馬勇

探究學(xué)科領(lǐng)域知識網(wǎng)絡(luò)當(dāng)中知識主題及其演變過程，有助于快速掌握領(lǐng)域知識網(wǎng)絡(luò)研究現(xiàn)狀及其變遷行為。

21世紀(jì)以來，隨著科技技術(shù)的進(jìn)步，各種科技文獻(xiàn)數(shù)量與日俱增。對于科研工作者們而言，從早先對相關(guān)研究領(lǐng)域文獻(xiàn)獲取的困難轉(zhuǎn)變?yōu)楫?dāng)前文獻(xiàn)資源選取的困難。如何有效地在海量科技文獻(xiàn)當(dāng)中，識別出科學(xué)研究主題以及其變化行為成為研究重點(diǎn)。近年來，學(xué)術(shù)界對于領(lǐng)域知識網(wǎng)絡(luò)的探測開始注重從知識之間的結(jié)構(gòu)關(guān)系出發(fā)。如在圖書情報(bào)界，學(xué)者們在知識網(wǎng)絡(luò)當(dāng)中基于宏觀結(jié)構(gòu)發(fā)現(xiàn)了“小世界”網(wǎng)絡(luò)以及“無標(biāo)度”網(wǎng)絡(luò)的特征，基于微觀結(jié)構(gòu)則發(fā)現(xiàn)了網(wǎng)絡(luò)當(dāng)中的“模體”特征。而知識群落則是介于宏觀與微觀結(jié)構(gòu)之間的網(wǎng)絡(luò)結(jié)構(gòu)特征。知識群落基于時(shí)間序列的演化變遷，為揭示領(lǐng)域知識網(wǎng)絡(luò)科研主題的演化過程、規(guī)律以及對于新興主題的探測具有至關(guān)重要的意義。

本研究以復(fù)雜網(wǎng)絡(luò)分析方法融入關(guān)鍵詞網(wǎng)絡(luò)，基于關(guān)鍵詞之間的結(jié)構(gòu)關(guān)系進(jìn)行關(guān)鍵詞網(wǎng)絡(luò)層次提取，結(jié)合時(shí)間序列因素，在層次提取的基礎(chǔ)上，采取兼顧節(jié)點(diǎn)以及節(jié)點(diǎn)之間的關(guān)聯(lián)頻次改變的Louvain（魯汶）算法對知識群里演化進(jìn)行分析研究。

研究數(shù)據(jù)與流程

在圖書情報(bào)領(lǐng)域，對于某一領(lǐng)域的研究主題識別和發(fā)現(xiàn)，傳統(tǒng)的計(jì)量學(xué)方法存在著種種缺陷，而且研究發(fā)現(xiàn)，即便通過知識群落算法將網(wǎng)絡(luò)分成了不同的知識群落，但是在知識網(wǎng)絡(luò)演化生長過程中充斥著大量頻次為1的關(guān)系結(jié)構(gòu)，網(wǎng)絡(luò)當(dāng)中許多知識之間的聯(lián)系存在偶然性或隨機(jī)性。知識關(guān)聯(lián)頻次的強(qiáng)弱不同，代表知識群落當(dāng)中緊密的知識團(tuán)體的區(qū)分。為了排除這種隨機(jī)性，需要基于關(guān)聯(lián)頻次進(jìn)行層次提取，將不生長的知識體系剔除，使網(wǎng)絡(luò)當(dāng)中更加緊密、顯著的知識結(jié)構(gòu)凸顯出來，從而了解網(wǎng)絡(luò)中成長的核心知識體系。

本文以中國知網(wǎng)的數(shù)據(jù)庫為數(shù)據(jù)獲取來源，以主題詞“Folksonomy”或“社會(huì)化標(biāo)注”或“社會(huì)標(biāo)注”或“大眾分類”為檢索公式進(jìn)行高級檢索。期刊級別鎖定為CSSCI，檢索時(shí)間跨度從2002—2018年，累計(jì)獲取相關(guān)文獻(xiàn)194篇，關(guān)鍵詞數(shù)量369個(gè)，關(guān)鍵詞關(guān)聯(lián)關(guān)系對數(shù)1019對。具體數(shù)據(jù)如表1所示。

文中構(gòu)建的關(guān)鍵詞知識網(wǎng)絡(luò)，節(jié)點(diǎn)代表關(guān)鍵詞，不同的關(guān)鍵詞出現(xiàn)在同一篇文獻(xiàn)當(dāng)中，所形成關(guān)聯(lián)關(guān)系構(gòu)成網(wǎng)絡(luò)當(dāng)中的邊;以關(guān)鍵詞之間的關(guān)聯(lián)頻次作為權(quán)重，所構(gòu)建的關(guān)鍵詞知識網(wǎng)絡(luò)為無向加權(quán)網(wǎng)絡(luò)。隨著時(shí)間序列的推移，網(wǎng)絡(luò)當(dāng)中比較活躍的關(guān)鍵詞知識節(jié)點(diǎn)將與其他活躍的關(guān)鍵詞知識節(jié)點(diǎn)建立關(guān)聯(lián)關(guān)系，從而形成關(guān)鍵詞網(wǎng)絡(luò)當(dāng)中更加密集、顯著的知識群體。

