“區塊鏈+人工智能”研究的進展、熱點和前沿

摘要：“區塊鏈+人工智能”具有極大的發展前景。為探索全球“區塊鏈+人工智能”研究熱點，分析其研究趨勢，掌握其研究動態，本文選取WOS數據庫、EI數據庫和CNKI數據庫作為數據源，基于CiteSpace可視化分析軟件與文獻計量法，通過關鍵詞共現、聚類、時間脈絡演進等分析，繪制“區塊鏈+人工智能”研究的知識圖譜，識別出研究熱點、研究趨勢、研究前沿以及研究者合作網絡等信息，為相關研究者更好地把握該領域研究重點和研究方向提供情報支撐，并根據研究結果提出相應的建議，以期推動我國“區塊鏈+人工智能”的發展。

關鍵詞：文獻計量法;CiteSpace;知識圖譜;區塊鏈+人工智能

DOI：10.16315/j.stm.2022.03.001

中圖分類號： D923.4

文獻標志碼： A

Progress，hotspots and frontiers of “Blockchain+Artificial Intelligence” research：

Knowledge graph analysis based on CiteSpace

JIANG Ziying，LIU Xuefeng

（School of Public Administration，China University of Mining and Technology，Xuzhou 221116，China）

Abstract：“Blockchain + Artificial Intelligence” has great development prospects.In order to explore the hot spots of global “Blockchain + Artificial Intelligence” research，analyze its research trends and master its research dynamics，this paper selected WOS database，EI database and CNKI database as data sources，based on CiteSpace visual analysis software and bibliometric method，the scientific knowledge map of “Blockchain+Artificial Intelligence”research was drawn through keyword cooccurrence，clustering and time evolution analysis.Then identify the research hotspots，research trends，research frontiers，researcher cooperation network of “Blockchain + Artificial Intelligence”and so on.The purpose is to provide intelligence support for relevant researchers to better grasp the focus and direction of research in this field，and puts forward corresponding suggestions based on the research results to promote the development of “Blockchain + Artificial Intelligence”in China.

Keywords：bibliometrics; CiteSpace; knowledge graph analysis; Blockchain+Artificial Intelligence

收稿日期： 2022-02-20

基金項目： 國家社會科學基金項目（20GBL007）

作者簡介： 姜自瑩（1996—），女，碩士研究生;

劉雪鳳（1976—），女，教授，博士，碩士生導師.

2016年12月，“區塊鏈”首次被作為戰略性前沿技術寫入國務院印發的《“十三五”國家信息化規劃》，明確提出加強區塊鏈的基礎研發和前沿布局。2019年10月，習近平在中央政治局第十八次集體學習中指出，加快區塊鏈和人工智能、大數據、物聯網等前沿信息技術的深度融合，探索“區塊鏈+”在民生領域的運用。2021年6月，工信部《關于加快推動區塊鏈技術應用和產業發展的指導意見》指出，要推進“區塊鏈+人工智能”，推動分布式人工智能模式發展，探索利用人工智能技術提升區塊鏈運行效率和節點間協作的智能化水平。

所謂“區塊鏈+人工智能”，是指基于區塊鏈的人工智能訓練、算法共享等技術和方法。人工智能在數據、算力和算法等方面存在不足，產生數據信息丟失、質量差、算法過分集中等問題，進而導致技術創新受阻、應用落地實施困難。區塊鏈憑借其去中心化、可追溯、不可偽造等的特點，能破解人工智能發展中難題[1]。AI與區塊鏈相結合的最大意義在于，區塊鏈技術能夠為 AI 提供核心技能——貢獻區塊鏈技術的“鏈”功能，讓人工智能的每一步 “自主”運行和發展都得到記錄和公開，從而促進人工智能功能的健全和安全、穩定性[2]。鑒于“區塊鏈與人工智能”結合的巨大技術潛能，該主題迅速成為政府、企業和學界關注的議題。

關于“區塊鏈+人工智能”的研究起步較晚，始于2016年。目前學者們多數聚焦于理論創新、技術研究以及應用場景研究，少數學者分析了相關的法律規制和政策工具。研究主題主要分類情況如下：第一，“區塊鏈+人工智能”的理論創新和技術研究，包括平行哲學與智能科學、基于人工智能技術的區塊鏈虛擬貨幣交易檢測機制、機器人數據加密傳輸控制系統設計、工程機械控制系統應用、智能物流提速、智能機器人多傳感信息加密控制研究、基于區塊鏈的智能組件研究等[3-5]。第二，“區塊鏈+人工智能”的應用場景研究，如健康數據管理與技術應用研究、現代文化產業版權管理創新、智能審計、云媒資系統的應用、“稅務云+稅務鏈”、應急管理、銀行電子檔案管理、生物樣本庫信息化建設等[6-8]。第三，部分學者研究“區塊鏈+人工智能”分支技術，探討了區塊鏈在人工智能的機器學習、聯邦學習、計算機視覺、自然語言處理、生物識別技術、機器人技術等的技術研發和應用場景研究，包括金融、社交網絡、公共圖書館、商品交易、安全機場建設、數據安全保護等[9-11]。第四，少數學者從法律和政策角度分析了“區塊鏈+人工智能”問題。如韓旭至研究了司法區塊鏈的復合風險與雙層規制問題[12]。陳吉棟[13]探尋《民法典》的智能維度，思考應對人工智能法治圖景的基本方法，討論人工智能法律體系建構的基本框架。

