研究前沿識別方法探析*

宮小翠 趙迎光 安新穎

(中國醫(yī)學科學院醫(yī)學信息研究所 北京 100020)

?

?醫(yī)學信息研究?

研究前沿識別方法探析*

宮小翠 趙迎光 安新穎

(中國醫(yī)學科學院醫(yī)學信息研究所 北京 100020)

總結研究前沿的識別方法，包括基于文獻計量學的識別方法和基于計算機的自動、半自動化方法，指出各自的優(yōu)缺點，提出研究前沿識別應利用語義網絡等工具向更深的粒度、更高的準確度方向發(fā)展。

研究前沿；發(fā)展趨勢；文獻計量學；LDA；網絡主題

1 引言

研究前沿是具有較高發(fā)展?jié)摿Φ闹R，是指伴隨著某一領域的重要事件的發(fā)生而大量出現的知識，其實質就是某一個研究領域內處于領先位置的成果和思想。這一概念最早是Price[1]為了描述某一領域的瞬時性特征而提出的，認為在一個給定的研究領域內，科學家積極引用的近期文獻的集合所表征的研究領域就是研究前沿。 之后這一概念又產生了多種描述，但至今尚未形成明確、統(tǒng)一的定義。在科學領域中，技術、方法以及科學概念的知識數不勝數，研究前沿不斷產生、成熟、平穩(wěn)和衰退。Upham等[2]認為,成功的研究前沿會產兩種結果：成長為獨立的研究領域或者被其他領域吸收。成為獨立的研究領域表現在本身的發(fā)文量增加，被其他的領域吸收表現在引用量增加。多學科性顯著的前沿內生性強，多學科性不顯著的前沿引用量增加，內生性不強[2]。

研究前沿知識這種循環(huán)演化也是科學技術研究中推動科技創(chuàng)新的力量之所在。從浩瀚的科技信息文獻中，識別研究前沿，不僅可以幫助科研人員全面、及時、準確地發(fā)現研究領域潛在的知識，而且可以幫助決策人員快速制定相關政策，合理分配科研資源。高潛力的研究前沿挖掘還可能帶來新的科技發(fā)現，給社會帶來利益，吸引更多的科學家參與研究，產生更多的科學發(fā)現。

研究前沿挖掘技術在國外的研究較多，相對比較成熟，而在國內的研究目前還比較少。研究前沿的識別方法主要為基于文獻計量學的方法和基于計算機技術的自動半自動化方法。

2 基于文獻計量學的方法

2.1 基于引用關系的方法

基于引用關系的方法主要包括共被引、文獻耦合和直接引用的方法。Small等[3]用共被引方法分析了有機膜傳感器領域的新主題突顯、發(fā)展、消亡的過程。李柏洲等[4]采用國際領先的知識分子結構法進行文獻收集與萃取，該方法集成作者同被引分析(Author Co-citation Analysis,ACA)與探路者網絡(Pathfinder Network, PFNET)，通過引入信息學方法分析相關知識單元間聯系的文獻，引用和被引用的文獻以地圖的形式表示并形成樹樁或鏈狀等不同形態(tài)的網絡結構，揭示文獻間隱含的關系。Schiebel[5]認為可以從文獻耦合聚類的文獻簇中識別研究前沿，共被引文獻簇中識別知識基礎，提出模仿地理地圖的二維和三維圖像探測研究前沿和研究基礎的可視化方法。萬小軍等提出一種自動評估引用強度的方法，利用LibSVM等工具將引文長度、引用密度、是否自引、施引位置、提及次數、被引與施引的時間間隔考慮在內，對引用文獻進行打分，此方法可用于引用關系的前期處理，將打分低微的文獻不考慮在內。探測研究前沿以共被引和文獻耦合方法居多，直接引用方法則較少較新。基于引用關系的方法識別研究前沿具有可行性，但存在時間的滯后性這一顯著的缺點。

