科学知识网络扩散中的社区扩张与收敛模式特征分析——以医疗健康信息领域为例

发布时间：2022-02-08 19:52

　　[目的/意义]科学知识网络中知识单元呈现出一定的集群性与社区性,揭示科学知识网络扩散时序变化过程中的社区扩张与收敛的基本模式与特征,对于拓展、深化科学知识扩散与传递规律研究具有一定的意义。[方法/过程]首先,基于引用关系建立邻接矩阵进而构建学科知识网络,采用复杂网络分析中的Louvain社区探测算法对领域知识网络进行社区划分;然后利用网络表示学习技术进行社区扩张与收敛特征表示与计算;最后以时间序列为逻辑线索,对不同社区的扩张、收敛演变过程进行动态跟踪建模,从而揭示科学知识网络时序变化过程中社区扩张与收敛的基本模式与特征。[结果/结论]以医疗健康信息领域进行案例研究,研究发现社区扩张模式的发展趋势符合S形曲线函数中的Logistic模型,社区收敛模式的发展趋势符合S形曲线函数中的BiHill模型。 

【文章来源】：图书情报工作. 2020,64(14)北大核心CSSCI

【文章页数】：11 页

【部分图文】：

文献数量时期分布

其中,f(u)为将节点u映射为embedding向量的目标函数;V表示网络中节点的集合,S指得到节点邻居N的策略,NS(u)表示通过采样策略S采样出的节点u的近邻顶点集合,Node2vec模型算法[30]如图2所示:本研究主要利用Python语言进行社区扩张与收敛特征表示与计算,在具体处理步骤中,首先基于Node2vec模型算法(https://github.com/aditya-grover/node2vec)将引文网络中的每个节点表示成可计算的K维向量,然后结合上一步中的社区划分结果,计算各个社区节点(向量)之间的距离进而可得社区所占区域面积的大小(以各个社区内节点最大距离为区域直径),然后通过分析各个社区在不同时间段的区域面积时序变化情况,从而表征与测度引文网络时序变化过程中社区的扩张与收敛情况,基本思路可归纳概括为如图3所示:

本研究主要利用Python语言进行社区扩张与收敛特征表示与计算,在具体处理步骤中,首先基于Node2vec模型算法(https://github.com/aditya-grover/node2vec)将引文网络中的每个节点表示成可计算的K维向量,然后结合上一步中的社区划分结果,计算各个社区节点(向量)之间的距离进而可得社区所占区域面积的大小(以各个社区内节点最大距离为区域直径),然后通过分析各个社区在不同时间段的区域面积时序变化情况,从而表征与测度引文网络时序变化过程中社区的扩张与收敛情况,基本思路可归纳概括为如图3所示:3.2.4 社区扩张与收敛模型构建与模式分析

【参考文献】：
期刊论文
[1]基于主题关联分析的科技互动模式识别方法研究[J]. 刘自强,许海云,罗瑞,董坤,朱礼军.  情报学报. 2019(10)
[2]学科引证网络知识扩散特征研究[J]. 岳增慧,许海云.  情报学报. 2019(01)
[3]领域知识聚类性的动态演化分析[J]. 安宁,滕广青,白淑春,毕强,韩尚轩.  图书情报工作. 2018(10)
[4]基于频度演化的领域知识关联关系涌现[J]. 滕广青.  中国图书馆学报. 2018(03)
[5]关联驱动的领域知识群落生长[J]. 滕广青.  中国图书馆学报. 2017(03)
[6]科研合作超网络下的知识扩散演化模型研究[J]. 李纲,巴志超.  情报学报. 2017(03)
[7]基于半积累引文网络社区发现的学科领域主题演化分析——以“合作演化”领域为例[J]. 罗双玲,张文琪,夏昊翔.  情报学报. 2017(01)
[8]Word2vec的工作原理及应用探究[J]. 周练.  科技情报开发与经济. 2015(02)
[9]基于引文网络挖掘和时序分析的知识扩散研究[J]. 邱均平,李小涛.  情报理论与实践. 2014(07)
[10]基于NEViewer的学科主题演化可视化分析[J]. 王晓光,程齐凯.  情报学报. 2013 (09)



本文编号：3615648