總體而言，已有文獻取得較豐富的成果，但目前仍有不足。具體如下：已有“區塊鏈+人工智能”研究聚焦于理論創新、技術研究以及應用場景研究等領域，體現出碎片化特征，難以呈現“區塊鏈+人工智能”文獻的研究趨勢和發展規律。這一研究缺陷導致無法掌握文獻研究全貌、無法為未來研究提供建議和參考。本次進行研究的創新點在于：第一，研究對象不同。研究側重于“區塊鏈+人工智能”文獻研究，擬分析和梳理整體研究趨勢;而已有“區塊鏈+人工智能”研究側重于技術研發、技術應用場景。第二，研究方法不同。研究中把可視化軟件CiteSpace引入“區塊鏈+人工智能”文獻研究，使相關研究的整體態勢更清晰、簡明;而已有研究多為定性研究。研究的價值在于：第一，識別出全球范圍內“區塊鏈+人工智能”的研究趨勢、研究熱點與研究前沿等要素，提供“區塊鏈+人工智能”文獻研究方面的情報信息，為“區塊鏈+人工智能”的未來研究提供信息支撐。第二，增強了“區塊鏈+人工智能”相關文獻研究的可視化效果。

1數據來源與研究方法

1.1數據來源

研究對象為“區塊鏈+人工智能”的全球文獻，中文文獻數據來源于CNKI數據庫，外文文獻數據來源于Web of Science數據庫、Engineering Village數據庫。中文文獻檢索情況如下：首先，檢索式設定為“主題=‘區塊鏈’、‘人工智能’”，文獻類型限定為學術期刊，剔除會議、報紙、圖書等類型;由于人工智能存在五大核心分支技術，將主題詞進行了拓展，檢索式設定為“主題=‘區塊鏈’、‘機器學習（聯邦學習、深度學習）’、‘計算機視覺’、‘自然語言處理’、‘生物識別技術’、‘機器人技術’”。中文文獻共計1 454篇。外文文獻同樣分成2個步驟：第一步，檢索式為“TS=blockchain AND TS= artificial intelligence”，文獻類型限制為Article、Conference article。第二步，“TS=blockchain AND TS=natural language processing”、“TS=blockchain AND TS=machine learning”、 “TS=blockchain AND TS= computer vision”、 "“TS=blockchain AND TS=biometric identification technology”、“TS=blockchain AND TS=robot technology”。英文文獻共計2 065篇。經過數據清洗與梳理，剔除與研究主題不相關的文獻以及重復的文獻，最終獲得可供研究的“區塊鏈+人工智能”文獻的中文文獻共122篇，英文文獻共283篇（截止2021年12月31日）。

1.2研究方法

采取科學計量學方法，其優勢在于“通過可視化的方式對現有學術文獻進行知識圖譜分析，可以直觀展示一個研究主題或者學科的研究概貌和聚焦，進而從宏觀、中觀和微觀層面縱覽該主題在各領域的發展脈絡和演進趨勢[14]。”其中，CiteSpace是一種科學計量分析可視化的工具軟件，學者們多使用它來展開知識圖譜、文獻計量分析等方面的研究。如雷東升[15]利用 CiteSpace III 和 VOSviewer 工具，從發文量、學科領域、作者合作、機構合作、研究主題 5 個角度出發，探討國內外專利分析研究的進展。作為一種科學文獻分析軟件，CiteSpace 能夠分析并展示某領域科學研究發展的趨勢，呈現科學知識的總體結構與演化分布規律[16]。因此，選擇CiteSpace軟件作為數據文獻分析的方法，對上述收集與篩選的“區塊鏈+人工智能”全球文獻進行分析，制作相應的可視化知識圖譜，主要包括關鍵詞共現知識圖譜、關鍵詞聚類時區圖、關鍵詞突現、作者與機構知識圖譜等。結合知識圖譜可視化的分析結果，分析與說明國內外關于“區塊鏈+人工智能”主題的研究情況。

2“區塊鏈+人工智能”研究的知識圖譜可視化分析

2.1文獻發文量分析

發文量及其變化可以在一定程度上反映該研究領域的發展趨勢及專家學者的關注度[17]。根據國內與國外“區塊鏈+人工智能”文獻的發文數量趨勢可知，國內外“區塊鏈+人工智能”文獻的發文量增長趨勢大致相同，整體呈現出逐年遞增的趨勢。由于2021年還存在著文獻發布及收錄至數據庫等流程的延遲問題，使得這一年的期刊數量無法統計完全，所以國內發文量呈現出總體下降的趨勢。通過樣本文獻分析，可以發現：國內“區塊鏈+人工智能”研究開始于2016年，國外開始于2018年。2016—2019年，國內外關于該領域的文獻發文量呈穩定增長。2019年作為轉折點，此后國內外“區塊鏈+人工智能”文獻的數量同時急劇增加，相關研究進入飛速發展時期。在現有統計的2021年相關文獻中，國外發文量明顯大于國內發文量，在一定程度上反映出相較于國內，國外對“區塊鏈+人工智能”的研究更加關注，如圖1所示。近年來多個國家出臺一系列政策推動區塊鏈、人工智能等的應用與發展，結合利好政策背景，預估此后關于“區塊鏈+人工智能”文獻發文量仍然會呈現出持續增長的趨勢，區塊鏈與人工智能的結合將會迸發出巨大的潛力，成為倍受關注的熱點話題。

2.2“區塊鏈+人工智能”研究的熱點分析

關鍵詞是對研究內容和觀點的高度概括，對其可視化分析可考察某一領域的研究熱點[18]。關鍵詞共現即指不同關鍵詞共同出現在一篇文獻中，共現頻次可以表現關鍵詞間的關聯。進行關鍵詞共現網絡的分析對于了解研究主題的成熟度、知識結構、研究的規模等狀況具有非常重要的意義[19]。因此，該部分運用CiteSpace軟件進行關鍵詞共現分析并對高頻關鍵詞的頻次及中心性進行統計。

