人工智能領(lǐng)域知識(shí)圖譜構(gòu)建與分析?

趙毓誠(chéng) 陳建軍

（1.沈陽(yáng)航空航天大學(xué)計(jì)算機(jī)學(xué)院 沈陽(yáng) 110136）

（2.沈陽(yáng)北軟信息職業(yè)技術(shù)學(xué)院 沈陽(yáng) 110000）

1 引言

當(dāng)下最火熱的時(shí)事熱點(diǎn)莫過(guò)于人工智能。無(wú)論最近名聲大噪的谷歌Deepmind團(tuán)隊(duì)開(kāi)發(fā)的Al?phaGo系統(tǒng)，還是1997年的“深藍(lán)”擊敗國(guó)際象棋大師，2011年IBM開(kāi)發(fā)的人工智能程序“沃森”在智力問(wèn)答游戲中戰(zhàn)勝人類冠軍，這些大事件都表明了人工智能急速興起與蓬勃發(fā)展。美國(guó)自2016年以來(lái)，先后發(fā)布了《為人工智能的未來(lái)做好準(zhǔn)備》《國(guó)家人工智能研究與發(fā)展戰(zhàn)略規(guī)劃》《人工智能、自動(dòng)化和經(jīng)濟(jì)》等多部白皮書(shū)，將人工智能置于維持其主導(dǎo)全球軍事大國(guó)地位的科技戰(zhàn)略核心。與此同時(shí)國(guó)內(nèi)也推出相應(yīng)的政策，2017年國(guó)務(wù)院印發(fā)了《新一代人工智能發(fā)展規(guī)劃》，2018年發(fā)布了《人工智能標(biāo)準(zhǔn)化白皮書(shū)（2018版）》來(lái)應(yīng)對(duì)人工智能時(shí)代的到來(lái)。無(wú)論是民用還是軍用人工智能技術(shù)都已成為未來(lái)戰(zhàn)略的制高點(diǎn)，因此了解人工智能技術(shù)發(fā)展動(dòng)態(tài)，掌握當(dāng)下應(yīng)用水平為當(dāng)務(wù)之急。與此同時(shí)互聯(lián)網(wǎng)的數(shù)據(jù)層出不窮，如何從大數(shù)據(jù)中對(duì)當(dāng)下最火熱的人工智能信息進(jìn)行分析與挖掘就顯得尤為重要與緊迫。

在傳統(tǒng)的知識(shí)表示與管理的框架下，獲得與知識(shí)相關(guān)的周邊內(nèi)容困難繁雜，知識(shí)間的關(guān)聯(lián)性并沒(méi)有展現(xiàn)出來(lái)，知識(shí)之間形成知識(shí)孤島缺少聯(lián)系［1］。Google團(tuán)隊(duì)在2012年提出了知識(shí)圖譜的概念［2］，其目的是為了增強(qiáng)Google搜索的用戶體驗(yàn)，提高搜索引擎的語(yǔ)義檢索能力［2］。將知識(shí)圖譜作為知識(shí)引擎用來(lái)解決知識(shí)間缺少關(guān)聯(lián)的問(wèn)題。

