大豆代谢领域的论文共同作者网络分析

发布时间：2020-07-22 23:12

【摘要】：近些年来,生物信息学已经逐渐发展成为当今最受关注的交叉学科之一,并衍生出数量众多的研究领域。与此同时,产生了大量的相关科技文献,已有的传统方法已经无法满足对本领域科技文献研究与分析的需要。科研合作网络是一类关于研究人员的社会网络模型,包括研究者以及研究者之间的论文合作关系,可以用来进行大规模的文献分析。本文结合LDA(Latent Dirichlet Allocation)主题模型与科研合作网络,对大豆代谢领域的相关文献进行了分析,并得到了一些有价值的实际结果。主题模型是一种概率生成模型,它的应用十分广泛,涉及到多种方面,在自然语言处理中表现的尤为突出。它的出现能够帮助我们快速的清楚海量的文本数据中隐藏的信息。现今,在机器学习被广泛应用的时代背景下,主题模型获得了学术界的一致认可。与基于本体等知识库的语义方法相比,主题模型挖掘出的语义内容表现的更为丰富,更适合于跨领域的知识发现。复杂网络作为另一个十分重要的研究领域,一直被广泛的应用在各学科领域中的网络问题的研究与分析。其中,社会网络是复杂网络研究中一个较为成熟的研究方向。共同作者网络是根据论文的作者之间的合作关系建立的网络,它是科学合作网络的一种常见形式。如果两个作者共同署名一篇及以上的论文,那么两个作者之间将产生连边关系。共同作者网络可以为学术关系网络结构的研究提供有力的工具。对大豆代谢的研究,有助于我们对作物的生长、产量和品质有更深入的了解。通过对大豆代谢领域科技文献进行深入分析有助于我们把握本领域的发展趋势,通过对大豆代谢领域相关重要人物和机构的追踪,能够抓住本领域的最新动态,把握前沿。本文选择了大豆代谢研究领域的科技文献,首先对数据进行预处理,对摘要文献分别进行LDA主题建模,并进行聚类处理。对聚类的十类结果进行分析,分别对每一类建立词云,通过词云直观的对每一类有一个整体认知。对十类结果进行处理并获取共同作者网络数据后,研究统计了它们的统计属性,并分析了其意义。另外,本文还以时间维度为限定条件,对数据集进行了进一步的分析与讨论。并对网络中的重要节点问题进行了着重分析。通过本文的研究,有助于我们把握大豆代谢领域的研究趋势和最新动态,可以更好地提高对科研合作网络的理解,特别是生物信息学领域形成的网络机制。
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S565.1;Q811.4
【图文】：

建模过程,文本,合作网络

来几年某个领域的动向和前景时，便可以利用这种网络。(3) 共同成员网络当两个个体共同参与了某种组织或者社会活动，那么这些个体便有了联系，从而构成了共同成员网络。比如演员合作网络。(4) 共同作者网络科学合作网络中研究的最多，意义也最大的便是共同作者网络，也是我们本文要研究的合作网络。当两个作者共同完成了一篇及一篇以上的论文，那么两者便产生连边，通过这种规则建立的网络称为共同作者网络。2.4 主题模型相关知识2.4.1 文本挖掘文本挖掘一般经过格式统一，内容提取，词库选择、向量空间创建等步骤来完成。如图 2.2 直观的描述这一系列过程。

示意图,向量空间,示意图,向量空间模型

删除辅助符号等等也都属于归一化范畴。提取(Stemming): 当本挖掘中文的词义分析不会被单词在文影响时，可以把词项简化为词干形式。其中波特词干（PorterS用的英文词干提取方法。构建(Dictionary Construction):作为在文本挖掘中参考的特征所有文档中所有术语的集合，是知识发现的基础。界七十年代，Salton 等人提出向量空间模型（VSM：Vecto量空间示意图如图 2.3 所示。向量空间模型概念简单，它是将数字化处理，简化为文本空间中的数字向量运算。把文档映射之后，我们便可以通过计算文本空间中向量之间的相似性作为判断的依据。在文本处理中，余弦距离是最常用的相似性度向量空间模型所具有的独特属性导致它在被科研工作者们大量析中。

主题,模型框架,向量

第 3 章方法介绍价标准的介绍。主题模型型下，“文本-主题”向量m 和“主题-词语”向量k 分别通过超参的狄利克雷分布得到。根据上述描述，我们可以得到整个流

【相似文献】