周澍綺

摘要：文獻(xiàn)計(jì)量學(xué)中的突發(fā)詞監(jiān)測算法廣泛應(yīng)用于領(lǐng)域熱點(diǎn)的監(jiān)測分析。該文以先秦楚辭為主題，使用Kleinberg突發(fā)監(jiān)測算法對學(xué)術(shù)數(shù)據(jù)庫中2004年至2012年的楚辭文獻(xiàn)數(shù)據(jù)進(jìn)行計(jì)算分析。在獲得楚辭研究領(lǐng)域中各主題的突發(fā)權(quán)重的基礎(chǔ)上，利用信息聚類技術(shù)得到楚辭研究熱點(diǎn)在不同階段的突發(fā)趨勢。這不僅是突發(fā)詞監(jiān)測算法在人文社科領(lǐng)域的一次嘗試，也為傳統(tǒng)楚辭研究提供一種新的研究思路。

關(guān)鍵詞：楚辭；突發(fā)詞監(jiān)測；Kleinberg算法

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2015）04-0086-05

隨著數(shù)字信息的廣泛應(yīng)用，以學(xué)術(shù)數(shù)據(jù)庫為基礎(chǔ)的文獻(xiàn)也逐年遞增。利用信息管理方法對已有文獻(xiàn)進(jìn)行熱門主題分析已經(jīng)成為文獻(xiàn)管理和數(shù)據(jù)挖掘的重要研究分支之一。

文獻(xiàn)信息挖掘最重要的方式就是通過文獻(xiàn)元數(shù)據(jù)信息進(jìn)行統(tǒng)計(jì)分析，而對關(guān)鍵詞的研究是文獻(xiàn)計(jì)量學(xué)[1]的一個(gè)重要切入點(diǎn)。利用關(guān)鍵詞進(jìn)行統(tǒng)計(jì)和分類，是研究文獻(xiàn)主題以及知識挖掘的一個(gè)重要方法。突發(fā)詞監(jiān)測是指對短期內(nèi)單個(gè)詞在領(lǐng)域內(nèi)的增長勢頭研究，進(jìn)而發(fā)現(xiàn)學(xué)術(shù)領(lǐng)域中局部熱點(diǎn)的變化。將關(guān)鍵詞的突發(fā)性作為主要指標(biāo)，通過自動機(jī)分析調(diào)整突發(fā)權(quán)重在不同領(lǐng)域內(nèi)的同步率成為國內(nèi)外進(jìn)行研究的主流方法，如Ketan對核糖核酸，Cell Line等關(guān)鍵詞的突發(fā)性分析[2]，Chen.C利用Citesapce對突發(fā)詞的研究[3]，崔雷利用共詞突發(fā)性研究醫(yī)學(xué)熱點(diǎn)[4]等。

突發(fā)詞監(jiān)測算法在自然科學(xué)領(lǐng)域，尤其是在醫(yī)學(xué)領(lǐng)域應(yīng)用廣泛，在社科領(lǐng)域特別在傳統(tǒng)文學(xué)領(lǐng)域的應(yīng)用仍處于起步階段?，F(xiàn)以楚辭文獻(xiàn)為例，將突發(fā)詞監(jiān)測的研究方法，用來研究楚辭文獻(xiàn)中的關(guān)鍵詞及其突發(fā)性，為楚辭研究提供計(jì)量分析的依據(jù)。

1 Kleinberg監(jiān)測算法

突發(fā)詞監(jiān)測算法是研究增長勢頭不斷加強(qiáng)的詞，這些詞在揭示領(lǐng)域熱點(diǎn)發(fā)展趨勢方面更具有及時(shí)性?；趩蝹€(gè)詞的詞頻增長率變化更有可能涉及領(lǐng)域局部熱點(diǎn)的變化，這樣細(xì)微變化不一定會引起全域研究者的注意，但又是領(lǐng)域發(fā)展中不可缺少的部分。雖然它還未達(dá)到詞頻閾值的要求，但是未來的發(fā)展勢頭好，這些詞可能低頻，但卻具有情報(bào)意義。

Kleinberg突發(fā)詞算法[5]是Kleinberg于2002年提出的話題突發(fā)監(jiān)測（Burst Detection）算法。Kleinberg認(rèn)為話題的文獻(xiàn)數(shù)量不是平滑增長，而是在不同水平之間躍遷。Kleinberg基于自動機(jī)對不同時(shí)間段上詞出現(xiàn)的頻次進(jìn)行建模。詞突發(fā)時(shí)，自動機(jī)處于高頻狀態(tài)。給定文獻(xiàn)集合，確定狀態(tài)的個(gè)數(shù)、狀態(tài)差異的大小，以及狀態(tài)改變的成本，利用Viterbi動態(tài)建模法對狀態(tài)改變的概率模型求最優(yōu)解，便可得出自動機(jī)狀態(tài)變化的最優(yōu)時(shí)序序列。

