儲節(jié)旺 李佳軒 劉雅嬌

摘 要：[目的/意義]知識創(chuàng)新與關(guān)鍵技術(shù)預(yù)見已經(jīng)成為國家競爭的重要方向，通過將復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)、鏈路預(yù)測以及詞向量訓(xùn)練引入知識生態(tài)系統(tǒng)之中，為知識生態(tài)系統(tǒng)引入新觀點、新概念，為知識預(yù)見提供全新的思路。[方法/過程]在文獻(xiàn)計量以及文本挖掘的基礎(chǔ)上通過多種方式對相關(guān)文獻(xiàn)進(jìn)行關(guān)鍵詞選取與聚類，并將聚類節(jié)點用于構(gòu)建知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)，利用詞向量訓(xùn)練對知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)整并通過鏈路預(yù)測方法實現(xiàn)知識預(yù)見。[結(jié)果/結(jié)論]通過將復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)引入知識生態(tài)系統(tǒng)中，預(yù)測知識生態(tài)系統(tǒng)中不同知識社區(qū)間可能發(fā)生的交集對于新知識的預(yù)見是具有顯著效用的，可以作為顛覆性技術(shù)預(yù)見的一個方法途徑。

關(guān)鍵詞：知識生態(tài)系統(tǒng);知識預(yù)見;技術(shù)預(yù)見;復(fù)雜網(wǎng)絡(luò);鏈路預(yù)測;知識圖譜

DOI：10.3969/j.issn.1008-0821.2022.06.003

〔中圖分類號〕G201 〔文獻(xiàn)標(biāo)識碼〕A 〔文章編號〕1008-0821（2022）06-0027-11

Abstract：[Purpose/Significance]Knowledge innovation and knowledge foresight have become an important direction of national competition.This paper introduces complex network structure，link prediction and word vector training into the knowledge ecosystem，introduces new ideas and concepts for the knowledge ecosystem，and provides new ideas for knowledge foresight.[Method/Process]On the basis of literature measurement and text mining，keyword selection and clustering of relevant literature were carried out in various ways，and the clustering nodes were used to construct the network structure of knowledge ecosystem.The network structure of knowledge ecosystem was adjusted by word vector training，and knowledge prediction was realized by link prediction method.[Results/Conclusion]The knowledge ecosystem is predicted by introducing the complex network structure into the knowledge ecosystem.The possible intersection between different knowledge communities in the system has a significant effect on the prediction of new knowledge，and can be used as a method of disruptive technology prediction.

Key words：knowledge ecosystem;knowledge foresight;knowledge mining;complex network;link prediction;knowledge map

“十四五”時期對于中國的科技創(chuàng)新是一個非常關(guān)鍵的時期，是中國實現(xiàn)科技自強的窗口期，也是關(guān)乎中國能否在2025年邁向科技強國的重要戰(zhàn)略機遇期。面對“十四五”這樣的特殊時期，要想實現(xiàn)科技自強就必須構(gòu)建前沿技術(shù)態(tài)勢感知的情報預(yù)警能力。因為，過去的科技情報工作有參照系、有標(biāo)桿、有學(xué)習(xí)和模仿的對象，但現(xiàn)在中國越來越多的技術(shù)領(lǐng)域處于引領(lǐng)地位，進(jìn)入無人區(qū)后，對前沿技術(shù)態(tài)勢感知和情報預(yù)警能力的要求發(fā)生了重大變化[1]。技術(shù)預(yù)見是20世紀(jì)90年代由技術(shù)預(yù)測發(fā)展起來的，在歐美日韓等國家得到推廣應(yīng)用[2]。在以往研究中，我國學(xué)者對于關(guān)鍵技術(shù)的預(yù)見提出了許多途徑與方法，都表達(dá)了自己的觀點，如趙彥飛等[3]提出，利用德爾菲調(diào)查法結(jié)合三維指數(shù)的方法來使關(guān)鍵領(lǐng)域技術(shù)預(yù)見更為可靠。陳進(jìn)東等[4]提出，對Delphi法的技術(shù)預(yù)見進(jìn)行評估，并通過優(yōu)化不同熟悉度咨詢專家比例和權(quán)重來實現(xiàn)技術(shù)預(yù)見。王婷等[5]提出，基于通過多輪德爾菲調(diào)查法，以此來實現(xiàn)為新一輪中長期發(fā)展規(guī)劃的制定提供支撐。這些學(xué)者都主張通過德爾菲調(diào)查法或局部使用德爾菲調(diào)查法來實現(xiàn)顛覆性技術(shù)的預(yù)見。當(dāng)然也有學(xué)者從定量的角度出發(fā)，如周源等[6]使用文獻(xiàn)計量、主題模型、社會網(wǎng)絡(luò)分析等方法構(gòu)建一種文獻(xiàn)綜述分析框架，通過對框架的分析、判斷來達(dá)到技術(shù)預(yù)見的目的。張秀妮等[7]和王志玲等[8]采用文獻(xiàn)計量的方法對技術(shù)預(yù)見進(jìn)行綜述，但只是識別了核心作者、機構(gòu)、研究范圍的抽象分析。

雖然眾多學(xué)者對技術(shù)預(yù)見的實現(xiàn)路徑都給出了想法，但實現(xiàn)以及操作的難度依然非常巨大。本文從知識生態(tài)系統(tǒng)的角度出發(fā)，將復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)與鏈路預(yù)測引入知識生態(tài)系統(tǒng)之中，通過構(gòu)建知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)并提出知識預(yù)見的概念，為前沿技術(shù)的態(tài)勢感知提出新的思路以及方法。

1 相關(guān)文獻(xiàn)研究

1.1 知識生態(tài)系統(tǒng)

1991年，George P創(chuàng)造了“知識生態(tài)學(xué)”這個概念，并且在知識社區(qū)中完善了相關(guān)方法，之后生態(tài)學(xué)開始被真正引入到知識管理領(lǐng)域，國內(nèi)外眾多學(xué)者由此展開了廣泛討論[9]。George P認(rèn)為，知識存在于生態(tài)系統(tǒng)之中，并且多種知識的交融是知識生態(tài)系統(tǒng)得以形成的主要動因。他還認(rèn)為，知識生態(tài)系統(tǒng)本身是一個集管理理論與實踐為一體的跨領(lǐng)域?qū)W科，并將知識生態(tài)系統(tǒng)的相關(guān)理論與模型寫進(jìn)1995年發(fā)表的論文《尋求組織智能》一文中[10]。2006年，國際知識生態(tài)組織（KEI）成立，KEI的成立標(biāo)志著知識生態(tài)系統(tǒng)研究到了一個全新階段，并且KEI對知識生態(tài)系統(tǒng)進(jìn)行了全新解讀，其認(rèn)為知識生態(tài)的存在是為了通過知識流動、物質(zhì)交換和環(huán)境協(xié)同，進(jìn)而促進(jìn)知識共享和知識服務(wù)的發(fā)展[11]。以往研究中，大多數(shù)學(xué)者對知識生態(tài)系統(tǒng)的研究更多地從知識螺旋、創(chuàng)新價值鏈出發(fā)[12]，但缺乏對知識生態(tài)系統(tǒng)的結(jié)構(gòu)及知識預(yù)見的探討。1A3419FC-6A12-4C1F-90D8-0C9B6DF905EA

