中美科技期刊的知识图谱比较分析

合集下载

知识图谱技术原理介绍

知识图谱技术原理介绍知识图谱是一种用于描述和组织知识的图形化模型，它能够帮助机器理解人类语言和语义，从而实现更智能的信息处理和应用。

知识图谱技术的原理主要包括数据抽取、知识表示、知识融合和推理推断等几个方面。

首先，数据抽取是知识图谱技术的基础，它通过自然语言处理、信息抽取和实体识别等技术手段，从结构化和非结构化数据中提取出实体、关系和属性等知识元素。

这些知识元素可以来自于各种文本、图像、音频和视频等多媒体数据，经过抽取和清洗之后，构成了知识图谱的基本数据。

其次，知识表示是将抽取出来的知识元素进行结构化表示和编码的过程。

在知识图谱中，通常采用图的方式来表示知识，其中实体作为节点，关系和属性作为边，构成了一个复杂的图结构。

这种表示方式能够清晰地展现出知识元素之间的关联和层次关系，为后续的知识融合和推理推断提供了基础。

知识融合是指将来自不同数据源和不同领域的知识进行整合和融合，以构建一个更加完整和一致的知识图谱。

在知识融合过程中，需要解决实体对齐、关系对齐和知识冲突等问题，以确保融合后的知识图谱具有良好的一致性和准确性。

同时，知识融合还可以通过补充和丰富知识图谱，提高其覆盖范围和知识密度。

最后，推理推断是知识图谱技术的重要应用，它通过逻辑推理、概率推断和机器学习等方法，从知识图谱中挖掘出隐藏的知识和规律。

基于知识图谱的推理推断能够支持智能问答、智能推荐、智能搜索等应用，为人机交互和智能决策提供强大的支持。

总的来说，知识图谱技术的原理包括数据抽取、知识表示、知识融合和推理推断等几个方面，它为机器理解和利用知识提供了重要的技术支持，对于推动人工智能和智能化应用具有重要的意义。

随着技术的不断进步和应用场景的不断丰富，知识图谱技术将在各个领域发挥越来越重要的作用。

知识图谱视角下的国内外Altmetrics研究比较

ＣｏｍｐａｒｉｓｏｎｏｆＡｌｔｍｅｔｒｉｃｓＲｅｓｅａｒｃｈａｔＨｏｍｅａｎｄＡｂｒｏａｄｆｒｏｍｔｈｅＰｅｒｓｐｅｃｔｉｖｅｏｆＫｎｏｗｌｅｄｇｅＭａｐｐｉｎｇ
ｒｅｓｅａｒｃｈｓｈｏｕｌｄｂｅｓｔｒｅｎｇｔｈｅｎｅｄｔｏｐｒｏｍｏｔｅｔｈｅｅｘｃｈａｎｇｅａｎｄｄｅｖｅｈ）ｐｍｅｎｔｏｆＡｈｍｅｔｒｉｃｓｋｎｏｗｌｅｔｌｇｅ；ａｈｈｏｕｇｈｔｈｅｒｅｉＳａｃｌｅａｒｃｌａｓｓｉｉｃｆａｔｉｏｎｓｙｓｔｅｍｏｔｄｏｍｅｓｔｉｃｒｅｓｅａｒｃｈｈｏｔｓｐｏｌｓ．ａｔｔｅｎｔｉｏｎｓｈｏｕｌｄｂｅａｔｔａｃｈｅｄｔｏｔｈｅｉｎ— ｄｅｐｔｈｒｅｓｅａｒｅｈｏｆＡｌｔｍｅｔｒｉｃｓ．ＫｅｙｗｏｒｄｓＡｈｍｅｔｒｉｃｓ；ｋｎｏｗｌｅｄｇｅｍａｐｐｉｎｇ；ＣＮＫＩ；ＷｅｂｏｔＳｃｉｅｎｃｅ
ＺＨＡ０Ｒｏｎｇ－ｙｉｎｇ，ＷＥＩＸｕ — ｑｉｕ
ＡｂｓｔｒａｃｔＩｎｔｈｉｓｐａｐｅｒ．ＣＮＫＩａｎｄＷｅｂｏｆＳｃｉｅｎｃｅａｒｅｕｓｅｄａｓｔｈｅｒｅｓｏｕｒｃｅｏｔ ’ Ａｈｍｅｔｒｉｃｓｒｅｓｅａｌ・ｃｈ．ａａ（１ｔｈｅｄｉｆｅｒｅｎｃｅｓｏｆＡｈｍｅｔｒｉｃｓｒｅｓｅａｒｃｈａｔｈｏｍｅａｎｄａｂｒｏａｄａｒｅｃｏｍｐａｒｅｄｆｒｏＨＩｔｈｅｌｉｔｅｒａｔｕｒｅｇｒｏｗｌｈｔｒｅｎｄ，ｔｈｅｅｈａｒａｅｌｅｒｉｓｔｉｃｓｏｆｃｏｏｐｅｒａｔｉｖｅｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅａｎｄｔｈｅｒｅｓｅａｒｃｈｈｏｔｓｐｏｔｓｂｙｍｅａｎｓｏｌ ’ｋｎｏｗｌｅｄｇｅｍａｐｐｉｎｇｔｅｃｈｎｏｌｏｇｙ．Ｒｅｓｕｌｔｓｆｉｎ（１ｔｈａｔｂｏｔｈｄｏｍｅｓｔｉｅａｎｄｆｏｒｅｉｇｎｓｃｈｏｌａｒｓａｒｅｉｎｔｅｒｅｓｔｅｄｉｎＡｈｍｅｔｒｉｅｓｒｅｓｅａｒ（・ｈ：ｔｈｅｋｎｏｗｌｅｄｇｅｏｆＡｈｍｅｔｒｉｃｓｗｉｌｌｉｎｍ・ｅａｓｅ．ｗｈｉｃｈｉＳｗｏｒｔｈｙｏｆ ‘ ｓｕｓｔａｉｎｅｄａｔｔｅｎｔｉｏｎｉｎＣｈｉｎａ：ｃｏｏｐｅｒａｔｉｏｎｉｎＡｈｍｅｔｒｉｅｓ

