中圖分類號(hào)的學(xué)科應(yīng)用及其可視化

周貞云 邱均平

摘 要：[目的/意義]長(zhǎng)期以來，中圖分類號(hào)缺少學(xué)科分類和文獻(xiàn)計(jì)量的應(yīng)用研究。為充分發(fā)揮兩大應(yīng)用價(jià)值，利用中圖分類號(hào)實(shí)現(xiàn)數(shù)據(jù)可視化，將成為中圖分類號(hào)研究的一種新方法。[方法/過程]聚焦我國(guó)知識(shí)圖譜研究，將CNKI文獻(xiàn)作為數(shù)據(jù)樣本，根據(jù)文獻(xiàn)數(shù)據(jù)集、中圖號(hào)集合、中圖號(hào)矩陣的構(gòu)建原理，利用Python工具進(jìn)行數(shù)據(jù)處理。在此基礎(chǔ)上，運(yùn)用ECharts等軟件編程，實(shí)現(xiàn)了中圖分類號(hào)可視化的4種應(yīng)用。[結(jié)果/結(jié)論]學(xué)科旭日?qǐng)D、學(xué)科河流圖、學(xué)科共現(xiàn)圖、學(xué)科耦合圖，分別從靜態(tài)、動(dòng)態(tài)、共現(xiàn)、耦合視角揭示了在不同的應(yīng)用層級(jí)和優(yōu)化條件下中圖分類號(hào)背后的學(xué)科規(guī)律及其特征。針對(duì)我國(guó)知識(shí)圖譜研究，挖掘出計(jì)算機(jī)的應(yīng)用（TP39）、情報(bào)資料的處理（G353）、人工智能理論（TP18）三大學(xué)科及數(shù)據(jù)特征，進(jìn)而識(shí)別出文字信息處理、科學(xué)文獻(xiàn)綜述、人工神經(jīng)網(wǎng)絡(luò)與計(jì)算等七大主題及其前沿動(dòng)態(tài)。

關(guān)鍵詞：中圖分類號(hào);學(xué)科分類;文獻(xiàn)計(jì)量;數(shù)據(jù)可視化;知識(shí)圖譜

DOI：10.3969/j.issn.1008-0821.2022.05.001

〔中圖分類號(hào)〕G304;G250 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2022）05-0003-10

Abstract：[Purpose/Significance]Chinese library classification（CLC）number lacks the application research of discipline classification and literature metrology for a long time，In order to give full play to these two application values，it will be a new research paradigm to realize data visualization application by using CLC number.[Method/Process]Focusing on the research of knowledge graph（KG）in China，taking CNKI literature as the data sample，the study used Python tools to process data according to the construction principle of literature data set，CLC number set and CLC number matrix.On this basis，ECharts software was used to program and realize four kinds of applications of CLC number data visualization.[Result/Conclusion]From static，dynamic，co-occurrence and coupling perspectives，Sunburst Chart，Stream Graph，Co-occurrence Map and Sankey Diagram for the discipline respectively reveal the discipline rules and characteristics of CLC number under different application levels and optimization conditions.In view of the research of KG in China，characteristics of three major disciplines，namely computer application（TP39），information processing（G353）and artificial intelligence theory（TP18）were extracted，and seven important themes，including word information processing，scientific literature review，artificial neural network and computing were identified.

Key words：chinese library classification number;literature metrology;discipline classification;data visualization;knowledge graph

中圖分類號(hào)（簡(jiǎn)稱“中圖號(hào)”，亦稱“分類號(hào)”）是一種基于《中國(guó)圖書館分類法》（簡(jiǎn)稱《中圖法》）的學(xué)科分類代號(hào)?！吨袌D法》是一部以學(xué)科分類為基礎(chǔ)，并結(jié)合圖書資料的內(nèi)容和特點(diǎn)的大型綜合性分類法[1]，作為《中國(guó)學(xué)術(shù)期刊（光盤版）檢索與評(píng)價(jià)數(shù)據(jù)規(guī)范》（簡(jiǎn)稱《數(shù)據(jù)規(guī)范》）的參考規(guī)范文件[2]。實(shí)際上，中圖號(hào)不僅具有學(xué)科分類的標(biāo)識(shí)作用，而且具有文獻(xiàn)計(jì)量的表征功能。然而，中圖號(hào)的相關(guān)研究，主要集中于分類標(biāo)識(shí)和主題分析，缺乏在文獻(xiàn)計(jì)量中的學(xué)科應(yīng)用。因此，聚焦特定領(lǐng)域的研究文獻(xiàn)，利用中圖號(hào)進(jìn)行文獻(xiàn)計(jì)量，依據(jù)其學(xué)科分類體系，如何實(shí)現(xiàn)特定學(xué)科應(yīng)用及其可視化，這個(gè)科學(xué)問題值得深入探究。

1 相關(guān)研究

通過CNKI數(shù)據(jù)庫(kù)，采用“分類法”或“分類號(hào)”為主題進(jìn)行檢索發(fā)現(xiàn)：1980—2021年，期刊發(fā)表論文總量不到1 300篇，年均30余篇;1998—2021年，CSSCI收錄論文總數(shù)不到300篇，年均10余篇;近5年來，發(fā)文量和收錄數(shù)都明顯低于平均值，并且呈現(xiàn)逐年下降趨勢(shì)。長(zhǎng)期以來，主要側(cè)重于中圖法使用與修訂[3]、學(xué)科分類評(píng)議與比較[4]，類目設(shè)置與分類標(biāo)引[5]、分類法與主題法[6]、學(xué)科交叉與自動(dòng)分類[7]。這些推動(dòng)了中圖法的分類標(biāo)識(shí)和主題分析的功能實(shí)現(xiàn)，卻對(duì)中圖號(hào)的學(xué)科分類和文獻(xiàn)計(jì)量的價(jià)值挖掘不夠充分。BBEA31D2-E0EF-42B6-B849-1EB59A5D01A0

近年來，一些專家借鑒了文獻(xiàn)計(jì)量方法在關(guān)鍵詞中的應(yīng)用，著手中圖號(hào)在文獻(xiàn)計(jì)量中的研究。2013年，構(gòu)建了分類號(hào)和關(guān)鍵詞的共現(xiàn)矩陣，以此統(tǒng)計(jì)共現(xiàn)頻率并計(jì)算緊密程度，進(jìn)而實(shí)現(xiàn)基于共現(xiàn)模式的分類號(hào)和關(guān)鍵詞對(duì)應(yīng)關(guān)系研究[8]。2016年，利用中圖分類號(hào)將研究文獻(xiàn)分成若干學(xué)科，借助LDA主題模型對(duì)此類學(xué)科進(jìn)行主題抽取以及熱點(diǎn)挖掘[9]。2017年，構(gòu)建中圖號(hào)和關(guān)鍵詞隸屬關(guān)系網(wǎng)絡(luò)及多重共現(xiàn)網(wǎng)絡(luò)，對(duì)分類號(hào)和關(guān)鍵詞的對(duì)應(yīng)關(guān)系進(jìn)行計(jì)量分析和可視化展示[10];除此以外，還構(gòu)建了基于中圖分類號(hào)和關(guān)鍵詞的作者耦合關(guān)系網(wǎng)絡(luò)，采用二次指派程序（QAP）等相關(guān)方法，比較分析了作者分類號(hào)和作者關(guān)鍵詞的耦合效果[11]。