沈陽[13]曾提出三度空間理論，他認(rèn)為將相互分隔的封閉知識空間進(jìn)行連接可以形成更大的知識空間。本文認(rèn)為，知識生態(tài)系統(tǒng)同樣是由不同知識社區(qū)相互連接而形成的更為龐大的知識社區(qū)，不同知識社區(qū)是由不同知識節(jié)點聚類而形成。Bary D[14]曾提出知識生態(tài)系統(tǒng)的關(guān)鍵是知識的相互作用及相互關(guān)聯(lián)，他將知識生態(tài)系統(tǒng)描述為動態(tài)網(wǎng)絡(luò)系統(tǒng)，在團(tuán)隊中，不同的員工是一個互聯(lián)網(wǎng)節(jié)點，而不同網(wǎng)絡(luò)節(jié)點間可以傳輸知識。Silvio L[15]也曾提出DIKW模型，并認(rèn)為信息之間的關(guān)聯(lián)是產(chǎn)生知識的關(guān)鍵。根據(jù)知識節(jié)點理論以及DIKW模型，得出知識節(jié)點以及知識社區(qū)之間的關(guān)聯(lián)是知識產(chǎn)生的關(guān)鍵，也是新知識產(chǎn)生的重要途徑。既然知識生態(tài)系統(tǒng)存在知識節(jié)點與社區(qū)的知識關(guān)聯(lián)，本文從復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)的視角研究知識生態(tài)系統(tǒng)，對知識生態(tài)系統(tǒng)中的知識節(jié)點與知識社區(qū)進(jìn)行鏈路預(yù)測，對知識生態(tài)系統(tǒng)進(jìn)行一個全新的理解與解讀。

1.2 復(fù)雜網(wǎng)絡(luò)視角下的知識生態(tài)系統(tǒng)

復(fù)雜網(wǎng)絡(luò)是指具有自組織、自相似、吸引子、小世界、無標(biāo)度中或全部性質(zhì)的網(wǎng)絡(luò)，具有冪律分布的特征[16]，知識生態(tài)系統(tǒng)便具有相似的性質(zhì)。在知識生態(tài)系統(tǒng)中，宮平等[17]認(rèn)為，知識生態(tài)系統(tǒng)存在3個層面，即知識個體、知識群體和知識群落，并認(rèn)為這3個層面之間會產(chǎn)生交流、競爭。在復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)視角下，知識生態(tài)系統(tǒng)的不同知識種群、知識群落就像復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)中的知識節(jié)點與知識社區(qū)，相似的知識節(jié)點會逐漸聚集，當(dāng)集群到一定程度時便會形成知識社區(qū)，這些知識社區(qū)分布呈現(xiàn)冪律，有些知識社區(qū)知識節(jié)點眾多，知識發(fā)展、知識出現(xiàn)迅速，有些發(fā)展較慢，有些知識社區(qū)甚至?xí)黄渌R社區(qū)所歸納融合。在復(fù)雜網(wǎng)絡(luò)視角下對知識節(jié)點以及知識社區(qū)進(jìn)行鏈路預(yù)測具有充分的理論邏輯，雷鳴等[18]利用復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)中的鏈路預(yù)測構(gòu)建協(xié)同藥物組合推薦模型，以此來對單一藥物進(jìn)行組合治療特殊疾病。王軍進(jìn)等[19]利用鏈路預(yù)測對不同企業(yè)間的合作競爭進(jìn)行預(yù)測，并以此構(gòu)建了企業(yè)間的合作關(guān)系預(yù)測模型。李冰等[20]也利用鏈路預(yù)測對企業(yè)潛在的合作伙伴進(jìn)行預(yù)測。在李冰等的研究中，復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)中的節(jié)點為不同的企業(yè)，在知識生態(tài)系統(tǒng)中，不同的節(jié)點為知識節(jié)點與知識社區(qū)。

通過將復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)引入知識生態(tài)系統(tǒng)，構(gòu)建屬于知識生態(tài)系統(tǒng)的知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)，從而為知識生態(tài)系統(tǒng)的研究與發(fā)展引入新觀點、新思路。通過知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建，為技術(shù)預(yù)見的實現(xiàn)途徑提出建議，并根據(jù)鏈路預(yù)測的相關(guān)概念提出基于知識生態(tài)系統(tǒng)的知識預(yù)見。

2 知識預(yù)見的提出邏輯

知識關(guān)聯(lián)是知識創(chuàng)新的基礎(chǔ)，關(guān)聯(lián)是信息、知識、情報產(chǎn)生的關(guān)聯(lián)，知識之間的關(guān)聯(lián)是產(chǎn)生新知識的關(guān)鍵[15]，通過對知識關(guān)聯(lián)進(jìn)行探索發(fā)現(xiàn)可以對知識的產(chǎn)生進(jìn)行推測，即知識預(yù)見。知識預(yù)見與知識發(fā)現(xiàn)的不同之處在于知識發(fā)現(xiàn)更多地從原有知識挖掘出新知識，而知識預(yù)見是對未產(chǎn)生關(guān)聯(lián)的知識進(jìn)行關(guān)聯(lián)預(yù)測，推測其未來產(chǎn)生聯(lián)系的可能性，以預(yù)測為主，挖掘為輔。近年來，技術(shù)預(yù)見的研究成為學(xué)者們關(guān)注的熱點，是極為重要的研究方向。本文認(rèn)為，技術(shù)預(yù)見是可以通過知識生態(tài)系統(tǒng)中的知識預(yù)見來實現(xiàn)的，如何實現(xiàn)知識預(yù)見也將成為未來知識管理領(lǐng)域所要研究的方向，同時知識預(yù)見的實現(xiàn)也將為顛覆性技術(shù)的預(yù)見帶來突破性發(fā)展。

技術(shù)預(yù)見前提是科學(xué)知識的預(yù)見。但從目前公開的文獻(xiàn)看，學(xué)界對知識生態(tài)系統(tǒng)知識預(yù)見的研究還相對缺乏。何為知識預(yù)見？本文認(rèn)為，知識預(yù)見是技術(shù)預(yù)見的上位類，并將通過知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)對知識預(yù)見進(jìn)行較為全面詳細(xì)的解讀，通過實例分析，對知識預(yù)見的可能性進(jìn)行證明。對于知識預(yù)見本身而言，知識預(yù)見的提出也具有現(xiàn)實和理論雙重邏輯。

