游客簽到數據支撐下的北京市級文物保護單位空間關聯分析

黃松　孟斌

[摘要]采用社交媒體數據，以路徑分析為基礎，通過空間關聯分析和社會網絡分析方法，從游客簽到行為對北京市文保單位的關聯度進行定量測度與分析。研究發現：1）北京市文保單位存在顯著的空間關聯性;2）北京市文保單位的空間關聯性存在顯著的空間差異：城區內部的文保單位之間聯系緊密，在城市整體空間范圍內，八達嶺長城和城區內的文保單位關聯程度密切，西郊的文保單位則關聯性較弱;3）北京市文保單位組團以天安門、故宮為核心，包含節點數量最多，覆蓋范圍最廣;4）北京市文保單位網絡結構核心節點突出，整體網絡結構尚欠合理。

[關鍵詞]文保單位;關聯性;微博數據;北京市

[中圖分類號]K 87[文獻標志碼]A[文章編號]1005-0310（2019）04-0021-09

A Spatial Correlation Analysis of Beijing Cultural Relics

Protection Units Supported by Visitor Check-in Data

Huang Song，Meng Bin

（College of Applied Arts and Science， Beijing Union University， Beijing 100191， China）

Abstract： Based on social media data and path analysis， this paper measures and analyzes the relevance degree of Beijing’s cultural relics protection units from the tourists’ check-in behavior through spatial association analysis and social network analysis. This study finds out that： 1） There is a significant spatial correlation among the cultural protection units in Beijing; 2） The cultural relics protection units’ correlation in Beijing is unevenly distributed. The cultural relics protection units within the urban areas are closely linked and the relationships between the cultural relics protection units and Badaling Great Wall are close too. And there is a general lack of interaction between Beijing’s cultural relics protection units， especially the interaction between the cultural heritage of Western suburban areas; 3） Tiananmen and the Forbidden City are the core of the Beijing Cultural Protection Unit Group， with the largest number of nodes and the widest coverage; 4） The core nodes of the network structure of the cultural and social security units in Beijing are prominent， and the overall network is not reasonably structured.

Keywords： Cultural relics protection units; Relevance; Micro-blog data; Beijing

0引言

自黨的十八大以來，習近平總書記多次提到保護和傳承中國傳統文化的重要意義，并對文化遺產保護事業給予高度重視，在2014年2月25日于首都北京考察工作時指出：“歷史文化是城市的靈魂，要像愛惜自己的生命一樣保護好城市歷史文化遺產。”具有重要傳統文化價值的文化遺產是我們優秀文化的具體載體，也是展示我們悠久文化的重要方式。文物保護單位作為文化遺產保護的一種制度，它是指在中國境內由各級政府列入名單、正式公布、明令保護的不可移動或不宜移動的一組群體文物（極個別為單體文物），一般由文物本體、附屬物、歷史風貌及人文、自然環境等要素有機組成，且相互印證、不可分割[1]。根據《文物保護管理暫行條例》規定，我國文物保護單位（簡稱：文保單位）

劃分為國家級、省（自治區、直轄市）級和縣（市）級3個級別。文保單位包括具有歷史、藝術、科學價值的古文化遺址、古墓葬、古建筑、石窟寺和石刻等不同種類，是文化遺產最重要的載體形式。

近幾年，文化遺產整體保護的研究愈發受到學者們的關注。文化遺產整體保護思想最早開始于二戰之后的經濟復蘇時期，它強調文化遺產的保護不僅僅保護建筑物，還需要保護與其相關的歷史環境。隨著人們對于文化遺產的認識加深，文化遺產的整體保護還涉及保護理念、認知方法、價值評估、保護主體、規劃方法、保護法制體系和保護體制機制

等[2-3]。從1964年《威尼斯憲章》中提出的“歷史環境”概念到1987年《華盛頓憲章》中提出的“歷史城鎮與城區”概念，都是對文化遺產整體保護的進一步擴展和延伸。從1948年梁思成先生主編的《全國重要文物建筑簡目》中把北京作為歷史文化遺產進行整體保護到1982年歷史古城保護制度創立，從歷史建筑的整體性保護措施

[4-5]、文化效能[6]到農業文化遺產的整體保護思路[7]、生態教育[8]，從廟會的文化空間[9]、武術文化[10]、鹽文化

[11]等非物質文化遺產等整體性保護到線性

文化遺產的關聯保護網絡[12-14]，這都表明不論是物質文化遺產還是非物質文化遺產，其整體保護愈發受到重視。

基于文化遺產整體保護理念，張兵[3]提出了文化遺產保護中“關聯性”的概念，文化遺產的關聯性包含了歷史（時間）的關系、區域（空間）的關系、文化（精神）的關系、功能（要素和結構）的關系。許多學者基于歷史、文化、功能等三個方面對文化遺產的關聯性進行研究

