知識生態(tài)系統(tǒng)知識預見的提出邏輯及實現(xiàn)路徑

儲節(jié)旺 李佳軒 劉雅嬌

摘 要：[目的/意義]知識創(chuàng)新與關鍵技術預見已經(jīng)成為國家競爭的重要方向，通過將復雜網(wǎng)絡結構、鏈路預測以及詞向量訓練引入知識生態(tài)系統(tǒng)之中，為知識生態(tài)系統(tǒng)引入新觀點、新概念，為知識預見提供全新的思路。[方法/過程]在文獻計量以及文本挖掘的基礎上通過多種方式對相關文獻進行關鍵詞選取與聚類，并將聚類節(jié)點用于構建知識生態(tài)系統(tǒng)網(wǎng)絡結構，利用詞向量訓練對知識生態(tài)系統(tǒng)網(wǎng)絡結構進行調整并通過鏈路預測方法實現(xiàn)知識預見。[結果/結論]通過將復雜網(wǎng)絡結構引入知識生態(tài)系統(tǒng)中，預測知識生態(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見是具有顯著效用的，可以作為顛覆性技術預見的一個方法途徑。

關鍵詞：知識生態(tài)系統(tǒng);知識預見;技術預見;復雜網(wǎng)絡;鏈路預測;知識圖譜

DOI：10.3969/j.issn.1008-0821.2022.06.003

〔中圖分類號〕G201 〔文獻標識碼〕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)新是一個非常關鍵的時期，是中國實現(xiàn)科技自強的窗口期，也是關乎中國能否在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)科技自強就必須構建前沿技術態(tài)勢感知的情報預警能力。因為，過去的科技情報工作有參照系、有標桿、有學習和模仿的對象，但現(xiàn)在中國越來越多的技術領域處于引領地位，進入無人區(qū)后，對前沿技術態(tài)勢感知和情報預警能力的要求發(fā)生了重大變化[1]。技術預見是20世紀90年代由技術預測發(fā)展起來的，在歐美日韓等國家得到推廣應用[2]。在以往研究中，我國學者對于關鍵技術的預見提出了許多途徑與方法，都表達了自己的觀點，如趙彥飛等[3]提出，利用德爾菲調查法結合三維指數(shù)的方法來使關鍵領域技術預見更為可靠。陳進東等[4]提出，對Delphi法的技術預見進行評估，并通過優(yōu)化不同熟悉度咨詢專家比例和權重來實現(xiàn)技術預見。王婷等[5]提出，基于通過多輪德爾菲調查法，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。這些學者都主張通過德爾菲調查法或局部使用德爾菲調查法來實現(xiàn)顛覆性技術的預見。當然也有學者從定量的角度出發(fā)，如周源等[6]使用文獻計量、主題模型、社會網(wǎng)絡分析等方法構建一種文獻綜述分析框架，通過對框架的分析、判斷來達到技術預見的目的。張秀妮等[7]和王志玲等[8]采用文獻計量的方法對技術預見進行綜述，但只是識別了核心作者、機構、研究范圍的抽象分析。

雖然眾多學者對技術預見的實現(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)，將復雜網(wǎng)絡結構與鏈路預測引入知識生態(tài)系統(tǒng)之中，通過構建知識生態(tài)系統(tǒng)網(wǎng)絡結構并提出知識預見的概念，為前沿技術的態(tài)勢感知提出新的思路以及方法。

1 相關文獻研究

1.1 知識生態(tài)系統(tǒng)

1991年，George P創(chuàng)造了“知識生態(tài)學”這個概念，并且在知識社區(qū)中完善了相關方法，之后生態(tài)學開始被真正引入到知識管理領域，國內外眾多學者由此展開了廣泛討論[9]。George P認為，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域學科，并將知識生態(tài)系統(tǒng)的相關理論與模型寫進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)進行了全新解讀，其認為知識生態(tài)的存在是為了通過知識流動、物質交換和環(huán)境協(xié)同，進而促進知識共享和知識服務的發(fā)展[11]。以往研究中，大多數(shù)學者對知識生態(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)的結構及知識預見的探討。1A3419FC-6A12-4C1F-90D8-0C9B6DF905EA

