基于citespace的天麻研究知識圖譜可視化分析

李石榮 符茂勝 周先存 王成 楊亞東

摘 要：天麻作為一種名貴的中藥材已有千年的歷史，在中醫臨床上得到了廣泛的應用。本文以知網數據庫中近20年有關天麻研究的文獻為基礎，利用Citespace軟件實現了有關天麻研究的作者、機構和關鍵詞等內容的知識圖譜可視化分析。實驗結果表明，近20年來有關天麻研究的文獻數量呈現緩慢增長并趨于穩定的狀態;天麻研究的作者和關鍵詞具有較強的關聯，但機構之間的合作關聯性較弱;天麻研究有關熱點隨時間不斷變化。有關天麻的知識圖譜可視化分析對政府、企業和研究機構具有重要的理論意義和指導意義。

關鍵詞：天麻;知識圖譜;可視化分析

中圖分類號：TP391 ?文獻標識碼：A ?文章編號：1673-260X（2022）01-0041-08

1 引言

在抗擊2020年新冠疫情過程中，中醫藥治療方式的廣度和深度是空前的，其顯著的療效是西醫藥不可替代的，為世界疫情的防疫控制提供了新的解決方案，受到了國內外社會的廣泛關注。越來越多的國家開始改變對中醫藥的看法，如疫情期間匈牙利成為第一個用中藥預防新冠的歐洲國家，德國、意大利和美國等國家部分民眾也支持中西醫結合療法對肺炎治療的積極作用。2019年，我國十九屆四中全會《決定》中再提中西醫并重，可以看出中醫藥的發展早已經上升為國家的發展戰略，中醫藥因集預防、治療和環保為一體而具有廣闊的市場發展前景，在國家經濟發展中具有舉足輕重的地位[1]。

山區因特殊地理位置而盛產天麻、靈芝、石斛和茯苓等中藥材，眾多特色植物中藥材資源研究、開發和利用受到政府和企業的廣泛關注[2]。2016年《中醫藥法》提到將扶持道地中藥材生產基地的建設[3]。2020年國務院研究加大中藥飲品政策扶持力度并加以臨床為導向[4]。天麻作為大別山地區一種重要的特色植物中藥材資源，受到了眾多學者和研究機構的高度重視[5-8]。孟醒等人[5]對天麻鉤藤飲的臨床療效進行了相關的研究并取得了相應的突破;劉云霞等人[6]對轉錄組測序初步揭示天麻生長代謝特征，為天麻栽培技術提供了重要的理論指導;林昕等人[7]通過對天麻的化學成分構建指紋圖譜，可為天麻產地的鑒別和道地性提供科學參考依據;張雙奇等人[8]通過超聲輔助天麻多糖提取工藝并分析了其抗氧化活性。有關天麻的研究熱點主要圍繞臨床研究、培育種植、成分分析、提取工藝等方面。

盡管眾多學者和科研機構在天麻研究領域做出了重要的貢獻，但隨著天麻研究的不斷發展，當前研究的熱點是什么？天麻研究的未來發展趨勢是什么？研究機構、政府和企業等對這些問題比較感興趣。目前已有一些有關天麻研究的綜述文獻[9-12]。申寒梅[9]對天麻產業產融結合業務方案的優化進行了研究，提出了在層面和階段上分段優化并進行單個層面上的績效預測，給出了相應的管理建議;黎光富等人[10]對天麻多糖的化學成分和藥理作用進行了綜述研究，指出了當前天麻多糖研究與開發中存在的問題，給出了意見和建議;喬媛媛等人[11]對生態承載力的研究進行了相關的總結，分析并得到了生態承載力的熱點關注和發展趨勢。薛慧[12]對天麻在提高免疫、抗氧化和保護神經等功能方面的研究成果進行了較全面的總結。雖然上述有關天麻研究的文獻總結出了較全面的結論和意見，但大多存在較強的主觀性和局限性。隨著大數據技術的不斷進步和發展，近年來流行的知識圖譜法可以為解決上述問題提供一種新的思路，并已在智慧教育、智慧醫療和智慧農業等多個領域實現了成功的應用[13-19]。侯夢薇等人[13]通過集成術語構建可用于解決醫療中資源欠缺、需求矛盾的大規模知識圖譜;Chen等人[14]提出了一種教育信息挖掘系統，通過神經序列標記算法提取教學中的概念和挖掘教育領域的重要信息;何雪等人[16]通過知識圖譜可視化分析對我國的鎘吸附-解吸研究熱點進行了總結，指出了我國鎘吸附-解吸的文獻計量研究的發展現狀、研究熱點和動態趨勢。雖然知識圖譜已經在多個領域實現了成功的應用，但目前有關特色植物資源的知識圖譜應用卻很少。