知識(shí)圖譜是一種語(yǔ)義網(wǎng)絡(luò)，一種語(yǔ)義知識(shí)庫(kù)，語(yǔ)義網(wǎng)絡(luò)的概念可以追溯到20世紀(jì)五六十年代用于知識(shí)表示，被人們稱為萬(wàn)維網(wǎng)之父的Tim Bern?ers Lee于1998年提出的語(yǔ)義網(wǎng)（Semantic Web）［3］和在2006年提出的關(guān)聯(lián)數(shù)據(jù)（Linked Data）［4］都和知識(shí)圖譜有著千絲萬(wàn)縷的關(guān)系，隨后知識(shí)圖譜在此基礎(chǔ)上發(fā)展而來(lái)。同時(shí)隨著人工智能的技術(shù)發(fā)展和應(yīng)用，知識(shí)圖譜在搜索引擎上的大獲成功，知識(shí)圖譜一躍成為當(dāng)下最火熱的技術(shù)，已被廣泛應(yīng)用于智能搜索、智能問(wèn)答、個(gè)性化推薦、內(nèi)容分類等科研學(xué)術(shù)領(lǐng)域和工業(yè)界的產(chǎn)品中［5］。知識(shí)圖譜通常可以分為通用知識(shí)圖譜和領(lǐng)域知識(shí)圖譜，其中領(lǐng)域知識(shí)圖譜也被稱為垂直知識(shí)圖譜［6］。通用知識(shí)圖譜是一種開(kāi)放域的知識(shí)庫(kù)構(gòu)建，旨在構(gòu)建出大量的實(shí)體與實(shí)體間的關(guān)系，包括全領(lǐng)域的信息，覆蓋大量的知識(shí)點(diǎn)，對(duì)于知識(shí)的精度要求沒(méi)有領(lǐng)域知識(shí)圖譜高，而領(lǐng)域知識(shí)圖譜則是在一個(gè)封閉的特定域中的將領(lǐng)域信息構(gòu)建成領(lǐng)域知識(shí)圖譜。業(yè)界上通用知識(shí)圖譜近年來(lái)經(jīng)過(guò)大力發(fā)展已經(jīng)取得了不錯(cuò)的成果，具有代表性的有Google知識(shí)圖譜，通過(guò)將Free?Base［7］和Wikidata［8］大量的豐富的開(kāi)放域知識(shí)進(jìn)行整合構(gòu)建成知識(shí)庫(kù)形成知識(shí)圖譜，還有YAGO［9］、NELL［10］等知識(shí)庫(kù)，采用互聯(lián)網(wǎng)挖掘的方法從Web網(wǎng)頁(yè)數(shù)據(jù)中自動(dòng)抽取三元組知識(shí)，國(guó)內(nèi)有百度的知心，搜狗搜立方，復(fù)旦大學(xué)的zhishi.me［11］等比較著名的通用知識(shí)圖譜。在領(lǐng)域知識(shí)圖譜方面比較具有代表性的有醫(yī)療領(lǐng)域的知識(shí)圖譜、國(guó)內(nèi)的“天眼查”知識(shí)圖譜等。

目前學(xué)術(shù)界對(duì)于領(lǐng)域知識(shí)圖譜構(gòu)建主要集中在醫(yī)學(xué)領(lǐng)域、商業(yè)領(lǐng)域和軍事領(lǐng)域，比如金碧漪構(gòu)建的健康領(lǐng)域知識(shí)圖譜［12］，于彤等面向中醫(yī)藥工作者提供知識(shí)服務(wù)構(gòu)建的中醫(yī)藥知識(shí)圖譜［13］，丁君怡等為改善武器裝備組織結(jié)構(gòu)而構(gòu)建的軍事領(lǐng)域武器知識(shí)圖譜［14］，袁旭萍通過(guò)使用深度學(xué)習(xí)方法構(gòu)建的商業(yè)領(lǐng)域知識(shí)圖譜［15］等。在知識(shí)圖譜應(yīng)用分析上，張慧等［16］針對(duì)文獻(xiàn)數(shù)據(jù)量大、格式復(fù)雜等問(wèn)題，通過(guò)構(gòu)建引文及前言的知識(shí)圖譜分析出標(biāo)準(zhǔn)起草人之間的人物關(guān)系、標(biāo)準(zhǔn)與起草人之間的關(guān)系等關(guān)系和其趨勢(shì)發(fā)展，袁麗等［17］根據(jù)文獻(xiàn)分析了我國(guó)舞龍舞獅運(yùn)動(dòng)的發(fā)展趨勢(shì)，利用可視化軟件分析出該運(yùn)動(dòng)的基本發(fā)展脈絡(luò)，發(fā)展影響因素等相關(guān)發(fā)展趨勢(shì)。

本文對(duì)最近十余年的AAAI和IJCAI會(huì)議中的論文集（共10844篇）進(jìn)行了整理分析和挖掘，構(gòu)建了包含500000個(gè)反映研究主題、研究人員等實(shí)體及其關(guān)系的三元組的人工智能領(lǐng)域知識(shí)圖譜，并在此基礎(chǔ)上對(duì)人工智能領(lǐng)域的研究熱點(diǎn)和發(fā)展趨勢(shì)進(jìn)行了分析和討論。