沈陽[13]曾提出三度空間理論，他認為將相互分隔的封閉知識空間進行連接可以形成更大的知識空間。本文認為，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)的關鍵是知識的相互作用及相互關聯(lián)，他將知識生態(tài)系統(tǒng)描述為動態(tài)網(wǎng)絡系統(tǒng)，在團隊中，不同的員工是一個互聯(lián)網(wǎng)節(jié)點，而不同網(wǎng)絡節(jié)點間可以傳輸知識。Silvio L[15]也曾提出DIKW模型，并認為信息之間的關聯(lián)是產生知識的關鍵。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)之間的關聯(lián)是知識產生的關鍵，也是新知識產生的重要途徑。既然知識生態(tài)系統(tǒng)存在知識節(jié)點與社區(qū)的知識關聯(lián)，本文從復雜網(wǎng)絡結構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)進行鏈路預測，對知識生態(tài)系統(tǒng)進行一個全新的理解與解讀。

1.2 復雜網(wǎng)絡視角下的知識生態(tài)系統(tǒng)

復雜網(wǎng)絡是指具有自組織、自相似、吸引子、小世界、無標度中或全部性質的網(wǎng)絡，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。在知識生態(tài)系統(tǒng)中，宮平等[17]認為，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，并認為這3個層面之間會產生交流、競爭。在復雜網(wǎng)絡結構視角下，知識生態(tài)系統(tǒng)的不同知識種群、知識群落就像復雜網(wǎng)絡結構中的知識節(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)甚至會被其他知識社區(qū)所歸納融合。在復雜網(wǎng)絡視角下對知識節(jié)點以及知識社區(qū)進行鏈路預測具有充分的理論邏輯，雷鳴等[18]利用復雜網(wǎng)絡結構中的鏈路預測構建協(xié)同藥物組合推薦模型，以此來對單一藥物進行組合治療特殊疾病。王軍進等[19]利用鏈路預測對不同企業(yè)間的合作競爭進行預測，并以此構建了企業(yè)間的合作關系預測模型。李冰等[20]也利用鏈路預測對企業(yè)潛在的合作伙伴進行預測。在李冰等的研究中，復雜網(wǎng)絡結構中的節(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)。

通過將復雜網(wǎng)絡結構引入知識生態(tài)系統(tǒng)，構建屬于知識生態(tài)系統(tǒng)的知識生態(tài)系統(tǒng)網(wǎng)絡結構，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)絡結構的構建，為技術預見的實現(xiàn)途徑提出建議，并根據(jù)鏈路預測的相關概念提出基于知識生態(tài)系統(tǒng)的知識預見。

2 知識預見的提出邏輯

知識關聯(lián)是知識創(chuàng)新的基礎，關聯(lián)是信息、知識、情報產生的關聯(lián)，知識之間的關聯(lián)是產生新知識的關鍵[15]，通過對知識關聯(lián)進行探索發(fā)現(xiàn)可以對知識的產生進行推測，即知識預見。知識預見與知識發(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，而知識預見是對未產生關聯(lián)的知識進行關聯(lián)預測，推測其未來產生聯(lián)系的可能性，以預測為主，挖掘為輔。近年來，技術預見的研究成為學者們關注的熱點，是極為重要的研究方向。本文認為，技術預見是可以通過知識生態(tài)系統(tǒng)中的知識預見來實現(xiàn)的，如何實現(xiàn)知識預見也將成為未來知識管理領域所要研究的方向，同時知識預見的實現(xiàn)也將為顛覆性技術的預見帶來突破性發(fā)展。

技術預見前提是科學知識的預見。但從目前公開的文獻看，學界對知識生態(tài)系統(tǒng)知識預見的研究還相對缺乏。何為知識預見？本文認為，知識預見是技術預見的上位類，并將通過知識生態(tài)系統(tǒng)網(wǎng)絡結構對知識預見進行較為全面詳細的解讀，通過實例分析，對知識預見的可能性進行證明。對于知識預見本身而言，知識預見的提出也具有現(xiàn)實和理論雙重邏輯。