2.2 基于內容詞的方法

基于內容詞的方法包括基于詞頻和基于共詞的方法。基于詞頻的方法通過識別文獻中的爆發(fā)詞，根據爆發(fā)詞的時間分布和變化特征識別前沿知識發(fā)展趨勢。基于共詞的方法是對一組詞的兩兩統(tǒng)計它們在同一篇文獻中出現的次數，對這些詞進行聚類分析，進而分析這些詞所代表的學科和主題的結構變化，是一種運用相對較多的研究前沿識別方法。Ohniwa等[6]選取增長率高的MeSH術語，用共詞的方法將其分組，通過不同的時間窗比較探究生命科學領域的研究前沿[6]。基于內容詞的角度探究前沿知識只是基于單詞的共現角度，很難從語義角度進行前沿知識的揭示。

2.3 混合方法

2.3.1 引文與共詞的方法相結合 這樣更具有優(yōu)勢，可以彌補二者的不足。Chen[7]開發(fā)的CiteSpace II將引文與詞檢測方法相結合，用爆發(fā)詞檢測、引文聚類視圖、關鍵點文獻發(fā)掘和時區(qū)視圖方法揭示研究前沿[7]。混合方法的研究還包括用共被引分析得到高被引核心文獻，再用共詞分析界定前沿領域，或是基于文獻耦合的引文-文本相結合的方法等。

2.3.2 作者耦合分析、h-b指數和計算參考文獻相對年等 也是撐握研究前沿較為常用的方法。馬瑞敏等[8]用作者耦合方法對圖書情報學的知識結構進行可視化分析，證明作者耦合分析能較好地挖掘一個學科的前沿知識結構。楊露[9]提出基于h-b指數和m值識別新的熱點話題的方法，某一領域有h-b篇論文的每篇被引次數不少于h-b次，再用h-b除以自科學家發(fā)表第一篇論文起計算的年數得到m值，較大的m值表現該領域的論文迄今時間較短，但引用較多可能為新興領域。計算參考文獻中近兩年發(fā)表的文獻占的比例和引文的平均年份也能粗略地估計此文獻是否是較新的科研成果。

2.3.3 基于文獻計量學方法 比較單薄，不能從多個指標維度系統(tǒng)分析構建熱點識別方法，這些方法雖然從發(fā)表量、引用頻次等各種角度在數量上進行統(tǒng)計分析，但是反映的只是知識演化的整體過程和宏觀走向，無法體現知識體系演化的歷史階段特征和微觀特征。基于計算機的全自動化或半自動化系統(tǒng)，在研究前沿的探測上相對比較高效，且目前正處起步階段，有比較大的發(fā)展空間和比較好的應用前景。

3 基于計算機的全自動或半自動化方法

3.1 文獻中前沿話題識別

文本挖掘是利用自動或半自動方法發(fā)現文本中潛在的、先前未知的知識的過程。文本挖掘是一個多學科交叉領域，融合了數據挖掘、自然語言處理、機器學習和信息檢索方面的知識。