天麻是特色植物中的一種中藥材資源，在臨床上具有重要的藥用價值。本文整理了近20年有關天麻研究的文獻，運用citespace軟件對天麻研究的作者、機構和關鍵詞等部分進行了知識圖譜可視化分析，呈現了天麻研究的聚類結果和熱點變化等內容，以期為相關研究機構、政府和企業提供理論參考和實踐指導依據。實驗結果表明：

（1）近二十年來有關天麻研究的文獻數量呈現了緩慢增長并逐漸趨于穩定的趨勢。

（2）作者的關系網呈現“大網為主、小網分散”的局勢，體現了大部分作者之間研究的合作關聯性較強;機構圖譜呈現的關系網不夠緊密，體現了機構相互之間的合作關系緊密性較弱。

（3）關鍵詞的共現和聚類結果顯示天麻研究聚類關鍵詞可主要劃分為6大類，#0半夏白術天麻湯、#2天麻種子、#3天麻素、#5臨床研究、#6h型高血壓和#7數據挖掘。聚類#0主要側重于天麻制劑、癥狀治療等內容;聚類#2主要側重于天麻品種、種植栽培等內容;聚類#3主要側重于天麻成分測定、工藝提取等內容;聚類#5主要側重于臨床研究;聚類#6主要側重于臨床治療方法;聚類#7主要側重于遺傳分析、臨床數據挖掘等內容。關鍵詞聚類圖譜可視化分析主要從天麻的產品制劑、品種栽培、成分分析、臨床研究、治療方法和數據挖掘等六個方面對天麻研究進行了系統的總結。關鍵詞聚類分析結果也反映了近20年來天麻研究的熱點變化和發展方向。

本文利用知網數據庫中近二十年有關天麻研究的參考文獻數據，結合知識圖譜可視化軟件對天麻的研究熱點、合作關系和發展趨勢等內容做了相關圖譜可視化分析，構建了天麻研究的“一張圖”。實驗所得圖譜可為相關人員提供參考和指導信息，對掌握天麻研究的實時發展動態、推動山區經濟發展、實現天麻產業化和提高人民生活水平具有重要的意義。

2 圖譜可視化分析原理

本文的實驗結果主要利用citespace軟件對知網下載的參考文獻數據進行圖譜可視化分析[20]。具體的圖譜可視化流程如圖1所示。

2.1 數據準備

本文選取知網數據庫，下載2000-2021年期間有關天麻研究的論文參考文獻，數據統一命名并放入準備好的輸入文件夾中，通過citespace軟件自帶的數據處理功能對下載的數據進行格式轉換操作，得到的數據存入準備好的輸出文件夾中以備后續數據處理使用。

2.2 參數設置

參數設置過程主要包含：時間切片、關聯強度、網絡裁剪和閾值篩選等幾個步驟，下面就這幾個主要步驟進行簡單介紹。

2.2.1 時間切片

時間切片主要與閾值設置搭配使用。時間切片主要針對選擇的施引文獻和被引文獻并進行節點分析，由于從知網數據庫上下載的數據格式中沒有被引文獻，因此本文中時間切片設置主要針對的是施引文獻。針對施引文獻進行分析的節點類型主要有合作作者、合作機構和關鍵詞等內容，選擇對應下載時間段和圖譜參數對文獻進行分析。

2.2.2 關聯強度

在得到的知識圖譜中，作者和機構之間的連線可反映合作強度關系，合作的節點大小可表示作者、機構論文發表的數量;關鍵詞圖譜中的節點大小可以表示出現的頻率，關鍵詞之間的連線可以反映共現強度。Citespace提供了網絡節點關聯強度的常用計算方法—Cosine算法。Cosine算法計算連接強度公式如下：

Cosine（cij，si，sj）=? （1）

標準化的數值大小在0到1之間，數值越大關聯強度越強。其中cij為si和sj的共現次數，si和si分別為i和j出現的頻次。

2.2.3 網絡剪裁

獲取的網絡密集度比較高時可視化分析效果會受到較大的影響，此時可通過篩選重要的連線來提高網絡的可讀性。Citespace軟件提供了兩種重要的可視化裁剪方法，最小生成樹（Minimum Spanning Tree，MST）算法和尋徑網絡（Pathfinder Network，PFNET）算法。