2.2.1國內“區塊鏈+人工智能”研究關鍵詞共現分析

將樣本文獻數據導入CiteSpace軟件后，對其進行關鍵詞共現分析。在設置相關參數時，將節點類型選擇為Keyword，時間跨度設定為2016—2021年，時間切片選擇1年，其他皆采用默認值，從而繪制出國內“區塊鏈+人工智能”關鍵詞共現知識圖譜，如圖2所示。從圖2中左上方可獲取信息N=150，E=352，Density=0.031 5，表明共

有150個節點，352條連線，關鍵詞共現網絡密度值為0.031 5。圖譜中的150個節點代表著150個原始關鍵詞，節點圓圈的大小代表關鍵詞的頻數，頻數越大則節點圓圈越大，節點間的連線可表示關鍵詞間的共現關系，連線越粗則表示關鍵詞間共現次數越多，關聯性越強。各節點聯系緊密，幾乎沒有獨立的節點出現，其中可以明顯看到區塊鏈、人工智能、智能合約、聯邦學習等關鍵詞的節點圓圈較大，相互間的連線較粗，表明其共現頻次是相對較高的。為了更加清晰了解“區塊鏈+人工智能”的研究熱點，在對同義詞進行合并，并剔除其他無意義的詞后，分別對樣本文獻中共現頻次或中心性排名前十位的關鍵詞進行統計，如表1所示。

當關鍵詞中心度值≥0.1時，表明此關鍵詞中心性強，在網絡中具有樞紐性的作用[20]。由表1可知，區塊鏈與人工智能這2個關鍵詞的中心性大于0.1，是該關鍵詞共現網絡中的核心關鍵詞，具有樞紐性的作用;雖然區塊鏈、人工智能這2個關鍵詞的出現頻次較高，但其本身就與所研究的主題“區塊鏈+人工智能”一致，無法體現出“區塊鏈+人工智能”的研究熱點，因此不對其進行分析。除去區塊鏈、人工智能這兩個主題詞外，出現頻次較多的關鍵詞是智能合約（17次）、聯邦學習（13次），中心性較強的關鍵詞是智能合約、去中心化，智能合約的出現頻次與中心性都相對較高，表明在國內“區塊鏈+人工智能”研究中，智能合約技術受到較多學者的關注，是當下或者曾經的研究熱點;此外，其他共現頻次較高的關鍵詞有大數據、隱私保護、數據共享、邊緣計算等，有兩個關鍵詞都與數據有關，表明在“區塊鏈+人工智能”研究中，與數據相關的研究是受關注的研究熱點。

此外，按照技術層面與應用層面對關鍵詞進行了類別劃分。技術層面的關鍵詞包含智能合約、聯邦學習、深度學習、去中心化、機器學習、邊緣計算等。其中智能合約、去中心化等皆為區塊鏈的相關技術與特點，聯邦學習、深度學習、機器學習等都屬于人工智能技術的范疇，表明區塊鏈與人工智能的結合離不開各自核心技術的結合與應用;應用層面的關鍵詞包含隱私保護、數據共享、物聯網、數據安全、著作權、智慧醫療等，表明區塊鏈與人工智能技術的結合可以實現優勢互補，從而更好的實現隱私保護、數據共享，保護數據安全及著作權，例如將人工智能與區塊鏈技術應用于醫療領域，有助于在保護患者安全與隱私的前提下實現醫療數據共享，及時準確的做出傳染病風險預警[21]。由此表明區塊鏈與人工智能技術的結合在實際應用中具有巨大的價值。

2.2.2國外“區塊鏈+人工智能”研究關鍵詞共現分析

與分析中文樣本文獻的操作步驟類似，在參數設置上也大致相同，此處將時間范圍設置為2018—2021年，其他閾值不變。運用CiteSpace軟件繪制，如圖3所示。由圖3左上方的信息可知，在關鍵詞共現網絡中累計有190個節點，節點間共有684條連線，網絡密度值為0.038 1，與國內“區塊鏈+人工智能”樣本文獻的關鍵詞共現網絡密度相差不大。

為深入分析各關鍵詞了解相關研究熱點，將國外“區塊鏈+人工智能”文獻中頻次或中心性位于前十位的關鍵詞進行了統計，如表2所示。由圖3及表2可知，機器學習（machine learning）、聯邦學習（federated learning）、物聯網（internet of things）、智能合約（smart contract）、深度學習（deep learning）等關鍵詞節點圓圈較大，與其他節點間的連線更多，共現頻次較高，關聯性更強。此外，機器學習（machine learning）、深度學習（deep learning）、技術（techonlogy）、物聯網（internet of things）等關鍵詞中心性較強。其中機器學習、物聯網的共現頻次與中心性都相對較高，表明在國外“區塊鏈+人工智能”研究中，機器學習與物聯網既是研究熱點，又在整個網絡中具有樞紐性的作用，是值得關注與重視的研究熱點。

由表2可知，大部分的關鍵詞都是以詞組的形式出現，因此對單獨出現的技術（technology）與系統（system）關鍵詞展開了細化探究。首先，技術（technology）這個關鍵詞的中心性較強，因此統計了該關鍵詞在文獻中的應用情況，發現其通常以與其他單詞組合成詞組的形式出現，其中出現頻次較高的詞組有區塊鏈技術（blockchain technology）、分布式分類技術（distributed ledger technology）。經查閱文獻得知，許多作者在文章中談及的區塊鏈技術只是區塊鏈的另外一個說法，而分布式分類賬技術通常與區塊鏈技術結合運用來解決相關問題。其次，對單獨出現的system進行了手工統計，其通常以與其他單詞搭配成詞組的形式作為關鍵詞出現，出現頻次較高的詞組有專家系統（expert system）、入侵檢測系統（intrusion detection system）、網絡物理系統（cyber physical systems）等，而與區塊鏈相關的系統有區塊鏈隱私系統（blockchain privacy system）、區塊鏈制造專家系統（blockchain maker expert system）。