四項(xiàng)研究結(jié)論

通過基于復(fù)雜網(wǎng)絡(luò)的理論方法融合時(shí)間序列因素，對中國知網(wǎng)中的特定領(lǐng)域的相關(guān)文獻(xiàn)以及文獻(xiàn)當(dāng)中的關(guān)鍵詞、關(guān)鍵詞關(guān)聯(lián)關(guān)系進(jìn)行抓取，分別對原網(wǎng)絡(luò)、層次網(wǎng)絡(luò)展開分析，以及通過層次知識網(wǎng)絡(luò)與原網(wǎng)絡(luò)的對比，初步可以得出以下結(jié)論：

第一，采取關(guān)聯(lián)頻次提取使得原始關(guān)鍵詞知識網(wǎng)絡(luò)一些規(guī)模較小的動(dòng)態(tài)知識群落得以突出呈現(xiàn)。原網(wǎng)絡(luò)當(dāng)中2018年時(shí)間窗口下，知識群落KC2—5最大僅有5個(gè)節(jié)點(diǎn)。在經(jīng)過頻次提取后仍然保留兩個(gè)節(jié)點(diǎn)“網(wǎng)絡(luò)信息檢索工具”“因特網(wǎng)大眾分類法”，并且形成唯一的知識群。提取包含該關(guān)鍵詞的兩篇相關(guān)文獻(xiàn)發(fā)現(xiàn)，文獻(xiàn)《因特網(wǎng)大眾分類法的本質(zhì)屬性》被引頻次達(dá)到25次，另一篇《因特網(wǎng)大眾分類法若干問題的探討》則達(dá)到7次。這也間接說明，即便是小規(guī)模的知識群里也同樣有較大的學(xué)術(shù)價(jià)值。采取關(guān)聯(lián)頻次提取，則使得這些動(dòng)態(tài)生長的小規(guī)模的知識群落當(dāng)中的核心知識得以凸顯。

第二，經(jīng)過層次提取后的知識網(wǎng)絡(luò)所形成的知識群落更加規(guī)則。在原關(guān)鍵詞知識網(wǎng)絡(luò)當(dāng)中，度值較大的關(guān)鍵詞知識節(jié)點(diǎn)經(jīng)常出現(xiàn)在規(guī)模小的知識群落當(dāng)中，高Hub（多端口轉(zhuǎn)發(fā)器）節(jié)點(diǎn)往往沒有良好的成團(tuán)優(yōu)勢，這不利于對網(wǎng)絡(luò)當(dāng)中的Hub知識群里進(jìn)行追蹤。而在經(jīng)過層次提取的關(guān)鍵詞網(wǎng)絡(luò)所形成的知識群演化過程中，規(guī)模越大的知識群里其當(dāng)中擁有的Hub節(jié)點(diǎn)的度值更大。知識群落更加有序化，這有助于捕捉Hub節(jié)點(diǎn)以及知識群落的演化路徑。

第三，經(jīng)過層次提取后的知識網(wǎng)絡(luò)仍然保留了原網(wǎng)絡(luò)當(dāng)中的重要屬性，并沒有破壞原有知識網(wǎng)絡(luò)的演化變遷特征。在原網(wǎng)絡(luò)當(dāng)中，2013年時(shí)間窗口下知識群里發(fā)生裂變行為，這一特征在經(jīng)過層次提取后關(guān)鍵詞知識網(wǎng)絡(luò)所形成的知識群落演化過程中仍然保留。另外，經(jīng)過層次提取后，剩下的知識節(jié)點(diǎn)覆蓋了原網(wǎng)絡(luò)中幾乎所有動(dòng)態(tài)生長的知識群，這一現(xiàn)象在網(wǎng)絡(luò)中后期越發(fā)突出，并且包含了原網(wǎng)絡(luò)當(dāng)中大部分高度的節(jié)點(diǎn)。原關(guān)鍵詞知識網(wǎng)絡(luò)當(dāng)中顯著知識節(jié)點(diǎn)，以及動(dòng)態(tài)生長知識群落等重要的屬性特征都得以保留。

第四，經(jīng)過關(guān)聯(lián)頻次提取后的知識節(jié)點(diǎn)更加緊密。以關(guān)聯(lián)頻次為層次提取標(biāo)準(zhǔn)，保證了每一個(gè)節(jié)點(diǎn)都具有生長性，同時(shí)保全高Hub節(jié)點(diǎn)與低度值節(jié)點(diǎn)的可能緊密結(jié)構(gòu)關(guān)系。對比核心知識體系的組成，依托知識間共同生長的緊密關(guān)系，而非完全來源于Hub節(jié)點(diǎn)構(gòu)成，使得一些潛力或者重要的知識節(jié)點(diǎn)得以保留。同時(shí)也反映了真實(shí)知識網(wǎng)絡(luò)核心知識團(tuán)體的重要特征，并非度值越高的知識節(jié)點(diǎn)關(guān)聯(lián)關(guān)系就越緊密。

采取層次提取后的知識網(wǎng)絡(luò)，極大地簡化了原有的網(wǎng)絡(luò)規(guī)模，凸顯了原網(wǎng)絡(luò)當(dāng)中所有生長型知識群里和顯著性知識節(jié)點(diǎn)。這些將有助于在當(dāng)前海量的文獻(xiàn)資源當(dāng)中，快速精準(zhǔn)定位某一領(lǐng)域中所有熱門，以及具有潛力的知識群里以及當(dāng)中的核心知識。但同時(shí)這種方法也存在局限性，需要下一步的研究當(dāng)中，采取動(dòng)態(tài)閾值的提取方來保障提升基于知識之間關(guān)系結(jié)構(gòu)層次的有效性。

（作者單位：寧波大學(xué)科學(xué)技術(shù)學(xué)院）