盡管中圖號(hào)在學(xué)科挖掘、共現(xiàn)分析、耦合研究以及可視化展示有所積累和進(jìn)展，然而中圖號(hào)在文獻(xiàn)計(jì)量中如何實(shí)現(xiàn)學(xué)科應(yīng)用還有待于深度研究和推進(jìn)。

綜上，中圖號(hào)的關(guān)注程度與其信息重要性不夠匹配，研究?jī)r(jià)值與其功能重要性極不相稱。當(dāng)務(wù)之急，致力于提升中圖號(hào)在學(xué)科分類中的應(yīng)用地位，進(jìn)一步拓展中圖號(hào)在文獻(xiàn)計(jì)量中的研究范疇。為充分發(fā)揮中圖號(hào)的學(xué)科分類的作用和文獻(xiàn)計(jì)量的功能，現(xiàn)結(jié)合研究文獻(xiàn)數(shù)據(jù)集和中圖號(hào)集合來構(gòu)建中圖號(hào)矩陣，主要運(yùn)用文獻(xiàn)統(tǒng)計(jì)分析法、共現(xiàn)分析法、耦合分析法和可視化分析法，進(jìn)而實(shí)現(xiàn)中圖號(hào)數(shù)據(jù)可視化及其應(yīng)用，這將為中圖號(hào)新應(yīng)用提供科學(xué)理論基礎(chǔ)和有效研究路徑。因此，如何利用中圖號(hào)進(jìn)行文獻(xiàn)計(jì)量的可視化分析，繼而開展特定領(lǐng)域的學(xué)科識(shí)別、特征提取以及主題挖掘，這種研究與應(yīng)用將成為一種新的方法。

2 樣本數(shù)據(jù)和研究過程

2.1 樣本數(shù)據(jù)

知識(shí)圖譜（Knowledge Graph，KG）是由Google公司于2012年正式提出[12]。教育部于2017年調(diào)整了學(xué)科目錄，首次將知識(shí)圖譜設(shè)置為學(xué)科方向，定位為大規(guī)模知識(shí)工程，歸屬人工智能學(xué)科范疇[13]。當(dāng)前，知識(shí)圖譜在產(chǎn)業(yè)應(yīng)用中蓬勃發(fā)展，同時(shí)在學(xué)術(shù)研究中方興未艾。近年來，知識(shí)圖譜研究呈現(xiàn)“激增”和“跨界”現(xiàn)象，不僅局限于人工智能領(lǐng)域，并且高度集中于計(jì)算機(jī)和圖情檔等領(lǐng)域。然而，文獻(xiàn)激增背后的學(xué)科關(guān)系及其構(gòu)成，研究跨界視角的學(xué)科交叉以及應(yīng)用，這些都有待于進(jìn)一步探究。

為實(shí)現(xiàn)中圖號(hào)數(shù)據(jù)可視化應(yīng)用，為明晰知識(shí)圖譜研究的跨學(xué)科應(yīng)用，現(xiàn)以我國(guó)知識(shí)圖譜研究為例。研究文獻(xiàn)采用中國(guó)知網(wǎng)（CNKI）數(shù)據(jù)庫(kù)，以“知識(shí)圖譜”篇名來精準(zhǔn)檢索，截至2020年12月31日。為確保文獻(xiàn)的學(xué)科性和權(quán)威性，遴選中國(guó)科學(xué)引文數(shù)據(jù)庫(kù)（CSCD）和中文社會(huì)科學(xué)引文索引（CSSCI）論文，并剔除與人工智能學(xué)科領(lǐng)域的無關(guān)文章，形成261篇論文作為研究文獻(xiàn)，同時(shí)生成中圖分類號(hào)（CLC）在內(nèi)的文獻(xiàn)數(shù)據(jù)集。

鑒于知識(shí)圖譜研究的學(xué)術(shù)影響和中圖分類號(hào)的應(yīng)用價(jià)值，聚焦知識(shí)圖譜研究相關(guān)的期刊論文進(jìn)行中圖分類號(hào)的數(shù)據(jù)可視化分析，這對(duì)于闡明我國(guó)知識(shí)圖譜研究的學(xué)科發(fā)展具有重要意義，并且對(duì)于拓寬中圖分類號(hào)在文獻(xiàn)計(jì)量中的研究范疇具有重要價(jià)值。

2.2 研究過程

2.2.1 文獻(xiàn)數(shù)據(jù)集的構(gòu)建與表示

為利于文獻(xiàn)數(shù)據(jù)進(jìn)行交換、處理、檢索、統(tǒng)計(jì)、評(píng)價(jià)和利用，學(xué)術(shù)期刊數(shù)據(jù)庫(kù)應(yīng)對(duì)檢索和評(píng)價(jià)的數(shù)據(jù)項(xiàng)都有相應(yīng)的技術(shù)規(guī)范[2]。根據(jù)特定數(shù)據(jù)規(guī)范，針對(duì)特定的研究文獻(xiàn)，可構(gòu)建文獻(xiàn)數(shù)據(jù)集（LDS）。它可由采用文獻(xiàn)集合法或項(xiàng)目集合法來構(gòu)建和表示，具體如表1所示。

2.2.3 中圖號(hào)矩陣的構(gòu)建與表示

《數(shù)據(jù)規(guī)范》指出，文章一般標(biāo)注1個(gè)分類號(hào)，多個(gè)主題的文章可標(biāo)注兩個(gè)或3個(gè)分類號(hào);主分類號(hào)排在第1位，多個(gè)分類號(hào)之間應(yīng)以分號(hào)分隔[2]。對(duì)照中圖號(hào)的數(shù)據(jù)集合（CLCN），數(shù)據(jù)項(xiàng)dix一般包含1～3個(gè)中圖號(hào)。在實(shí)際應(yīng)用中，中圖號(hào)標(biāo)引存在缺失或者眾多。