2.3“區塊鏈+人工智能”研究趨勢分析

為獲取研究領域內各主題之間的關系，可進行關鍵詞聚類分析，其本質就是對聯系緊密的關鍵詞形成的團體進行歸納總結，從而形成出一個主題并進行詳細分析。通過對“區塊鏈+人工智能”關鍵詞聚類的分析，可以觀測出“區塊鏈+人工智能”研究主題的聚合情況。聚類序號是按照聚類規模大小，也就是聚類所包含的關鍵詞數量進行排序的。聚類序號越靠前即表示受到的關注愈高，重要性就愈發凸顯[22]。通過關鍵詞共現時線圖不僅可以了解聚類中關鍵詞的演進和歷史跨度，還能夠了解各聚類之間的關系。

2.3.1國內“區塊鏈+人工智能”研究聚類主題演化分析

為了解“區塊鏈+人工智能”聚類主題中關鍵詞的發展情況，探究 “區塊鏈+人工智能”的研究趨勢，于是運用CiteSpace軟件的Timeline View功能繪制，如圖4所示。由圖4可知，中左上方的信息Modularity聚類模塊值（Q值）=0.502 2，Silhouette聚類平均輪廓值（S值）=0.893 4。一般而言，Qgt;0.3意味著聚類結構顯著;Sgt;0.5意味著聚類是合理的，Sgt;0.7意味著聚類是令人信服的[23]。因此國內“區塊鏈+人工智能”樣本文獻的聚類結構是顯著的，聚類結果是令人信服的。

圖4顯示關鍵詞存屬量位于前10位的聚類，分別是人工智能、聯邦學習、智能合約、去中心化、發展、共享經濟、基礎設施、深度學習。由于聚類主題#0（ai）與聚類主題#1（人工智能）本質上是同一內容，因此在分析研究時將二者合并進行分析。結合表3可知，2018年，聚類#6（共享經濟）、聚類#7（基礎設施）開始出現;2019年，聚類#1（人工智能）、聚類#3（智能合約）、聚類#4（去中心化）、聚類#5（發展）、聚類#9（深度學習）開始出現;2020年，聚類#2（聯邦學習）開始出現。圖4中各節點上方的時間代表其首次出現的年份，在2018年以前各聚類中關鍵詞節點較少，從2018年開始有大量新興關鍵詞涌現。可以觀察到自2018年以來，聚類主題人工智能、聯邦學習、智能合約、深度學習的研究關鍵詞不斷增多，表明這些聚類的研究逐漸趨熱，受到了更多學者的重視;而聚類發展、共享經濟、基礎設施的研究關鍵詞增加相對較少，表明這些聚類的研究逐漸趨冷，研究關注度降低。

經觀察發現，2016年學者們主要圍繞區塊鏈、人工智能、智能合約等大方向展開研究;2017年關注對學習引擎、數據經濟、學習服務的研究;2018年轉向對量子計算、物聯網、制造業、圖書出版、數字身份、人臉識別的研究，研究更加關注“區塊鏈+人工智能”的實際應用;2019年轉向對邊緣計算、機器學習、深度學習、刑事犯罪、金融安全的研究，對于技術研究更加細化;2020年，研究“區塊鏈+人工智能”的應用場景增多，如圖書館、互聯網+、智慧農業、傳媒等;2021年，依據關鍵詞醫療質量、新冠肺炎和關鍵詞智能組件、智能社會、智慧管理，可以發現學者們更加注重“區塊鏈+人工智能”在醫療領域的研究，以及更加重視實現智能化應用。此外，在2016—2021年期間，與“數據”相關的關鍵詞貫穿于多個主題，如在聚類#1（人工智能）中出現于2016年的大數據、出現于2017年的數據經濟以及出現于2021年的數據分享，在聚類#2（聯邦學習）中出現于2020年的數據共享，以及聚類#9（深度學習）中出現于2021年的數據孤島，表明長期以來在“區塊鏈+人工智能”研究領域，關于數據安全與共享等方面的研究得到學者的持續關注。

2.3.2國外“區塊鏈+人工智能”聚類主題演化分析

國外“區塊鏈+人工智能”關鍵詞聚類，如圖5所示。由圖5左上方的信息可知，Modularity Q=0.483 5，Silhouette S=0.809 1，因此可表明國外“區塊鏈+人工智能”文獻研究聚類結構是顯著的，其聚類結果是令人信服的。經過對比發現：國外“區塊鏈+人工智能”文獻聚類的S值、Q值皆低于國內的聚類結果。

圖5顯示了關鍵詞存屬量位于前8位的聚類，分別是人工智能（artificial intelligence）、聯邦學習（federated learning）、車聯網（internet of vehicles）、計算遷移（computation offloading）、5g移動通信（5g mobile communication）、機器學習（machine learning）、神經網絡（neural networks）、區塊鏈技術（blockchain technology）。結合表4可知，2018年，聚類#5（machine learning）、聚類#7（blockchain technology）開始出現;2019年，聚類#0（artificial intelligence）開始出現;2020年，聚類#1（federated learning）、聚類#2（internet of vehicles）、聚類#3（computation offloading）、聚類#4（5g mobile communication）、聚類#6（neural networks）開始出現。從2019年開始，各聚類不斷涌現新的關鍵詞，其數量越來越多，相互間的聯系更加緊密，表明各聚類主題的研究趨熱，研究關注度高。