2 人工智能圖譜構(gòu)建過(guò)程

圖1 領(lǐng)域知識(shí)圖譜構(gòu)建框架

知識(shí)圖譜構(gòu)建過(guò)程，一般采用兩種設(shè)計(jì)結(jié)構(gòu)，一種為自底向上的構(gòu)建方法［5］，一種為自頂向下的，自頂向下的構(gòu)建指的是預(yù)先定義好模式層，在此基礎(chǔ)上將通過(guò)數(shù)據(jù)獲得的知識(shí)實(shí)體對(duì)應(yīng)的加入到知識(shí)庫(kù)，進(jìn)行一種槽填充模式。對(duì)于大型通用知識(shí)圖譜來(lái)說(shuō)，該構(gòu)建方式需要利用一些現(xiàn)有的結(jié)構(gòu)化知識(shí)庫(kù)作為其基礎(chǔ)知識(shí)庫(kù)，形成圖譜模式層，例如Freebase項(xiàng)目［7］就是采用這種方式，其中絕大部分?jǐn)?shù)據(jù)來(lái)源于半結(jié)構(gòu)化的維基百科信息。自底向上方法則與之相反，是從數(shù)據(jù)出發(fā)，在數(shù)據(jù)中提取出實(shí)體信息，這些信息經(jīng)過(guò)篩選，選擇正確的的信息添加到知識(shí)庫(kù)中，再根據(jù)這些實(shí)體構(gòu)建頂層的模式層［18］。目前，大多數(shù)知識(shí)圖譜都采用自底向上的方式進(jìn)行構(gòu)建，包括Google公司構(gòu)建的知識(shí)圖譜［19］。

本文人工智能領(lǐng)域知識(shí)圖譜的構(gòu)建過(guò)程采用自底向上和自頂向下的混合設(shè)計(jì)結(jié)構(gòu)，模式層采用自頂向下的構(gòu)建模式，數(shù)據(jù)層采取自底向上構(gòu)建模式，構(gòu)建框架如圖1所示。

為了研究人工智能領(lǐng)域的熱點(diǎn)及發(fā)展趨勢(shì)，本文知識(shí)圖譜模式層設(shè)計(jì)涉及到的本體有領(lǐng)域?qū)＜摇㈩I(lǐng)域文獻(xiàn)與領(lǐng)域熱點(diǎn)，這些信息內(nèi)容都在論文中有所體現(xiàn)，因此將作者信息，題目信息，摘要信息，關(guān)鍵詞信息，會(huì)議來(lái)源信息，年份信息作為知識(shí)圖譜數(shù)據(jù)層的知識(shí)獲取的重要信息來(lái)源，通過(guò)以下四個(gè)步驟成功構(gòu)建人工智能領(lǐng)域知識(shí)圖譜。

1）模式層構(gòu)建。本文采用自頂向下的構(gòu)建方法，針對(duì)論文數(shù)據(jù)集所包含的信息內(nèi)容，以及通過(guò)早期手工構(gòu)建的知識(shí)圖譜和現(xiàn)有知識(shí)圖譜own?think圖譜對(duì)比，發(fā)現(xiàn)領(lǐng)域?qū)＜摇㈩I(lǐng)域論文與領(lǐng)域熱點(diǎn)這些節(jié)點(diǎn)對(duì)于整個(gè)人工智能領(lǐng)域體系具有關(guān)鍵性的作用，同時(shí)這些節(jié)點(diǎn)內(nèi)容也相對(duì)開(kāi)放，比較容易獲得，通過(guò)數(shù)據(jù)間關(guān)聯(lián)分析可以得到領(lǐng)域內(nèi)大量的有價(jià)值的數(shù)據(jù)信息。因此模式層設(shè)計(jì)如圖2模式層設(shè)計(jì)所示，模式層節(jié)點(diǎn)包含有領(lǐng)域文獻(xiàn)、領(lǐng)域相關(guān)人員和領(lǐng)域研究熱點(diǎn)。模式層節(jié)點(diǎn)屬性設(shè)計(jì)，其中文獻(xiàn)節(jié)點(diǎn)屬性包含會(huì)議名稱、會(huì)議年份、論文標(biāo)題、論文摘要（url代替摘要展示）、論文作者、關(guān)鍵字。模式層節(jié)點(diǎn)關(guān)系設(shè)計(jì)：研究熱點(diǎn)與人物之間研究?jī)?nèi)容關(guān)系，人物與論文之間作者關(guān)系，研究熱點(diǎn)與文獻(xiàn)間關(guān)鍵詞關(guān)系，人物間合作關(guān)系，研究熱點(diǎn)間共現(xiàn)關(guān)系。