為實(shí)現(xiàn)中圖號(hào)數(shù)據(jù)可視化，應(yīng)利用中圖號(hào)集合和文獻(xiàn)數(shù)據(jù)集，進(jìn)一步構(gòu)建基于中圖號(hào)的數(shù)據(jù)特征矩陣。根據(jù)學(xué)科分類和文獻(xiàn)計(jì)量的研究與應(yīng)用，可以構(gòu)建不同的中圖號(hào)數(shù)據(jù)矩陣。最為典型的中圖號(hào)矩陣主要包括：文獻(xiàn)—中圖號(hào)矩陣、時(shí)間—中圖號(hào)矩陣、中圖號(hào)共現(xiàn)矩陣、文獻(xiàn)—中圖號(hào)耦合矩陣。在數(shù)據(jù)處理中，一般需要經(jīng)過特定程序[16]：①科學(xué)確定中圖號(hào)頻率;②正確選擇中圖號(hào)層級(jí);③合理優(yōu)化中圖號(hào)矩陣;④有效進(jìn)行可視化應(yīng)用。中圖號(hào)矩陣的構(gòu)建與表示，如表3所示。

3 基于中圖號(hào)的數(shù)據(jù)可視化應(yīng)用

聚焦我國(guó)知識(shí)圖譜研究，采用CNKI文獻(xiàn)數(shù)據(jù)集為數(shù)據(jù)樣本，借鑒文獻(xiàn)數(shù)據(jù)集、中圖號(hào)集合、中圖號(hào)矩陣等構(gòu)建原理，使用Python軟件[17-18]進(jìn)行數(shù)據(jù)處理，并主要運(yùn)用ECharts工具[19-20]編程來完成中圖號(hào)可視化的相關(guān)應(yīng)用：學(xué)科旭日?qǐng)D、學(xué)科河流圖、學(xué)科共現(xiàn)圖、學(xué)科耦合圖，從而實(shí)現(xiàn)中圖號(hào)的學(xué)科分類和文獻(xiàn)計(jì)量的研究?jī)r(jià)值。

3.1 知識(shí)圖譜研究的學(xué)科旭日?qǐng)D

3.1.1 學(xué)科旭日?qǐng)D的演變與創(chuàng)新

旭日?qǐng)D（Sunburst Chart）是一種現(xiàn)代餅圖[20-21]，視為多層級(jí)的環(huán)形圖，超越了傳統(tǒng)的餅圖、環(huán)圖和樹形圖。通過面積、顏色和排列，它不僅像餅圖和環(huán)圖一樣能夠體現(xiàn)數(shù)據(jù)比例構(gòu)成，并且像樹形圖一樣能夠體現(xiàn)數(shù)據(jù)層級(jí)關(guān)系。在數(shù)據(jù)結(jié)構(gòu)上，內(nèi)圈與外圈屬于父子層次，具有歸屬關(guān)系;最內(nèi)層的圓環(huán)級(jí)別最高、分類最粗，最外層的圓環(huán)級(jí)別最低、分類最細(xì)。因此，旭日?qǐng)D特別適用于層級(jí)較多的比例數(shù)據(jù)關(guān)系。

學(xué)科旭日?qǐng)D是一種系統(tǒng)研究學(xué)科分布的特殊旭日?qǐng)D，屬于特定空間靜態(tài)視圖。在文中，學(xué)科旭日?qǐng)D特指基于中圖分類號(hào)的學(xué)科分布圖，從宏觀視角呈現(xiàn)文獻(xiàn)數(shù)據(jù)集的學(xué)科領(lǐng)域分布。聚焦特定研究文獻(xiàn)，通過文獻(xiàn)—中圖號(hào)矩陣的數(shù)據(jù)挖掘、層級(jí)選擇和降維處理，它不僅能夠科學(xué)表征研究文獻(xiàn)的學(xué)科構(gòu)成比例，并且能夠有效表征特定研究的學(xué)科層級(jí)關(guān)系。

3.1.2 學(xué)科旭日?qǐng)D的應(yīng)用與分析

根據(jù)表3矩陣構(gòu)建的一般步驟，利用Python軟件構(gòu)建文獻(xiàn)—中圖號(hào)矩陣，采用ECharts工具繪制學(xué)科旭日?qǐng)D，具體如圖1（a）與（b）所示。BBEA31D2-E0EF-42B6-B849-1EB59A5D01A0

圖1（a）和（b）從優(yōu)化條件fr≥10和fr≥20分別呈現(xiàn)了我國(guó)知識(shí)圖譜研究的學(xué)科領(lǐng)域分布。通過旭日?qǐng)D內(nèi)三環(huán)分析，發(fā)現(xiàn)我國(guó)知識(shí)圖譜研究的3個(gè)重要學(xué)科領(lǐng)域：計(jì)算技術(shù)、計(jì)算機(jī)技術(shù)（TP3），情報(bào)學(xué)、情報(bào)工作（G35），自動(dòng)化基礎(chǔ)理論（TP1）。三者分別有146項(xiàng)次、64項(xiàng)次和61項(xiàng)次，小計(jì)243項(xiàng)次占總量的69.13%。

值得關(guān)注的是，情報(bào)學(xué)、情報(bào)工作（G35）加上圖書館學(xué)、圖書館事業(yè)（G25）以及檔案學(xué)、檔案事業(yè)（G27），“圖情檔”學(xué)科領(lǐng)域有81項(xiàng)次占20.66%，已然成為知識(shí)圖譜研究成果的第二大來源。除此之外，信息與知識(shí)傳播（G2）、教育（G4）、醫(yī)學(xué)與其他學(xué)科的關(guān)系（R-05）以及經(jīng)濟(jì)計(jì)劃與管理（F2），已成為我國(guó)知識(shí)圖譜研究不可忽視的重要領(lǐng)域。

3.2 知識(shí)圖譜研究的學(xué)科河流圖

3.2.1 學(xué)科河流圖的演變與創(chuàng)新

河流圖（Stream Graph）是一種象形圖表[20-21]，由面積圖、堆積面積圖不斷演變而來。它用不同的顏色表示不同的類別，用相應(yīng)的數(shù)值表示相應(yīng)的寬度。每個(gè)類別因數(shù)值變化形成粗細(xì)不同的小河，多種類別如同多條小河匯集成多種顏色的河流。它通過“流動(dòng)”的形狀，展示不同類別的數(shù)據(jù)隨時(shí)間的變化情況。相比較堆積面積圖，河流圖具有優(yōu)美的視覺結(jié)構(gòu)，特別適合于數(shù)據(jù)種類繁多、數(shù)據(jù)量巨大且波動(dòng)幅度較大的情境。

學(xué)科河流圖是一種專門研究學(xué)科演變的特殊河流圖，屬于特定時(shí)間動(dòng)態(tài)視圖。在這里，學(xué)科河流圖是指基于中圖分類號(hào)的學(xué)科演變圖，從中觀視角展示文獻(xiàn)數(shù)據(jù)集的學(xué)科發(fā)展趨勢(shì)。針對(duì)特定研究文獻(xiàn)，通過時(shí)間—中圖號(hào)矩陣的數(shù)據(jù)挖掘、層級(jí)選擇和降維處理，它不但能夠直觀呈現(xiàn)特定時(shí)間、特定學(xué)科的靜態(tài)特征，同時(shí)能夠形象反映不同時(shí)間、不同學(xué)科的動(dòng)態(tài)特征。