經觀察發現，2018年學者注重對深度學習、機器學習、邊緣計算等技術的研究;2019年轉向對智能合約、聯邦學習、5G通信技術、神經網絡、深度強化學習等技術的研究，技術種類更多，并且關注“區塊鏈+人工智能”在數據分析、物聯網方面的研究;2020年，從關鍵詞數據模型、隱私、大數據等可以發現學者側重于對數據及隱私的研究，此外，還注重“區塊鏈+人工智能”在應用系統中的研究，如多智能體系統、自適應和自組織系統;2021年，注重“區塊鏈+人工智能”應用于醫療服務、任務分析、漏洞檢測、預測分析等方面的研究。此外，可以發現關鍵詞機器學習（machine learning）在2018年出現于聚類#5中，而其子集深度學習（deep learning）、聯邦學習（federated learning）和深度強化學習（deep reinforcement learning）、強化學習（reinforcement learning）分別在2018、2019、2021出現在聚類#1、聚類#2和聚類#4、聚類#5中。其次，物聯網（internet of things）在2019年出現在聚類#0中，工業物聯網（industrial internet of things）相關詞在2020年分散出現在聚類#2中，表明長期以來在“區塊鏈+人工智能”研究領域，機器學習及其子技術與物聯網的研究得到國外學者的持續關注。

2.4“區塊鏈+人工智能”研究前沿分析

用關鍵詞突現來探索研究前沿。關鍵詞突現指在不同的時間段內，關鍵詞使用頻次突然驟增的現象。關鍵詞的突現度越高，表明其學術關注度越突出，越能代表該時間段內最新研究動態及發展趨勢。通過追蹤突現詞的變化有助于把握“區塊鏈+人工智能”的研究前沿，使研究學者們掌握“區塊鏈+人工智能”未來的發展方向。

2.4.1國內“區塊鏈+人工智能”研究關鍵詞突現分析

在運用CiteSpace軟件進行關鍵詞共現分析后，運行Burstness獲得突現關鍵詞。國內“區塊鏈+人工智能”研究領域按照突現年份排列的15個突現關鍵詞，如表6所示。其中strength表示關鍵詞突現的程度，數值越大表示其突變程度與流行程度越高;begin和end表示關鍵詞突現的起止時間。其中，大數據、智能合約等是突現較早的關鍵詞，皆從2016年開始突現，表明其為“區塊鏈+人工智能”早期研究的關注內容。在2019年突現的關鍵詞中有語音識別、情報分析和稅收征管等，反映出“區塊鏈+人工智能”的研究逐漸關注于其具體應用。在2020—2021年期間，著作權、智慧農業、6g和圖書館這幾個關鍵詞持續保持突現狀態，表明其為近年來“區塊鏈+人工智能”的研究熱點，受到長期關注，預估其可能成為將來一段時間內的研究前沿。

2.4.2國外“區塊鏈+人工智能”研究關鍵詞突現分析

國外“區塊鏈+人工智能”研究領域按照突現年份排列的15個突現關鍵詞，如圖7所示。在2018—2019年期間突現的關鍵詞有異常檢測（anomaly detection）、差分隱私（differential privacy）、許可鏈（permissioned blockchain）、計算機體系結構（computer architecture）、安全與隱私（security and privacy）等，其中突現強度較高的關鍵詞有異常檢測、許可區塊鏈，表明其在早期更受國外研究學者的關注與重視。突現時間最久的關鍵詞是云（cloud）、安全（security）、分布式賬本（distributed ledger）以及大數據分析（big data analytics），從2019年開始突現并持續到2021年。在2020年開始突現并持續到2021年的關鍵詞有信息安全（information security）、醫療保健（health care）、車聯網（internet of vehicle）、隱私保護（privacy protection）、智能電網（smart grid），表明其為近年來學者較為關注的內容，預估其可能成為未來一段時期內的研究熱點與前沿。

2.5“區塊鏈+人工智能”研究的作者及機構合作網絡分析

發文作者圖譜共現能夠識別出一個學科或領域的核心作者及其相互合作強度和互引關系[24]。因此下述部分對國內外“區塊鏈+人工智能”文獻的作者及研究機構進行合作網絡共現分析，以期了解其相互間的合作關系。

2.5.1國內“區塊鏈+人工智能”研究作者及機構合作網絡分析

運用CiteSpace軟件將節點類型選擇為Author，裁剪方式選擇Pathfinder，其他參數設置與前述相同，生成“區塊鏈+人工智能”研究領域作者共現圖譜，有助于了解各作者之間的合作關系，發現該研究領域的高產作者及核心作者，通過對其學術文獻展開研究獲得啟示，增進對“區塊鏈+人工智能”的認識，如圖8所示。由圖8中左上方的信息可知，N=108，E=75，Density=0.013，表明作者共現網絡中共有108個節點，75條連線，網絡密度為0.013，由此可表明該研究領域內的作者有一定的合作關系。其中，可以明顯看出王飛躍、袁勇、劉光強等作者與其他作者間的連線較多，意味著他們與其他作者間的合作相對較多。通過分析作者共現網絡，可以發現呈網狀分布的作者合作群體較少，表明當前“區塊鏈+人工智能”研究領域尚未形成穩定的合作研究團體，學者們多處于獨立研究的狀態，相互間缺乏密切的學術交流與合作。

作者的發文量及其被引頻次和下載量，在一定程度上代表著對其學術研究的認可，表明其在該研究領域的權威與地位。根據普賴斯定律[25]，M≈0.749Nmax ，其中Nmax為發文量最多的作者發文數量，發文數量在M以上的為核心作者，將Nmax=6帶入，取整得到M=2，而發文數量大于等于2的作者有14位，總發文量為37篇，占據樣本文獻數量的30.3%（小于50%），表明國內“區塊鏈+人工智能”研究領域尚未形成穩定的高產作者群。核心作者及其文獻的被引頻次與下載量，如表5所示。其中王飛躍發文6篇，袁勇發文5篇，丁曉蔚、劉光強均發文3篇，其余作者皆發文2篇。而王飛躍、丁曉蔚的發文被引頻次與下載頻次較高，其相關文獻可以給予“區塊鏈+人工智能”的研究者以啟發，應當仔細研習。