2.1 現(xiàn)實邏輯

20世紀(jì)90年代以來，為把握當(dāng)代經(jīng)濟(jì)、科技大變革的機遇，增強國家競爭力，美國、日本、英國等諸多國家紛紛加強技術(shù)預(yù)見研究工作，實施技術(shù)預(yù)見行動計劃[22]。各國學(xué)者對于技術(shù)預(yù)見的理論、方法和應(yīng)用等方面進(jìn)行了大量探索。Sun J等[23]運用TRIZ理論構(gòu)建模型，對一項技術(shù)的落后與否進(jìn)行判定，并對其未來前景進(jìn)行預(yù)見。李政等[24]運用數(shù)學(xué)建模法即尖點型突變方程構(gòu)建關(guān)鍵技術(shù)的預(yù)見模型，以實現(xiàn)科技評價和預(yù)見。對于知識生態(tài)系統(tǒng)而言，技術(shù)預(yù)見是具有更為明顯的可行性，因為技術(shù)預(yù)見從屬于知識預(yù)見，而知識預(yù)見則是知識管理中的重要一環(huán)。知識預(yù)見是在知識生態(tài)系統(tǒng)中通過對不同知識社區(qū)間可能發(fā)現(xiàn)的知識交集或者知識節(jié)點之間可能發(fā)生的交集進(jìn)行預(yù)測，對一個交叉性知識產(chǎn)生的態(tài)勢感知，以此來獲得對知識更為全面的把握。

知識預(yù)見就是對知識創(chuàng)新的態(tài)勢感知。知識社區(qū)的多樣性與關(guān)聯(lián)性[25]是知識生態(tài)系統(tǒng)穩(wěn)定的前提，知識生態(tài)系統(tǒng)中存在著不同的知識社區(qū)，不同的知識社區(qū)或多或少存在著交集，知識的產(chǎn)生發(fā)展有一部分是不同知識社區(qū)之中知識節(jié)點相交而產(chǎn)生。本文通過構(gòu)建知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)推測知識社區(qū)及知識節(jié)點邊聯(lián)系的概率，以此達(dá)到知識預(yù)見的目的以及交叉性知識的提前感知。通過在知識生態(tài)系統(tǒng)中進(jìn)行的知識預(yù)見，有助于把握顛覆性關(guān)鍵技術(shù)，對前沿?zé)狳c進(jìn)行提前感知。

2.2 理論邏輯

2.2.1 鏈路預(yù)測

知識生態(tài)系統(tǒng)如同自然生態(tài)系統(tǒng)一般，是一個開放的、動態(tài)的自組織系統(tǒng)，具有完整的系統(tǒng)結(jié)構(gòu)[26]。在知識生態(tài)系統(tǒng)之中，有學(xué)者從知識生態(tài)系統(tǒng)維度開始探討，從信息、人、靈感、洞察力以及組織等多個維度來解釋知識生態(tài)系統(tǒng)。也有學(xué)者從知識生態(tài)系統(tǒng)的組成要素開始探討[27]。本文在復(fù)雜網(wǎng)絡(luò)視角下對知識生態(tài)系統(tǒng)進(jìn)行解讀，并將鏈路預(yù)測的相關(guān)方法帶入知識生態(tài)系統(tǒng)之中，為知識生態(tài)系統(tǒng)中知識預(yù)見的提出提供理論邏輯。

在以往研究中，大量復(fù)雜網(wǎng)絡(luò)分析方法，如關(guān)鍵節(jié)點識別[28]、鏈路預(yù)測[29]、異常檢測[30]、社區(qū)檢測[31]等都應(yīng)用于各種學(xué)科的分析之中。復(fù)雜網(wǎng)絡(luò)中的鏈路預(yù)測是指如何通過已知的網(wǎng)絡(luò)節(jié)點以及網(wǎng)絡(luò)結(jié)構(gòu)等信息，預(yù)測網(wǎng)絡(luò)中尚未產(chǎn)生連邊的兩個節(jié)點之間產(chǎn)生鏈接的可能性。這種預(yù)測既包含了對未知鏈接的預(yù)測，也包含了對未來鏈接的預(yù)測。王軍進(jìn)等[19]以及李冰等[20]利用鏈路預(yù)測對不同企業(yè)的合作競爭進(jìn)行預(yù)測，本質(zhì)便是知識社區(qū)之間的鏈路預(yù)測。在復(fù)雜網(wǎng)絡(luò)視角下，不同的網(wǎng)絡(luò)節(jié)點在知識生態(tài)系統(tǒng)之中就如同知識社區(qū)以及知識節(jié)點，對知識社區(qū)之間以及知識節(jié)點之間的鏈路預(yù)測將是知識預(yù)見的重要途徑與方法。1A3419FC-6A12-4C1F-90D8-0C9B6DF905EA

2.2.2 知識節(jié)點

知識生態(tài)系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)具有動力學(xué)復(fù)雜性，知識社區(qū)會隨著時間的發(fā)展而發(fā)生變化[32]，在知識社區(qū)之中，知識節(jié)點也會隨著時間的發(fā)展而有所交集或更為疏遠(yuǎn)。本文將以此來構(gòu)建知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)。

在知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)之中，存在著多個知識社區(qū)，這些知識社區(qū)有些關(guān)系密切、有些較為疏遠(yuǎn)，知識社區(qū)之間也會存在著交集，在不同知識社區(qū)之中也會存在著相同的知識節(jié)點，知識節(jié)點即知識社區(qū)的組成要素。一個知識社區(qū)是由許許多多的知識節(jié)點構(gòu)成，一個知識社區(qū)的產(chǎn)生由知識節(jié)點的集群所形成。本文將知識社區(qū)集群中的單一要素定義為知識節(jié)點，知識節(jié)點之間的邊則是知識社區(qū)之間的相互關(guān)系[33]，這些邊的存在也就說明了兩個知識社區(qū)之間存在著知識交集，當(dāng)然這種交集可能僅僅是兩個知識社區(qū)中某一方面的交集，但當(dāng)兩個知識社區(qū)交集愈發(fā)密集[34]，一個交叉性的知識或者學(xué)科便會產(chǎn)生，也就是一個新的知識社區(qū)。

2.2.3 知識社區(qū)