3.2.2 學(xué)科河流圖的應(yīng)用與分析

根據(jù)表3矩陣構(gòu)建的流程，利用Python軟件構(gòu)建時(shí)間—中圖號(hào)矩陣，采用ECharts工具繪制學(xué)科河流圖，如圖2（a）與（b）所示。

圖2（a）是基于中圖號(hào)（h=0）的可視化分析，展示了我國(guó)知識(shí)圖譜研究隨不同年份的學(xué)科動(dòng)態(tài)變化及其分布。所有研究文獻(xiàn)，集中在社會(huì)科學(xué)（CLC3）和自然科學(xué)（CLC4）兩大學(xué)科領(lǐng)域。以自然科學(xué)為主的知識(shí)圖譜研究達(dá)184項(xiàng)次占總數(shù)的70.50%，以社會(huì)科學(xué)為主的知識(shí)圖譜研究，也有77項(xiàng)次，占29.50%。從文獻(xiàn)信息增長(zhǎng)規(guī)律來分析，我國(guó)知識(shí)圖譜研究正處于急劇增長(zhǎng)階段，未來幾年還將繼續(xù)在CLC3和CLC4兩大學(xué)科領(lǐng)域中激增。

圖2（b）是基于中圖號(hào)（h=4）的可視化呈現(xiàn)，計(jì)算機(jī)的應(yīng)用（TP39）、情報(bào)資料的處理（G353）、人工智能理論（TP18）累計(jì)分別有128項(xiàng)次、63項(xiàng)次和61項(xiàng)次，合計(jì)243項(xiàng)次，約占總量的61.99%;涉及194篇論文，占研究文獻(xiàn)總量74.33%。面向我國(guó)知識(shí)圖譜研究，TP39、G353和TP18已成為基于中圖分類號(hào)的主流學(xué)科領(lǐng)域。從布拉德福定律來看，我國(guó)知識(shí)圖譜研究文獻(xiàn)，普遍地分散于多個(gè)學(xué)科領(lǐng)域，并高度地集中于計(jì)算機(jī)的應(yīng)用、情報(bào)資料的處理、人工智能理論3個(gè)領(lǐng)域。

3.3 知識(shí)圖譜研究的學(xué)科共現(xiàn)圖

3.3.1 學(xué)科共現(xiàn)圖的演變與創(chuàng)新

共現(xiàn)圖（Co-occurrence Map）是一種關(guān)系網(wǎng)絡(luò)圖[22]，不僅通過節(jié)點(diǎn)大小反映特定數(shù)據(jù)項(xiàng)的頻次，并且通過連線粗細(xì)表征數(shù)據(jù)項(xiàng)之間的關(guān)系。這種共現(xiàn)圖常用于關(guān)鍵詞、主題、WoS分類的共現(xiàn)網(wǎng)絡(luò)分析，以及作者、機(jī)構(gòu)、國(guó)家（地區(qū)）的合作網(wǎng)絡(luò)分析。CiteSpace和VOSviewer等文獻(xiàn)可視化工具功能比較強(qiáng)大，能夠?qū)崿F(xiàn)這些關(guān)系網(wǎng)絡(luò)分析;然而，當(dāng)前缺乏基于中圖號(hào)的學(xué)科共現(xiàn)分析。

學(xué)科共現(xiàn)圖是一種深入研究學(xué)科共現(xiàn)的關(guān)系網(wǎng)絡(luò)圖，采用特定學(xué)科分類標(biāo)準(zhǔn)來考察研究文獻(xiàn)中學(xué)科分類狀態(tài)。在這里，學(xué)科共現(xiàn)圖是指基于中圖分類號(hào)的學(xué)科共現(xiàn)圖，從微觀視角挖掘文獻(xiàn)數(shù)據(jù)集的學(xué)科跨界特點(diǎn)。圍繞特定研究文獻(xiàn)，通過中圖號(hào)共現(xiàn)矩陣的數(shù)據(jù)挖掘、層級(jí)選擇和優(yōu)化處理，它不僅能合理表達(dá)特定研究的學(xué)科多樣性，并且能夠明確表示研究文獻(xiàn)的學(xué)科交叉性。

3.3.2 學(xué)科共現(xiàn)圖的應(yīng)用與分析

依據(jù)表3矩陣構(gòu)建的步驟，利用Python軟件構(gòu)建中圖號(hào)共現(xiàn)矩陣，并采用Gephi工具繪制學(xué)科共現(xiàn)圖，如圖3（a）與（b）所示。

圖3（a）和（b）從中圖號(hào)（h=3）和（h=4）分別展示了我國(guó)知識(shí)圖譜研究的學(xué)科共現(xiàn)。

圖3（a）清晰呈現(xiàn)，最大3個(gè)節(jié)點(diǎn)正是TP3、G35和TP1，分別對(duì)應(yīng)三大學(xué)科：計(jì)算技術(shù)、計(jì)算機(jī)技術(shù)，情報(bào)學(xué)、情報(bào)工作，自動(dòng)化基礎(chǔ)理論。它們的總鏈接數(shù)分別為240、123、112，合計(jì)475，占全部節(jié)點(diǎn)總鏈接數(shù)的69.04%。其中，TP3 & G35、TP1 & G35和TP3 & TP1的鏈接數(shù)分別為23、10和30。

在圖3（b）中，三大節(jié)點(diǎn)對(duì)應(yīng)三大學(xué)科：計(jì)算機(jī)的應(yīng)用（TP39）、情報(bào)資料的處理（G353）、人工智能理論（TP18）。TP39、G353和TP18總鏈接數(shù)分別為212、119、109，合計(jì)440，占全部節(jié)點(diǎn)總鏈接數(shù)的64.90%。其中，TP39 & G353、TP18 & G353和TP39 & TP81的鏈接數(shù)分別為21、10和28。TP39、T18和G353共現(xiàn)比較顯著：共現(xiàn)文獻(xiàn)高達(dá)53篇，占研究文獻(xiàn)總數(shù)的20.31%?？梢?，人工智能理論與計(jì)算機(jī)的應(yīng)用相結(jié)合研究，計(jì)算機(jī)的應(yīng)用、人工智能理論采用情報(bào)資料的處理來研究，成為我國(guó)知識(shí)圖譜研究的重要內(nèi)容。