圖2 模式層設(shè)計(jì)

2）數(shù)據(jù)采集與整理。以模式層為基礎(chǔ)，我們對(duì)模式層所需數(shù)據(jù)進(jìn)行采集整理，選取人工智能兩個(gè)頂級(jí)會(huì)議aaai與ijcai為數(shù)據(jù)來(lái)源，抓取aaai會(huì)議2000年～2018年間的論文信息以及ijcai會(huì)議發(fā)表年份為2007年～2018年間的論文信息。根據(jù)模式層設(shè)定，我們抓取信息內(nèi)容為論文所在期刊、論文標(biāo)題、摘要、作者、關(guān)鍵字、發(fā)表時(shí)間，兩個(gè)會(huì)議總共抓取論文10844篇作為原始數(shù)據(jù)，其中關(guān)鍵字信息在許多篇章中為缺失信息，得到數(shù)據(jù)統(tǒng)計(jì)信息如表1所示。

表1 數(shù)據(jù)集統(tǒng)計(jì)信息

通過(guò)設(shè)計(jì)網(wǎng)絡(luò)爬蟲(chóng)采集器將領(lǐng)域會(huì)議網(wǎng)站上的論文數(shù)據(jù)進(jìn)行數(shù)據(jù)采集，根據(jù)爬取需求設(shè)計(jì)固定采集格式，將每篇會(huì)議論文的發(fā)表期刊、論文標(biāo)題、摘要、作者、關(guān)鍵字、發(fā)表時(shí)間依次對(duì)應(yīng)存儲(chǔ)，轉(zhuǎn)化存儲(chǔ)為本地結(jié)構(gòu)化信息。圖3展現(xiàn)了采集會(huì)議論文數(shù)各個(gè)年份會(huì)議發(fā)表論文數(shù)，可以看到隨著時(shí)間的推移，兩個(gè)會(huì)議發(fā)表論文的數(shù)量都呈現(xiàn)上升趨勢(shì)，18年的發(fā)文量較十年前都提升一倍，表明人工智能變得更加火熱，成為越來(lái)越重要的技術(shù)與研究方向。

圖3 會(huì)議發(fā)文數(shù)統(tǒng)計(jì)

3）領(lǐng)域信息抽取。關(guān)鍵字是一篇文章的主題內(nèi)容，能簡(jiǎn)明直接地反映出該文章的闡述內(nèi)容，從表1統(tǒng)計(jì)信息看出，爬取的數(shù)據(jù)中只有aaai會(huì)議部分論文（2010年和2012年～2017年間）含有關(guān)鍵字，并不是所有的論文都包含關(guān)鍵字，相比模式層其他數(shù)據(jù)為缺失內(nèi)容，因此抽取關(guān)鍵字則成為了領(lǐng)域信息抽取步驟的重點(diǎn)內(nèi)容。摘要是一篇文章的縮略信息，整個(gè)文章的內(nèi)容梗概，涵蓋全文重要內(nèi)容的短文，所以采用論文的摘要信息作為關(guān)鍵字抽取的數(shù)據(jù)源。本文主要采取兩種關(guān)鍵字抽取方法Tex?tRank［20］和Rake［21］，分別使用兩種算法對(duì)論文摘要進(jìn)行關(guān)鍵字抽取，實(shí)驗(yàn)結(jié)果在下文實(shí)例分析中討論。統(tǒng)計(jì)過(guò)程中發(fā)現(xiàn)關(guān)鍵字并非全在摘要中出現(xiàn)，有許多關(guān)鍵字出現(xiàn)在論文標(biāo)題中，未在摘要出現(xiàn)，本文稱之為未登錄關(guān)鍵詞，根據(jù)爬取的論文數(shù)據(jù)集，其中含有關(guān)鍵字的論文數(shù)量為3064篇，含有未登錄關(guān)鍵字的論文數(shù)量為2796，含有未登錄關(guān)鍵字的論文數(shù)量的比例達(dá)到91%，具體年份的含有未登錄關(guān)鍵詞的論文數(shù)如圖4所示，因此將文章的標(biāo)題與摘要進(jìn)行聯(lián)合抽取，以提升關(guān)鍵字抽取的準(zhǔn)確率。