[15-17]，但是很少有學者從空間關聯的角度研究文化遺產的整體性。

社會網絡指的是社會行動者及其間的關系的集合[18]，社會網絡分析則是綜合運用圖論、數學模型研究行動者間的關系模式，并探討這些關系模式對結構中成員或整體的影響，適用于研究群體的互動關系和群體結構——這種結構可以是社會結構，也可以是經濟結構，其研究核心是這種結構怎么影響以及在多大程度上影響網絡成員的行為[19]。社會網絡分析方法一般應用在企業管理、社會關系、共詞分析、文獻計量等領域，而在文化遺產領域中，主要是文化遺產旅游地發展中利益集團的關系[20-21]，關注的也是人或者和人相關的團體的網絡關系，而對于文化遺產自身的網絡關系的研究則較為缺乏。

近年來，隨著信息技術發展和大數據技術的興起，在文化遺產領域中，大數據也受到廣泛關注，主要應用在文化遺產數字化保護（平臺）[22-26]、文化遺產感知[27]、文化遺產傳播[28]、文化遺產的市場開發[29-30]等方面。但是，將大數據作為社交媒體數據在文化遺產關聯性中的應用相對缺乏。以微博為代表的社交媒體數據，具有活躍用戶多、涉及領域多、信息量大等特點，對發現文化遺產的空間關聯提供了可能，因此，本文利用游客社交媒體數據中的簽到數據和文本數據，從實際空間和文本空間兩個角度去構建文物保護單位的時空關聯，挖掘潛在的文物保護單位間的關聯，為文物保護單位更好地進行整體保護提供有意義的建議。

1數據與方法

1.1數據來源與數據預處理

1.1.1數據來源

本文主要以社交媒體中的微博數據為研究對象，微博數據包含用戶id、微博id、發布時間、文本等信息，同時，隨著LBS技術的廣泛應用，部分微博數據包含了較為精確的位置信息，為挖掘其背后的空間關聯提供了可能。微博具有文本長度短、內容形式多樣、文本格式復雜、語言表達獨特等特點，由于其巨大的用戶群體，微博數據成為數據挖掘的金礦，在推薦系統、輿情分析等研究中得到廣泛應用。

在中國，微博是一個重要的社交網絡和信息傳播平臺，擁有大量的活躍用戶。據2018年第四季度財報顯示，微博月活躍用戶達4.62億，連續三年增長7 000多萬，日活躍用戶增至2億，日均文字發布量達1.3億。本研究通過部署分布式數據爬蟲，獲取了2017年在北京簽到的新浪微博數據，獲取的微博數據約1 100萬條，涉及用戶100萬名左右。

除了微博數據，本文還從北京市政府數據資源網獲取北京地區文保單位數據。其中，國家級文保單位128個，已經可視化的有88個;市級文保單位357個，已經可視化的有275個。經過刪除重復項等處理，最后共保留379個文保單位（圖1）。

1.1.2數據預處理

由于本研究的對象是來京游玩的游客，所以對原始微博數據進行處理，主要篩選規則如下：

規則1：用戶在2017年中發微博總量在3～1 000條。

規則2：用戶所發最后一條微博和第一條微博的時間間隔需要小于等于30天[31]。

依據以上規則，本文篩選出可能的游客數量為115 557名，涉及微博的數量為695 573條。

1.2研究方法

1.2.1基于樸素貝葉斯分類模型的游客微博識別與提取

本文利用Python機器學習框架Scikit-Learn作為分類模型，對微博是否為游客所發進行精確篩選。Scikit-Learn是一款簡單有效的數據挖掘和數據分析工具，集成了成熟的機器學習的算法，可以廣泛用于解決監督和非監督分類問題