3.4 知識(shí)圖譜研究的學(xué)科耦合圖

3.4.1 學(xué)科耦合圖的演變與創(chuàng)新

?；鶊D（Sankey Diagram）是一種特定類型的分流圖[20，23]，將類型作為節(jié)點(diǎn)，用邊連接源頭節(jié)點(diǎn)與分流節(jié)點(diǎn)，使得源頭的寬度與分流的寬度始終保持相等。它源于1898年愛爾蘭裔工程師、英國(guó)陸軍工兵上尉Sankey于繪制蒸汽機(jī)的能源效率圖，常用于能源、材料、金融等數(shù)據(jù)可視化分析。利用可視化軟件，現(xiàn)代?；鶊D使不同寬度的節(jié)點(diǎn)采用不同顏色加以區(qū)分，更加直觀地反映不同類型的大小。BBEA31D2-E0EF-42B6-B849-1EB59A5D01A0

學(xué)科耦合圖是一種特殊的?；鶊D，用中圖號(hào)數(shù)據(jù)可視化來分析特定研究領(lǐng)域的學(xué)科分類及其文獻(xiàn)耦合關(guān)系。這種學(xué)科耦合圖，不僅能夠反映學(xué)科的分層關(guān)系，并且能夠呈現(xiàn)學(xué)科的耦合聚類;不僅可用節(jié)點(diǎn)的寬度和顏色來表征文獻(xiàn)耦合幅度，還可用節(jié)點(diǎn)的特殊名稱來蘊(yùn)涵學(xué)科耦合強(qiáng)度[24]。

3.4.2 學(xué)科耦合圖的應(yīng)用與分析

根據(jù)表3矩陣構(gòu)建的流程，利用Python軟件構(gòu)建文獻(xiàn)—中圖號(hào)耦合矩陣，采用ECharts工具繪制學(xué)科耦合圖，如圖4（a）與（b）所示。圖4（a）呈現(xiàn)了基于中圖號(hào)（h=1）的文獻(xiàn)學(xué)科耦合關(guān)系。Total代表261篇研究文獻(xiàn)，其中社會(huì)科學(xué)（CLC3）文獻(xiàn)55篇，自然科學(xué)（CLC4）文獻(xiàn)155篇，社會(huì)科學(xué)&自然學(xué)科（CLC3 & CLC4）文獻(xiàn)48篇。舉例而言，G指文化、科學(xué)、教育、體育，源自于CLC3和CLC3 & CLC4;此時(shí)耦合強(qiáng)度為1個(gè)單位，耦合寬度為62篇文獻(xiàn)，占研究文獻(xiàn)總數(shù)的23.75%。T指工業(yè)技術(shù)，源自于CLC4和CLC3 & CLC4;此時(shí)耦合強(qiáng)度為1個(gè)單位，耦合寬度為155篇文獻(xiàn)，占59.39%。

圖4（b）刻畫了中圖號(hào)（h=4）之間的文獻(xiàn)學(xué)科耦合關(guān)系。TP39、G353和TP18的耦合強(qiáng)度為1個(gè)單位，其耦合幅度分別為80、35和26篇文獻(xiàn)。TP39 & TP18、TP39 & G353和TP18 & G353的耦合強(qiáng)度為2個(gè)單位，其耦合幅度分別為25、18和7篇文獻(xiàn)。TP39 & G353 & TP18的耦合強(qiáng)度為3個(gè)單位，其耦合幅度為3篇文獻(xiàn)。

4 結(jié)果與討論

為進(jìn)一步探究中圖號(hào)數(shù)據(jù)可視化的使用條件和應(yīng)用價(jià)值，挖掘知識(shí)圖譜研究的學(xué)科特征和學(xué)科主題，現(xiàn)從兩個(gè)視角對(duì)研究結(jié)果進(jìn)行深入討論。

4.1 中圖號(hào)數(shù)據(jù)可視化應(yīng)用的比較分析

為更加全面地分析可視化應(yīng)用效果，可引入覆蓋率[25]和查全率[26]兩個(gè)指標(biāo)。文獻(xiàn)覆蓋率是指特定應(yīng)用層級(jí)（h）特定優(yōu)化條件（r）下中圖號(hào)矩陣對(duì)應(yīng)的文獻(xiàn)數(shù)量占研究文獻(xiàn)總數(shù)的百分比率，記作LCR。學(xué)科查全率特指中圖號(hào)查全率，是特定優(yōu)化條件（r）下中圖號(hào)出現(xiàn)的次數(shù)占同一層級(jí)條件（h）下中圖號(hào)所出現(xiàn)總次數(shù)的百分比率，記作DRR。中圖號(hào)數(shù)據(jù)可視化應(yīng)用的比較分析，如表4所示。

中圖號(hào)數(shù)據(jù)矩陣構(gòu)建的過程與原理，是中圖號(hào)數(shù)據(jù)可視化應(yīng)用的基礎(chǔ)和前提。典型圖例源于特定可視化分析圖，取決于中圖號(hào)的應(yīng)用層級(jí)和數(shù)據(jù)矩陣的優(yōu)化條件，這樣有助于更加科學(xué)地呈現(xiàn)特定領(lǐng)域的學(xué)科發(fā)展與演變。采用文獻(xiàn)覆蓋率和學(xué)科查全率，能更加嚴(yán)謹(jǐn)?shù)乇碚魈囟ㄎ墨I(xiàn)的學(xué)科關(guān)系與結(jié)構(gòu)。正因如此，學(xué)科旭日?qǐng)D、學(xué)科河流圖、學(xué)科共現(xiàn)圖和學(xué)科耦合圖等中圖號(hào)數(shù)據(jù)可視化應(yīng)用，方能在不同條件下揭示學(xué)科規(guī)律和特征。

4.2 我國(guó)知識(shí)圖譜研究的學(xué)科特征及重要主題

根據(jù)中圖號(hào)數(shù)據(jù)可視化應(yīng)用，可以進(jìn)一步挖掘?qū)W科特征并識(shí)別學(xué)科主題。現(xiàn)將我國(guó)知識(shí)圖譜研究的學(xué)科特征及重要主題進(jìn)行梳理，如表5所示。為了進(jìn)一步說明耦合關(guān)系，采用耦合強(qiáng)度和耦合幅度[24，27]來表述。學(xué)科耦合強(qiáng)度特指基于中圖號(hào)的文獻(xiàn)學(xué)科耦合強(qiáng)度，記作LDCI;文獻(xiàn)耦合幅度特指基于中圖號(hào)的文獻(xiàn)學(xué)科耦合幅度，記作LDCA。