2.1 現(xiàn)實邏輯

20世紀90年代以來，為把握當代經(jīng)濟、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預見研究工作，實施技術預見行動計劃[22]。各國學者對于技術預見的理論、方法和應用等方面進行了大量探索。Sun J等[23]運用TRIZ理論構建模型，對一項技術的落后與否進行判定，并對其未來前景進行預見。李政等[24]運用數(shù)學建模法即尖點型突變方程構建關鍵技術的預見模型，以實現(xiàn)科技評價和預見。對于知識生態(tài)系統(tǒng)而言，技術預見是具有更為明顯的可行性，因為技術預見從屬于知識預見，而知識預見則是知識管理中的重要一環(huán)。知識預見是在知識生態(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)生的交集進行預測，對一個交叉性知識產生的態(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)點相交而產生。本文通過構建知識生態(tài)系統(tǒng)網(wǎng)絡結構推測知識社區(qū)及知識節(jié)點邊聯(lián)系的概率，以此達到知識預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)中進行的知識預見，有助于把握顛覆性關鍵技術，對前沿熱點進行提前感知。

2.2 理論邏輯

2.2.1 鏈路預測

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)結構[26]。在知識生態(tài)系統(tǒng)之中，有學者從知識生態(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)。也有學者從知識生態(tài)系統(tǒng)的組成要素開始探討[27]。本文在復雜網(wǎng)絡視角下對知識生態(tài)系統(tǒng)進行解讀，并將鏈路預測的相關方法帶入知識生態(tài)系統(tǒng)之中，為知識生態(tài)系統(tǒng)中知識預見的提出提供理論邏輯。

在以往研究中，大量復雜網(wǎng)絡分析方法，如關鍵節(jié)點識別[28]、鏈路預測[29]、異常檢測[30]、社區(qū)檢測[31]等都應用于各種學科的分析之中。復雜網(wǎng)絡中的鏈路預測是指如何通過已知的網(wǎng)絡節(jié)點以及網(wǎng)絡結構等信息，預測網(wǎng)絡中尚未產生連邊的兩個節(jié)點之間產生鏈接的可能性。這種預測既包含了對未知鏈接的預測，也包含了對未來鏈接的預測。王軍進等[19]以及李冰等[20]利用鏈路預測對不同企業(yè)的合作競爭進行預測，本質便是知識社區(qū)之間的鏈路預測。在復雜網(wǎng)絡視角下，不同的網(wǎng)絡節(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)點之間的鏈路預測將是知識預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)絡結構具有動力學復雜性，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。本文將以此來構建知識生態(tài)系統(tǒng)網(wǎng)絡結構。

在知識生態(tài)系統(tǒng)網(wǎng)絡結構之中，存在著多個知識社區(qū)，這些知識社區(qū)有些關系密切、有些較為疏遠，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)點構成，一個知識社區(qū)的產生由知識節(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科便會產生，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，通過概念化轉變構成的一個生態(tài)系統(tǒng)，是能夠觀察生態(tài)系統(tǒng)中的元素為應對環(huán)境的變化不斷做出適應和自我進化的過程[37]。知識社區(qū)之間產生的交集可以看作是知識產生的前提條件，那么對知識社區(qū)交集的預見在知識生態(tài)系統(tǒng)之中會格外重要。

在知識生態(tài)系統(tǒng)之中，知識預見這個新概念是不可缺少的一部分。筆者認為：①在知識生態(tài)系統(tǒng)之中，知識的產生是有其規(guī)律的，并且是可以預見的;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)關系有密有疏;③復雜網(wǎng)絡結構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]分布的非同質網(wǎng)絡，具有小世界、無標度特性[39]。即在知識生態(tài)系統(tǒng)之中存在著關鍵知識社區(qū)，而知識社區(qū)中同樣存在著關鍵知識節(jié)點;④知識關聯(lián)是知識創(chuàng)新的基礎，但知識預見是知識創(chuàng)新的感知，知識節(jié)點產生的知識交集是知識預見的一個可以探討的方面。