国内外智库研究态势知识图谱对比分析

国内外智库研究态势知识图谱对比分析作者：武慧娟秦雯韩林丛来源：《现代情报》2016年第11期〔摘要〕[目的/意义]对比分析国内外智库领域的研究动态和发展趋势，追踪国内外研究前沿与热点，探究未来智库领域的研究趋势。

[方法/过程]搜集SCI和CNKI数据库中国内外智库研究的相关文献，运用文献计量、对比分析和知识图谱可视化研究方法，从发文量、研究主体、研究热点及研究前沿等多个方面对国内外智库研究进行对比分析，掌握国内外智库研究发展态势，探究各自发展的特点。

[结果/结论]国内外智库领域共同关注的研究热点主要有如何对智库进行优化建设、如何进一步完善详细的设计方案和实现智库成果的转换，同时，对具有中国特色的新型智库的研究是我国独具特色的研究热点。

〔关键词〕智库；文献计量；可视化；知识图谱DOI：10.3969/j.issn.1008-0821.2016.11.031〔中图分类号〕C932；G250252〔文献标识码〕A〔文章编号〕1008-0821（2016）11-0170-08〔Abstract〕[Purpose/Significance]This article made a comparative analysis on the research dynamics and development trends in the field of think tanks at home and abroad，so as to track the frontier and hot research，and explored the future research trend.[Method/Process]The article made a quantitative statistics and a qualitative analysis of the papers in this field，which were enlisted in the database of SCI and CNKI with the methodology of bibliometric and knowledge mapping.The paper analyzed the general situation of the academic papers about think tanks from several aspects：paper quantity，the subject of research，the hotspot and research frontier.It helped researchers find the developments in the field of think tanks，and make a comparative analysis of the similarities and differences between their researches.[Result/Conclusion]In recent years，the research focus of common concern on the field of domestic and international think tanks are how to optimize the construction of think tanks，how to further improve the detailed design and realize the transformation of the results of the think tanks.Meanwhile，the future research focus of Chinese think tanks also includes exploring the path of the construction of the new-style think tanks with Chinese characteristics.〔Key words〕think tank；bibliometrics；visualization；knowledge mapping智库（Think Tank）也称智囊机构、智囊集团或思想库、头脑企业、顾问班子等，它是由多学科专家和学者组成，他们主要从专业化的角度，客观、科学地对涉及政治、经济、社会、军事等各个领域的战略性或具体性政策问题展开深入研究，向政府及有关部门提出政策建议，并影响社会舆论和公众观念[1]。