權(quán)重即關(guān)鍵詞由非突發(fā)狀態(tài)躍遷到突發(fā)狀態(tài)的成本。就一般情況而言，突發(fā)詞權(quán)重?cái)?shù)值越大，表明其在一個(gè)時(shí)期內(nèi)突發(fā)的可信度就越高，以此來顯示領(lǐng)域研究的熱點(diǎn)。

2 楚辭文獻(xiàn)的數(shù)據(jù)準(zhǔn)備

2.1 主題詞選擇

突發(fā)主題詞的選擇以《漢語主題詞表》①為基礎(chǔ)，結(jié)合楚辭領(lǐng)域權(quán)威著作的《楚辭字典》②。這樣不僅覆蓋了文學(xué)研究常用漢語主題詞，還也滿足在專業(yè)領(lǐng)域方面的要求。使文獻(xiàn)摘要中的關(guān)鍵詞都能得到相應(yīng)權(quán)重。在除去重復(fù)和不符合研究規(guī)范的無效詞后，最終確定473個(gè)基詞。

2.2楚辭文獻(xiàn)來源

為確保數(shù)據(jù)的權(quán)威和有效性，這里選取的數(shù)據(jù)庫有CNKI和萬方數(shù)據(jù)庫；檢索范圍主題（標(biāo)題，摘要或者關(guān)鍵詞）中包含楚辭的所有文檔，根據(jù)突發(fā)詞算法的要求，挑選其2004-2012年的文獻(xiàn)作為主要研究對象，根據(jù)其提供摘要格式逐條下載，保存題錄信息，其中包括：文獻(xiàn)題目，作者，作者單位，關(guān)鍵詞，發(fā)表時(shí)間，刊名。突發(fā)監(jiān)測的默認(rèn)研究文獻(xiàn)，目標(biāo)限定在標(biāo)題、關(guān)鍵詞、摘要中涉及的楚辭精神和楚文化的文獻(xiàn)，并確認(rèn)文章題錄信息有效。

2.3 數(shù)據(jù)預(yù)處理方法

為確保突發(fā)詞權(quán)重的準(zhǔn)確可信，在實(shí)際測試前，對數(shù)據(jù)進(jìn)行整理清洗，主要包括：剔除不相關(guān)的論文，刪去重復(fù)的論文，優(yōu)化關(guān)鍵詞結(jié)構(gòu)等，具體如下：

1） 去重：一方面是篇目去重。由于很多論文在不同的刊物發(fā)表，即一稿多投，所以在搜索結(jié)果中同一篇文章會出現(xiàn)多次；有時(shí)，會出現(xiàn)部分不涉及楚辭領(lǐng)域研究的會議論文或講話稿，這些主題詞及其內(nèi)容的重復(fù)會干擾突發(fā)詞的權(quán)重，需要篩查清除無關(guān)論文；另一方面是主題去重，根據(jù)本文選用的《漢語主題詞表》與《楚辭詞典》為標(biāo)準(zhǔn)，對題要中的表達(dá)同義詞，異體字進(jìn)行歸并。

3.3 突發(fā)詞監(jiān)測結(jié)果分析

根據(jù)對楚辭主題詞的突發(fā)權(quán)重計(jì)算，第一組詞在2004年權(quán)重最大，相關(guān)主題詞顯示這一時(shí)期楚辭的研究主要集中在楚辭中愛國主義思想的繼承與表達(dá)，同時(shí)突發(fā)的關(guān)鍵詞是審美和文獻(xiàn)。我們進(jìn)行主題還原，2004年前后，相關(guān)學(xué)者連續(xù)發(fā)表關(guān)于文獻(xiàn)，楚辭中愛國主義主題的文章，其中以蔣俊的《宋代屈學(xué)研究》，董運(yùn)庭的楚辭系列為代表，前者以南北宋之交對屈騷愛國的呼喚，后者以愛國主義為切入點(diǎn)探究楚文化對后世文學(xué)的影響。從聚類分析圖中，我們可以看到第二組中，思想與文體學(xué)聚為一簇，后與女性相聚，數(shù)據(jù)顯示2005年楚辭在文藝?yán)碚擃I(lǐng)域研究作品增多，同時(shí)伴隨女性主題詞，我們可以認(rèn)為這一時(shí)期，楚辭中女性形象的文藝?yán)碚撟髌份^為突出，代表作有《〈楚辭〉〈山海經(jīng)〉神話比較研究》，《論歌劇〈屈原〉》中的“山鬼”形象》；《楚辭“山鬼”形象探源》。第三組突發(fā)詞分析可見，先秦、神話一如意料的聚合，后與性、情、藝術(shù)分別相聚，成為一類突發(fā)關(guān)鍵詞。從數(shù)據(jù)上顯示，先秦散文類楚辭中大量運(yùn)用到神話，學(xué)者由此對性、情等方向延展，以此使這一簇在2010年前后突發(fā)，其中有代表的《論杜甫思想對屈原精神的傳承》《先秦言諫文學(xué)研究》等。