知識生態(tài)系統(tǒng)是一個龐大且無組織的生態(tài)系統(tǒng)，知識生態(tài)系統(tǒng)與自然生態(tài)系統(tǒng)具有相似的演化特征，如協(xié)同性、整體性和自組織性[35]。其中，協(xié)同演化不僅是知識生態(tài)系統(tǒng)的主要運行機制之一，也是其演化過程中被重點關(guān)注的一大特征[36]。張鵬等[37]提出企業(yè)知識協(xié)同演化中依次經(jīng)歷寄生性、偏利性、互惠性和共生性的知識協(xié)同模式，并將間斷或局部發(fā)生的競爭性協(xié)同也視為其演化過程的一部分。這種企業(yè)中的協(xié)同演化就如同知識社區(qū)中的協(xié)同共生機理。什么是知識社區(qū)？知識社區(qū)是知識生態(tài)系統(tǒng)中最重要的概念，是知識生態(tài)系統(tǒng)中重要的組成要素。知識社區(qū)的聚集是緣于對同一主題的共同關(guān)注及其引發(fā)的知識需求。這可以看出知識社區(qū)形成的核心是用戶對同一主題的知識認(rèn)知需求。一個知識社區(qū)并不是靜止系統(tǒng)，而是將各種知識個體或種群之間的相互作用，通過概念化轉(zhuǎn)變構(gòu)成的一個生態(tài)系統(tǒng)，是能夠觀察生態(tài)系統(tǒng)中的元素為應(yīng)對環(huán)境的變化不斷做出適應(yīng)和自我進(jìn)化的過程[37]。知識社區(qū)之間產(chǎn)生的交集可以看作是知識產(chǎn)生的前提條件，那么對知識社區(qū)交集的預(yù)見在知識生態(tài)系統(tǒng)之中會格外重要。

在知識生態(tài)系統(tǒng)之中，知識預(yù)見這個新概念是不可缺少的一部分。筆者認(rèn)為：①在知識生態(tài)系統(tǒng)之中，知識的產(chǎn)生是有其規(guī)律的，并且是可以預(yù)見的;②知識生態(tài)系統(tǒng)之中是存在著不同知識社區(qū)的，這些知識社區(qū)關(guān)系有密有疏;③復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)是可以引用在知識生態(tài)系統(tǒng)之中的，并且知識生態(tài)系統(tǒng)是一個符合冪律[38]分布的非同質(zhì)網(wǎng)絡(luò)，具有小世界、無標(biāo)度特性[39]。即在知識生態(tài)系統(tǒng)之中存在著關(guān)鍵知識社區(qū)，而知識社區(qū)中同樣存在著關(guān)鍵知識節(jié)點;④知識關(guān)聯(lián)是知識創(chuàng)新的基礎(chǔ)，但知識預(yù)見是知識創(chuàng)新的感知，知識節(jié)點產(chǎn)生的知識交集是知識預(yù)見的一個可以探討的方面。

3 知識預(yù)見的實現(xiàn)路徑——以知識圖譜主題為例

根據(jù)鏈路預(yù)測的基本理論，需要構(gòu)建復(fù)雜網(wǎng)絡(luò)并判斷需要預(yù)測的網(wǎng)絡(luò)節(jié)點及其相關(guān)節(jié)點，通過對節(jié)點是否會產(chǎn)生連接進(jìn)行判斷以達(dá)到預(yù)測目的。在知識生態(tài)系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)中，知識預(yù)見的實現(xiàn)路徑基本可以按照“知識節(jié)點選擇→知識社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建→知識預(yù)見形成與檢驗”的總體路徑實現(xiàn)。對于知識節(jié)點的選擇，不同的問題案例，存在多種構(gòu)建的方法與途徑，如劉奕涵等[40]通過選擇不同城市作為節(jié)點，建立合作網(wǎng)絡(luò)以此進(jìn)行鏈路預(yù)測。王燕鵬等[41]通過文獻(xiàn)聚類的方式選擇節(jié)點并進(jìn)行鏈路預(yù)測，總體而言，節(jié)點的選擇對于鏈路預(yù)測是最為重要的。

本文以圖情領(lǐng)域的知識圖譜為預(yù)測核心，由于傳統(tǒng)的文獻(xiàn)統(tǒng)計方法選擇節(jié)點存在疏漏，因此本文使用LDA主題建模與文獻(xiàn)統(tǒng)計方法共同選取知識節(jié)點并建立知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)知識節(jié)點的數(shù)量以及計算復(fù)雜程度，可以選擇對知識節(jié)點進(jìn)行二次聚類以及Word2vec相似度匹配，對知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)中的知識節(jié)點疏密度進(jìn)行調(diào)整，通過可視化的方式展示網(wǎng)絡(luò)結(jié)構(gòu)并進(jìn)行鏈路預(yù)測。本文以知識圖譜為案例，具體方式如圖1所示。

3.1 文獻(xiàn)獲取與知識節(jié)點選擇

知識預(yù)見源于對知識生態(tài)系統(tǒng)之中不同知識社區(qū)的交集地推測，對某一技術(shù)或者知識地預(yù)見，首先要確定該領(lǐng)域的知識社區(qū)以及與該知識社區(qū)相近的社區(qū)，同時也要確定該知識社區(qū)中最為主要的知識節(jié)點。如圖1所示，對于知識節(jié)點地選擇，本文分別通過Citespace以及LDA算法對關(guān)鍵詞進(jìn)行分析聚類，之后通過人工篩選進(jìn)行知識節(jié)點選擇。

為了建立以知識圖譜為主題的知識社區(qū)，選擇中國知網(wǎng)（www.cnki.com）文獻(xiàn)數(shù)據(jù)庫為文獻(xiàn)來源以此來獲得較為全面的資料。CNKI是全球資源規(guī)模最大的數(shù)字內(nèi)容出版商，收錄的文章信息質(zhì)量受到嚴(yán)格把關(guān)。本文以知識圖譜為例，為了確保檢索結(jié)果的全面性，使用高級檢索，以主題=“知識圖譜”進(jìn)行精確檢索，并將領(lǐng)域限定在圖書情報領(lǐng)域。

國內(nèi)文獻(xiàn)的檢索結(jié)果顯示，2010—2021年10月，與檢索詞相關(guān)的文獻(xiàn)資料有15 076條。如圖2所示，2010—2014年，國內(nèi)知識圖譜發(fā)展處于萌芽階段，因此發(fā)文量緩慢，發(fā)文量以及相關(guān)主題如圖2、圖3所示。2016年以后則發(fā)展較為迅速，為了獲得更為清楚的知識圖譜發(fā)展近況，將日期從1983年設(shè)置為2017年，將時間段逼近目前，并對相關(guān)性較低的文獻(xiàn)、會議等進(jìn)行篩選，在所得文獻(xiàn)目錄后再經(jīng)過人工篩選得到相關(guān)文獻(xiàn)量320篇。