（1）MST算法

若網絡圖譜為G（V，E），其中V為一組節點，E為V中節點連接生成的邊，？坌u，v∈V，w（u，v）表示邊（u，v）∈E的權重。若存在生成子圖T=（V，TE），TE？哿E，并且T無圈，使得T的權重w（T）=最小，則T為G的最小生成樹。最小生成樹的圖譜修剪方法是通過構造網絡圖片的最小生成樹來簡化網絡，即在生成的網絡圖譜中構造一個包含所有節點、無圈和權值最小的子網絡。

構造最小生成樹的方法是從某一個節點u0∈V出發，初始時刻令U={u0}，TE={}，重復執行如下步驟：在所有的u∈U，v∈V-U的邊（u，v）∈E中找到權值最小的邊（uk，vk）并入TE，并將vk并入U，直至U=V為止，得到最小生成樹T=（V，TE），TE？哿E。

（2）PFNET算法

尋徑網絡算法可用于分析數據相似性，根據經驗性數據評估不同概念或實體之間的差異程度，最終生成一類特殊的網狀模型用于數據相關性分析。該算法可對復雜網絡中衡量數據相似性的關系進行簡化處理，分析數據之間存在的關聯，在所有兩點路徑之間保留關聯性最強的路徑，建立數據之間最有效的路徑。同理MST算法，網絡圖譜為V=（V，E），V={N1，N2，…，Nn}。|V|=n表示的節點個數，E中邊與邊之間的關聯可以矩陣EG來描述，如公式（2）所示：

2.2.4 閾值篩選

過多的數據量會導致圖譜過于龐大而出現雜亂的結果，嚴重影響可視化分析。通過對閾值進行設置，對所有數據進行閾值篩選，去除冗余信息從而使得圖譜變得更加清晰。Citespace軟件提供了四種數據的閾值篩選方法：

（1）選擇每個時間段中被引用次數或出現次數頻率最高的若干個數據節點。

（2）選擇百分比最高的節點數據，且限制被引用或出現頻率次數的數據節點。

（3）給定三個時間默認的參數值（c，cc，ccv），其中c表示最低被引用或出現頻率次數，cc表示出現次數或共被引的頻率次數，ccv表示共現頻率或共被引率。

（4）選擇被引用頻率次數在某一區間的節點數據。

2.3 可視化

2.3.1 可視化界面簡介

可視化界面功能主要包括以下幾個部分：

（1）節點信息列表：包括節點出現次數、中心性、首次出現年份、關鍵詞，節點可通過visible選項實現隱藏功能。

（2）視圖顏色與背景選取：包括網絡藍色與彩色顯示切換、網絡視圖背景顏色修改。

（3）網絡聚類選擇：聚類方式可選取為聚類術語的標題、關鍵詞或摘要提取，方法有聚類時間演化、聚類語義檢索、對數似然和互信息算法。

（4）網絡界面設置選擇：標簽設置包括調整主題網絡字號標簽、節點字號、連線強度、標簽大小、聚類命名字號和位置調整;網絡布局包括網絡布局方式;可視化調整包括對時間線、聚類標簽位置行距及連線的調整;節點信息檢索包括參數修改后更新并查看突發性探測結果;聚類結果包括聚類信息的顯示。

2.3.2 網絡聚類

Citespace軟件主要利用最大期望算法（Expectation Maximization，EM）對網絡進行聚類分析。

設樣本數據{x1，x2，…，xn}之間相互獨立，單個樣本對應的類別zi（i=1，2，…，n）未知，若要確定樣本所屬類別使得p（xi;zi）最大化，樣本的模型參數為？茲，則似然函數可表示為：

2.3.3 參數分析

參數分析主要包括如何選擇網絡連接密度、模塊化值和剪影值等。

2.4 結果分析

綜合所得圖譜結果對天麻研究進行初步解讀，通過對比網上相應的參考文獻判斷結果進是否滿意。若不符合實際情況，則重新對參數進行調整并選擇合適的方法重復上述步驟;否則，對結果進行分析和撰寫。