圖4 關(guān)鍵詞統(tǒng)計(jì)

本文選取2010年～2017年間aaai會(huì)議中含有關(guān)鍵詞的論文作為數(shù)據(jù)集，對(duì)其中的摘要進(jìn)行關(guān)鍵字抽取，采用TextRank和Rake兩種算法進(jìn)行對(duì)比實(shí)驗(yàn)，經(jīng)統(tǒng)計(jì)含有關(guān)鍵字的論文共3064篇，以論文中的關(guān)鍵字作為標(biāo)準(zhǔn)答案集進(jìn)行關(guān)鍵字抽取實(shí)驗(yàn)。在統(tǒng)計(jì)中發(fā)現(xiàn)其中2796篇論文包含的關(guān)鍵詞未在摘要中出現(xiàn)，本文稱之為未登錄關(guān)鍵詞。與此同時(shí)發(fā)現(xiàn)論文標(biāo)題中含有大量關(guān)鍵字信息，論文標(biāo)題也是論文的核心表現(xiàn)內(nèi)容，因此對(duì)標(biāo)題也進(jìn)行關(guān)鍵詞抽取，但因?yàn)闃?biāo)題字?jǐn)?shù)較短，單獨(dú)進(jìn)行關(guān)鍵詞抽取效果并不理想，會(huì)出現(xiàn)大量抽取關(guān)鍵詞為空的現(xiàn)象，因此本文選擇將標(biāo)題和摘要進(jìn)行聯(lián)合，采用摘要+標(biāo)題的形式作為輸入，經(jīng)過(guò)關(guān)鍵詞抽取算法抽取關(guān)鍵詞，表3為抽取關(guān)鍵詞實(shí)驗(yàn)結(jié)果。

其中第一行數(shù)據(jù)為年份信息，最后一行為該年出現(xiàn)的關(guān)鍵詞總數(shù)，中間為通過(guò)算法抽取正確的關(guān)鍵詞數(shù)量，我們可以看到在是否使用標(biāo)題和摘要進(jìn)行關(guān)鍵詞抽取上，兩種算法都展示出相同的結(jié)果，聯(lián)合抽取效果都要優(yōu)于只使用摘要進(jìn)行關(guān)鍵字抽取的結(jié)果，因此可以得出結(jié)論，將論文標(biāo)題與摘要進(jìn)行聯(lián)合關(guān)鍵字抽取要優(yōu)于僅使用摘要進(jìn)行關(guān)鍵字抽取。

表3 關(guān)鍵詞抽取結(jié)果表

4）根據(jù)模式層進(jìn)行知識(shí)連接。將爬取得到的論文信息與抽取的信息根據(jù)模式層進(jìn)行關(guān)系連接，關(guān)系設(shè)定為人物之間的合作關(guān)系，人物與研究熱點(diǎn)之間的研究?jī)?nèi)容關(guān)系，研究熱點(diǎn)間的共現(xiàn)關(guān)系還有論文基本信息如作者、摘要等與論文之間的屬性關(guān)系，最后形成實(shí)體-關(guān)系-實(shí)體的三元組。圖5為通過(guò)以上四個(gè)步驟構(gòu)建出的領(lǐng)域知識(shí)圖譜展示（展示部分節(jié)點(diǎn)），以Zhi-Hua Zhou為例，通過(guò)知識(shí)圖譜搜索作者為Zhi-Hua Zhou年份為2015年以及會(huì)議為aaai的相關(guān)內(nèi)容。

