基于CiteSpace的卷積神經網絡可視化分析研究

莫蘭蕊　龍濤　李妹燕

摘要：為了研討卷積神經網絡在計算機領域的應用及發展趨勢，文章選擇2010-2021年中國知網中以“卷積神經網絡”為篇名的2818篇核心期刊論文作為研究樣本，采用文獻計量方法，借助CiteSpace軟件對核心期刊文獻進行可視化分析，文章主要梳理了國內核心期刊關于卷積神經網絡的研究熱點，從作者、發文機構、關鍵詞等角度分析卷積神經網絡的研究現狀和發展趨勢，研究結果表明卷積神經網絡應用于計算機視覺上圖像處理以及深度學習的多維度將成為未來研究熱點。

關鍵詞：卷積神經網絡;知識圖譜;可視化;圖像處理;深度學習

中圖分類號：TP18? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）09-0063-04

1 引言

卷積神經網絡（Convolutional Neural Network，CNN）是一類包含卷積計算且具有深度結構的前饋神經網絡（Feedforward Neural Networks），是深度學習（Deep Learning）的代表算法之一。神經網絡是受到生物神經元間的鏈接方式的啟發而出現的，逐漸發展為卷積神經網絡（Convolutional Neural Network，CNN）[1]。在20世紀60年代，Hubel和Wiesel在鉆研貓腦皮層中用于部分敏感和目標方向選擇的神經元時發現其獨特的網絡構造能夠有效地降低反饋神經網絡的復雜性，通過這個研究發現，他們繼而提出了卷積神經網絡這一名詞。經過往后的推廣，明確地說明了卷積神經網絡是得到廣泛應用的一種人工神經網絡，也是首個真正被成功訓練的深層神經網絡。

卷積神經網絡作為深度學習的重要推動力，近年來取得了重大的突破，在計算機視覺、自然語言處理和遙感圖像理解等領域有出色的表現[2]。而且卷積神經網絡（全卷積神經網絡）在深度學習中表現出強大的潛能，逐漸成為圖像語義分割問題的首選[3]。在計算機領域當中，卷積神經網絡對圖像的處理是進行圖像識別，因為卷積神經網絡避免了對圖像處理的復雜性前期與處理，能夠直接輸入原始圖像，因此得到了更為廣泛的使用[4]。圖像識別是一種利用計算機對圖像進行處理、分析和理解，再通過卷積神經網絡對輸入的數據進行特征提取，利用提取的特征實現目標的分類與定位[5]，以識別各種不同模式的目標和對象的技術，是計算機視覺的一個主要研究方向，在以圖像為主體的智能化數據采集與處理中具有十分重要的作用和影響。

本文借助CiteSpace可視化分析軟件對卷積神經網絡相關核心期刊文獻進行可視化分析，進一步對卷積神經網絡展開研究，并且重點研究它在計算機學科領域上的應用和發展趨勢。

2 數據來源與研究方法

2.1 數據來源

本文利用中國知網（CNKI）上收錄的核心期刊文獻能夠較全面地反映出卷積神經網絡在各個領域上的應用，因此本文的數據來源于中國知網CNKI學術期刊庫的核心期刊文獻。本文在收集數據時，打開中國知網（CNKI）首頁，點擊“學術期刊”導航按鈕，選擇高級檢索，以“卷積神經網絡”為篇名，選擇“中英文擴展”，時間范圍設置為2010—2021年，來源類別選擇“北大核心”和“CSSCI”，檢索的結果是2818篇，將檢索到的核心期刊通過點擊“導出與分析”并選擇導出文獻，然后選擇以“RefWorks”格式導出。

由于檢索到的核心期刊文獻覆蓋領域較廣，為了保障數據的真實性和有效性，對檢索到的核心期刊文獻做人工篩選，剔除以下內容：1）刊名為雜志、報道、通報等文章。2）沒有作者的文章。3）與計算機學科不相關的文章等。最終篩選出的核心期刊文獻為1821篇。