[32]，其中，特征選取采用IF-IDF方法計算，在常用的7種統計學分類方法中，樸素貝葉斯（Naive Bayes）處理微博數據優勢較為明顯[33]。

本文從數據預處理階段篩選出的695 573條微博中隨機抽出10 500條微博，人工交叉判定微博是否屬于旅游的微博，其中，不屬于旅游的微博則為類別0，屬于旅游的微博則為類別1，不確定則為類別2，利用Scikit-Learn模型，通過樣本數據對模型進行訓練并對原始數據進行分類。通過比較，本文采用的模型分類準確率的均值為0.958，測試準確率為0.950，結果顯示，本文選擇的樸素貝葉斯分類模型能夠較好地對微博是否為游客微博進行判定。本文最終篩選出游客微博84 703條，涉及用戶10 117名。這些游客游玩時間的平均值為7.16天，眾數為3天，根據《北京旅游統計便覽》（2017卷）統計，2016年國內（來京）旅游者平均在京停留時間4.11夜①，也從側面表明采用微博數據研究游客行為的可行性。

①資料來源：2016年國內（來京）旅游者基本情況，載于《北京旅游統計便覽》2017卷，2017年3月出版。

1.2.2社會網絡分析

社會網絡分析就是要對社會網絡中行為者之間的關系進行量化研究，其主要涉及度數、密度、捷徑、距離和關聯圖等幾個概念[18]。Vincent D Blondel等[34]基于模塊化優化提出一種啟發式社區探測算法，能夠從大型社會網絡中快速識別出不同的社區。算法主要分為兩個階段：

第一個階段：首先對于一個擁有N個節點的加權網絡中的每個節點都指定一個不同的社區，然后將每個節點i嘗試放入到鄰近節點j的社區C中，并計算模塊化收益

ΔQ，若ΔQ均為消極的，則節點i留在原社區;若ΔQ為積極的，則節點i移入ΔQ最大的社區，重復對每個節點進行計算，直到每個節點的ΔQ都無法提升。

Q=in+ki，in2m-tot+ki2m2-in2m-tot2m2-ki2m2。（1）

in表示社區C內部邊的權重之和，tot表示與社區C內節點相關聯的邊的權重之和，ki表示與節點i相關聯的邊的權重之和，ki，in表示節點i與C 內部節點相連的邊的權重之和，m是整個網絡邊的權重之和。

第二個階段：以第一階段生成的社區為節點，邊的權重則為對應兩個社區的節點相連的權重之和，重復第一階段的步驟。

通過上述兩個階段，不斷迭代，直到不能生成新的社區為止。

2結果與分析

2.1游客簽到路徑分析

游客簽到路徑是游客實際到訪的文保單位、旅游景點和交通設施等節點的空間關聯的具體體現。根據游客簽到時間和簽到位置，構建出所有游客的簽到路徑（圖2）。

由圖2可以看出：

1） 游客的簽到路徑覆蓋范圍主要集中在首都功能核心區和城市功能拓展區。這些游客的簽到路徑覆蓋范圍約占據北京的1/2，但主要集中在東城區、西城區、朝陽區、海淀區、豐臺區、石景山區、昌平區等靠近城市中心的區縣。游客的簽到路徑覆蓋范圍和文保單位的空間分布具有密切的聯系，北京城市中心幾個區縣分布著大量的文保單位，這些區域距離北京南站、首都機場等主要交通樞紐較近，且這些地區的軌道交通、公共交通等也都極為便利，所以吸引了大量的游客。門頭溝地區雖然分布著數量不少的文保單位，但僅有國家重點文物保護單位爨底下村吸引了少量的游客。而同樣偏遠的區域則因為擁有著數量不等的著名景點吸引了許多的游客，例如房山區的十渡，每年夏天都會有非常多的游客前往度假;大興區的北京野生動物園，這一景點的特色也吸引了很多游客;延慶區的國家重點文物保護單位八達嶺長城和古崖居、北京十六景之一的龍慶峽和玉渡山，密云區的蟠龍山長城和國家級重點文物保護單位司馬臺長城等，都吸引了較多游客。

2） 遠郊區縣也有覆蓋，西北部山區覆蓋較少。門頭溝區和懷柔區是涉及最少的地區，懷柔區一方面因為旅游資源相對較少，另一方面地理位置距離火車站、機場較遠，城市近郊區與懷柔相連的交通需要花費較長時間，所以游客很少前往。

由于數據量巨大，圖2無法看出游客簽到路徑與文保單位的關聯，因此，根據三類游客人數分布，分別從短期游客（游玩1至4天）、長期游客（游玩5至7天）和深度游游客（游玩8天至31天）三類中隨機抽取4名、2名和3名（圖3）。