知识图谱技术研究

知识图谱技术研究一、引言随着互联网技术的飞速发展，越来越多的数据被生成并且需要被处理，传统的数据处理方式已经无法满足现代业务的需求。

知识图谱技术则通过将大量信息以语义化的方式进行结构化并通过知识连接提供了一个新的处理方式。

二、知识图谱概述知识图谱（Knowledge Graph）是谷歌公司在2012年提出的一种基于知识库的新型搜索方式。

知识库是指一组组织结构化的知识，知识之间以语义的方式进行连接，从而构建了一个庞大的知识网络。

知识图谱提供了一种更加智能化的搜索方式，它不再仅仅是通过关键字的匹配来完成搜索，而是将用户的查询转化为语义问题，进而将此问题映射到知识图谱中，从而找到最佳答案。

三、知识图谱构建知识图谱的构建主要包括三个步骤：知识抽取、知识表示和知识存储。

1.知识抽取知识抽取是指从半结构化或非结构化的文本数据中，自动抽取出结构化的知识。

目前，知识抽取的研究主要集中在信息抽取和实体识别两个方面。

信息抽取是指从文本中识别出特定的信息类型，如人名、时间、地点等，然后将其组织为结构化的数据。

实体识别则是从文本中识别出具有名词性质的实体，如人、地点、组织等。

2.知识表示知识表示是指通过一定的方式将抽取出来的知识进行表示，以便于后续的处理和应用。

在知识表示的过程中，需要对数据进行清洗、分类、归纳、聚类等操作，并通过本体论体系构建出知识图谱的结构。

3.知识存储知识存储是指将表示完毕的知识进行存储，以便于后续的检索和使用。

知识存储主要采用图数据库来实现，其中常用的图数据库有Neo4j、Tinkerpop、JanusGraph等。

四、知识图谱应用知识图谱技术在各类领域中都有着广泛的应用，如智能客服、智能单元格、智能检索等。

下面将分别介绍几个应用案例：1.智能客服智能客服是一种基于知识图谱的人机交互系统。

此种系统可以分析从用户那里获取到的请求，同时又可以利用翻译技术和语义分析技术，自动生成针对请求的回答。

2.智能单元格智能单元格是一种基于知识图谱的电子表格系统。

知识图谱技术原理介绍

知识图谱技术原理介绍
知识图谱是一种用于表示和推理知识的技术，它可以帮助计算
机理解和处理人类的知识。

知识图谱技术的原理主要包括知识表示、知识抽取、知识融合和知识推理等方面。

下面将对知识图谱技术的
原理进行介绍。

首先，知识表示是知识图谱技术的基础。

知识图谱使用图的形
式来表示知识，其中节点表示实体，边表示实体之间的关系。

通过
这种方式，知识图谱可以将丰富的知识结构化地表示出来，使得计
算机可以更好地理解和处理知识。

其次，知识抽取是知识图谱技术的重要环节。

知识抽取是指从
文本、数据等非结构化信息中抽取出有用的知识，然后将其加入到
知识图谱中。

知识抽取可以通过自然语言处理、机器学习等技术来
实现，它可以帮助知识图谱不断地丰富和更新知识。

另外，知识融合也是知识图谱技术的关键步骤。

知识融合是指
将来自不同来源的知识进行整合和融合，使得知识图谱更加完备和
一致。

知识融合需要解决知识之间的冲突、重复等问题，同时还需
要考虑知识的质量和可信度。

最后，知识推理是知识图谱技术的核心能力之一。

知识推理是指基于知识图谱中的已有知识，通过推理得出新的知识。

知识推理可以帮助计算机发现知识之间的隐藏关系，从而实现更深层次的知识理解和应用。

总的来说，知识图谱技术的原理包括知识表示、知识抽取、知识融合和知识推理等方面。

这些原理相互作用，共同构成了知识图谱技术的核心能力，使得知识图谱成为了处理和推理知识的重要工具。

希望通过本文的介绍，读者能够对知识图谱技术的原理有一个更加清晰的认识。

中国知识图谱行业研究报告(一)