2.2 論文研究的方法

本文主要研究卷積神經網絡在計算機領域上的應用和發展趨勢。采用文獻計量方法，通過CiteSpace可視化軟件對1821篇核心期刊文獻進行可視化分析。CiteSpace軟件是由美國德雷塞爾大學信息科學與技術學院英籍華人陳超美教授在2014年開發的軟件[6]。CiteSpace可視化軟件在國內有個別名叫作引文空間，在科學計量學、數據和信息可視化背景下逐步發展起來的，是一項專門分析科學研究中潛在知識的文獻（引文）可視化分析軟件。本文采用的是CiteSpace5.8.R1版本，對卷積神經網絡的文獻作者、機構、關鍵詞進行共現和聚類分析，生成相應的知識圖譜，以便于學者們對卷積神經網絡進行后續的研究。

3 數據分析

3.1 文獻年度發文量分析

對文獻各個年度的發文量進行統計便可以得出廣大學者對某一主題的研究關注度和投入度，本文統計了2010—2021年度的發文量，共得到2818篇核心期刊文獻，對檢索結果進行可視化分析統計后發現如圖1所示，卷積神經網絡在近幾年發文量呈現上升趨勢，說明卷積神經網絡近幾年在國內引起廣大學者的關注和重視，特別是在2019年，年度發文量達到了663篇，這表明卷積神經網絡得到了快速發展和廣泛應用，同時2021年預測到的發文量是957篇。就目前的情況而言，發文量在持續上升，卷積神經網絡成了研究熱點，說明未來幾年學者們對卷積神經網絡還會有更深入的研究，同時卷積神經網絡在計算機領域上還會得到持續的發展，相關發文量也會繼續上升。

3.2 文獻發文作者分析

統計作者的相關信息有利于發現作者之間的合作關系，同時對作者進行分析，可以準確地了解到研究領域中的權威學者（專家），因為他們對自己研究的領域有著較全面、較充分地理解，也有著豐富的知識理念，同時也已經形成較成熟的知識體系。對權威學者的文獻進行閱讀，可以快速地了解該研究領域的知識和相關主題的應用，同時也可以實時了解到最新的研究狀況和所在領域前沿。本文使用CiteSpace可視化分析軟件對作者進行可視化分析，設置時間范圍是2010—2021年，時間切片為1，Node Types選擇“Author”，得到了卷積神經網絡研究發文作者的知識圖譜，圖中名字字體越大表示發文量越多，如圖2作者共現圖所示。得到的關鍵節點N=309個、關鍵路線E=184個。其中發文較多的作者為周建平（5篇）、曾上游（5篇）。最后對發文量進行統計。發現卷積神經網絡的學者發文量都相對較少，學者之間的合作也比較少，如表1作者首次發文及文獻量所示。同時，從數據中可以明確地知道，發文數量較多學者大多數是在2018年開始發表關于卷積神經網絡的文章，時間線緊跟生活，卷積神經網絡在近年也逐漸成為研究熱點。對于卷積神經網絡的研究，本文認為，學者之間應該相互交流，雖然卷積神經網絡出現也有了一段時間，但是其涉及的領域以及研究意義值得學者們一起去研討。

3.3 發文機構分析

對發文機構進行可視化分析，可以得到機構發文網絡以及機構與機構之間的合作關系，本文可以根據分析得出卷積神經網絡在不同機構中的分布情況。

在CiteSpace中將“Author”改為“institution”，其余條件保持不變，得到了機構共現知識圖譜如圖3所示。在知識圖譜中，機構名字越大，表明機構的發文量就越多，機構發文量體現出機構在該領域的科研能力和科研水平，以及對研究主題的專注度。由于圖中數據不是很清晰，因此對后臺數據做了一些統計，統計出發文量排名前十的機構，如表2所示，這樣更能方便讀者們閱讀。數據表明，有挺多的機構對卷積神經網絡進行研究，促進卷積神經網絡的發展，但是在知識圖譜中，也得知機構之間沒有合作關系，各個機構都是自發地研究卷積神經網絡。由此可見，在國內大部分機構都是按照區域劃分的，這也導致相關領域之間跨機構、跨學科、跨地區合作相對較少，在這方面的合作還需要不斷加強，機構之間多多交流，也能促進機構的發展和知識的傳遞。