在對作者合作網絡分析后，隨即對“區塊鏈+人工智能”研究領域的機構網絡進行分析，如圖9所示。由圖9可知，機構共現網絡中有79個節點，0條連線，網絡密度為0，表明在所選取的“區塊鏈+人工智能”樣本文獻中，各機構之間沒有任何合作關系，與上述分析的作者合作網絡所反映出的情況是相符的，發文作者間的合作不夠緊密，因此機構間的合作就相對更少。同樣，根據普賴斯定律，M≈0.749Nmax，其中Nmax為發文量最多的機構發文數量，將Nmax=3帶入，取整得到M=2，因此發文數量大于等于2的機構為核心機構，共有4個機構，總發文量為11篇，占據樣本文獻數量的9%（小于50%），表明國內“區塊鏈+人工智能”研究領域尚未形成穩定的高產機構群。

樣本文獻中的核心機構，如表6所示，由表6可知，華北政法大學政治學研究院（3篇）、賽迪（青島）區塊鏈研究院有限公司（2篇）、上海分布信息科技有限公司（2篇）、南京大學信息管理學院（2篇），這些研究機構中既有高校也有公司研究所。

上述分析反映出國內“區塊鏈+人工智能”研究領域的學者及研究機構還要加強彼此間的合作，推動該領域的研究發展。

2.5.2國外“區塊鏈+人工智能”研究領域作者及機構合作網絡分析

在運用CiteSpace軟件生成國外“區塊鏈+人工智能”研究領域作者共現圖譜中，可知作者共現網絡中共有149個節點，133條連線，網絡密度為0.012 1，幾乎與國內作者合作網絡的密度值相同，如圖10所示。其中，可以明顯看到Yan Zhang、Sabita maharjan、 Dusit niyato、F richard yu等作者與其他作者間的連線較多，表明他們與其他作者間的合作相對較多，是其形成的合作團體中的重要人物。根據普賴斯定律，M≈0.749Nmax ，其中Nmax為發文量最多的作者發文數量，發文數量在M以上的為核心作者，將Nmax=9帶入，取整得到M=3，而發文數量大于等于3的作者有18位，總發文量為91篇，占據樣本文獻數量的32.2%（小于50%），表明國外“區塊鏈+人工智能”研究領域尚未形成穩定的高產作者群。

此外，國外該研究領域的核心作者統計，如表7所示。其中Yan Zhang發文9篇，Sabita maharjan發文7篇，Zeinzb shahbazi、Yungcheol byun、F richard yu、Dusit niyato皆發文6篇，其余作者發文皆在5篇以內。通過分析與對比，可以發現相較于國內“區塊鏈+人工智能”研究領域的作者合作網絡而言，國外作者合作網絡中呈網狀分布的作者合作群體更多，表明國外學者間的合作更加密切，更加注重學術交流與合作。

運用CiteSpace軟件生成的國外“區塊鏈+人工智能”文獻發文機構合作網絡，合作網絡中有142個節點，97條連線，網絡密度為0.009 7，表明國外 “區塊鏈+人工智能”的研究機構之間具有一定的合作關系，與前述分析的國內該領域研究機構間無合作的情況是完全不相同的，如圖11所示。正是因為國外作者合作群體較多，所以各機構間也有較多的合作，這種結果是相符的。同樣，根據普賴斯定律，M≈0.749Nmax，其中Nmax為發文量最多的機構發文數量，將Nmax=16帶入，取整得到M=3，因此發文數量大于等于3的機構為核心機構，共有24個機構，總發文量為143篇，占據樣本文獻數量的50.5%（大于50%），表明國外“區塊鏈+人工智能”研究領域形成了穩定的高產機構群。國外論文發表核心機構統計，如表8所示。其中發文量排名前3位的機構為Univ Elect Sci amp; Technol China（16篇）、Beijing Univ Posts amp; Telecommun（12篇）、Jeju Natl Univ（10篇）。

此外，經統計發現國內核心作者的發文量之和占樣本文獻數量的30.3%，而國外核心作者發文量之和占據樣本文獻數量的32.2%，表明國外“區塊鏈+人工智能”文獻的高產作者比國內集中程度高。從總體來看，在國外“區塊鏈+人工智能”研究領域，無論是作者間還是機構間，其合作關系都要比國內更加密切，反映了國外學者與機構更加注重合作研究。

3結論與建議

3.1結論

本文采用文獻計量方法，借助CiteSpace可視化知識圖譜軟件，以CNKI 數據庫、 Web of Science 數據庫和Engineering Village數據庫中“區塊鏈+人工智能”相關主題的405篇文獻為研究對象，繪制出關鍵詞共現圖譜、關鍵詞時線圖譜、關鍵詞聚類圖譜、關鍵詞突現圖譜、發文作者圖譜和發文機構圖譜，從而分析“區塊鏈+人工智能”文獻的研究熱點、研究趨勢、研究前沿、發文作者及機構合作網絡等。主要得出以下結論：