3.1.1 研究現狀 文本挖掘中的自動探測方法大體上可以分為主題特征表示、主題識別、主題判定3個階段。國內相關研究比較少，國外關于學科趨勢的研究不少，熱點及趨勢分析只是其研究中的分支，并沒有被系統(tǒng)地研究和分析。R.Swan 和D.Jensen開發(fā)出了Time-Mines系統(tǒng)，利用信息抽取技術、自然語言處理技術來抽取有時間標簽的自由文本數據，并采用假設檢驗技術來判定給定時間框中最相關的主題，主題是否是新興交由用戶判斷。Havre等[10]開發(fā)的可視化主題演化系統(tǒng)Theme River，每條河流代表一個主題，河流用不同的顏色表示，河流的寬度代表主題強度，可以直觀地觀測主題強度隨時間的變化。Patent Miner系統(tǒng)旨在用動態(tài)生成的SQL查詢發(fā)現專利數據中的發(fā)展趨勢，系統(tǒng)與包含所有美國專利的IBM DB2數據庫相連,主要包含兩個組件：基于序列模式挖掘的短語識別和基于形狀查詢的趨勢預測。Rapid Miner[11]系統(tǒng)是一個機器學習和數據挖掘試驗環(huán)境，它允許試驗由大量任意嵌套的操作構成，提供一個圖形用戶接口(Graphical User Interface，GUI)設計分析管道，由GUI產生XML文件，XML文件中定義了用戶希望對數據實施的分析操作，這個文件然后由Rapid Miner自動讀取。Weka是一套用JAVA編寫的流行的機器學習軟件，Weka工作臺包括一批可視化工具和數據分析算法，并有一些圖形用戶接口，方便用戶實現數據分析預測功能。各種文本挖掘過程在進行數據預處理后，然后進行聚類、分類等過程，在識別研究前沿方面，語義關聯關系識別是非常重要的。語義關聯關系識別需要考慮兩個方面的問題：命名實體識別和實體關系識別，基于規(guī)則和統(tǒng)計是兩種常用的方法，基于規(guī)則的方法需要許多的領域專家參與制定規(guī)則。目前廣泛使用的統(tǒng)計方法有隱馬爾科夫模型、最大熵模型以及條件隨機場模型，但是隨著大量新術語的不斷出現和語義關系的不斷豐富，給單純的基于規(guī)則和統(tǒng)計的方法帶來了極大的挑戰(zhàn)。

3.1.2 主題模型 文本挖掘技術是幫助科研人員從海量文獻中快速發(fā)現新興主題的途徑之一，而主題模型作為一套新的能夠對文獻資源語義抽取的算法[12]，提供了一種新的解決問題的方法，并成為國際研究的熱點。主題模型是文本降維技術的一種。Hofmann[13]等提出PLSI模型，認為一篇文檔由條件依賴于文檔的多個主題組成，表示主題的單詞服從于主題的多項式分布；但模型的參數隨著文集增長呈線性增長，即出現過擬合問題。之后，Blei等[14]提出隱含狄利克雷分布(Latent Dirichlet Allocation， LDA)模型，認為文檔由服從多項分布的主題構成，每個主題由服從多項分布的單詞構成。

基于LDA話題演化主要采用了3種方法:(1)時間演化話題(Topic Over Time, TOT)[15],該模型把連續(xù)的時間信息引入到LDA模型中，對共現詞和文檔的時間共同建模，這樣模型的時間是連續(xù)的，不會出現在離散時間的方法中時間粒度選取的問題，但此模型僅考慮話題強度的變化趨勢，而忽略了話題內容的變化;另外，該模型必須一次對所有文檔運用，無法對新文檔擴展。(2)LDA 后離散方法，在整個文集上應用LDA 模型, 然后根據文檔的時間戳劃分子集，再用子集的話題分布表征該段時間的話題，該方法認為不同時間的話題數不變，難以探測新話題產生與舊話題消失。(3)先離散分析方法，在建模前，根據時間段劃分文檔，然后依次處理每個時間窗口上的文本集合，最終形成話題隨時間的演化，在離散分析的方法中，下一時刻的模型參數往往依賴于當前時刻或前幾個時刻的模型參數的后驗或者模型輸出結果，如動態(tài)話題模型(Dynamic Topic Model,DTM)[16]和在線話題模型(Online- LDA, OLDA)[17]。