中国知识图谱行业研究报告(一)中国知识图谱行业研究报告随着人工智能的不断进步，知识图谱逐渐成为了一个备受关注的领域。

最近，一份关于中国知识图谱行业的研究报告发布了，这份报告提供了关于该行业的丰富信息，让我们一起来看看吧。

报告的结构该报告可以分为四大部分：行业概述、市场状况和竞争、发展趋势，以及未来展望。

行业概述部分主要介绍了知识图谱的定义及其发展历程，以及当前该行业的主要驱动因素。

市场状况和竞争部分则介绍了已有企业的市场份额和主要竞争者，以及新进入公司的难点和策略。

发展趋势部分汇总了该领域的主要趋势，包括技术和市场方面的发展。

未来展望部分则对该行业的未来发展进行了预测和分析。

市场状况和竞争该行业已经出现许多相对成熟的企业，在市场上占据了一定的份额。

最有名的知识图谱公司是百度知识图谱，它在PC搜索、移动搜索和语音搜索等方面均处于领先地位。

此外，腾讯、阿里巴巴、华为等公司也在该领域展开了业务。

对于新入场的公司而言，他们需要同时解决数据质量问题以及成本问题，因为知识图谱需要耗费大量的人力和物力进行数据整理和维护。

发展趋势该行业的最大发展机遇是不断提高的数据质量和人工智能技术，以及未来大数据时代的到来。

首先，数据质量对于知识图谱的运作至关重要，如何保证数据质量将是一个长期努力的事情；其次，人工智能技术会不断提高核心技术，未来可能会基于大规模数据和机器学习算法进行开发。

