文利用拥有大量前瞻科学研究前沿主题信息的科技规划文本作为数据源，采用自然语言处理技术，绘制科学研究前沿主题地图。使得科学研究前沿主题地图能够前瞻性地紧紧抓住快速变化的科学研究前沿主题，有助于我国在世界科技创新角逐中进行提前部署，以帮助我国占据科技创新的制高点。 　　2 相关研究 　　科学研究前沿主题信息隐含在不同的科技文本中，如：科技规划文本、科技计划项目数据、科技论文等。前期，大量专家学者针对基于论文数据的科学研究前沿主题识别以及地图构建做了大量的研究工作，提出了许多卓有成效的理论与方法。代表性的研究有：D.D.Price(1965)认为某个领域的研究前沿是由科学家积极引用的文章所体现的[1]。H.Small等(1973)在D.D.Price的思想上，把科学研究前沿表述为同被引文献簇[2]。E.Garfield(1994)认为科学研究前沿是由共被引文献簇及其施引文献簇共同组成的文献簇[3]。O.Persson(1994)则认为研究前沿就是高频共被引文献簇的施引文献簇[4]。S.A.Morris等(2003)将研究前沿定义为持续被一组固定的、与时间无关的基本文章引用的大量文章。研究前沿的文章是基于文献耦合聚类而成的[5]。 　　本文认为，不同的文本包含的科学研究前沿信息的价值是不同的，论文主要偏于基础科学理论研究，表征当前已经取得的科学研究成果体现。而科技规划主要是由政府部门主导，经过领域专家评审确定的，对国家或学科具有重要意义的研究主题体系。不同于期刊论文的是，这些主题是当前正在研究但还没有突破或者正在形成突破的话题。所以，科技规划文本能够更加前瞻性地表征未来研究前沿方向。王海燕博士(2013)对韩国、日本和英国等国家的科技规划制定、组织以及实施方法等进行了相关调研，比较分析[6-8]。在科技规划制定方法上，朱东华等(2012)学者提出了基于专利数据的技术路线图的方法[9]。樊春良等(2003)分析了技术预见在科技规划制定中的重要作用[10]。基于以上分析，本文选定科技规划文本作为科学研究前沿主题构建的数据源。 　　利用科技规划文本实现科学研究前沿主题地图构建主要依赖于文本信息抽取技术。文本信息抽取技术在自然语言处理领域是一个热点话题，相关学者从规则、统计等不同角度进行了相关研究。目前看来，利用主题模型(topic model)对文本内容进行主题抽取成为主流方法。 　　主题模型直观理解就是：如果一篇文章有一个中心思想，那么一定会有一些特定的词语频繁出现，那么这些频繁出现的词语在很大程度上来讲就是该篇文章论述的主题。比方说，如果一篇文章是论述天气的，那“风”和“雷雨”等词出现的机会就会比其他词语高。但是还有一些比如“如果”“这样”等这样的词语在每篇文章中出现的概率都差不多。虽然这些词出现的频率也有可能很高，但是这些词语不能表达文章的主题意思。在现实世界里，一篇文章通常包含多个主题，而且每个主题所占比例各不相同。比如，有一篇文章大概有20%在论述“天气”，而剩下的80%在讨论“天气”对“农作物生长的影响”。那么，在这篇文章中和“天气”相关的词语出现的次数只占与“农作物”相关的词语出现次数的四分之一。主题模型就是试图用数学模型来体现文档的这种特点。主题模型自动分析每篇文档，统计文档内的词语，根据统计的信息来断定当前文档含有哪些主题，以及每个主题所占的比例各为多少[11]。 　　目前，主题模型训练推理的方法主要有两种：一种是pLSA(Probabilistic Latent Semantic Analysis)模型[12]，另一种是LDA(Latent Dirichlet Allocation)模型。pLSA模型主要使用的是EM(期望最大化)算法；LDA采用的是Gibbs sampling方法。不管是pLSA还是LDA模型，对文档内容都是等同看待。 　　科技规划文本拥有良好的描述结构，不同的章节天然地构成单一论述主题。本文将充分利用科技规划文本拥有良好论述结构的特点，利用自然语言处理相关技术，力图完整、准确地将科技规划文本原来非结构化的主题描述抽取为