通過圖3可以看出，游客簽到路徑的關鍵節點與文保單位高度吻合，但同時路徑中也包括著名的旅游景點和交通節點。其中，一名游客在北京游玩了世界文化遺產十三陵、頤和園、天壇、八達嶺長城、故宮和國家級重點文物保護單位圓明園遺址、天安門等，除此之外，該游客還前往了北大、前門、王府井、什剎海、奧林匹克公園等景點或商場。在他的旅游路徑中，文化遺產的體驗占據了很大一部分行程。其他幾名游客的簽到路徑涉及的節點，除了機場、火車站、交通樞紐等，也大都與一些知名度很高的文保單位如八達嶺長城、頤和園、故宮、潭柘寺等相吻合，說明游客路徑可以反映文保單位的空間關聯性。從圖3也可以初步看出，在北京眾多文保單位中，聯系最為密切的是故宮、天安門、八達嶺長城等知名度很高的文保單位。

2.2基于社會網絡分析的北京市文保單位關聯研究

微博簽到數據反映的是游客實際到訪的任何地方，所以會出現一些休閑娛樂場所、交通節點及大型游樂設施等與文保單位無關的地方。如圖3所展示的情況，游客微博簽到路徑包括如三里屯、朝陽大悅城等休閑購物場所，也會出現首都機場、北京南站、北京西站等交通樞紐，還有就是十渡等休閑度假之地。為了排除這些非文保單位因素的影響，

更好地挖掘文保單位之間的關聯性，本文利用社區探測方法，進一步分析文保單位之間的關聯性。

構建基于游客簽到數據的文保單位關聯矩陣（圖4），然后利用1.2.2中提到的社區探測算法，對文保單位間的關聯進行組團發現，結果如圖5所示。

從圖5可以看出，46×46的文保單位關聯網絡被劃分為3個組團。第一個組團以天安門、故宮、和天壇為首，次一級包含國家博物館、南鑼鼓巷和廣福觀。這一組團規模最大，包含的節點最多，共有24個節點，覆蓋的范圍也是3個組團中最廣的，南起天壇，北至水關長城，西起中央電視臺，東至法國郵政局舊址，基本覆蓋整個城區。這一組團的成員性質較為相似，都是文化內涵較為豐富的著名旅游景點，其中以皇城文化為主，其次是祈福祭祀文化。同時，這一組團節點位置相對接近，主要集中在天安門附近，其次是首都博物館一塊、頤和園一塊。 第二個組團以

王府井、大柵欄商業建筑、全聚德烤鴨店門面為主。組團規模較小，僅有9個節點，覆蓋的范圍相對較小，不過節點分布較為集中，主要是可園一塊和大柵欄商業建筑一塊。這一組團的成員性質主要為商業和建筑遺址。第三個組團以景山為主，其次是國家大劇院、孔廟、工人體育館等。這一組團的規模同王府井組團的規模相近，共有13個節點。由于節點非常分散，所以這一組團覆蓋的范圍也較廣，從城區西南方向穿過城區延伸向城區東北方向。這一組團的節點性質更多是以休閑為主，如景山、三里屯、工人體育館等。

同時可以發現：

1） 第一組團在組團聯系中占核心位置，該組團不僅節點數量最多，在聯系強度上也最高。

第一個組團中的核心天安門、故宮與其他兩個組團的核心王府井、景山、全聚德烤鴨店門面都有較強且直接的聯系，這種關聯強度在整個關聯網絡中都可以排在前列。而第二個

組團與第三個組團的相互聯系強度很弱，這意味著第一個

組團在整個組團聯系中占有核心位置，是聯系樞紐。

2） 第一個組團的每一個成員幾乎都與其他組團的有所聯系，而另外兩個組團的成員則主要與本組團的成員聯系較為密切。

在第一個組團中，人民大會堂、天壇、南鑼鼓巷等節點除了同自身組團內的節點相互聯系，還與第三個組團有著直接的聯系，而第三個組團和第二個組團內的其他節點與其他組團節點的聯系較弱，更多的還是與其自身內部的節點相互關聯。

3） 不同組團內部聯系緊密性也存在差異，第一個組團內部聯系最為緊密。

隸屬于第一個組團的節點成員在內部的聯系非常多而且強度很強，如天安門與故宮，故宮與南鑼鼓巷、天安門與國家博物館、天安門與天壇，還有諸如頤和園、廣福觀、凝和廟等文保單位與天安門或者天壇有所連接，組團內部大部分的文保單位節點都與幾個主要節點有所連接，這意味著

第一個組團是一個聯系緊密且核心很突出的整體。而在

第三個組團內部，幾乎只有一半的文保單位節點與景山有直接的聯系，湖廣會館、舊式鋪面房等與其他節點的聯系都不顯現，說明他們處于孤立狀態，而且，國立蒙藏學校舊址、孔廟等文保單位雖然與景山有所聯系，但是強度不是很高，所以第三個組團