第一，從發文量趨勢來看。全球“區塊鏈+人工智能”發文量呈現逐年遞增趨勢。相較而言，國外有關該領域的研究較國內起步晚，但后來的發文量增長速度較國內更快。第二，從研究熱點來看。國內“區塊鏈+人工智能”文獻的研究熱點主要包括智能合約、聯邦學習、深度學習、大數據等;國外“區塊鏈+人工智能”文獻的研究熱點主要包括機器學習、聯邦學習、物聯網、智能合約、深度學習、數據模型等。第三，從研究趨勢來看。國內“區塊鏈+人工智能”文獻從起初圍繞區塊鏈、人工智能、智能合約等做較為寬泛的研究，到逐漸關注實際應用，不斷細化對技術的研究，拓展應用場景，更加注重智能化應用。國外“區塊鏈+人工智能”文獻從側重于技術研究，逐漸轉向對數據與隱私、系統應用以及檢測分析等的研究。第四，從研究前沿來看。未來國內“區塊鏈+人工智能”研究方向為其在著作權、智慧農業、6g和圖書館等方面的應用，國外為在信息安全、醫療保健、車聯網、隱私保護、智能電網等方面的研究。第五，從作者與研究機構合作網絡來看，國外“區塊鏈+人工智能”文獻的發文作者間以及機構間形成的合作群體更多，合作關系比國內更加緊密。國內外尚未形成高產作者群。國外已形成了數個合作機構團體，但國內機構間沒有任何合作。

3.2建議

通過對比總結國內外“區塊鏈+人工智能”文獻的研究情況，就我國該領域未來研究提出相應的建議，以期推動我國“區塊鏈+人工智能”研究的發展。

第一，強化研究者及研究機構間的合作。我國“區塊鏈+人工智能”研究取得一定進展，但是研究者、研究機構之間缺乏合作，應注重構建研究者以及研究機構之間的合作網絡，強化學術交流與合作。我國“區塊鏈+人工智能”的核心研究機構為高校、研究院及企業，因此要加強不同機構間的合作，建立“區塊鏈+人工智能”的聯合研究機構，形成“產學研”融合的創新合作模式，充分發揮不同研究主體的優勢和特長，聯合進行“區塊鏈+人工智能”的產業應用、前沿探索、風險解決等研究，推動“區塊鏈+人工智能”的高質量、可持續發展。

第二，把握“區塊鏈+人工智能”研究方向。結合國內外“區塊鏈+人工智能”文獻的突現關鍵詞，建議今后“區塊鏈+人工智能”研究工作可以圍繞以下方面擴展與延伸：深化探索和構建“區塊鏈+人工智能”新興應用場景，如應用于為圖書館用戶提供智能、便捷服務，精準滿足用戶的個性化需求;應用于農業生產各環節，促進智慧農業發展;應用于著作權保護，智能化判定數字化作品的侵權程度等。探討在6G時代，如何借助“區塊鏈+人工智能”在確保信息安全、保護用戶隱私的前提下促進數據共享和交互。

第三，注重“區塊鏈+人工智能”風險研究。通過對國內外“區塊鏈+人工智能”文獻的梳理發現，學者們主要聚焦于“區塊鏈+人工智能”的理論、技術以及與不同行業的交叉融合研究，并突出闡述了二者融合發展的優勢，卻鮮有學者深入剖析“區塊鏈+人工智能”融合存在的風險。然而當兩種強大技術相互作用時，不可避免的會產生一些技術風險、法律倫理等問題，例如區塊鏈單點計算的能力難以支撐大規模人工智能應用對計算能力的需要;融合人工智能的智能合約所具備的法律效力問題等。區塊鏈與人工智能的協同演進與融合創新固然會帶來新的機遇，但是在挖掘其優勢互補所迸發的巨大潛力之外，不能忽視了對二者融合可能導致的風險問題的探測與規避研究。

綜上所述，本研究具有一定的創新性：首先，以“區塊鏈+人工智能”相關文獻為研究對象，梳理該領域已有研究成果，展現未來研究方向，不同于已有“區塊鏈+人工智能”文獻側重于該領域技術研發與應用研究。其次，運用文獻計量法，借助CiteSpace軟件，以可視化形式清晰呈現定量研究結果，不同于已有“區塊鏈+人工智能”文獻側重于定性研究。此外，由于“區塊鏈+人工智能”的研究文獻較少，使得本文的數據樣本量較小，在今后的研究中，將進一步補充新增樣本文獻，對目前“區塊鏈+人工智能”研究內容進行更加深入的對比分析，為學者們開展“區塊鏈+人工智能”相關研究提供有益的參考。

參考文獻：

[1]趙馨，趙甜，邱平文，等.區塊鏈應用于人工智能的前景探析[J].網絡空間安全，2020，11（11）：84.

ZHAO X，ZHAO T，QIU P W，et al.Analysis of the prospect of blockchain applied in artificial intelligence[J]Cyberspace Security，2020，11（11）：84.

[2]李健思，楊冰冰，范俐娟，等.基于區塊鏈和AI技術的健康數據管理與技術應用[J].中國公共衛生，2021，37（8）：1305.

LI J S，YANG B B，FAN L J，et al.Blockchain and artificial intelligence technologybased health data management and utilization：a brief introduction[J].Chin J Public Health，2021，37（8）：1305.

[3]王飛躍.平行哲學與智能科學：從萊布尼茨的Monad到區塊鏈之DAO[J].模式識別與人工智能，2020，33（12）：1055.

WANG F Y.Parallel philosophy and intelligent science：From Leibnizs Monad to Blockchains DAO[J].Pattern Recognition and Artificial Intelligence，2020，33（12）：1055.

[4]AGUILERA R C，MOSQUEDA M A A，MOSQUEDA M E A，et al.A Nonlinear model for a smart semantic browser bot for a text attribute recognition[J].Fractals，2020，28（2）：303.

[5]PON P，KAVITHA V.Blockchain based cloud service security architecture with distributed machine learning for smart device traffic record transaction[J].Concurrency and Computation：Practice and Experience，2021，34（3）：1.

[6]付楊，王景中，楊洵，等.基于區塊鏈的視頻版權存儲架構[J].計算機系統應用，2020，29（8）：58.