3 實驗結果分析

citespace軟件可對知網下載的有關天麻研究文獻的作者、機構和關鍵詞等內容進行大數據分析。

3.1 數據采集與處理

本文在CNKI上下載有關天麻研究的文獻數據，選取主題為“天麻”、其他條件不限進行高級檢索，初步統計有關天麻研究的文獻共1.17萬篇，刪除重復、新聞報紙、會議通知、成果等內容共得參考文獻10342篇文獻作為本次實驗的基礎數據。

本文主要對近20年天麻研究的有關作者、機構和關鍵詞等內容進行知識圖譜可視化分析，通過對不同時間天麻研究熱點的變化，揭示未來天麻領域研究和發展趨勢。

3.2 文獻基礎分析

不同階段的文獻數量大體可以反映出天麻研究的關注度和趨勢。從圖2中可以看出不同年份文獻發表的數量，近20年文獻發表數量主要呈現為緩慢增長并趨于穩定的狀態。

天麻研究文獻時間段可分為三個階段：

（1）2000—2009年，研究文獻由每年201篇緩慢增長至每年500篇左右。期間有關天麻的文獻研究以栽培技術、天麻品種、病蟲害以及臨床試驗等內容為主。

（2）2010—2014年，研究文獻緩慢增長至每年600篇左右。期間的文獻研究重點以成分分析、工藝提取和藥物制備等內容為主。

（3）2015—2020年，研究文獻一直處于每年700篇上下浮動。期間有關天麻的文獻研究主要以中醫臨床療效和數據挖掘分析等內容為主。

文獻的來源可以直接反映天麻研究的側重點。如圖3所示，有關天麻的研究文獻主要發表在與中醫藥、臨床試驗和農業相關的期刊，這與我國對中藥材資源的政策支持相符，也與十九屆四中全會的精神相吻合，天麻產業的發展既能促使該藥材更多地進入臨床應用，也能推動山區經濟發展和實現中西藥并重。

3.3 作者與研究機構分析

作者是天麻研究的主體，通過圖譜可視化網絡分析可以了解學者之間的合作研究關系。本文通過citespace軟件對有關天麻研究的文獻作者進行圖譜分析，包括圖譜原圖、MST圖譜和PFNET圖譜。如圖4-圖6所示，圖譜原圖、MST圖譜和PFNET圖譜所獲節點個數均為1136個，連線個數分別為1545、700和1304個，網絡密度分別為0.0024、0.0011和0.002。

從圖4-圖6中可以看出，經過MST算法和PFNET算法處理后的圖譜較原始圖譜會變得更加清晰簡潔，但某些關聯性不強的節點信息會被省略;PFNET算法比MST算法的連線更多，保留了更多的結構信息。由于圖譜的節點和連線較多，可通過對圖譜進行簡化修剪得到綜合網絡圖譜。如圖7所示，所得圖譜的連線降低為327個，網絡密度為0.0005，圖譜的主要關聯信息被保留。

發文數量可以反映作者對該領域研究的廣度和深度。如表1所示，發文量多于15篇的共有13人。與圖4-圖7中的圖譜相對應，作者之間呈現了一種關聯度較強的合作關系網。例如，王紹柏、劉大會和王曉等作者組成了一個關聯性較為緊密的大關系網，林青和段小花、馮怡和王強等作者組成了關聯性較強的小關系網。作者之間的網絡節點關系呈現為一種“大網為主，小網分散”的結果。表2給出的是不同時間段作者研究內容重點變化，體現了天麻研究的變化趨勢。

機構是天麻研究的主要科研平臺，通過對機構的圖譜可視化分析可以了解當前對天麻研究的主要高校和科研院所。圖8為天麻研究機構的知識圖譜原圖，從圖中可以看出山東中醫藥大學、云南中醫學院和貴陽中醫學院等單位為天麻研究的主要機構，但機構與機構之間未能形成關聯性較強的圖譜網絡。圖9為圖譜運行結果參數顯示圖，所得連線和網絡密度均為0，下調參數閾值后所得連線也僅為8，體現機構與機構之間的合作關系強度不夠明顯。

圖10為近20年來天麻研究主要機構的時間段列表。從圖中可以發現2009年之前中南大學湘雅醫院中西醫結合研究所、廣西中醫學院和上海中醫藥大學是重點突出研究天麻的研究所和高校，2010年到2015年之間天麻研究較為突出的為山東中醫藥大學、貴州中醫學院等高校院所，近三年來對天麻研究較為突出的是銅仁學院材料與化學工程。