圖5 知識(shí)圖譜展示

3 圖譜分析

依據(jù)本文構(gòu)建的領(lǐng)域知識(shí)圖譜對(duì)人工智能領(lǐng)域進(jìn)行分析，對(duì)文獻(xiàn)作者以及近年來(lái)研究熱點(diǎn)進(jìn)行分析，由每屆會(huì)議的發(fā)文數(shù)可以看出人工智能領(lǐng)域受到的關(guān)注越來(lái)越多，更多科研工作者投入到領(lǐng)域的研究當(dāng)中。

圖6為發(fā)文作者統(tǒng)計(jì)，根據(jù)統(tǒng)計(jì)我們可以看出近年來(lái)發(fā)文作者的數(shù)量變化，整體呈現(xiàn)上升趨勢(shì)，同時(shí)我們根據(jù)本文構(gòu)建的知識(shí)圖譜對(duì)其中近十年的作者發(fā)文數(shù)進(jìn)行統(tǒng)計(jì)排序，得到發(fā)文數(shù)最多的作者top-N，同時(shí)關(guān)聯(lián)作者的研究熱點(diǎn)進(jìn)行數(shù)據(jù)挖掘。表2中列舉出了發(fā)文量前10名的作者，可以了解到近年來(lái)人工智能領(lǐng)域發(fā)文比較活躍的研究人員，其中每個(gè)人都發(fā)文50篇以上。從圖譜的人物合作關(guān)系中我們可以對(duì)其中的作者進(jìn)行關(guān)系發(fā)現(xiàn)，比如當(dāng)前TOP10作者的合作關(guān)系網(wǎng)絡(luò)，從關(guān)系網(wǎng)絡(luò)中搜尋未合作但存在相對(duì)路徑的連通節(jié)點(diǎn)，進(jìn)而發(fā)現(xiàn)隱含的可合作關(guān)系，為領(lǐng)域人物發(fā)現(xiàn)提供可能，找出領(lǐng)域人物發(fā)展與合作狀態(tài)。

圖6 發(fā)文作者數(shù)

表2 作者發(fā)文數(shù)統(tǒng)計(jì)表

根據(jù)圖譜查找的領(lǐng)域關(guān)鍵人物，同時(shí)對(duì)領(lǐng)域關(guān)鍵人物研究?jī)?nèi)容進(jìn)行分析，了解關(guān)鍵人物的研究?jī)?nèi)容變化，從而了解領(lǐng)域發(fā)展變化。以發(fā)文作者排名第四位的Zhi-Hua Zhou為例，圖7為使用本文構(gòu)建的知識(shí)圖譜對(duì)作者Zhi-Hua Zhou進(jìn)行研究?jī)?nèi)容查詢（展示部分節(jié)點(diǎn)），從圖譜的查詢結(jié)果中可以看出Zhi-Hua Zhou的研究熱點(diǎn)主要集中為Machine Learning，multi-instance multi-label learning，deep learning等一些相關(guān)算法模型，表明該領(lǐng)域活躍人物的研究?jī)?nèi)容總體情況，如果想要對(duì)該領(lǐng)域人物進(jìn)行關(guān)注則需要對(duì)他的研究?jī)?nèi)容進(jìn)行深入了解。從圖譜查詢情況來(lái)看也與實(shí)際相符和，側(cè)面驗(yàn)證了本文構(gòu)建的圖譜的準(zhǔn)確性。

