【目的/意義】知識(shí)流動(dòng)模式能夠動(dòng)態(tài)反映知識(shí)形態(tài)在知識(shí)流動(dòng)中發(fā)生的變化,體現(xiàn)學(xué)科系統(tǒng)中不同知識(shí)體系的發(fā)展規(guī)律,因此從科學(xué)文獻(xiàn)角度出發(fā)研究知識(shí)流動(dòng)模式的發(fā)現(xiàn)具有重要意義。【方法/過(guò)程】以圖書(shū)情報(bào)學(xué)領(lǐng)域?yàn)槔?設(shè)計(jì)一種組合方法,首先采用LDA(latent Dirichlet allocation,隱狄里克雷分布)主題模型進(jìn)行領(lǐng)域內(nèi)文獻(xiàn)的主題聚類,然后提取引用和被引用數(shù)據(jù)構(gòu)成主題知識(shí)流入、流出特征,并作為HMM(Hidden Markov Model,隱馬爾可夫模型)訓(xùn)練模型的觀測(cè)值序列,識(shí)別不同的隱藏狀態(tài),進(jìn)一步對(duì)模型的擬合效果進(jìn)行評(píng)估,最后通過(guò)聚類分析將隱藏狀態(tài)序列與知識(shí)流動(dòng)模式一一對(duì)應(yīng),揭示圖書(shū)情報(bào)學(xué)領(lǐng)域存在不同知識(shí)流動(dòng)模式的差異性。【結(jié)果/結(jié)論】實(shí)驗(yàn)結(jié)果顯示,不同類型的知識(shí)流動(dòng)模式具有不同的表現(xiàn)形式,反映了領(lǐng)域內(nèi)部主題研究的演變歷程,為理解和認(rèn)識(shí)科學(xué)發(fā)展趨勢(shì)具有一定價(jià)值。
【部分圖文】：

本文以圖書(shū)情報(bào)領(lǐng)域期刊引用數(shù)據(jù)為例進(jìn)行實(shí)證分析，通過(guò)LDA主題模型劃分知識(shí)單元，將知識(shí)流入、流出作為HMM模型訓(xùn)練輸入?yún)?shù)，對(duì)比不同主題知識(shí)流動(dòng)表現(xiàn)，以揭示圖書(shū)情報(bào)領(lǐng)域主要的知識(shí)流動(dòng)過(guò)程及規(guī)律，為探究學(xué)科知識(shí)系統(tǒng)動(dòng)態(tài)發(fā)展的理論和實(shí)踐方面提供一個(gè)新視角，具體過(guò)程如圖1。3.1 LDA主題模型

首先，對(duì)圖書(shū)情報(bào)領(lǐng)域數(shù)據(jù)集進(jìn)行主題生成，主題數(shù)K取5至120區(qū)間（步長(zhǎng)為5），運(yùn)行參數(shù)α為50/K(K為主題數(shù)），β為0.01，迭代次數(shù)為1000。然后，根據(jù)公式（1）計(jì)算不同主題數(shù)下的困惑度值，結(jié)果見(jiàn)圖2。橫坐標(biāo)表示主題數(shù)K，縱坐標(biāo)表示困惑度值Perplexity。圖中的曲線顯示，困惑度值隨著主題數(shù)的增加呈現(xiàn)出先減小后增加的趨勢(shì)，當(dāng)主題數(shù)為25時(shí)，困惑度值達(dá)到最小值2.206。按照困惑度最小LDA聚類效果最佳的原則，本文取最優(yōu)主題數(shù)為25。5.1.2 LDA主題分類結(jié)果

HMM模型是一個(gè)雙重隨機(jī)過(guò)程，一重是描述隱狀態(tài)與觀測(cè)值之間的對(duì)應(yīng)關(guān)系，另一重是描述狀態(tài)之間的轉(zhuǎn)移關(guān)系。本文Baum-Welch算法的實(shí)現(xiàn)是利用Python的隱馬爾科夫HMMLearn庫(kù)實(shí)現(xiàn)，對(duì)表2中的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，構(gòu)建多維連續(xù)HMM模型。隱狀態(tài)的確定是HMM模型中的重要問(wèn)題，根據(jù)公式（2)BIC準(zhǔn)則計(jì)算公式，輸入不同隱狀態(tài)數(shù)訓(xùn)練HMM并計(jì)算模型的BIC值，得到結(jié)果見(jiàn)表3。結(jié)果顯示，當(dāng)狀態(tài)數(shù)為6時(shí)，BIC值達(dá)到最小為5125.72，因此根據(jù)“BIC值越小，模型越優(yōu)”的原則，取知識(shí)流動(dòng)隱狀態(tài)數(shù)為6，模型適配度最好。設(shè)定隱狀態(tài)數(shù)為6，提取25個(gè)主題樣本的知識(shí)流入、流出特征，輸入到最終訓(xùn)練的HMM值中進(jìn)行識(shí)別，得到每個(gè)觀測(cè)值對(duì)應(yīng)的隱狀態(tài)（狀態(tài)1至狀態(tài)6）。聚集不同隱狀態(tài)對(duì)應(yīng)的知識(shí)流入、知識(shí)流出特征，繪制等高線圖，見(jiàn)圖3；圖3中橫、縱坐標(biāo)為知識(shí)流入、流出自變量，因變量用二元偏態(tài)分布概率密度函數(shù)表示。
【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 陳偉;林超然;李金秋;楊早立;;基于LDA-HMM的專利技術(shù)主題演化趨勢(shì)分析——以船用柴油機(jī)技術(shù)為例[J];情報(bào)學(xué)報(bào);2018年07期

本文編號(hào)：2844941