3.1.1 文獻(xiàn)分析下的知識節(jié)點選取

利用Vosviewer對2017—2021年320篇文獻(xiàn)進(jìn)行關(guān)鍵詞聚類分析，將節(jié)點權(quán)重值設(shè)置為4，進(jìn)行微過濾得到初步的關(guān)鍵詞共現(xiàn)圖譜，關(guān)鍵詞圖譜顯示了文章關(guān)鍵詞之間的潛在關(guān)系，如圖3所示。圖3中“十”字代表關(guān)鍵詞節(jié)點，節(jié)點大小反映了詞語出現(xiàn)頻率，頻率越高，影響力越大[42]。節(jié)點間的連線代表關(guān)鍵詞共同出現(xiàn)的頻率，頻率越大，線條越粗，根據(jù)圖3可知，知識圖譜為中心節(jié)點，它與文獻(xiàn)計量、可視化、知識結(jié)構(gòu)、知識特征等有密切聯(lián)系，這說明近幾年知識圖譜在圖情領(lǐng)域被廣泛應(yīng)用?；陉P(guān)鍵詞共現(xiàn)圖譜的基礎(chǔ)之上，對所選文獻(xiàn)中2017—2021年突現(xiàn)詞進(jìn)行匯總。對于研究領(lǐng)域趨勢分析，Citespace提供了對突變詞（Burst Words）的探測技術(shù)，即通過探測在某一時間段內(nèi)被引頻次或共現(xiàn)頻次突現(xiàn)度增加的節(jié)點來預(yù)測領(lǐng)域內(nèi)的研究方向[43]。在突變詞中，得出信息計量學(xué)、可視化、研究熱點、信息推薦、自然語言處理、社會網(wǎng)絡(luò)分析、風(fēng)險管理等關(guān)鍵知識節(jié)點，如表1所示。根據(jù)文獻(xiàn)統(tǒng)計結(jié)果可以清楚看到，國內(nèi)圖情領(lǐng)域關(guān)于知識圖譜出現(xiàn)的頻率從2017年就已經(jīng)有所增長，并且知識圖譜的應(yīng)用在不同年份會有新的突破，可見知識圖譜在圖情領(lǐng)域還會有新的應(yīng)用方向，這也是知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)中知識節(jié)點可以延伸的方向，即鏈路預(yù)測的目的所在。1A3419FC-6A12-4C1F-90D8-0C9B6DF905EA

3.1.2 文本挖掘下的知識節(jié)點選取

由于僅僅使用文獻(xiàn)統(tǒng)計方法難以獲得全面的關(guān)于知識圖譜的知識節(jié)點，本文以近3年相關(guān)文獻(xiàn)為數(shù)據(jù)源，利用LDA主題模型以及Textrank對文本進(jìn)行整體詞頻統(tǒng)計以及語義關(guān)聯(lián)性分析，為知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)相關(guān)節(jié)點進(jìn)行補充，并對文獻(xiàn)中前35個重要詞匯利用Pychart庫進(jìn)行展示，如圖4所示，對其中頻率較高的熱詞同樣歸納為以知識圖譜為核心的知識社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)中的知識節(jié)點。

3.1.3 知識節(jié)點匯總

根據(jù)文獻(xiàn)統(tǒng)計與語義分析的結(jié)果，將不同方法所得知識節(jié)點進(jìn)行匯總，得到信息計量學(xué)、可視化、研究熱點、信息推薦、自然語言處理、社會網(wǎng)絡(luò)分析、風(fēng)險管理、主題挖掘、事件庫、主題聚類、人工智能、開放學(xué)術(shù)圖譜等知識節(jié)點。但由于其中有不少節(jié)點是關(guān)于政策、地名等無用節(jié)點，因此需要對文獻(xiàn)統(tǒng)計與語義關(guān)聯(lián)所選擇的知識節(jié)點進(jìn)行二次篩選，并以此初步建立以知識圖譜為中心的知識社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)。

3.2 知識社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)

3.2.1 知識社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建

根據(jù)上述所列舉的知識節(jié)點繪制知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)，在知識生態(tài)系統(tǒng)中，以知識圖譜為主題的知識社區(qū)就可以通過網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行展示，不同的研究主題或研究方向成為這個知識社區(qū)中的一個知識節(jié)點。并對所選知識節(jié)點進(jìn)行社區(qū)發(fā)現(xiàn)與社區(qū)檢測，社區(qū)發(fā)現(xiàn)即一組緊密的知識節(jié)點所構(gòu)成的知識社區(qū)關(guān)系網(wǎng)絡(luò)[44]，知識社區(qū)檢測便是將知識社區(qū)聚類中容易被忽視的知識節(jié)點進(jìn)行發(fā)現(xiàn)挖掘[45]。

在整個知識生態(tài)系統(tǒng)之中，一個知識社區(qū)的不同知識節(jié)點會有所交集，不同知識社區(qū)的不同知識節(jié)點也可能會產(chǎn)生關(guān)聯(lián)，那么對未產(chǎn)生關(guān)聯(lián)的知識節(jié)點進(jìn)行預(yù)測可以對知識的產(chǎn)生進(jìn)行預(yù)見。根據(jù)社區(qū)發(fā)現(xiàn)結(jié)果進(jìn)行聚類，大致可以得出幾個與知識圖譜有關(guān)的知識社區(qū)集群，如人工智能節(jié)點、大數(shù)據(jù)節(jié)點等。并將聚類主題所屬之下的重要知識列入知識生態(tài)系統(tǒng)結(jié)構(gòu)之中。利用Python構(gòu)建知識社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)，具體如圖5所示。在以知識圖譜為核心的知識社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)中，大數(shù)據(jù)、人工智能、社會網(wǎng)絡(luò)分析、引文分析等知識節(jié)點與主題較為接近，可以判斷這些熱點與知識圖譜已經(jīng)發(fā)生密切的聯(lián)系，因此可以將知識特征、自然語言處理、深度學(xué)習(xí)等與知識圖譜關(guān)聯(lián)度較少的知識節(jié)點視為知識生態(tài)系統(tǒng)中其他知識社區(qū)的重要知識，如深度學(xué)習(xí)可以認(rèn)為是計算機科學(xué)知識社區(qū)中的知識節(jié)點。

3.2.2 知識社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整

通過圖6所構(gòu)建的知識社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)，可以看出知識圖譜節(jié)點位于知識社區(qū)中間，那么與之關(guān)系較遠(yuǎn)的節(jié)點可以進(jìn)行調(diào)整，并對知識節(jié)點中未產(chǎn)生邊關(guān)聯(lián)的節(jié)點進(jìn)行知識預(yù)見。但是在大多數(shù)情況下，一個知識社區(qū)中知識節(jié)點眾多，必須進(jìn)行篩選，因此本文選擇使用Word2vec進(jìn)行相似度分析。