? 基于數(shù)據(jù)可視化應(yīng)用與分析，中圖號(hào)（h=4）能夠細(xì)粒度反映我國(guó)知識(shí)圖譜研究的學(xué)科特征。無論從靜態(tài)到動(dòng)態(tài)視角，還是從共現(xiàn)到耦合分析，TP39、G353和TP18自然而然成為我國(guó)知識(shí)圖譜研究的三大主流學(xué)科;這三大學(xué)科對(duì)應(yīng)的LCR和DRR都非常高，LCCS=1條件下LDCA也非常高。同時(shí)，TP39 & TP18、TP39 & G353、TP18 & G353成為我國(guó)知識(shí)圖譜研究的三大交叉學(xué)科;此時(shí)LCR相對(duì)較低，但DRR相對(duì)較高，LDCI=2條件下LDCA相對(duì)較高。進(jìn)一步發(fā)現(xiàn)，TP39 & TP18 & G353成為L(zhǎng)DCI=3條件下DRR最高的交叉學(xué)科。

通過對(duì)TP39、G353和TP18主流學(xué)科及其交叉學(xué)科的研判，并結(jié)合中圖號(hào)（h=5和h=6）剖析，我國(guó)知識(shí)圖譜研究的學(xué)科領(lǐng)域主要集中于七大重要主題。①文字信息處理：基于語(yǔ)義網(wǎng)技術(shù)、語(yǔ)義關(guān)聯(lián)分析、語(yǔ)義關(guān)系挖掘來構(gòu)建知識(shí)圖譜[28-30]，基于自然語(yǔ)言處理的知識(shí)圖譜問答系統(tǒng)[31]，以及面向知識(shí)圖譜問答的語(yǔ)義查詢擴(kuò)展方法[32]，已成為這一學(xué)科主題的前沿動(dòng)態(tài);②智能信息檢索：知識(shí)圖譜為智能信息檢索提供一種全新的模式，開啟了實(shí)體搜索與關(guān)系檢索[33]、三元組模式查詢與語(yǔ)義查詢[34]、智能檢索與實(shí)體推薦[35]等研究與應(yīng)用的新階段。目前，景點(diǎn)、電影、商品、論文、新聞等智能推薦[36-40]為業(yè)界所關(guān)注;③科學(xué)文獻(xiàn)綜述：我國(guó)知識(shí)圖譜研究綜述，注重知識(shí)圖譜構(gòu)建與知識(shí)圖譜應(yīng)用。在知識(shí)圖譜構(gòu)建方面，以構(gòu)建技術(shù)[41]和補(bǔ)全方法[42]為主;而在知識(shí)圖譜應(yīng)用方面，則以推薦系統(tǒng)[43]和可視化技術(shù)[44]為主;④科學(xué)技術(shù)總結(jié)：大體分為探索性總結(jié)和應(yīng)用性總結(jié)，前者包括學(xué)術(shù)師承知識(shí)圖譜可視化[45]、人物關(guān)系知識(shí)圖譜推理[46]、金融知識(shí)圖譜新聞推薦[40]以及“一帶一路”投資知識(shí)圖譜問答系統(tǒng)[47];后者涉及醫(yī)療知識(shí)圖譜研究與應(yīng)用[48]、科技大數(shù)據(jù)知識(shí)圖譜構(gòu)建及應(yīng)用[49]、在線學(xué)術(shù)資源知識(shí)圖譜應(yīng)用[50];⑤自動(dòng)推理與機(jī)器學(xué)習(xí)：高度集中于表示學(xué)習(xí)[51]、知識(shí)推理[52]、深度學(xué)習(xí)[53]以及基于個(gè)性化學(xué)習(xí)[54]、圖嵌入學(xué)習(xí)[55]、遷移學(xué)習(xí)[56]等知識(shí)圖譜推理研究;⑥專家系統(tǒng)與知識(shí)工程：專家系統(tǒng)促進(jìn)了知識(shí)工程的發(fā)展，繼而推動(dòng)了知識(shí)圖譜的應(yīng)用。目前，國(guó)內(nèi)知識(shí)圖譜研究，尤以本體[57]、推薦系統(tǒng)[58]、知識(shí)表示[59]、知識(shí)推理[52]為主;⑦人工神經(jīng)網(wǎng)絡(luò)與計(jì)算：融合知識(shí)圖譜和神經(jīng)網(wǎng)絡(luò)的研究大量涌現(xiàn)，注意力網(wǎng)絡(luò)[60]、卷積神經(jīng)網(wǎng)絡(luò)[34]、循環(huán)神經(jīng)網(wǎng)絡(luò)[61]和長(zhǎng)短期記憶網(wǎng)絡(luò)[62]已經(jīng)成為研究高頻術(shù)語(yǔ)。BBEA31D2-E0EF-42B6-B849-1EB59A5D01A0

5 結(jié)束語(yǔ)

中圖分類號(hào)在圖書情報(bào)領(lǐng)域具有重要價(jià)值，一方面在圖書資料的標(biāo)引與排架中已發(fā)揮了重要作用;另一方面還未能充分發(fā)揮學(xué)科分類和文獻(xiàn)計(jì)量的內(nèi)在價(jià)值。聚焦特定研究文獻(xiàn)，著重對(duì)中圖號(hào)數(shù)據(jù)進(jìn)行文獻(xiàn)計(jì)量分析，實(shí)現(xiàn)基于中圖號(hào)的學(xué)科分類及可視化應(yīng)用，從而提取學(xué)科特征及識(shí)別學(xué)科主題。實(shí)際上，這種研究與應(yīng)用的新方法，在理論界尚未形成廣泛共識(shí)，在應(yīng)用界也未達(dá)成廣為使用。學(xué)科旭日?qǐng)D、學(xué)科河流圖、學(xué)科共現(xiàn)圖、學(xué)科耦合圖等的構(gòu)建與創(chuàng)新，將有助于拓寬中圖號(hào)在學(xué)科分類和文獻(xiàn)計(jì)量中的研究與應(yīng)用。以我國(guó)知識(shí)圖譜研究為例，不僅用樣本數(shù)據(jù)驗(yàn)證了中圖號(hào)數(shù)據(jù)可視化應(yīng)用，而且識(shí)別了計(jì)算機(jī)的應(yīng)用（TP39）、人工智能理論（TP18）、情報(bào)資料的處理（G353）三大學(xué)科及其關(guān)鍵特征，在此基礎(chǔ)上挖掘出文字信息處理、科學(xué)文獻(xiàn)綜述、人工神經(jīng)網(wǎng)絡(luò)與計(jì)算等七大主題及其前沿動(dòng)態(tài)。

基于中圖號(hào)的學(xué)科應(yīng)用及可視化，這種研究方法值得推廣，使學(xué)科分類和文獻(xiàn)計(jì)量得以有效挖掘。然而，應(yīng)用中圖號(hào)實(shí)現(xiàn)學(xué)科識(shí)別的理論闡述不夠充分，采用中圖號(hào)實(shí)現(xiàn)文獻(xiàn)計(jì)量的方法運(yùn)用不夠豐富，使用中圖號(hào)實(shí)現(xiàn)可視化分析的應(yīng)用工具還不夠通用。這三大不足將從理論、方法和應(yīng)用視角指明了中圖號(hào)在學(xué)科分類和文獻(xiàn)計(jì)量中研究與應(yīng)用的未來圖景。通過這種新方法的拋磚引玉，期待共同研究、應(yīng)用和推廣，將為提升中圖號(hào)在學(xué)科分類中的應(yīng)用地位和拓寬在文獻(xiàn)計(jì)量中的研究范疇作不懈努力。

參考文獻(xiàn)

[1]卜書慶.《中國(guó)圖書館分類法》發(fā)展史述要[J].圖書館建設(shè)，2019，42（6）：42-57.