從上述研究結(jié)果可以發(fā)現(xiàn)，Kleinberg突發(fā)詞監(jiān)測算法在楚辭文獻(xiàn)研究領(lǐng)域的成功應(yīng)用，找到以文學(xué)關(guān)鍵詞為基礎(chǔ)的突發(fā)文獻(xiàn)，找到不同時(shí)期楚辭領(lǐng)域中的研究熱點(diǎn)。突發(fā)詞監(jiān)測不僅僅可以發(fā)現(xiàn)隱性的小規(guī)模的熱點(diǎn)，也可以通過以權(quán)重作為衡量標(biāo)準(zhǔn)的聚類，尋找與突發(fā)詞相關(guān)的低頻熱點(diǎn)詞，為文學(xué)研究尋找新的切入點(diǎn)與研究方向。

4 結(jié)束語

通過上文對Kleinberg算法在楚辭文獻(xiàn)研究中的運(yùn)用，可以知道，突發(fā)詞監(jiān)測在文學(xué)研究領(lǐng)域可以尋找到不少隱形信息，也可以為相關(guān)研究領(lǐng)域提供新的研究方向。但是在使用和研究過程中，也會遇到一些問題，現(xiàn)將遇到的問題進(jìn)行總結(jié)和展望，具體如下：

1） 主題詞詞典的選擇。Kleinberg以主題作為突發(fā)標(biāo)準(zhǔn)，也就是主題詞權(quán)重的躍遷度，前期主題詞的選擇是最終結(jié)果的關(guān)鍵。突發(fā)詞監(jiān)測在社科領(lǐng)域范圍內(nèi)應(yīng)用，需要在今后一段時(shí)期內(nèi)完善主題詞字典的建設(shè)；

2） 這里對突發(fā)詞小規(guī)模嘗試，驗(yàn)證方式采用較為基礎(chǔ)聚類比例法；可預(yù)見在未來對大規(guī)模數(shù)據(jù)進(jìn)行研究分析時(shí)，比例法就顯得較為被動，因此尋找一種行之高效的突發(fā)詞驗(yàn)證是今后一個(gè)時(shí)期的工作重心；

3） 在選擇主題詞時(shí)沒有完全的論證詞與詞之間的關(guān)聯(lián)，如先秦與神話，性與情等詞內(nèi)部邏輯關(guān)系，所以會使主題在聚類的過程中簇過于集中。可預(yù)見的在后期的工作中，要將有內(nèi)部邏輯關(guān)聯(lián)的類詞加以區(qū)分，不用做同一過程測試突發(fā)詞。

利用Kleinberg對楚辭主題詞突發(fā)權(quán)重進(jìn)行分析研究僅僅是拋磚引玉，今后，相關(guān)算法在中國古代文學(xué)領(lǐng)域，乃至社科領(lǐng)域的研究具有一定的借鑒意義，利用相同的思路，例如突發(fā)詞結(jié)合語義挖掘技術(shù)對隱性知識的發(fā)現(xiàn)等方面的工作還可以開展更深層次的研究。

注釋：

①中國科學(xué)技術(shù)信息研究所與北京圖書館主編的大型綜合性中文敘詞表，分3卷10冊。

② 袁梅著，收列楚辭中的全部單字、單音詞及使用頻率較高的詞組。

參考文獻(xiàn)：

[1] 葉鷹.文獻(xiàn)計(jì)量法和內(nèi)容分析法的理論基礎(chǔ)及軟件工具比較[J].評價(jià)與管理，2005（03）：1-3.

[2] Ketan， Mane. Mapping Topics and Topic Bursts in PNAS[R].Indiana University，SLIS 10 th Street and Jordan Avenue Bloomington， IN 47405 USA：Katy Berne，2002.

[3] Chen.C. CiteSpace II：科學(xué)文獻(xiàn)中新趨勢與新動態(tài)的識別與可視化[J].情報(bào)學(xué)報(bào)，2009.（28）：401-421.

[4] 王孝寧，崔雷.突發(fā)監(jiān)測算法用于共詞聚類分析的嘗試[J].知識組織，2009，53（53）：2-3.

[5] JON，KLEINBERG. Bursty and Hierarchical Structure in Streams[J].Data Mining and Knowledge Discovery，2003（7）：7-15.

[6] 魏曉俊.基于科技文獻(xiàn)中詞語的科技發(fā)展監(jiān)測方法研究[J].情報(bào)雜志，2007（3）：2-3.

[7] 榮泰生.SPSS與研究方法[M].大連：東北財(cái)經(jīng)大學(xué)出版社，2012：78-91.

[8] 謝龍漢，尚濤編.SPSS統(tǒng)計(jì)分析與數(shù)據(jù)挖掘[M].北京：電子工業(yè)出版社，2012：54-66.