基于大规模开放科学知识图谱的学科新兴趋势探测研究

With scientific research seeing increasing competition around the world, it’s crucial for research management agencies and research institutes to keep real-time track of scientific frontiers and to accurately grasp the trend of disciplinary development in their making decisions and conducting research. In open science context, this project, based on large-scale knowledge graph big data, uses such techniques as knowledge fusion, subject extraction, association analysis and methods as statistical measurement and complex network analysis to study the types, characteristics and distribution patterns of research topics. By way of analyzing influencing factors and dynamic mechanisms in the life cycle of topics, this project also aims to accurately identify and multi-dimensionally visualize the evolution of topics. On this basis, the project introduces external indicators such as fund supports, journal publications, and article citations, as well as endogenous indicators such as the speed, breadth, and acceleration of topics to build a model and an indicator system for identifying the emerging trend of disciplines and to develop a comprehensive system for the purpose. And then, large-scale experiments, evaluation and improvement follow to achieve theoretical and methodological innovation in detecting emerging trends. The project is a typical data-driven research, which helps to reveal the evolution mechanism of disciplinary topics and the growth mechanism of emerging trends. This research has important theoretical value in knowledge discovery and intelligence analysis, and it has a vast application space in analyzing the scientific information and supporting research-related decision-making.

全球科研竞争日益加剧，即时跟踪科学前沿、准确把握学科发展趋势是科研管理部门和一线科研机构进行正确决策和科研立项的关键。本课题在开放科学背景下，基于大规模科学知识图谱（Knowledge Graph）数据，借助知识融合、主题提取、关联分析等技术与统计分析、复杂网络分析等方法，研究学科主题类型、特征及演化过程，阐释学科主题生命周期各阶段的影响因素和动力机制，进而设计演化分析算法，实现学科主题演化过程的精准识别和多维可视化表示，并综合利用基金资助、期刊发表、论文引文等外部指标和主题兴起速度、广度、加速度等内生指标，构建学科新兴趋势判别模型，开发一套综合性新兴趋势分析系统。最终通过实验分析，完成学科新兴趋势探测理论与方法的创新性研究。该项目有助于揭示学科主题的演化机理，在知识发现和情报分析上具有重要的理论和实践意义，在科技情报分析和科研决策辅助领域拥有广阔的应用空间。

本项目在开放科学背景下，基于大规模科技信息资源，借助知识融合、主题提取、时序分析、复杂网络分析等技术方法，研究学科主题类型、特征及演化过程，阐释学科主题生命周期各阶段的影响因素和动力机制，进而设计演化分析算法，实现了学科主题演化过程的精准识别和多维可视化表示。.团队首先对智慧数据建设进行研究，认为智慧数据是通过信息组织、语义增强和智能处理等方法和技术，实现在多源大数据中进行价值提取的能力，并构建了一套高质量的数字资源加工/组织/检索/利用的路线和工具，为多源信息融合与资源建设提供技术支持。然后，团队提出了一种基于矩阵相似度的研究主题演化路径检测方法MatrixSim。该算法借助弗罗贝尼乌斯内积，用矩阵间的余弦相似度作为两个主题的相似度指标，在检测研究主题的演化路径方面表现良好。它可以关联重要的研究主题，揭示主题内部演化特征，从而发现和跟踪科学领域的研究前沿。此后，设计了一种基于词向量网络的科研主题演化分析方法。该方法通过GloVe词嵌入模型获得学科领域特征关键词的词向量表示，并将其视为无向加权图的顶点，将词向量间的归一化余弦相似度作为连边权重，进行领域词向量的构建，并通过K-means模型和时间序列变化趋势识别模型TS-TIM实现了构建社区结构和时序网络特征的探索分析。最终，团队根据研究成果和前期积累，优化开发了NEVIEWER-online科研主题演化分析服务平台。该平台可以实现自动、及时、准确的从海量文献中分析出研究主题的分布结构和演变动态，对科研学者及工作人员发现科学前沿、揭示学科知识结构具有重要意义。..本研究得出的系列结果和理论具有原创性和实用性，为科技信息资源管理、科研主题演化、研究热点探测等相关研究提供了坚实的理论基础和技术支撑。