在數據挖掘方面，對LDA模型已有大量研究，產生各種變體。結合AT、TOT模型史慶偉等[18]提出作者主題演化模型(Author -Topic over Time，AToT)，用主題-詞項分布與作者-主題分布分別用來描述主題隨時間的變化規(guī)律和作者研究興趣的變化規(guī)律。將引文分析引入主題模型中，改進對主題演化的預測正得到越來越多人的關注，Nallapati等[19]提出將施引文獻和被引文獻構成一個文獻對，將文獻對放在主題模型中聯合建模，主題之間的影響是服從于一個超參數決定的概率分布。葉春蕾等[20]在貝葉斯概率模型中引入引文因素，將引文作為模型的一項參數，與關鍵詞共同建立引文-主題模型，并通過試驗表明該模型能全面、深入地識別科技文獻中的主題內容。曹建平等[21]根據時效性較強的在線的文本數據流，提出一種基于LDA的雙軌道在線主題演化模型(BPE-OLDA)，在下一時間片生成文本時考慮文本的內容遺傳和強度遺傳，估算模型參數對Gibbs采樣算法進行了簡化，試驗證明該模型在提取時效性較強的文本數據流的主題方面具有明顯的效果。LDA主要是基于Kullback Leibler (KL)[22]相對熵或Jensen-Shannon(JS)[23]來計算主題間的相似性，用改進的Z-Score方法計算主題隨時間的偏移反應主題演化的情況，從而發(fā)現主題演化中的主題遺傳和主題變異[24]。雖然該方法可以探測到主題間一對多，多對多的演化關系，但反映的仍是宏觀走向，不能體現知識演化的微觀特征。

3.2 網絡中新話題檢測方法

3.2.1 基于傳統(tǒng)的話題檢測方法 基于關鍵詞的方法對于熱門話題挖掘是較好的方法，但是對于新興話題的識別效果則不是很好。Cataldi等[26]把在一段時間內突發(fā)出現的頻次較高的詞稱為新興關鍵詞，他們識別新興關鍵詞并利用共詞的方法找到與它們高頻共現的詞從而發(fā)現新興話題。

3.2.2 基于詞典學習和非概率矩陣分解的方法 Saha和Sindhwani[26]采用一個非負因式分解的方法學習社會媒體文本流中的新興話題，當連續(xù)時間戳方面的主題矩陣連續(xù)性考慮在內時，會表現出一個更好的話題建模性能。

3.2.3 從多個維度來分析熱點話題 姜曉偉等[27]首先在網上搜集并格式化出現感興趣的詞的微博，對于這些微博中的所有詞匯，綜合考慮影響力、突發(fā)性和相關性3個要素對其重要性進行評估;其次用含有同一關鍵詞的微博的集合為輸入文檔訓練LDA模型;然后通過對主題關鍵詞的概率分布的推導，實現對詞的聚類和主題的挖掘。

3.2.4 綜合考慮多個主客體 通過分析訪問者留言及鏈接關系等來發(fā)現熱點話題，這些方法都使得結果更加客觀。如諶志群等[28]在采用共詞分析和Bisecting K-means 聚類算法檢測網絡論壇熱點話題基礎上，提出了一個綜合考慮話題帖子篇數與帖子熱度的熱點話題關注度計算方法。陳立偉等[29]將各向異性擴散技術引入詞網，在詞網中體現相關詞語的影響，同時保護主題間的邊界，提出有限記憶和被動冷卻機制，利用有限的存儲空間對詞網進行部分索引，不掃描和處理不活動詞語，實現熱門主題及其詞語的快速訪問，利用有限的存儲資源記錄互聯網文字中包含的主題，對于未知主題可以自動識別和記錄，對相關主題自動聯想[29]。

4 結論

研究前沿識別方面的研究在國內研究的比較少，在國外相對比較多，大多基于統(tǒng)計學和計量學進行識別，但是該方法角度比較單一，沒能從多維度、深角度對研究前沿知識進行識別，前沿知識粒度識別不夠精深。基于計算機的自動半自動化方法正在興起，但仍處于起步階段，LDA模型是近年來研究的熱點，由于LDA本身是概率式的產生模式，存在不確定性，主題演化的粒度描述同樣存在不夠專深的問題。網絡中熱點話題的識別方法研究比較多，對于文獻前沿熱點挖掘有許多值得借鑒的地方。