未来展望该行业的未来将有很大的发展空间，但也存在不少的不确定性。

未来，知识图谱将会进一步融合机器学习、大数据等技术，同时也会逐渐向着具有前瞻性和智能化的方面发展。

未来还有许多尚未解决的问题，如数据隐私、知识图谱整合、知识图谱类比推理等等。

结论尽管该行业存在许多挑战，但是中国的知识图谱行业依然发展迅速。

该行业的发展是由于其对商业和社会的巨大影响。

虽然该行业既是由反复测试和需求驱动的，但是因为其强大的潜力及其它工业/企业领域的持续关注，这个行业的前景依然非常的光明。

基于知识图谱的国内外大数据比较研究

收稿日期:２０１５－１２－０２作者简介:苏楠(１９８７－)ꎬ男ꎬ河南安阳人ꎬ四川大学公共管理学院博士ꎻ研究方向:公共管理ꎮ基于知识图谱的国内外大数据比较研究苏㊀楠(四川大学公共管理学院ꎬ四川㊀成都㊀６１００６５)摘㊀要:以ＷＯＳ和ＣＳＳＣＩ的研究文献为对象ꎬ采用文献计量及可视化方法ꎬ构建系列知识图谱ꎬ开展国内外大数据比较研究ꎮ结果显示ꎬ国内外大数据在技术方面以ｍａｐｒｅｄｕｃｅ㊁ｈａｄｏｏｐ㊁ｃｌｏｕｄｃｏｍｐｕｔｉｎｇ等为主要支撑ꎬ在应用方面以金融㊁社会媒体㊁电子商务㊁信息服务等为主要领域ꎮ整体上看ꎬ中国大数据研究仍处于相对落后的局面ꎬ尤其是对基础理论㊁价值特征的挖掘相对薄弱ꎬ将会成为未来大数据技术研发与应用推广的重大障碍ꎮ关键词:大数据ꎻ国内外ꎻ应用ꎻ热点主题ꎻ比较研究中图分类号:Ｄ６３㊀文献标识码:ＡＫｎｏｗｌｅｄｇｅＭａｐｐｉｎｇｏｆｔｈｅＣｏｍｐａｒａｔｉｖｅＳｔｕｄｙｏｆＢｉｇＤａｔａａｔＨｏｍｅａｎｄＡｂｒｏａｄＳｕＮａｎ(ＣｏｌｌｅｇｅｏｆＰｕｂｌｉｃＡｄｍｉｎｉｓｔｒａｔｉｏｎꎬＳｉｃｈｕａｎＵｎｉｖｅｒｓｉｔｙꎬＣｈｅｎｇｄｕ６１００６５ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:ＴａｋｉｎｇｔｈｅＷＯＳａｎｄＣＳＳＣＩꎬｉｔｕｓｅｓｖｉｓｕａｌｍｅｔｈｏｄｓｔｏｃａｒｒｙｏｕｔｃｏｍｐａｒａｔｉｖｅｓｔｕｄｙｏｆｂｉｇｄａｔａａｔｈｏｍｅａｎｄａｂｒｏａｄＴｈｅｒｅ￣ｓｕｌｔｓｓｈｏｗｔｈａｔｍａｐｒｅｄｕｃｅꎬｈａｄｏｏｐａｎｄｃｌｏｕｄｃｏｍｐｕｔｉｎｇａｒｅｔｈｅｍａｉｎｔｅｃｈｎｉｑｕｅｓꎻｆｉｎａｎｃｅꎬｓｏｃｉａｌｍｅｄｉａａｎｄｉｎｆｏｒｍａｔｉｏｎｓｅｒｖｉｃｅｓａｒｅｔｈｅｍａｉｎａｐｐｌｉｃａｔｉｏｎＨｏｗｅｖｅｒꎬｏｕｒｂｉｇｄａｔａｒｅｓｅａｒｃｈｉｓｂａｃｋｗａｒｄꎬｅｓｐｅｃｉａｌｌｙｉｎｂａｓｉｃｔｈｅｏｒｙａｎｄｖａｌｕｅｓＫｅｙｗｏｒｄｓ:ＢｉｇｄａｔａꎻＡｔｈｏｍｅａｎｄａｂｒｏａｄꎻＡｐｐｌｉｃａｔｉｏｎꎻＨｏｔｓｐｏｔꎻＣｏｍｐａｒａｔｉｖｅｓｔｕｄｙ㊀㊀近年来ꎬ中国大数据研究已经如火如荼地开展起来ꎮ大数据概念起源于欧美发达国家ꎬ其在相关方面的研究也处于领先地位ꎮ虽然当前对国外大数据研究的介绍性成果已经很多ꎬ但是国内外大数据的比较研究还很少见ꎮ因此ꎬ亟需通过比较国内外大数据研究进展情况ꎬ挖掘热点ꎬ发现异同ꎬ寻找差距ꎬ探测趋势ꎬ为推动国家大数据战略提供参考借鉴ꎮ１㊀数据与方法以ＣＳＳＣＩ为数据源ꎬ以大数据㊁数据挖掘㊁ｂｉｇｄａｔａ为检索词ꎬ时间为２００６２０１５年ꎬ经过精确