3 知識預見的實現(xiàn)路徑——以知識圖譜主題為例

根據(jù)鏈路預測的基本理論，需要構建復雜網(wǎng)絡并判斷需要預測的網(wǎng)絡節(jié)點及其相關節(jié)點，通過對節(jié)點是否會產生連接進行判斷以達到預測目的。在知識生態(tài)系統(tǒng)的網(wǎng)絡結構中，知識預見的實現(xiàn)路徑基本可以按照“知識節(jié)點選擇→知識社區(qū)網(wǎng)絡結構構建→知識預見形成與檢驗”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)絡以此進行鏈路預測。王燕鵬等[41]通過文獻聚類的方式選擇節(jié)點并進行鏈路預測，總體而言，節(jié)點的選擇對于鏈路預測是最為重要的。

本文以圖情領域的知識圖譜為預測核心，由于傳統(tǒng)的文獻統(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)絡結構。根據(jù)知識節(jié)點的數(shù)量以及計算復雜程度，可以選擇對知識節(jié)點進行二次聚類以及Word2vec相似度匹配，對知識生態(tài)系統(tǒng)網(wǎng)絡結構中的知識節(jié)點疏密度進行調整，通過可視化的方式展示網(wǎng)絡結構并進行鏈路預測。本文以知識圖譜為案例，具體方式如圖1所示。

3.1 文獻獲取與知識節(jié)點選擇

知識預見源于對知識生態(tài)系統(tǒng)之中不同知識社區(qū)的交集地推測，對某一技術或者知識地預見，首先要確定該領域的知識社區(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算法對關鍵詞進行分析聚類，之后通過人工篩選進行知識節(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）文獻數(shù)據(jù)庫為文獻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)字內容出版商，收錄的文章信息質量受到嚴格把關。本文以知識圖譜為例，為了確保檢索結果的全面性，使用高級檢索，以主題=“知識圖譜”進行精確檢索，并將領域限定在圖書情報領域。

國內文獻的檢索結果顯示，2010—2021年10月，與檢索詞相關的文獻資料有15 076條。如圖2所示，2010—2014年，國內知識圖譜發(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年設置為2017年，將時間段逼近目前，并對相關性較低的文獻、會議等進行篩選，在所得文獻目錄后再經(jīng)過人工篩選得到相關文獻量320篇。

3.1.1 文獻分析下的知識節(jié)點選取

利用Vosviewer對2017—2021年320篇文獻進行關鍵詞聚類分析，將節(jié)點權重值設置為4，進行微過濾得到初步的關鍵詞共現(xiàn)圖譜，關鍵詞圖譜顯示了文章關鍵詞之間的潛在關系，如圖3所示。圖3中“十”字代表關鍵詞節(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，它與文獻計量、可視化、知識結構、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域被廣泛應用。基于關鍵詞共現(xiàn)圖譜的基礎之上，對所選文獻中2017—2021年突現(xiàn)詞進行匯總。對于研究領域趨勢分析，Citespace提供了對突變詞（Burst Words）的探測技術，即通過探測在某一時間段內被引頻次或共現(xiàn)頻次突現(xiàn)度增加的節(jié)點來預測領域內的研究方向[43]。在突變詞中，得出信息計量學、可視化、研究熱點、信息推薦、自然語言處理、社會網(wǎng)絡分析、風險管理等關鍵知識節(jié)點，如表1所示。根據(jù)文獻統(tǒng)計結果可以清楚看到，國內圖情領域關于知識圖譜出現(xiàn)的頻率從2017年就已經(jīng)有所增長，并且知識圖譜的應用在不同年份會有新的突破，可見知識圖譜在圖情領域還會有新的應用方向，這也是知識生態(tài)系統(tǒng)網(wǎng)絡結構中知識節(jié)點可以延伸的方向，即鏈路預測的目的所在。1A3419FC-6A12-4C1F-90D8-0C9B6DF905EA

3.1.2 文本挖掘下的知識節(jié)點選取

由于僅僅使用文獻統(tǒng)計方法難以獲得全面的關于知識圖譜的知識節(jié)點，本文以近3年相關文獻為數(shù)據(jù)源，利用LDA主題模型以及Textrank對文本進行整體詞頻統(tǒng)計以及語義關聯(lián)性分析，為知識生態(tài)系統(tǒng)網(wǎng)絡結構相關節(jié)點進行補充，并對文獻中前35個重要詞匯利用Pychart庫進行展示，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)絡結構中的知識節(jié)點。