3.4 關鍵詞詞頻分析

對于一篇文獻而言，關鍵詞算是重中之重，關鍵詞是對一篇文章的高度凝練和概括，文章的主題就是圍繞著關鍵詞來寫的，因此運用CiteSpace可視化分析軟件對核心期刊文獻進行關鍵詞分析和統計，才能更好地明確研究的核心期刊文獻的重點主題。

本文運用CiteSpace可視化分析軟件，將“Node Types”設置為“Keyword”，然后其他條件保持不變，對關鍵詞進行詞頻分析，詞頻分析法是通過分析關鍵詞出現的頻數高低來確定在某一領域的研究熱點和發展動向。并且關鍵詞詞頻越高，越能反映該領域的研究熱點。在得到關鍵詞的頻度和中心性的圖表后[7]，本文選擇前十的關鍵詞對其進行分析如表3所示。圖中高頻關鍵詞為“深度學習”和“卷積神經網絡”，“深度學習”中心性最高，其次再到“卷積神經網絡”，畢竟卷積神經網絡是深度學習算法的一種，說明眾多研究還是圍繞著“卷深度學習”和“卷積神經網絡”的研究為重點。在計算機研究領域上，關鍵詞的代表是“圖像處理”“特征提取”，不過這兩個的頻度較低，說明卷積神經網絡在計算機領域是處于發展中的。

3.5 關鍵詞共現分析

筆者在CiteSpace中點擊關鍵詞分析，得到關鍵詞共現知識圖譜如圖4所示，其中關鍵節點N=506個，關鍵路線E=627個。在關鍵詞共現知識圖譜中，能夠清楚地看到“卷積神經網絡”和“深度學習”這兩個詞組的字體是比較大的，字體越大越能說明關鍵詞度中心性的大小，由上文詞頻得知“卷積神經網絡”和“深度學習”的中心性是位居一二的，因此根據圖中關鍵詞詞組字體的大小，便可知道“卷積神經網絡”“深度學習”“圖像處理”“特征提取”“深度卷積神經網絡”等為關鍵詞共現的重點詞匯[8]。

3.6 關鍵詞聚類分析

在分析文獻時，為了避免高頻關鍵詞遺漏信息，本文對關鍵詞共現進行聚類分析。通過點擊關鍵詞聚類，得到關鍵詞聚類圖如圖5所示，對于關鍵詞聚類分析，本文要通過模塊值Q和平均輪廓值S來判斷CiteSpace軟件聚類的顯著性和合理性。當Q≥0.3，則說明，此時劃分的聚類結構是顯著的;當S≥0.5，則說明聚類是合理的[7]。本文是以一個時間切片做聚類分析，得到聚類分析的Q值是0.6621，S值是0.8616，由此說明劃分的聚類結構是顯著的，聚類是合理的。在分析結果中，本文統計了前十個聚類規模較大的關鍵詞如表4所示。同時在CiteSpace軟件上生成時間序列圖如圖6所示，在CiteSpace中，時間序列圖是以年份作為時間軸，展現關鍵詞隨著年份（時間）變化特征的時序圖。在圖的右邊為聚類的熱點關鍵詞，圖中節點的大小則表示該節點關鍵詞的重要程度，節點所在的位置表示該關鍵詞出現的時間。

3.7 關鍵詞趨勢分析

在CiteSpace可視化分析軟件中，可以根據關鍵詞首次出現的時間（年份），將2010～2021年間卷積神經網絡研究領域的關鍵詞投射到時間線的橫坐標上，最終得到卷積神經網絡研究的時區圖譜如圖7所示。這個圖是從時間維度上展現了2010～2021年間每一年新出現的卷積神經網絡研究主題。同樣的道理，在時區圖中，關鍵詞字體的大小就代表它中心性的大小，字體越大，說明它在關鍵詞詞組中越重要[7]。在圖7中，可以看到，“圖像處理”“圖像分類”“特征提取”是從2016開始的，說明卷積神經網絡在計算機視覺上圖像處理方面的應用是從2016年開始的，到2021年圖像分類上還是使用到了卷積神經網絡。