3.4 關鍵詞與熱點分析

3.4.1 關鍵詞共現分析

關鍵詞是論文信息展示的核心內容，也是對整篇研究論文的濃縮提煉，通過對關鍵詞的共現分析可提煉出有關天麻研究的熱點和趨勢。Citespace軟件通過對論文關鍵詞進行處理可實現共現知識圖譜，如圖11所示，利用MST算法得到的關鍵詞共現圖譜共有節點663個、連線1474個，網絡密度為0.0067。

由于文獻較多，得到的圖譜過于龐大和混亂，可通過簡化裁剪得到綜合網絡圖譜。如圖12所示，MST算法簡化裁剪后的綜合圖譜節點不變，連線為330個、網絡密度降低為0.0025，圖譜可觀性得到了極大的改善。圖12可以展示有關天麻研究的主要關鍵詞，其中天麻素、臨床療效和色譜法等是天麻研究的主要關鍵詞，關鍵詞主要與天麻品種、成分分析、提取工藝、臨床療效和數據挖掘等內容有關。比如：天麻的品種主要分為紅天麻、烏天麻和黃天麻等;天麻中所含的天麻素具有鎮靜、安眠和鎮痛等作用;液相色譜法可通過測定天麻中的天麻素含量對天麻品質進行評測等。

3.4.2 關鍵詞聚類分析

關鍵詞聚類時間線圖可用于分析天麻研究的時間階段熱點變化趨勢。如圖13所示，有關天麻研究的聚類共有11類，通過對關鍵詞進行合并可將聚類主要重新劃分為“天麻制劑、天麻品種、天麻成分、臨床研究、臨床治療方法和數據挖掘”6大類別。下面著重分析6大聚類結果。

（1）#0半夏白術天麻湯。主要內容有天麻鉤藤飲、龍膽瀉肝湯、通竅活血湯等。包括天麻素可用于制備臨床藥物治療偏頭痛等相應疾病癥狀等。聚類#2所含內容和作用于聚類#0類似。

（2）#1天麻種子。主要內容有野生天麻、中藥材、栽培技術、臨床療效、生產技術等。該類別主要包含天麻品種、種植栽培、天麻應用和種植產量等幾大類。該聚類包括天麻品種的比較、種植栽培技術的研究、藥物臨床療效的介紹和產量的評估等。

（3）#3天麻素。主要內容有高效液相色譜法、含量測定、薄層色譜法、指紋圖譜、提取工藝等。由于天麻素可用于制備臨床藥物、治療偏頭痛等相應疾病癥狀等。該類別是關鍵詞種類最多的一類，該聚類主要包含天麻素的應用、天麻素提取的工藝、天麻素含量測定和主要成分分析等內容。

（4）#5臨床研究。主要內容有偏頭痛、腦供血不足、治療組等內容。該類別主要是對臨床上的疾病進行用藥研究，總結用藥規律。

（5）#6 h型高血壓。主要內容有天麻鉤藤飲/治療應用、腦梗塞/中西醫結合療法、偏頭痛/中醫藥療法等內容。包括天麻在中醫臨床上的治療應用方法、中西醫結合療法等。

（6）#7數據挖掘。主要內容有用藥規律、關聯分析、聚類分析等。包括天麻在臨床上的數據挖掘研究、藥理分析等。

3.4.3 熱點分析

熱點可以反映一段時間內高校和研究所對天麻研究的趨勢變化。圖14為天麻研究的關鍵詞熱點分析可視化圖，共選取26個具有代表性較強的關鍵詞，強度在9.44～39.13之間，時間范圍為2000-2021年。

從圖14中可以看出天麻研究的時間跨度長、熱度強，有關天麻研究的熱點較多和強度較大，雖然選取的熱點數量只有26個，但從側面可以看出天麻研究領域發展過程，至今天麻仍是科研院所關注和研究的熱點內容。首先，天麻的研究從天麻的品種分類和栽培種植等內容進行研究，體現了最初關注的重點是天麻的品種優選和種植技術的優化;其次利用相色譜法的技術對天麻的成分進行鑒別、將天麻制作成藥物應用于臨床藥用;最后對其臨床療效進行數據挖掘，不斷抽取臨床數據研究對各種癥狀的影響和效果。

