基于回溯-拓展算法的学者分类及其研究领域的演化.pdf

目录

摘要III

AbstractIV

第一章绪论1

1.1研究背景及意义1

1.2国内外研究现状4

1.2.1学者回溯、拓展行为的研究现状4

1.2.2学者行为影响因素的研究现状5

1.2.2主题识别算法的研究现状5

1.2.3主题演化分析的研究现状8

1.3研究工作及内容12

1.4创新点13

1.5文章框架14

第二章相关理论与研究方法16

2.1学者行为相关理论16

2.2随机网络模型17

2.3随机游走及相关算法18

2.4主题识别算法20

2.5本章小结22

第三章基于知识标签的回溯-拓展算法构建23

3.1回溯-拓展算法23

3.1.1开发-探索算法思想23

3.1.2回溯-拓展算法思想24

3.1.3算法描述25

3.2时间复杂性分析28

3.3本章小结29

第四章基于回溯-拓展算法的学者分类30

4.1数据预处理30

4.2学者研究知识标签的统计特征分析31

4.3算法训练35

4.4算法预测检验38

4.5学者分类41

4.6本章小结41

第五章基于回溯-拓展算法学者分类的主题演化分析42

5.1领域主题挖掘42

5.2领域整体学者角度的主题演化分析45

5.3学者分类分析52

5.4基于回溯-拓展学者分类的主题演化分析55

5.5本章小结60

第六章总结与讨论61

参考文献63

附录72

致谢74

攻读硕士学位期间发表的学术论著75

摘要

近几年，各领域学者及其学术成果数量不断增长，推动了学者以及各学科的

发展。但由于学术数据量庞大且学者研究的知识点分布散乱，所以为学者的选题、

学术信息的推荐以及学科管理带来了困难。因此，需要分析知识间的关系，挖掘

学科中主题及其演化趋势，从而为科研决策提供依据。但考虑到不同类型学者的

知识研究倾向会有不同，部分学者倾向于知识的深入研究，部分学者倾向于知识

的创新。所以，仅从宏观且单一的领域角度进行演化分析，得到的结论对于不同

类型学者的参考价值较小。因此，需要合理地划分学者类型，在不同类型学者角

度下分析领域中主题的演变过程，从而为不同类型学者的科学研究提供有针对性

的意见，推动学科的发展。

为合理划分学者类型，本文对开发-探索模型(Exploitation–Explorationmodel，

简称EEM)进行改进，构建了基于知识标签的回溯-拓展算法(Backtracking-

ExtensionAlgorithmBasedKnowledge，简称BK-BEA)应用于学者分类。考虑到文

本内容的相关性对学者创作的影响，本文在EEM的基础上，加入了文章知识标

签的Jaccard相似性来控制算法的模拟过程。并且，本文总结并提出了四种常见

的学者研究知识的特征统计量应用于检验算法改进的合理性。根据知识共现网络

的主题聚类结果，本文进行了物理学领域的主题演化分析。此外，借助BK-BEA，

本文对学者进行了分类，从而提出了新的主题演化视角，即知识回溯视角与知识

拓展视角。基于这两类视角，本文分析了不同类型学者视角下的主题演化趋势。

为了量化演化趋势的特征，本文总结了五种常见的主题演化模式，应用于不同视

角下的演化特征对比。此外，本文还分析了主题之间的知识流动情况，解释了主

题演化的内在原因。根据本文的研究方法和研究结论，期待为不同类型学者的选

题，学术信息的推荐以及学科管理提供决策依据，从而提高学者合作水平、促进

学科发展。

关键词：回溯-拓展算法；学者分类；知识共现网络；主题识别；主题演化