4 結果與討論

通過使用CiteSpace軟件對卷積神經網絡的引文進行可視化的分析，了解到了關于卷積神經網絡的一些關鍵詞和熱點詞匯。首先它是基于深度學習算法的，基于算法出身，是不斷優化和更新的，因此卷積神經網絡的知識也不斷地被學者挖掘、優化，繼續往卷積神經網絡的高深層次和不同緯度發展、學習、研究;其次，卷積神經網絡在各個領域都得到廣泛應用，介于本文主要研究它在計算機領域的應用，就不對其他領域作過多介紹。

在計算機領域方面，卷積神經網絡主要是應用于“圖像處理”“特征提取”和“圖像分類”，為學者們在處理圖像時給予特別大的幫助，通過卷積神經網絡進行處理，會更快的得到圖像的特征因素，而且方便分類提取。同時，經過分析、權衡利弊之后，發現卷積神經網絡在計算機領域存在著幾個問題：

1）卷積神經網絡多層分化，在進行圖像處理時，對于不同類型的圖像難以確定要使用哪一層次的卷積神經網絡。

2）隨著卷積神經網絡層次的加深，在篩選合適的層次時，勢必會造成大量的資源消耗，成本也隨之提高了。

3）進行特征提取時，卷積神經網絡還無法對大量的數據快速識別并提取到特征因素，其結構還得不斷優化，以及在大量數據中還得實現算法并行。

4）近年來，手機也在不斷地發展，手機對性能、功能的要求也越來越多，但卷積神經網絡在手機上還沒怎么使用，如何設計出精巧的且能在手機上使用的卷積神經網絡是值得學者們研討的問題。

跟隨著科技的進步，未來人們的生活基本上都用到眼部識別，要求的圖像分辨率高，機器掃描眼睛，進行圖像對比，特征提取來確認人們的身份信息或者出行的，可以減少一些不必要的麻煩，目前各種硬件設備的智能化還沒有大量普及，因此卷積神經網絡在計算機領域方面還得繼續發展，跟進時代的腳步。

生活在信息化時代，離不開科技，也離不開學習，卷積神經網絡是人工神經網絡，是學者發現并推廣使用的，而且還發掘了不同層次的卷積神經網絡，但卷積神經網絡中還有各種結構、層次等著學者們去發掘和運用。

參考文獻：

[1] 董永峰，鄧亞晗，董瑤，等. 基于深度學習的聚類綜述[J/OL].計算機應用：1-8[2021-11-14].http：//gfffg0d5ea2b984614a3chbonv9vfop0cq6ovw.fgfy.bsuc.cwkeji.cn/kcms/detail/51.13 07.TP.20210927.1729.016.html.

[2] 張鑫，姚慶安，趙健，等.全卷積神經網絡圖像語義分割方法綜述[J/OL].計算機工程與應用：1-16[2021-11-14].http：//gfffg0d5ea2b984614a3chbonv9vfop0cq6ovw.fgfy.bsuc.cw keji.cn/kcms/detail/11.2127.TP.20211220.0930.002.html.

[3] 呂伏，劉鐵.基于學習率自增強的圖像識別深度學習算法[J].計算機應用與軟件，2021，38（12）：268-273.

[4] 盧宏濤，張秦川.深度卷積神經網絡在計算機視覺中的應用研究綜述[J].數據采集與處理，2016，31（1）：1-17.

[5] 王振華，李靜，張鑫月，等.面向視頻數據的深度學習目標識別算法綜述[J/OL].計算機工程：1-19[2021-11-14].DOI：10.19678/j.issn.1000-3428.0062227.

[6] 李慢.基于citespace5.2視角的國內人工智能研究可視化分析[J].智庫時代，2018（44）：201-202.

[7] 張秦，孫長坪.基于CiteSpace的我國營商環境研究重點與趨勢的知識圖譜分析[J].統計與管理，2021，36（11）：124-128.

[8] 王文曦，李樂林.深度學習在點云分類中的研究綜述[J].計算機工程與應用，2022，58（1）：26-40.

【通聯編輯：謝媛媛】