[2]中國(guó)學(xué)術(shù)期刊（光盤版）編輯委員會(huì).CAJ-CD B/T 1-2006中國(guó)學(xué)術(shù)期刊（光盤版）技術(shù)規(guī)范檢索與評(píng)價(jià)數(shù)據(jù)規(guī)范[S].北京：中國(guó)標(biāo)準(zhǔn)出版社，2006：1-4.

[3]陳志新.分類法研究的十五個(gè)問題——我國(guó)2009至2016年分類法研究綜述[J].情報(bào)科學(xué)，2018，36（6）：149-155.

[4]童劉奕，張鵬翼.《中國(guó)圖書館分類法》和《美國(guó)國(guó)會(huì)圖書館圖書分類法》人工映射分析與差異性探究[J].數(shù)字圖書館論壇，2018，14（3）：53-58.

[5]符銀蓮.《中國(guó)圖書館分類法》第5版計(jì)算機(jī)類目分類體系與編碼問題探討[J].新世紀(jì)圖書館，2021，42（2）：44-49.

[6]李育嫦.網(wǎng)絡(luò)信息組織中的分類法與主題法[J].情報(bào)資料工作，2004，45（3）：31-33.

[7]黃莉，李湘東.基于《中圖法》的自動(dòng)分類研究現(xiàn)狀與展望[J].圖書情報(bào)知識(shí)，2012，29（4）：30-36.

[8]鐘偉金.基于共現(xiàn)模式的分類號(hào)—關(guān)鍵詞對(duì)應(yīng)關(guān)系研究[J].情報(bào)理論與實(shí)踐，2013，36（5）：116-119.

[9]王曰芬，傅柱，陳必坤.采用LDA主題模型的國(guó)內(nèi)知識(shí)流研究結(jié)構(gòu)探討：以學(xué)科分類主題抽取為視角[J].現(xiàn)代圖書情報(bào)技術(shù)，2016，（4）：8-19.

[10]溫芳芳.基于共現(xiàn)分析的中圖分類號(hào)與關(guān)鍵詞對(duì)應(yīng)關(guān)系研究[J].情報(bào)科學(xué)，2017，35（11）：121-125.

[11]溫芳芳.作者分類號(hào)耦合分析與作者關(guān)鍵詞耦合分析的比較研究[J].情報(bào)雜志，2017，36（11）：186-191.

[12]閆樹，魏凱，洪萬(wàn)福，等.知識(shí)圖譜技術(shù)與應(yīng)用[M].北京：人民郵電出版社，2019：2-7.

[13]肖仰光，徐波，林欣，等.知識(shí)圖譜：概念與技術(shù)[M].北京：電子工業(yè)出版社，2020：8-10.

[14]國(guó)家圖書館《中國(guó)圖書館分類法》編輯委員會(huì).中國(guó)圖書館分類法[M].北京：國(guó)家圖書館出版社，2010：1-1019.

[15]中國(guó)國(guó)家圖書館.中圖分類查詢[EB/OL].https：//www.clcindex.com，2021-06-18.

[16]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，2017：199-212.

[17]嵩天，禮欣，黃天羽.Python語(yǔ)言程序設(shè)計(jì)基礎(chǔ)（第2版）[M].北京：高等教育出版社，2017：209-217.

[18]劉宇宙，劉艷.Python 3.7從零開始學(xué)[M].北京：清華大學(xué)出版社，2018.10：74-89.

[19]王大偉.ECharts數(shù)據(jù)可視化：入門、實(shí)戰(zhàn)與進(jìn)階[M].北京：機(jī)械工業(yè)出版社，2020：49-96.

[20]The Apache Software Foundation.Apache ECharts[EB/OL].https：//echarts.apache/zh/index.html，2021-11-09.

[21]北京創(chuàng)新樂知網(wǎng)絡(luò)技術(shù)有限公司.CSDN專業(yè)開發(fā)者社區(qū)[EB/OL].https：//www.csdn.net，2021.10.15.

[22]邱均平，趙蓉英，董克，等.科學(xué)計(jì)量學(xué)[M].北京：科學(xué)出版社，2016：194-362.

[23]百度百科.?；鶊D[EB/OL].https：//baike.baidu.com/item，2021-11-27.

[24]邱均平，趙蓉英，宋艷輝，等.信息計(jì)量學(xué)概論[M].武漢：武漢大學(xué)出版社，2019：123-237.

[25]百度百科.文獻(xiàn)覆蓋率[EB/OL].https：//baike.baidu.com/item，2021-03-14.

[26]百度百科.查全率[EB/OL].https：//baike.baidu.com/item，2021-11-09.

[27]邱均平.文獻(xiàn)計(jì)量學(xué)（第二版）[M].北京：科學(xué)出版社，2019：201-314.BBEA31D2-E0EF-42B6-B849-1EB59A5D01A0

[28]金貴陽(yáng)，呂福在，項(xiàng)占琴.基于知識(shí)圖譜和語(yǔ)義網(wǎng)技術(shù)的企業(yè)信息集成方法[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，44（2）：250-255.

[29]楊玉基，許斌，胡家威，等.一種準(zhǔn)確而高效的領(lǐng)域知識(shí)圖譜構(gòu)建方法[J].軟件學(xué)報(bào)，2018，29（10）：2931-2947.

[30]熊晶，鐘珞，王愛民.甲骨文知識(shí)圖譜構(gòu)建中的實(shí)體關(guān)系發(fā)現(xiàn)研究[J].計(jì)算機(jī)工程與科學(xué)，2015，37（11）：2188-2194.

[31]陳金菊，王義真，歐石燕.基于道路法規(guī)知識(shí)圖譜的多輪自動(dòng)問答研究[J].現(xiàn)代情報(bào)，2020，40（8）：98-110，120.

[32]蘇永浩，張馳，程文亮，等.CLEQS——基于知識(shí)圖譜構(gòu)建的跨語(yǔ)言實(shí)體查詢系統(tǒng)[J].計(jì)算機(jī)應(yīng)用，2016，36（S1）：204-206，223.