為了獲得較為準(zhǔn)確的知識預(yù)見結(jié)果，在對所有知識節(jié)點進(jìn)行直接預(yù)測之前，為了減少預(yù)測范圍以及計算量，本文將所有知識節(jié)點進(jìn)行匯總。首先通過Jieba對文本進(jìn)行分詞，為了提高分詞正確率，自行添加如知識圖譜、社會網(wǎng)絡(luò)分析、人工智能、深度學(xué)習(xí)等較為新穎的詞語，以此來得到用于訓(xùn)練的中文語料。使用Gensim中Word2vec訓(xùn)練中文語料，將詞向量維度設(shè)置為100，詞向量間距離設(shè)置為5，HS值設(shè)置為1，需要計算詞向量的最小詞頻為1，以此為基礎(chǔ)進(jìn)行詞向量訓(xùn)練。由于所選文獻(xiàn)數(shù)量不多，詞向量訓(xùn)練會存在誤差，本文將訓(xùn)練文本數(shù)量擴(kuò)大至4 000篇，所選文獻(xiàn)依然為圖書情報領(lǐng)域。通過將知識圖譜作為關(guān)鍵詞，對全文與知識圖譜相關(guān)的詞語進(jìn)行關(guān)聯(lián)預(yù)測以及相似度匹配。為保證數(shù)據(jù)準(zhǔn)確性，先對知識圖譜以及自然語言處理進(jìn)行相似性匹配得到數(shù)據(jù)為0.5454，可見兩者在語料中關(guān)聯(lián)程度并不大，經(jīng)過多次訓(xùn)練測試，數(shù)據(jù)較為準(zhǔn)確，以此大致可以確定詞向量訓(xùn)練具有一定說服力。接下來開始對知識圖譜的相似知識節(jié)點進(jìn)行相關(guān)語料分析，得到數(shù)據(jù)如表2所示。

通過相似度以及關(guān)聯(lián)度分析，可以看出知識圖譜所展現(xiàn)的主要作用是可視化，是一種分析方法和工具，將知識圖譜相關(guān)作用、應(yīng)用領(lǐng)域大致了解。在表2中可以看出，知識圖譜與信息行為、定量分析、網(wǎng)絡(luò)輿情都是有一定的關(guān)聯(lián)性的，基于此，已經(jīng)有條件相信知識圖譜可以應(yīng)用在信息行為、網(wǎng)絡(luò)輿情分析之中，但由于語料庫不夠大、詞語本身分詞等因素并不能作為唯一檢驗標(biāo)準(zhǔn)。因此，本文將對知識節(jié)點之間進(jìn)行鏈路預(yù)測。加之知識預(yù)見的本質(zhì)是為了發(fā)現(xiàn)知識生態(tài)系統(tǒng)之間不同知識社區(qū)中潛在的邊聯(lián)系，所以進(jìn)行鏈路預(yù)測二次檢驗是極為必要的。

因此，可以暫且將表2中關(guān)鍵詞如信息行為、引文分析、網(wǎng)絡(luò)輿情、數(shù)據(jù)挖掘等相對應(yīng)的知識節(jié)點進(jìn)行鏈路預(yù)測。

3.3 基于鏈路預(yù)測的知識預(yù)見

通過鏈路預(yù)測對知識生態(tài)系統(tǒng)中所選知識節(jié)點與知識圖譜為主題的知識社區(qū)的所選節(jié)點進(jìn)行預(yù)測，即對原本不相連的兩個知識節(jié)點分析是否存在邊相連[46]。對于原本存在邊相連的知識節(jié)點，本文認(rèn)為這兩個知識社區(qū)已經(jīng)有所交集，但在不同的知識社區(qū)，可能存在著部分知識節(jié)點相連，而其他知識節(jié)點并不存在聯(lián)系關(guān)系[47]。因此，本文引入Kata相似度指標(biāo)[48]，如式1表示不同知識節(jié)點中存在的共同路徑，如圖書館學(xué)知識節(jié)點與信息行為知識節(jié)點路徑為2，鏈路預(yù)測的一個指標(biāo)便需要對這些共同路徑進(jìn)行匯總。在原本構(gòu)建的知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)中，共選擇35個知識節(jié)點，但為了簡化預(yù)測步驟，本文將知識節(jié)點進(jìn)行縮減，選擇9個知識節(jié)點畫出知識社區(qū)簡化網(wǎng)絡(luò)結(jié)構(gòu)，并求出二階路徑以及三階路徑，如圖6所示。

在圖6中的知識社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)，將不同知識節(jié)點的路徑進(jìn)行計算，CNxy為兩個知識節(jié)點之間路徑數(shù)，基于計算出知識社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)中存在的二階路徑數(shù)以及三階路徑數(shù)，給三階路徑設(shè)置權(quán)重α，并設(shè)置α為0.3，β設(shè)置為0.5得到式（2）。

表3中知識節(jié)點編號分別代表信息行為、計量學(xué)、技術(shù)、圖書館學(xué)、知識圖譜、主題識別、可視化、情報學(xué)、網(wǎng)絡(luò)輿情，Katz指標(biāo)表示知識節(jié)點1即信息行為節(jié)點與其他知識節(jié)點的相似性。1A3419FC-6A12-4C1F-90D8-0C9B6DF905EA

通過相似指標(biāo)計算，可以明顯看出在知識節(jié)點相似度指標(biāo)上，信息行為與網(wǎng)絡(luò)輿情具有較高相似度，信息行為與主題識別也具有較高相似度，這與上文Word2vec訓(xùn)練中文語料的訓(xùn)練結(jié)果基本相同。但是值得注意的一點是，隨著知識社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜及知識節(jié)點的增多，Katz指標(biāo)的計算量會顯著增加，但依然有一定的參考價值，本文為了驗證結(jié)構(gòu)，通過對Katz相似性指標(biāo)進(jìn)行再次驗證。對信息行為節(jié)點與網(wǎng)絡(luò)輿情節(jié)點進(jìn)行單獨的Adamic-Adar系數(shù)計算，以此來論證前期猜想，Adamic-Adar系數(shù)[49]通過考慮知識節(jié)點的度來突出不同知識節(jié)點的重要性不同，知識節(jié)點的度越小，則該知識節(jié)點在共同鄰居中所占的權(quán)重就越大，也就是說對于共同鄰居的影響越大[50]。通過計算網(wǎng)絡(luò)輿情節(jié)點與信息行為知識節(jié)點的AA值為0.72641，同樣具有一定相似性。因此，本文認(rèn)為在知識圖譜這個社區(qū)中，網(wǎng)絡(luò)輿情與信息行為的交叉性研究是存在較高可能性的，那么未來研究中，信息行為的研究方向便有可能與網(wǎng)絡(luò)輿情相互關(guān)聯(lián)，形成新的研究方向或方法。當(dāng)然這只是兩個知識節(jié)點的預(yù)測，根據(jù)詞向量訓(xùn)練結(jié)果以及Katz指標(biāo)，還有一些知識節(jié)點是有可能產(chǎn)生關(guān)聯(lián)的，本文對此將不予贅述。

