HI,欢迎来到学术之家,发表咨询:400-888-7501  订阅咨询:400-888-7502  股权代码  102064
0

基于CSToT模型的科技文献主题发现与演化研究

作者:何伟林; 奉国和; 谢红玲tot主题模型主题发现主题演化

摘要:【目的】分析某研究领域科技文献在一段时间内的主题结构并追踪其变化。【方法】基于改进的主题模型CSToT(Content Similarity-Topics over Time),以国内情报学领域9种期刊作为数据来源,分析国内情报学领域2012年-2016年的研究主题结构以及其演化过程。【结果】CSToT模型能清晰揭示科技文献主题结构,并获得主题演化关系。对案例数据分析后发现,国内情报学领域研究范围广泛,涉及信息服务、网络舆情、数据挖掘等方面;演化趋势分为上升型、下降型、稳定型和波动型4种;关于信息服务的研究路线演化尤为凸显。【局限】训练数据规模不够大。【结论】CSToT模型能有效识别科技文献主题结构并获取其演化关系,为相关学科领域的研究与发展提供参考和依据。

注:因版权方要求,不能公开全文,如需全文,请咨询杂志社

数据分析与知识发现

《数据分析与知识发现》(CN:10-1478/G2)是一本有较高学术价值的大型月刊,自创刊以来,选题新奇而不失报道广度,服务大众而不失理论高度。颇受业界和广大读者的关注和好评。 《数据分析与知识发现》内容定位于广泛吸纳计算机科学、数据科学、情报科学以及数字科研、数字教育和数字文化等领域的技术与方法,研究数据驱动的语义计算、内容分析、数据挖掘、知识发现、智能管理和决策支持等方面的技术、方法、系统以及支撑设施、政策与机制等,尤其是聚焦从海量、异构、分布、动态、甚至富媒体数据中挖掘和发现知识以支持研究、管理和决...

杂志详情