雖然研究前沿識別方面已有一定的成果，但是還有以下幾個問題需要解決：(1)研究前沿的定義沒有形成統(tǒng)一的共識，需要有一個系統(tǒng)的揭示和綜合的解釋。研究前沿的定義及判定標準隨所采用方法的不同而不同，雖然已有研究者嘗試設計一套指標來輔助判定研究前沿，但公認的客觀可信賴的指標體系還有待進一步研究。(2)對研究前沿的特征沒有形成客觀統(tǒng)一的描述。國內關于研究前沿特征的研究還比較少，關于研究前沿基本特征的描述還沒有形成客觀、科學的模型，盡管有學者指出研究前沿的一些特點和規(guī)律，但是比較系統(tǒng)、客觀的描述還沒有形成，需要進一步研究。(3)研究前沿的解讀缺乏一定的語義環(huán)境。國內研究前沿的發(fā)現大部分是基于統(tǒng)計的方法，這樣對于研究前沿的解讀帶來一定困難。如果利用一些語義網絡工具，不僅可以提高前沿監(jiān)測的準確度，而且還可以從更深的粒度對研究前沿進行解讀。

在未來的研究中，應嘗試利用生命周期、知識傳播、系統(tǒng)動力學等理論，開展研究前沿識別研究，同時將語義網絡應用到研究前沿發(fā)現的重要環(huán)節(jié)，為知識單元內部關系識別、知識群間關系識別以及知識演化分析等方面提供技術支持，從而提高研究前沿發(fā)現的效率和精度。

1 Price D D.Networks of science papers [J].Science,1965,(149):510-515.

2 Uphams, Small H.Emerging Research Fronts in Science and Technology:patterns of new knowledge development[J].Scientometrics,2010,83(1):15-38.

3 Small H,Upham P. Citation structure of an Emerging Research Area on the Verge of Application[J]. Scientometrics, 2009,79(2):365-375.

4 李柏洲,趙健宇,襲希,等.基于知識分子結構法的知識管理研究主題演化趨勢分析[J].研究與發(fā)展管理,2014,26(2):59-75.

5 Schiebel E. Visualization of Research Fronts and Knowledge Bases by Three-dimensional Areal Densities of Bibliographically Coupled Publications and Co-citations [J]. Scientometrics, 2012, (91): 557-566.

6 Ohniwa R, Hibino A, Takeyasu K.Trends in Research Foci in Life Science Fields Over the Last 30 Years Monitored by Emerging Topics [J].Scientometrics,2010,(85):111-127.

7 Chen C.CiteSpace II: detecting and visualizing emerging trendsand transient patterns in scientific Literature [J].Journal of the American Society for Information Science and Technology,2006,57(3):359-377.

8 馬瑞敏,倪超群.作者耦合分析:一種新學科知識結構發(fā)現方法的探索性研究[J].中國圖書館學報,2012,38(198):4-11.

9 楊露.h-b 指數: 一種確定學術研究熱點的新方法[J].四川教育學院報,2012,28(5):24-26.

10 Havre S, Hetzier B, Nowell L. Theme River:visualizing thematic changes in large document collections[J].IEEE Transactions on Visualization and Computer Graphics,2002,8(1):9-20.

11 Ganesh M S, Reddy CHP, Manikandan,et al.TDPA: trend detection and predictive analytics[J].International Journal on Computer Science and Engineering ,2011,3(3):1033-1039.

12 Blei D M.Probabilistic Topic Models[J]. Communications of the ACM, 2012,55(4):77-84.

13 Hofmann T.Probablistic Latent Semantic Indexing[C].New York:Proceedings of the 22ndAnnual International ACM SIGIR Conference on Research and Development in Information Retrieval(SIGIR'99).1999:50-57.