4 結(jié) 語

對于知識預(yù)見的實現(xiàn)，本文采用統(tǒng)計分析與智能挖掘技術(shù)、語義關(guān)聯(lián)技術(shù)、本體建模技術(shù)、智能推理技術(shù)等方法，但無論是統(tǒng)計分析還是文本挖掘推理，其本質(zhì)都是為了確定知識節(jié)點。而語義關(guān)聯(lián)與鏈路預(yù)測是對網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整與知識預(yù)見實現(xiàn)的關(guān)鍵，但由于Word2vec的語義關(guān)聯(lián)方法具有訓(xùn)練瓶頸的問題[51]，包括語料庫不夠龐大、難以處理一詞多義等問題[52]。因此本文將其作為網(wǎng)絡(luò)結(jié)構(gòu)的調(diào)整方法，而鏈路預(yù)測才是知識預(yù)見實現(xiàn)的方法途徑。當(dāng)然，如何針對知識社區(qū)中一些新興詞匯進(jìn)行無監(jiān)督的新詞發(fā)現(xiàn)，以及某一知識社區(qū)中多義歧義進(jìn)行識別，也是詞向量未來用于知識預(yù)見需要考慮的地方。

技術(shù)預(yù)見前提是科學(xué)知識的預(yù)見。雖然我國對知識生態(tài)系統(tǒng)的研究已經(jīng)有了一定的成果，但研究的深度和廣度離成熟還稍顯不足。為了實現(xiàn)知識生態(tài)系統(tǒng)視角下的技術(shù)預(yù)見，本文創(chuàng)造性地將復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)引入知識生態(tài)系統(tǒng)，指出知識生態(tài)系統(tǒng)同樣具有知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)，并認(rèn)為知識生態(tài)系統(tǒng)中是存在多個知識社區(qū)，以及這些知識社區(qū)中的知識節(jié)點會有所交集。通過知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建，本文將知識預(yù)見這個新概念引入知識生態(tài)系統(tǒng)之中，并給出了具體的知識預(yù)見方法。這為今后對交叉性知識或者先進(jìn)技術(shù)的預(yù)見提供了一種思路。

但對于更為復(fù)雜的知識社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)，應(yīng)用鏈路預(yù)測可能會產(chǎn)生巨大的計算量。對于詞向量訓(xùn)練以及鏈路預(yù)測相結(jié)合確有可行之處，但如果要得到更為準(zhǔn)確的結(jié)果，本文方法還有待進(jìn)一步改善，如對詞向量訓(xùn)練進(jìn)行進(jìn)一步深化、加入外文文獻(xiàn)預(yù)測、加入德爾菲法進(jìn)行驗證等。當(dāng)然對于更為復(fù)雜的知識社區(qū)網(wǎng)絡(luò)結(jié)構(gòu)如何進(jìn)行準(zhǔn)確的知識預(yù)見是以后需要完善的地方，對于知識生態(tài)系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建以及研究也是今后需要更進(jìn)一步挖掘探討的方向。

參考文獻(xiàn)

[1]趙志耘.“十四五”科技情報創(chuàng)新的思考[J/OL].信息資源管理學(xué)報：1-6[2021-11-19].http：//kns.cnki.net/kcms/detail/42.1812.G2.20211020.1048.002.html.

[2]李健民.全球技術(shù)預(yù)見大趨勢[M].上海：上?？茖W(xué)技術(shù)出版社，2002.

[3]趙彥飛，王孝炯，王麗.國家關(guān)鍵技術(shù)選擇：三維綜合指數(shù)方法研究[J].科學(xué)學(xué)研究，2021，39（6）：1015-1025.

[4]陳進(jìn)東，張永偉，周曉紀(jì)，等.專家熟悉度對技術(shù)預(yù)見的影響評估及參數(shù)優(yōu)化[J].科研管理，2021，42（6）：128-138.

[5]王婷，池康偉，藺潔.面向2035中國公共衛(wèi)生數(shù)字技術(shù)選擇與布局研究——基于德爾菲調(diào)查的技術(shù)預(yù)見研究[J].科學(xué)學(xué)與科學(xué)技術(shù)管理，2021，42（3）：16-28.

[6]周源，劉懷蘭，廖嶺，等.基于主題模型的技術(shù)預(yù)見定量方法綜述[J].科技管理研究，2017，37（11）：185-196.

[7]張秀妮，張薇.國內(nèi)技術(shù)預(yù)見研究卓越機構(gòu)及研究熱點可視化描繪[J].競爭情報，2015，11（3）：24-29.

[8]王志玲，藍(lán)潔，管泉.國內(nèi)技術(shù)預(yù)見研究綜述[J].情報探索，2015，（8）：50-55.

[9]George P.What is a Knowledge Ecosystem[EB/OL].http：//www.co-i-l.com/coil/knowledge-garden/kd/kes.shtml，2021-11-06.

[10]劉健，張念祥，陳海濤.基于生態(tài)視域的企業(yè)知識生態(tài)系統(tǒng)構(gòu)建與運行機理研究[J].情報科學(xué)，2018，36（8）：155-159.

[11]陳茫，張慶普，陳潔.“知識生態(tài)系統(tǒng)”帶來圖書館知識創(chuàng)新的新機遇[J].圖書館，2016，（5）：15-20.

[12]徐可，何楨，王瑞.供應(yīng)鏈關(guān)系質(zhì)量與企業(yè)創(chuàng)新價值鏈——知識螺旋和供應(yīng)鏈整合的作用[J].南開管理評論，2015，18（1）：108-117.

[13]沈陽.虛擬社區(qū)與虛擬時空隧道[J].情報雜志，2007，（4）：69-71.

[14]Bray D.Knowledge Ecosystems A Theoretical Lens for Organizations Confronting Hyperturbulent Environments[EB/OL].https：//www.researchgate.net/publication/29824670，2021-10-24.

[15]Silvio L.The DIKW Hierarchy：An Information Exploration Framework[J].Knjinicˇarstvo：Glasnik Drutva Knjinicˇara Slavonije，Baranije Srijema，2020，24（1-2）：136-162.1A3419FC-6A12-4C1F-90D8-0C9B6DF905EA

[16]楊博，劉大有，金弟，等.復(fù)雜網(wǎng)絡(luò)聚類方法[J].軟件學(xué)報，2009，20（1）：54-66.

[17]宮平，徐躍權(quán).圖書館微觀知識生態(tài)系統(tǒng)的優(yōu)化研究[J].圖書情報工作，2010，54（21）：40-44.

[18]雷鳴，夏夢鴿，汪雪鋒，等.基于鏈路預(yù)測的協(xié)同藥物組合推薦研究：面向疾病并發(fā)癥診療[J].圖書情報工作，2021，65（12）：122-129.