4 總結和展望

本文通過citespace軟件對CNKI上有關天麻的參考文獻進行大數據可視化分析，構建了有關作者、機構和關鍵詞的圖譜用于分析，有關天麻的研究趨于成熟化并開始逐漸轉向智能化和專業化。作者和機構的圖譜分析可以發現當前作者合作的關系較為密切，但機構之間的合作緊密性不強。通過關鍵詞熱點聚類分析可以發現天麻研究的發展動向，分別從天麻的鑒定方法、成分提取與作用、品種分類、數據挖掘和中醫治療法等聚類部分可以較好地看出天麻研究的重點和發展方向。

十九屆四中全會《決定》中指出，堅持中西醫并重對提升醫療水平具有重要的作用，天麻作為一種重要的中藥材資源在未來的研究中將會受到高校、研究所和政府部門的進一步關注，并逐漸向智能化、產業化和臨床應用的方向發展。

參考文獻：

〔1〕中共中央關于堅持和完善中國特色社會主義制度 推進國家治理體系和治理能力現代化若干重大問題的決定[N].人民日報，2019-11-06（001）.

〔2〕王明輝，陳展鵬，熊飛，等.湖北省大別山區中藥材資源及產業發展現狀[J].湖北農業科學，2019，58（12）：99-101+115.

〔3〕李慧，俞力暢，陸永強，等.中醫藥地方立法現狀及立法建議[J].中草藥，2020，51（21）：5664-5668.

〔4〕中共中央國務院關于促進中醫藥傳承創新發展的意見[N].人民日報，2019-10-27（001）.

〔5〕孟醒，熊興江.初發高血壓病、青年高血壓病的中醫認識及天麻鉤藤飲的臨床治療體會[J].中國中藥雜志，2020，45（12）：2752-2759.

〔6〕劉云霞，狄永國，仇全雷，等.基于轉錄組測序初步揭示天麻生長代謝的分子機制[J].中草藥，2021， 52（03）：827-837.

〔7〕林昕，王麗，邵金良，等.不同產區天麻HPLC指紋圖譜研究[J].中國現代應用藥學，2020，37（13）：1543-1549.

〔8〕張雙奇，劉琳，何念武，等.超聲輔助提取陜產天麻多糖的工藝優化及抗氧化活性研究[J].中國農學通報，2021，37（09）：131-136.

〔9〕申寒梅.ZT金控公司天麻產業產融結合業務方案優化研究[D].云南大學，2019.

〔10〕黎光富，李剛鳳，史榮榮.天麻多糖化學成分與藥理作用研究綜述[J].現代農業科技，2016，43（07）：289-290+292.

〔11〕喬媛媛，于晴，金鵬等.基于知識圖譜的生態承載力研究熱點和趨勢展望[J].赤峰學院學報（自然科學版），2020，36（07）：10-15.

〔12〕薛慧.天麻若干保健功能的研究進展（綜述）[J].食藥用菌，2015，23（02）：92-94.

〔13〕侯夢薇，衛榮，陸亮等.知識圖譜研究綜述及其在醫療領域的應用[J].計算機研究與發展，2018， 55（12）：2587-2599.

〔14〕P. Chen， Y. Lu， V. W. Zheng， et al， "KnowEdu： A System to Construct Knowledge Graph for Education，" in IEEE Access， vol. 6， pp. 31553-31563， 2018.

〔15〕涂濤，張煜明.基于知識圖譜和共詞分析的“互聯網+教育”研究評述[J].西南大學學報（自然科學版），2021，43（01）：1-11.

〔16〕何雪，李威，劉克.2000—2020年我國鎘吸附-解吸的文獻計量研究——基于CiteSpace的計量分析[J].安徽農業科學，2021，49（08）：240-245.

〔17〕向軍毅，胡慧君，劉宇，等.COVID-19物資知識圖譜的構建[J].武漢大學學報（理學版），2020，66（05）：409-417.

〔18〕Tong Yu， Jinghua Li， Qi， et al. Knowledge graph for TCM health preservation： Design， construction， and applications[J]. Artificial Intelligence In Medicine， 2017，77.

〔19〕侯麗，高陽，劉路路.我國農田重金屬污染生態補償研究現狀與展望——基于CiteSpace知識圖譜分析[J].中國農業大學學報，2020，25（08）：132-143.

〔20〕李杰，陳超美.Citespace：科技文本挖掘及可視化[M].北京：首都經濟貿易大學出版社，2017.53-64.