3.1.3 知識節(jié)點匯總

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

3.2 知識社區(qū)網(wǎng)絡結構

3.2.1 知識社區(qū)網(wǎng)絡結構構建

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)絡結構，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)絡結構進行展示，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)點所構成的知識社區(qū)關系網(wǎng)絡[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)點也可能會產生關聯(lián)，那么對未產生關聯(lián)的知識節(jié)點進行預測可以對知識的產生進行預見。根據(jù)社區(qū)發(fā)現(xiàn)結果進行聚類，大致可以得出幾個與知識圖譜有關的知識社區(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)結構之中。利用Python構建知識社區(qū)網(wǎng)絡結構，具體如圖5所示。在以知識圖譜為核心的知識社區(qū)網(wǎng)絡結構中，大數(shù)據(jù)、人工智能、社會網(wǎng)絡分析、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、深度學習等與知識圖譜關聯(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，如深度學習可以認為是計算機科學知識社區(qū)中的知識節(jié)點。

3.2.2 知識社區(qū)網(wǎng)絡結構調整

通過圖6所構建的知識社區(qū)網(wǎng)絡結構，可以看出知識圖譜節(jié)點位于知識社區(qū)中間，那么與之關系較遠的節(jié)點可以進行調整，并對知識節(jié)點中未產生邊關聯(lián)的節(jié)點進行知識預見。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，必須進行篩選，因此本文選擇使用Word2vec進行相似度分析。

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

通過相似度以及關聯(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，將知識圖譜相關作用、應用領域大致了解。在表2中可以看出，知識圖譜與信息行為、定量分析、網(wǎng)絡輿情都是有一定的關聯(lián)性的，基于此，已經(jīng)有條件相信知識圖譜可以應用在信息行為、網(wǎng)絡輿情分析之中，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準。因此，本文將對知識節(jié)點之間進行鏈路預測。加之知識預見的本質是為了發(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，所以進行鏈路預測二次檢驗是極為必要的。

因此，可以暫且將表2中關鍵詞如信息行為、引文分析、網(wǎng)絡輿情、數(shù)據(jù)挖掘等相對應的知識節(jié)點進行鏈路預測。

3.3 基于鏈路預測的知識預見

通過鏈路預測對知識生態(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)點進行預測，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)系關系[47]。因此，本文引入Kata相似度指標[48]，如式1表示不同知識節(jié)點中存在的共同路徑，如圖書館學知識節(jié)點與信息行為知識節(jié)點路徑為2，鏈路預測的一個指標便需要對這些共同路徑進行匯總。在原本構建的知識生態(tài)系統(tǒng)網(wǎng)絡結構中，共選擇35個知識節(jié)點，但為了簡化預測步驟，本文將知識節(jié)點進行縮減，選擇9個知識節(jié)點畫出知識社區(qū)簡化網(wǎng)絡結構，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)絡結構，將不同知識節(jié)點的路徑進行計算，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)絡結構中存在的二階路徑數(shù)以及三階路徑數(shù)，給三階路徑設置權重α，并設置α為0.3，β設置為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、技術、圖書館學、知識圖譜、主題識別、可視化、情報學、網(wǎng)絡輿情，Katz指標表示知識節(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

通過相似指標計算，可以明顯看出在知識節(jié)點相似度指標上，信息行為與網(wǎng)絡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訓練中文語料的訓練結果基本相同。但是值得注意的一點是，隨著知識社區(qū)網(wǎng)絡結構的復雜及知識節(jié)點的增多，Katz指標的計算量會顯著增加，但依然有一定的參考價值，本文為了驗證結構，通過對Katz相似性指標進行再次驗證。對信息行為節(jié)點與網(wǎng)絡輿情節(jié)點進行單獨的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，本文認為在知識圖譜這個社區(qū)中，網(wǎng)絡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)絡輿情相互關聯(lián)，形成新的研究方向或方法。當然這只是兩個知識節(jié)點的預測，根據(jù)詞向量訓練結果以及Katz指標，還有一些知識節(jié)點是有可能產生關聯(lián)的，本文對此將不予贅述。