[19]王軍進(jìn)，劉家國，李竺珂.基于復(fù)雜網(wǎng)絡(luò)的供應(yīng)鏈企業(yè)合作關(guān)系研究[J].系統(tǒng)科學(xué)學(xué)報，2021，29（3）：110-115，130.

[20]李冰，丁堃，孫曉玲.企業(yè)潛在技術(shù)合作伙伴及競爭者預(yù)測研究——以燃料電池技術(shù)為例[J].情報學(xué)報，2021，40（10）：1043-1051.

[22]朱慶華，李亮.社會網(wǎng)絡(luò)分析法及其在情報學(xué)中的應(yīng)用[J].情報理論與實踐，2008，（2）：179-183，174.

[23]Sun J，Gao J，Yang B，et al.Achieving Disruptive Innovation-forecasting Potential Technologies Based Upon Technical System Evolution By TRIZ[C]//IEEE International Conference on Management of Innovation and Technology.Bangkok：IEEE，2008：18-22.

[24]李政，羅暉，李正風(fēng)，等.基于突變理論的科技評價方法初探[J].科研管理，2017，38（S1）：193-200.

[25]George P.The Ecology of Knowledge：A Field of Theory and Practice，Key to Research & Technology Development[EB/OL].2021-10-24.

[26]Kapoor R.Ecosystems：Broadening the Locus of Value Creation[J].Journal of Organization Design，2018，7（1）：1-16.

[27]李積君.知識生態(tài)理念下圖書館服務(wù)轉(zhuǎn)型研究[D].湘潭：湘潭大學(xué)，2020.

[28]Lalou M，Tahraoui M A，Kheddouci H.The Critical Node Detection Problem in networks：A Survey[J].Computer Science Review，2018，28：92-117.

[29]Martínez V，Berzal F，Cubero J C.A Survey of Link Prediction in Complex Networks[J].ACM Computing Surveys，2017，49（4）：69.

[30]Garg S，Kaur K，Kumar N，et al.Hybrid Deep-learning-based Anomaly Detection Scheme for Suspicious Flow Detection in SDN：A Social Multimedia Perspective[J].IEEE Transactions on Multimedia，2019，21（3）：566-578.

[31]Fortunato S，Hric D.Community Detection in Networks：A User Guide[J].Physics Reports，2016，659：1-44.

[32]Basole R C.Visualization of Interfirm Relations in a Converging Mobile Ecosystem[J].Journal of Information Technology，2009，24（2）：144-159.

[33]方錦清.非線性網(wǎng)絡(luò)的動力學(xué)復(fù)雜性研究的若干進(jìn)展[J].自然科學(xué)進(jìn)展，2007，（7）：841-857.

[34]Dunlavy D M，Kolda T G，Acar E.Temporal Link Prediction Using Matrix and Tensor Factorizations[J].ACM Transactions on Knowledge Discovery from Data（TKDD），2011，5（2）：1-27.

[35]Abbate T，Codini A，Aquilani B，et al.From Knowledge Ecosystems to Capabilities Ecosystems：When Open Innovation Digital Platforms Lead to Value Co-creation[J].Journal of the Knowledge Economy，2021：1-15.

[36]姜紅，吳玉浩，孫舒榆.技術(shù)標(biāo)準(zhǔn)聯(lián)盟知識生態(tài)系統(tǒng)的演化與治理機制研究[J].情報雜志，2019，38（10）：191-199.

[37]張鵬，李全喜，張健.基于生態(tài)學(xué)種群視角的供應(yīng)鏈企業(yè)知識協(xié)同演化模型[J].情報科學(xué)，2016，34（11）：150-153.

[38]Ding F，Liu Y，Shen B，et al.An Evolutionary Game Theory Model of Binary Opinion Formation[J].Physica A：Statistical Mechanics and its Applications，2010，389（8）：1745-1752.1A3419FC-6A12-4C1F-90D8-0C9B6DF905EA

[39]Nekovee M，Moreno Y，Bianconi G，et al.Theory of Rumour Spreading in Complex Social Networks[J].Physica A：Statistical Mechanics and its Applications，2007，374（1）：457-470.

[40]劉奕涵，石安杰，李振威，等.粵港澳大灣區(qū)專利合作網(wǎng)絡(luò)結(jié)構(gòu)及鏈路預(yù)測——以芯片領(lǐng)域為例[J].中國市場，2020，（35）：32-35.

[41]王燕鵬，韓濤，陳芳.融合文獻(xiàn)知識聚類和復(fù)雜網(wǎng)絡(luò)的關(guān)鍵技術(shù)識別方法研究[J].圖書情報工作，2020，64（16）：105-113.

[42]Chaturved A.An Efficient Modified Common Neighbor Approach for Link Prediction in Social Networks[J].Iosrjournals Org，2013，12（3）：25-34.

[43]李杰，陳超美.CiteSpace：科技文本挖掘及可視化（第二版）[M].北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)出版社，2017.

[44]Ancin-Murguzur F J，Hausner V H.CausalizeR：A Text Mining Algorithm to Identify Causal Relationships in Scientific Literature[J].PeerJ，2021，9：e11850.

[45]何道兵，劉小洋，丁楠.一種新的在線社交網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法[J].計算機仿真，2021，38（9）：322-328.

[46]駱志剛，丁凡，蔣曉舟，等.復(fù)雜網(wǎng)絡(luò)社團(tuán)發(fā)現(xiàn)算法研究新進(jìn)展[J].國防科技大學(xué)學(xué)報，2011，33（1）：47-52.

[47]崔愛香，傅彥，尚明生，等.復(fù)雜網(wǎng)絡(luò)局部結(jié)構(gòu)的涌現(xiàn)：共同鄰居驅(qū)動網(wǎng)絡(luò)演化[J].物理學(xué)報，2011，60（3）：809-814.

[48]劉宏鯤，呂琳媛，周濤.利用鏈路預(yù)測推斷網(wǎng)絡(luò)演化機制[J].中國科學(xué)：物理學(xué)力學(xué)天文學(xué)，2011，41（7）：816-823.

[49]呂琳媛.復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測[J].電子科技大學(xué)學(xué)報，2010，39（5）：651-661.

[50]Kanika N，Lerman K，Kumaraguru P.Network Flows and the Link Prediction Problem[C]//Proceedings of the 7th Workshop on Social Network Mining and Analysis，2013.

[51]Liu B.Web Data Mining：Exploring Hyperlinks，Contents，and Usage Data[M].Berlin：Springer，2011.

[52]李小濤，游樹娟，陳維.一種基于詞義向量模型的詞語語義相似度算法[J].自動化學(xué)報，2020，46（8）：1654-1669.

（責(zé)任編輯：陳 媛）1A3419FC-6A12-4C1F-90D8-0C9B6DF905EA