检索和数据清洗后最终获得文献数据９５８条ꎮ以ＷｅｂｏｆＳｃｉｅｎｃｅ中ＳＣＩ￣ＥＸＰＡＮＤＥＤ㊁ＳＳＣＩ为数据源ꎬ检索主题为ｂｉｇｄａｔａ㊁ｍａｓｓｉｖｅｄａｔａ㊁ｈｕｇｅｄａｔａꎬ时间跨度为２００６２０１５年ꎬ获得文献数据２９４０条ꎮ研究方法选用共词分析法㊁频次分析法等ꎬ以文献计量软件ＣｉｔｅｓｐａｃｅⅢ为技术工具ꎮ研究将ＣＳＳＣＩ和ＳＣＩ￣ＥＸＰＡＮＤＥＤ㊁ＳＳＣＩ中的文献数据导入标准化处理ꎬ开展词频分析㊁共词分析ꎬ绘制能够反映国内外大数据研究现状的聚类图谱ꎬ开展主题挖掘和比较研究ꎮ２㊀国内外大数据研究的知识图谱２１㊀词频分析通过对关键词的提取ꎬ发现ＣＳＳＣＩ文献中共提取关键词８１５个ꎬＷＯＳ文献中共提取关键词２１３４个ꎮ表１㊁表２分别是国内外大数据研究的高频关键词列表ꎬ看到国外文献的关键词频次要远远高于国内文献的关键词频次ꎮ表１㊀大数据研究的高频关键词列表(前３０位)㊀㊀表１显示ꎬ中国大数据研究的领域标签为数据挖掘㊁大数据㊁大数据时代ꎬ云计算㊁关联规则㊁学习分析㊁聚类分析㊁竞争情报㊁数字图书馆㊁知识发现㊁数据分析㊁信息服务㊁决策树㊁电子商务㊁ｍａｐｒｅｄｕｃｅ等是当前大数据研究的重点ꎮ大数据研究初步形成两个细分方向:一是大数据技术研究ꎬ如关联规则㊁聚类分析㊁数据仓库㊁可视化㊁ｗｅｂ数据挖掘㊁数据挖掘技术㊁粗糙集㊁ｍａｐｒｅｄｕｃｅ㊁ｈａｄｏｏｐ等ꎬ二是大数据实际应用ꎬ图书馆㊁学习分析㊁竞争情报㊁信息服务㊁决策树㊁个性化服务㊁知识服务㊁电子商务㊁金融㊁商业智能㊁在线教育等等ꎮ表２显示ꎬ国外大数据研究在技术方面主要有ꎬｍａｐｒｅｄｕｃｅ㊁ｓｙｓｔｅｍｓ㊁ｃｌａｓｓｉｆｉｃａｔｉｏｎ㊁ａｌｇｏｒｉｔｈｍ㊁ｄａｔａｍｉｎｉｎｇ㊁Ｄｅｓｉｇｎ㊁ｈａｄｏｏｐ㊁ｏｎｔｏｌｏｇｙ㊁ｎｅｕｒａｌ￣ｎｅｔｗｏｒｋｓ㊁ｓｅｎｓｏｒｄａｔａ㊁ｉｎｔｅｇｒａｔｉｏｎ等ꎻ在应用方面则表现在ꎬｃｌｏｕｄｃｏｍｐｕｔｉｎｇ㊁ｉｎｆｏｒｍａｔｉｏｎ㊁ｍａｎａｇｅ￣ｍｅｎｔ㊁ｐｅｒｆｏｒｍａｎｃｅ㊁ｓｏｃｉａｌｍｅｄｉａ㊁ｉｎｔｅｒｎｅｔ㊁ｂｉｏｉｎ￣ｆｏｒｍａｔｉｃｓ㊁ｃａｎｃｅｒ㊁ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ等ꎮ比较发现ꎬ国外大数据的研究内容更为广泛㊁研究方向更为多元㊁技术创新相对先进㊁研究层次更为深入ꎮ表２㊀国外大数据研究的高频关键词列表(前３０位)续表２２２㊀共词图谱共词分析是对两个关键词在文献中共同出现的次数进行分析ꎬ挖掘学科研究的演化情况[１]ꎮ运用ＣｉｔｅＳｐａｃｅ将同质性节点抓取出来ꎬ以可视化图谱的形式呈现研究热点ꎬ节点频次㊁网络密度㊁连线疏密等是识别研究结构的重要依据[２]ꎮ图１是中国大数据研究知识图谱ꎬ全面展示了中国大数据研究的热点分布ꎮ该图谱存在若干关键节点ꎬ如关联规则㊁竞争情报㊁数据分析㊁信息服务㊁数字图书馆㊁知识发现㊁可视化㊁ｗｅｂ数据挖掘㊁云计算㊁语义网㊁聚类分析等ꎬ每个节点都与周边外围节点构成一个主题类团ꎬ这些类团指示不同的研究方向和研究重点ꎮ例如ꎬ云计算－ｍａｐｒｅｄｕｃｅ￣ｈａｄｏｏｐ指向大数据技术研究ꎬ竞争情报－知识管理－决策支持－企业指向大数据的企业应用ꎬ数字图书馆－个性化服务－图书馆服务－高校图书馆－知识服务则是指向图书馆服