4 結 語

對于知識預見的實現(xiàn)，本文采用統(tǒng)計分析與智能挖掘技術、語義關聯(lián)技術、本體建模技術、智能推理技術等方法，但無論是統(tǒng)計分析還是文本挖掘推理，其本質都是為了確定知識節(jié)點。而語義關聯(lián)與鏈路預測是對網(wǎng)絡結構調整與知識預見實現(xiàn)的關鍵，但由于Word2vec的語義關聯(lián)方法具有訓練瓶頸的問題[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)絡結構的調整方法，而鏈路預測才是知識預見實現(xiàn)的方法途徑。當然，如何針對知識社區(qū)中一些新興詞匯進行無監(jiān)督的新詞發(fā)現(xiàn)，以及某一知識社區(qū)中多義歧義進行識別，也是詞向量未來用于知識預見需要考慮的地方。

技術預見前提是科學知識的預見。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)視角下的技術預見，本文創(chuàng)造性地將復雜網(wǎng)絡結構引入知識生態(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)絡結構，并認為知識生態(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)絡結構的構建，本文將知識預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見方法。這為今后對交叉性知識或者先進技術的預見提供了一種思路。

但對于更為復雜的知識社區(qū)網(wǎng)絡結構，應用鏈路預測可能會產生巨大的計算量。對于詞向量訓練以及鏈路預測相結合確有可行之處，但如果要得到更為準確的結果，本文方法還有待進一步改善，如對詞向量訓練進行進一步深化、加入外文文獻預測、加入德爾菲法進行驗證等。當然對于更為復雜的知識社區(qū)網(wǎng)絡結構如何進行準確的知識預見是以后需要完善的地方，對于知識生態(tài)系統(tǒng)網(wǎng)絡結構的構建以及研究也是今后需要更進一步挖掘探討的方向。

參考文獻

[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.全球技術預見大趨勢[M].上海：上?？茖W技術出版社，2002.

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

[4]陳進東，張永偉，周曉紀，等.專家熟悉度對技術預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)字技術選擇與布局研究——基于德爾菲調查的技術預見研究[J].科學學與科學技術管理，2021，42（3）：16-28.

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

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

[8]王志玲，藍潔，管泉.國內技術預見研究綜述[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)構建與運行機理研究[J].情報科學，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.供應鏈關系質量與企業(yè)創(chuàng)新價值鏈——知識螺旋和供應鏈整合的作用[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.復雜網(wǎng)絡聚類方法[J].軟件學報，2009，20（1）：54-66.

[17]宮平，徐躍權.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，劉家國，李竺珂.基于復雜網(wǎng)絡的供應鏈企業(yè)合作關系研究[J].系統(tǒng)科學學報，2021，29（3）：110-115，130.

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

[22]朱慶華，李亮.社會網(wǎng)絡分析法及其在情報學中的應用[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，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)理念下圖書館服務轉型研究[D].湘潭：湘潭大學，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)絡的動力學復雜性研究的若干進展[J].自然科學進展，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.技術標準聯(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)學種群視角的供應鏈企業(yè)知識協(xié)同演化模型[J].情報科學，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)絡結構及鏈路預測——以芯片領域為例[J].中國市場，2020，（35）：32-35.

[41]王燕鵬，韓濤，陳芳.融合文獻知識聚類和復雜網(wǎng)絡的關鍵技術識別方法研究[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)濟貿易大學出版社，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.復雜網(wǎng)絡社團發(fā)現(xiàn)算法研究新進展[J].國防科技大學學報，2011，33（1）：47-52.

[47]崔愛香，傅彥，尚明生，等.復雜網(wǎng)絡局部結構的涌現(xiàn)：共同鄰居驅動網(wǎng)絡演化[J].物理學報，2011，60（3）：809-814.

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

[49]呂琳媛.復雜網(wǎng)絡鏈路預測[J].電子科技大學學報，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].自動化學報，2020，46（8）：1654-1669.

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