14 Blei D M,Ng A Y,Jondan M I.Latent Dirichlet Allocation[J].Journal of Machine Learning Research,2003,(3):993-1022.

15 Wang X,McCallum A. Topic Over Time :a non-markov continuous-time model of topical trends [C].Philadelphia,USA： ACM SIGKDD-2006, 2006:424-433.

16 Blei D M,Lafferty J D.Dynamic topic models[C].Pittsburgh, Pernsylvania:Proceedings of the 23rd International Conference on Machine Learning,2006:113-120.

17 Alsumait L, Barbara D, Domeniconi C.On-line LDA: adaptive topic models for mining text streams with applications to topic detection and tracking[C].Pisa,Italy: In ICDM, 2008:3-12.

18 史慶偉,李艷妮,郭朋亮.科技文獻中作者研究興趣動態(tài)發(fā)現[J].計算機應用,2013, 33 (11) : 3080-3083.

19 Nallapati R M,Ahmed A,Xing E P,et al.Joint Latent Topic Models for Text and Citations[C].New York：Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD'08)， 2008:542-550.

20 葉春蕾,冷伏海.基于引文-主題概率模型的科技文獻主題識別方法研究[J].信息系統(tǒng), 2013,36(9):100-103.

21 曹建平,王暉,夏友清,等.基于LDA雙通道在線主題演化模型[J].自動化學報, 2014,40(12):2877-2886.

22 李保利,楊星.基于LDA模型和話題過濾的研究主題演化分析[J].小型微型計算機系統(tǒng),2012,33(12):2738-2743.

23 李湘東,張嬌,袁滿.基于LDA模型的科技期刊主題演化研究[J].情報雜志, 2014,33(7): 115 - 121.

24 崔凱,周斌,賈焰,等.一種基于LDA的在線主題演化挖掘模型[J].計算機科學, 2010,37(11):156-159.

25 Cataldi M.Caro L D, Schifanella C.Emerging Topic Detection on Twitter Based on Temporal and Social Terms Evaluation[C].New York:Proceedings of the 10th International Workshop on Multimedia Data Mining,2010.

26 Saha A, Sindhwani.Learning Evolving and Emerging Topics in Social Media:a dynamic nmf approach with temporal regularization[C]. Seattle Washington： Proceedings of the 5th ACM International Conference on Web Search and Data Mining,2012.

27 姜曉偉,王建民,丁貴廣.基于主題模型的微博重要話題發(fā)現與排序方法[J].計算機研究與發(fā)展,2013,(50):179-185.

28 諶志群,徐寧,王榮波.基于主題演化圖的網絡論壇熱點跟蹤[J].情報科學,2013,31(3):147 - 150.

29 陳立偉,謝朝陽,唐權華.基于各向異性熱度擴散的主題檢測方法[J].計算機工程與設計,2014,35(8):2886-2889.

Exploration and Analysis of Identification Methods for Research Fronts

GONGXiao-cui,ZHAOYing-guang,ANXin-ying，

InstituteofMedicalInformation，ChineseAcademyofMedicalSciences,Beijing100020,China

The paper summarizes identification methods for research fronts, including the method based on bibliometrics and the automatic and semi-automatic methods based on computers. Their respective advantages and disadvantages are noted and it is suggested that such tools as semantic network should be utilized to identify research fronts in a deeper and more accurate manner.

Research fronts; Development trend; Literature metrology; LDA; Web topics

2015-05-06

宮小翠，在讀碩士研究生；通訊作者：安新穎，博士，副研究員，發(fā)表論文20余篇。

國家自然科學基金項目“基于語義的醫(yī)學領域前沿知識發(fā)現及演化機制研究”(項目編號：71303259)；教育部人文社會科學研究青年基金項目“基于知識組織體系的科技文獻新主題監(jiān)測研究(項目編號：11YJC870001)。

R-058

A 〔DOI〕10.3969/j.issn.1673-6036.2015.09.011