掌握個(gè)人研究熱點(diǎn)后對(duì)領(lǐng)域整體研究熱點(diǎn)進(jìn)行分析把握，圖8為圖譜領(lǐng)域研究熱點(diǎn)查詢統(tǒng)計(jì)（展示部分節(jié)點(diǎn)），對(duì)圖譜中不同年份的關(guān)鍵字進(jìn)行統(tǒng)計(jì)查詢，其中數(shù)字節(jié)點(diǎn)為年份，其他為該年中關(guān)鍵字出現(xiàn)篇章數(shù)大于7篇的關(guān)鍵字，從圖中可以看出位于中心位置的關(guān)鍵字為machine learning，rein?forcement learning，game theory，planning，crowd?sourcing，表明這些研究?jī)?nèi)容一直是人工智能領(lǐng)域的研究熱點(diǎn)，近兩年，我們可以看到像classifica?tion，deep learning，neural network作為當(dāng)年的研究熱點(diǎn)出現(xiàn)，據(jù)此掌握領(lǐng)域研究熱點(diǎn)的大致變化，圖譜中心位置的為連續(xù)性研究領(lǐng)域熱點(diǎn)，周圍節(jié)點(diǎn)為非連續(xù)性研究熱點(diǎn)，分析內(nèi)容符合實(shí)際，同時(shí)也證明本文構(gòu)建的圖譜的準(zhǔn)確性與有效性。

圖7 人物研究?jī)?nèi)容圖譜

圖8 領(lǐng)域研究熱點(diǎn)圖譜

4 結(jié)語(yǔ)

本文通過(guò)四個(gè)步驟面向人工智能領(lǐng)域頂級(jí)會(huì)議論文構(gòu)建領(lǐng)域知識(shí)圖譜，成功構(gòu)建了人工智能領(lǐng)域的文獻(xiàn)知識(shí)圖譜，通過(guò)該圖譜可以有效地了解近年來(lái)領(lǐng)域內(nèi)的熱點(diǎn)變化，領(lǐng)域相關(guān)人員的研究熱點(diǎn)，掌握領(lǐng)域人物與研究熱點(diǎn)信息以及論文發(fā)表狀況并得到了以下結(jié)論。

1）成功構(gòu)建了領(lǐng)域知識(shí)圖譜，圖譜節(jié)點(diǎn)包括文獻(xiàn)題目、作者、領(lǐng)域研究熱點(diǎn)、摘要、文獻(xiàn)發(fā)表期刊和發(fā)表年份，節(jié)點(diǎn)關(guān)系包括文獻(xiàn)與摘要、標(biāo)題、作者、關(guān)鍵字的屬性關(guān)系，人物之間的合作關(guān)系，關(guān)鍵詞與人物的研究?jī)?nèi)容關(guān)系，關(guān)鍵詞之間的共現(xiàn)關(guān)系，共構(gòu)建實(shí)體三元組五十萬(wàn)條；

2）通過(guò)圖譜掌握到領(lǐng)域熱點(diǎn)人物top-N，并根據(jù)作者之間的合作關(guān)系圖譜，為探尋潛在合作關(guān)系提供依據(jù)；

3）依據(jù)研究?jī)?nèi)容圖譜網(wǎng)絡(luò)，掌握人工智能領(lǐng)域研究熱點(diǎn)發(fā)展趨勢(shì)，發(fā)現(xiàn)有連續(xù)性和非連續(xù)性兩類研究熱點(diǎn)，連續(xù)性熱點(diǎn)為領(lǐng)域持續(xù)研究方向內(nèi)容，比如machine learning，game theory等，非連續(xù)熱點(diǎn)則為某時(shí)刻新興研究熱點(diǎn)，或有重大突破的研究熱點(diǎn)比如近年來(lái)的deep learning，neural network等，表明研究重心偏向目前的研究熱點(diǎn)，據(jù)此幫助了解領(lǐng)域發(fā)展概況；

4）根據(jù)領(lǐng)域熱點(diǎn)人物與研究?jī)?nèi)容圖譜，可以發(fā)現(xiàn)熱點(diǎn)人物與熱點(diǎn)研究?jī)?nèi)容的交叉集合，找到人物與熱點(diǎn)的連通路徑，比如Zhi-Hua Zhou的研究熱點(diǎn)主要集中為Machine Learning，multi-instance multi-label learning，deep learning等方面，為領(lǐng)域?qū)ｍ?xiàng)研究提供可靠的依據(jù)。