FU Y，WANG J Z，YANG X，et al.Video Copyright Storage Architecture Based on Blockchain[J].Computer Systems amp; Applications，2020，29（8）：58.

[7]邢丹，徐琦，姚俊明.邊緣計算環境下基于區塊鏈和聯邦學習的醫療健康數據共享模型[J].醫學信息學雜志，2021，42（2）：33.

XING D，XU Q，YAO J M.Medical and health data sharing model based on blockchain and federated learning in the edge computing environment[J].Journal of Medical Informatics，2021，42（2）：33.

[8]PEYVANDI A，MAJIDI B，PEYVANDI S，et al.Computeraideddiagnosis as a service on decentralized medical cloud for efficient and rapid emergency response intelligence[J].New Generation Computing，2021，39（3）：677.

[9]丁曉蔚，何秋妍.論區塊鏈技術對傳媒業的影響[J].現代傳播（中國傳媒大學學報），2019，41（12）：9.

DING X W，HE Q Y.The impact of blockchain technology on the media industry[J].Modern Communication （Journal of Communication University of China），2019，41（12）：9.

[10]FU M H.Integrated technologies of blockchain and biometrics based on wireless sensor network for library management[J].Information Technology and Libraries，2020，39（3）：1.

[11]GAWAS M，PATIL H，GOVEKAR S S.An integrative approach for secure data sharing in vehicular edge computing using Blockchain[J].PeertoPeer Networking and Applications，2021，14（5）：2840.

[12]韓旭至.司法區塊鏈的復合風險與雙層規制[J].西安交通大學學報（社會科學版），2021，41（1）：136.

HAN X Z.The compound risk and two – layer regulation of judicial blockchain[J].Journal of Xian Jiaotong University（Social Sciences），2021，41（1）：136.

[13]陳吉棟.人工智能時代的法治圖景：兼論《民法典》的智能維度[J].探索與爭鳴，2021（2）：126.

CHEN J D.The prospect of rule of law in the era of artificial intelligence：also on the intelligent dimension of civil code[J].Exploration and Free Views，2021（2）：126.

[14]趙亮，許娜，張維.我國數字孿生研究的進展、熱點和前沿：基于中國知網核心期刊數據庫的知識圖譜分析[J].實驗技術與管理，2021，38（11）：96.

ZHAO L，XU N，ZHANG W.Progress，hotspot and frontier of digital twin research in China： Knowledge atlas analysis based on CNKI core journal database[J].Experimental Technology and Management，2021，38（11）：96.

[15]雷東升.基于知識圖譜的國內外專利分析進展計量研究[J].圖書情報工作，2017，61（S2）：99.

LEI D S.Econometric research on patent analysis based on knowledge graph[J].Library and Information Service，2017，61（S2）：99.

[16]程平，王立宇.國內外區塊鏈技術發展與大會計應用動態研究[J].會計之友，2020（6）：143.

CHENG P，WANG L Y.Research on the development of blockchain technology and the application dynamics of major accounting at home and abroad[J].Friends of Accounting，2020（6）：143.

[17]傅游，王浩蓉.基于Web of Science的國際區塊鏈技術文獻計量分析[J].圖書情報導刊，2020，5（12）：67.

FU Y，WANG H R.Bibliometric analysis on International Blockchain technology based on Web of Science[J].Journal of Library and Information Science，2020，5（12）：67.

[18]許恒周，劉源.我國農地確權研究的熱點分析與演化路徑：基于CiteSpace的知識圖譜分析[J].干旱區資源與環境，2020，34（2）：1.

XU H Z，LIU Y.Hotspot analysis and evolutionary path in the study of rural land right confirmation[J].Journal of Arid Land Resources and Environment，2020，34（2）：1.

[19]魏瑞斌.社會網絡分析在關鍵詞網絡分析中的實證研究[J].情報雜志，2009（9） ： 46.

WEI R B.An empirical study of keywords network analysis using social network analysis[J].Journal of Intelligence，2009（9）：46.

[20]汪園，王學東，李金鑫.基于文獻計量的我國區塊鏈研究的知識網絡與結構分析[J].現代情報，2018，38（1）：147.

WANG Y，WANG X D，LI J X.Research of knowledge network and structure of blockchain research based on bibliometrics[J].Journal of Modern Information，2018，38（1）：147.

[21]顏嘉麒，宋金倍，達婧瑋，等.基于區塊鏈的傳染病預警系統：融合復雜網絡的風險度量[J].信息資源管理學報，2021，11（4）：90.

YAN J Q，SONG J B，DA J W，et al.A Blockchainbased early warning system for infectious diseases：Risk measurement combined with complex network[J].Journal of Information Resources Management，2021，11（4）：90.

[22]李璞穎.基于CiteSpace的“區塊鏈+會計”應用研究分析[J].財會通訊，2021（9）：31.

LING P Y.Application research and analysis of “Blockchain + Accounting”based on CiteSpace[J].Communication of Finance and Accounting，2021（9）：31.

[23]陳悅.引文空間分析原理與應用[M].北京：科學出版社，2014：24.

CHEN Y.Principle and application of citation space analysis[M].Beijing，Science Press，2014：24.

[24]唐波，邱錦安.基于WoS和CiteSpace的應急避難場所知識圖譜和進展分析[J].世界地理研究，2019，28（4）：85.

TANG B，QIU J.Knowledge structure of emergency shelters research：An analysis based on WOS and Citespace map[J].World Regional Studies，2019，28（4）：85.

[25]普賴斯，宋劍耕，戴振飛.小科學·大科學[M].世界科學社，1982：10.

PRICE，SONG J G，DAI Z F.Small science·Big science[M].World Science Society，1982：10.