相對于第一個組團來說，更加松散，核心凸顯不明顯。相對于第一個、第三個組團來說，第二個組團則最為松散。整個組團中，只有王府井、全聚德烤鴨店門面、大柵欄商業建筑、京奉鐵路正陽門東車站舊址等幾個節點有所聯系，聯系強度不高且聯系方向較為分散，而剩余的德勝門箭樓、可園、舊宅院等位于北邊的文保單位節點均處于孤立狀態或者說與其他節點的聯系非常弱。

3結論與討論

3.1結論

本研究通過2017年在北京地區簽到的游客的微博信息構建游客的路徑，并結合社會網絡方法探究文保單位的時空關聯性，主要結論如下：

1） 社交媒體大數據和社會網絡分析方法在研究文保單位之間的關聯方面具有很高的可行性。本文利用2017年社交媒體大數據中的微博數據，并結合社區探測方法，對北京市文保單位空間關聯性進行深入分析，得出游客視角下文保單位空間關聯網絡結構特點等，有利于文保單位的整體保護和發展。

2） 北京市文保單位存在顯著的空間關聯性，同時可以發現，文保單位的空間關聯性也存在空間差異，城區內部的文保單位之間聯系緊密;在城市整體空間范圍內，八達嶺長城和城區內的文保單位關聯程度密切，西郊的文保單位則關聯性較弱。

3） 北京文保單位組團以天安門、故宮為核心，包含節點數量最多，覆蓋范圍最廣，整體網絡結構尚欠合理。故宮-天安門組團是規模最大、包含節點數量最多、覆蓋范圍最廣的組團，并且與其他組團聯系也是最為密切的，處在核心位置，是串聯其他文化遺產的關鍵所在。對文保單位空間關聯組團的分析，一方面可以發現文保單位關聯網絡中薄弱的節點，從而有針對性地加以重點投入，提升整體保護利用水平;另一方面，文保單位的空間關聯結果可以發現游客的行為規律，更好地規劃旅游路線和交通等服務設施，提升游客的旅游體驗。

3.2討論

文化遺產分為物質文化遺產和非物質文化遺產，在北京除了數量眾多的文物保護單位，還擁有大量的非物質文化遺產。本文僅針對北京地區的文保單位進行文化遺產關聯性分析，在研究內容上具有一定的局限性。今后還應加強對歷史街區等線性文化遺產、非物質文化遺產的研究，同時還應擴大數據來源，進一步提高數據的準確度，從而能夠更好地體現文化遺產的關聯性。除此之外，還應在時間維度更加深入和完善相關方面的研究。

[參考文獻]

[1]王運良. 中國“文物保護單位”制度研究[D].上海：復旦大學，2009.

[2]劉恩彤.我國歷史文化遺產整體保護策略探索[J].西安建筑科技大學學報（社會科學版），2018，37（1）：60-63+95.

[3]張兵.歷史城鎮整體保護中的“關聯性”與“系統方法”——對“歷史性城市景觀”概念的觀察和思考[J].城市規劃，2014，38（S2）：42-48+113.

[4]鄒怡情，劉娜奇，劇楚凝.北京社稷壇（中山公園）整體保護策略研究[J].北京規劃建設，2019（1）：37-43.

[5]楊曉東，牛建忠，劉碧莉.天壇整體保護與城市發展探討[J].北京規劃建設，2012（2）：91-93.

[6]秦紅嶺.從兩個新視角審視北京老城建筑遺產整體保護[J].前線，2018（6）：79-81.

[7]張金德.從“文”“物”保護到聚落整體保護[J].政協天地，2018（4）：72.

[8]丁紹剛，黃俏俏.生態博物館理論與踐行模式對我國農業文化遺產保護的意義[J].中國農史，2017，36（6）：130-138.

[9]陳勤建.當代語境下廟會文化空間整體保護及重構——以上海龍華廟會及寧波梁祝廟會等為研究對象[J].西北民族研究，2016（3）：106-113.

[10]王勝鵬.散雜居少數民族武術文化遺產的保護與傳承——以山東回族為例[J].黑龍江民族叢刊，2015（4）：140-144.

[11]耿懷民.運城現存鹽文化遺產整體保護初探[J].文物世界，2018（4）：36-39+30.

[12]王麗萍.文化遺產廊道構建的理論與實踐——以滇藏茶馬古道為例[J].貴州民族研究，2011，32（5）：61-66.