[33]王秋月，覃雄派，曹巍，等.擴(kuò)展知識(shí)圖譜上的實(shí)體關(guān)系檢索[J].計(jì)算機(jī)應(yīng)用，2016，36（4）：985-991.

[34]孟明明，張坤，論兵，等.一種面向知識(shí)圖譜問答的語(yǔ)義查詢擴(kuò)展方法[J].計(jì)算機(jī)工程，2019，45（9）：276-283，290.

[35]丁浩宸，王忠明.基于本體的油茶中文知識(shí)圖譜構(gòu)建與應(yīng)用[J].世界林業(yè)研究，2020，33（4）：50-55.

[36]高嘉良，仇培元，余麗，等.基于旅游知識(shí)圖譜的可解釋景點(diǎn)推薦[J].中國(guó)科學(xué)：信息科學(xué)，2020，50（7）：1055-1068.

[37]李浩，張亞釧，康雁，等.融合循環(huán)知識(shí)圖譜和協(xié)同過濾電影推薦算法[J].計(jì)算機(jī)工程與應(yīng)用，2020，56（2）：106-114.

[38]湯偉韜，余敦輝，魏世偉.融合知識(shí)圖譜與用戶評(píng)論的商品推薦算法[J].計(jì)算機(jī)工程，2020，46（8）：93-100.

[39]唐浩，劉柏嵩，劉曉玲，等.基于協(xié)同知識(shí)圖譜特征學(xué)習(xí)的論文推薦方法[J].計(jì)算機(jī)工程，2020，46（9）：306-312.

[40]陶天一，王清欽，付聿煒，等.基于知識(shí)圖譜的金融新聞個(gè)性化推薦算法[J].計(jì)算機(jī)工程，2021，47（6）：98-103，114.

[41]李肖俊，邵必林.多源異構(gòu)數(shù)據(jù)情境中學(xué)術(shù)知識(shí)圖譜模型構(gòu)建研究[J].現(xiàn)代情報(bào)，2020，40（6）：88-97.

[42]王維美，史一民，李冠宇.改進(jìn)的膠囊網(wǎng)絡(luò)知識(shí)圖譜補(bǔ)全方法[J].計(jì)算機(jī)工程，2020，46（8）：21-26.

[43]秦川，祝恒書，莊福振，等.基于知識(shí)圖譜的推薦系統(tǒng)研究綜述[J].中國(guó)科學(xué)：信息科學(xué)，2020，50（7）：937-956.

[44]王鑫，傅強(qiáng)，王林，等.知識(shí)圖譜可視化查詢技術(shù)綜述[J].計(jì)算機(jī)工程，2020，46（6）：1-11.

[45]楊海慈，王軍.宋代學(xué)術(shù)師承知識(shí)圖譜的構(gòu)建與可視化[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2019，3（6）：109-116.

[46]于娟，黃恒琪，席運(yùn)江，等.基于圖數(shù)據(jù)庫(kù)的人物關(guān)系知識(shí)圖譜推理方法研究[J].情報(bào)科學(xué)，2019，37（10）：8-12.

[47]陳璟浩，曾楨，李綱.基于知識(shí)圖譜的“一帶一路”投資問答系統(tǒng)構(gòu)建[J].圖書情報(bào)工作，2020，64（12）：95-105.

[48]韓普，馬健，張嘉明，等.基于多數(shù)據(jù)源融合的醫(yī)療知識(shí)圖譜框架構(gòu)建研究[J].現(xiàn)代情報(bào)，2019，39（6）：81-90.

[49]王穎，錢力，謝靖，等.科技大數(shù)據(jù)知識(shí)圖譜構(gòu)建模型與方法研究[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2019，3（1）：15-26.

[50]熊回香，景紫薇，楊夢(mèng)婷.在線學(xué)術(shù)資源中知識(shí)圖譜的應(yīng)用研究綜述[J].情報(bào)資料工作，2020，41（3）：61-68.

[51]熊盛武，陳振東，段鵬飛，等.基于可信向量的知識(shí)圖譜上下文感知表示學(xué)習(xí)[J].武漢大學(xué)學(xué)報(bào)：理學(xué)版，2019，65（5）：488-494.

[52]官賽萍，靳小龍，賈巖濤，等.面向知識(shí)圖譜的知識(shí)推理研究進(jìn)展[J].軟件學(xué)報(bào)，2018，29（10）：2966-2994.

[53]杜博，萬(wàn)國(guó)佳，紀(jì)穎.基于幾何深度學(xué)習(xí)的知識(shí)圖譜關(guān)鍵技術(shù)研究進(jìn)展[J].航空兵器，2020，27（3）：1-10.

[54]蘇喻，張丹，劉青文，等.學(xué)生得分預(yù)測(cè)：一種基于知識(shí)圖譜的卷積自編碼器[J].中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2019，49（1）：21-30.

[55]楊曉慧，萬(wàn)睿，張海濱，等.基于符號(hào)語(yǔ)義映射的知識(shí)圖譜表示學(xué)習(xí)算法[J].計(jì)算機(jī)研究與發(fā)展，2018，55（8）：1773-1784.

[56]魯強(qiáng)，劉興昱.基于遷移學(xué)習(xí)的知識(shí)圖譜問答語(yǔ)義匹配模型[J].計(jì)算機(jī)應(yīng)用，2018，38（7）：1846-1852.

[57]漆桂林，歐陽(yáng)丹彤，李涓子.本體工程與知識(shí)圖譜專題前言[J].軟件學(xué)報(bào)，2018，29（10）：2897-2898.

[58]程淑玉，黃淑樺，印鑒.融合知識(shí)圖譜與循環(huán)神經(jīng)網(wǎng)絡(luò)的推薦模型[J].小型微型計(jì)算機(jī)系統(tǒng)，2020，41（8）：1670-1675.

[59]方陽(yáng)，趙翔，譚真，等.一種改進(jìn)的基于翻譯的知識(shí)圖譜表示方法[J].計(jì)算機(jī)研究與發(fā)展，2018，55（1）：139-150.

[60]鄧立明，魏晶晶，吳運(yùn)兵，等.基于知識(shí)圖譜與循環(huán)注意力網(wǎng)絡(luò)的視角級(jí)情感分析[J].模式識(shí)別與人工智能，2020，33（6）：479-487.

[61]張楚婷，常亮，王文凱，等.基于BiLSTM-CRF的細(xì)粒度知識(shí)圖譜問答[J].計(jì)算機(jī)工程，2020，46（2）：41-47.

[62]張善文，王振，王祖良.結(jié)合知識(shí)圖譜與雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的小麥條銹病預(yù)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2020，36（12）：172-178.

（責(zé)任編輯：郭沫含）BBEA31D2-E0EF-42B6-B849-1EB59A5D01A0