[13]王麗萍.滇藏茶馬古道線形遺產區域保護研究[J].地理與地理信息科學，2012，28（3）：101-105.

[14]王麗萍.文化線路與滇藏茶馬古道文化遺產的整體保護[J].西南民族大學學報（人文社科版），2010，31（7）：26-29.

[15]楊紫凱，林高瑞，楊燕如.動態整體性視角下慶城歷史文化名城保護策略研究[J].建筑與文化，2018（12）：143-146.

[16]楊開.未來應推進基于網絡關聯性的“黟縣盆地”整體保護[J].中國建筑裝飾裝修，2018（9）：126.

[17]魏青.從鼓浪嶼文化遺產地保護管理規劃的編制與實施談規劃系統中的整體性、關聯性與動態性[J].中國文化遺產，2017（4）：32-43.

[18]朱慶華，李亮.社會網絡分析法及其在情報學中的應用[J].情報理論與實踐，2008（2）：179-183+174.

[19]曹煒威，楊斐，官雨嫻，等.成渝經濟圈城市群的經濟聯系網絡結構[J].技術經濟，2016，35（7）：52-57+128.

[20]時少華，孫業紅.社會網絡分析視角下世界文化遺產地旅游發展中的利益協調研究——以云南元陽哈尼梯田為例[J].旅游學刊，2016，31（7）：52-64.

[21]時少華.基于社會網絡分析的農業文化遺產地旅游村落治理研究——以云南元陽哈尼梯田兩村為例[J].商業研究，2016（11）：177-185.

[22]朱海勇，孟斌，張景秋.數字化技術和三山五園文化遺產保護與利用[J].北京聯合大學學報（自然科學版），2016，30（1）：21-25.

[23]鮑泓，劉宏哲.大數據時代文化遺產數據挖掘的認識[J].北京聯合大學學報（自然科學版），2015，29（3）：1-4.

[24]朱燦.大數據思維下貴州儺戲面具的保護研究[J].四川戲劇，2017（8）：41-43.

[25]崔瑩.論影像化在非物質文化遺產保護中的作用和意義[J].云南民族大學學報（哲學社會科學版），2018，35（6）：38-42.

[26]胡靜.大數據背景下科學保護文化遺產的探索[J].文物鑒定與鑒賞，2017（12）：91-93.

[27]楊微石，郭旦懷，逯燕玲，等.基于大數據的文化遺產認知分析方法——以北京舊城中軸線為例[J].地理科學進展，2017，36（9）：1111-1118.

[28]吳祐昕，吳波，麻蕾.互聯網大數據挖掘與非遺活化研究[J].新聞大學，2013（3）：66-71+53.

[29]譚必勇，陳艷.文化遺產的社交媒體保護與開發策略研究——基于“長尾效應”的討論[J].情報科學，2018，36（3）：20-25.

[30]肖鷹.利用大數據促進開平碉樓與村落個性化營銷[J].現代營銷（下旬刊），2018（4）：69-70.

[31]GIRARDIN F， CALABRESE F， FIORE F D， et al. Digital footprinting： uncovering tourists with user-generated content[J]. IEEE Pervasive Computing， 2009， 7（4）：36-43.

[32]SWAMI A， JAIN R. Scikit-learn： machine learning in python[J]. Journal of Machine Learning Research， 2012， 12（10）：2825-2830.

[33]楊憶，李建國，葛方振.基于Scikit-Learn的垃圾短信過濾方法實證研究[J].淮北師范大學學報（自然科學版），2016，37（4）：39-41.

[34]BLONDEL V D， GUILLAUME J L， LAMBIOTTE R， et al. Fast unfolding of communities in large networks[J]. Journal of Statistical Mechanics： Theory and Experiment， 2008（10）：90-102.

（責任編輯李亞青）

[收稿日期]2019-05-10

[基金項目]國家自然科學基金項目（41671165），北京市屬高校高水平教師隊伍建設支持計劃高水平創新團隊建設計劃項目（IDHT20180515），北京聯合大學人才強校優選計劃（BPHR2017EZ01）。

[作者簡介]黃松（1992—），男，安徽合肥人，北京聯合大學應用文理學院碩士研究生，主要研究方向為文化遺產區域保護。

[通訊作者]孟斌（1971—），男，安徽肥東人，北京聯合大學應用文理學院教授，博士，主要研究方向為數據挖掘、地理信息科學。E-mail：mengbin@buu.edu.cn