务中的大数据应用研究ꎮ图１㊀中国大数据研究的知识图谱㊀㊀图２是国外大数据研究知识图谱ꎮ相较于图１ꎬ该图谱的关键节点结构更复杂ꎬ节点之间的关联更加密切ꎮ关键节点主要是ａｌｇｏｒｉｔｈｍｓ㊁ｄｅｓｉｇｎ㊁ｃｌａｓｓｉｆｉｃａｔｉｏｎｍｏｄｅｌ㊁ｏｐｔｉｍｉｚａｔｉｏｎ㊁ｐｒｅｄｉｃｔｉｏｎ㊁ｃｌｏｕｄｃｏｍｐｕｔｉｎｇ㊁ｈａｄｏｏｐ㊁ｍａｐｒｅｄｕｃｅ㊁ｎｅｕｒａｌ￣ｎｅｔｗｏｒｋｓ㊁ｄａｔａｍｉｎｉｎｇ㊁ｍａｃｈｉｎｅｌｅａｒｎｉｎｇꎮ而由这些节点支撑的主题聚类数量众多ꎬ如ｂｉｇｄａｔａ￣ａｎａｌｙｔｉｃｓ￣ｔｗｉｔｔｅｒ￣ｓｏｃｉａｌｍｅｄｉａꎬｃｈａｌｌｅｎｇｅｓ￣ｒｉｓｋ￣ｐｒｉｖａｃｙꎬｍａｃｈｉｎｅｌｅａｒｎ￣ｉｎｇ￣ｃｌｏｕｄｃｏｍｐｕｔｉｎｇ￣ｃｌｏｕｄꎬｐｒｅｄｉｃｔｉｏｎ￣ｎｅｕｒａｌｎｅｔ￣ｗｏｒｋｓｃｌａｓｓｉｆｉｃａｔｉｏｎ￣ｐｅｒｆｏｒｍａｎｃｅ￣ｍｏｄｅｌ等ꎮ国外大数据研究的不同聚类之间存在更密切的关联ꎬ呈现出较高程度的交叉性ꎮ图２㊀国外大数据研究的知识图谱㊀㊀从图１㊁图２可以发现ꎬ大数据㊁数据挖掘㊁ｂｉｇｄａｔａ等并不处于图谱的绝对中心ꎬ并且其与外围节点连线数量不是最多的ꎬ反而是前文提到的那些关键节点起到了支撑大数据研究的作用ꎬ如国内是关联规则㊁竞争情报㊁数据分析㊁信息服务㊁数字图书馆㊁可视化㊁云计算等ꎬ而国外是ａｌｇｏｒｉｔｈｍｓ㊁ｐｒｅｄｉｃｔｉｏｎ㊁ｐｅｒｆｏｒｍａｎｃｅ㊁ｃｌａｓｓｉｆｉｃａｔｉｏｎ㊁ｍｏｄｅｌ㊁ｃｌｏｕｄｃｏｍｐｕｔｉｎｇ㊁ｎｅｕｒａｌ￣ｎｅｔｗｏｒｋｓ㊁ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ㊁ｒｉｓｋ等ꎮ国内外研究在主流方向上是相对一致的ꎮ在大数据技术研究上ꎬ国内外都关注分布式系统㊁并行计算㊁ｗｅｂ数据挖掘技术㊁社会网络分析㊁可视化技术㊁云计算技术㊁关联规则算法㊁分类算法等ꎬ除此之外ꎬ国外还突出对算法优化技术㊁本体技术㊁统计元技术㊁神经网络技术等的研究ꎬ而国内则在语义网㊁协同过滤㊁信息抽取等投入较多ꎮ在大数据应用研究上ꎬ国内外较为一致的关注点是信息服务㊁竞争情报㊁可视化㊁社会媒介㊁互联网㊁新闻㊁电子商务等ꎬ除此之外ꎬ国内将大数据应用于数字图书馆㊁金融㊁数字出版㊁在线教育等领域ꎬ而国外则更加关注ｂｉｏｉｎｆｏｒｍａｔｉｏｎ㊁ｃａｎｃｅｒ㊁ｓｕｒｖｅｉｌｌａｎｃｅ㊁ｄｉｓｅａｓｅ㊁ｈｅａｌｔｈ㊁ｐｏｌｉｃｙ等领域的大数据应用ꎮ除了应用研究与技术研究之外ꎬ国外学者还对大数据的ｐｅｒｆｏｒｍａｎｃ㊁ｒｉｓｋ㊁ｐｒｅｄｉｃｔｉｏｎ㊁ａｒｃｈｉｔｅｃ￣ｔｕｒｅ㊁ｐｒｉｖａｃｙ㊁ｓｅｃｕｒｉｔｙ㊁ｂｅｈａｖｉｏｒ㊁ｏｐｔｉｍｉｚａｔｉｏｎ㊁ｐａｔｔｅｒｎｓ等内涵㊁特征保持浓厚兴趣ꎬ而这方面国内研究相对较弱ꎮ然而这些内涵㊁特征是大数据的基础研究ꎬ对这些基础问题的论证能够帮助创新大数据技术ꎬ研判大数据应用的领域与价值ꎮ３㊀国内外大数据研究的热点比较３１㊀大数据基础研究大数据基础研究主要涉及的是大数据的概念界定㊁起源发展㊁性质特征㊁架构逻辑㊁价值意义等ꎮ在这一方面ꎬ中国相关研究数量不多且研究层次不深ꎬ国外研究者则非常重视大数据基础研究ꎮｆｒａｍｅｗｏｒｋ㊁ｐｅｒｆｏｒｍａｎｃｅ㊁ｏｐｔｉｍｉｚａｔｉｏｎ㊁ｓｃｉ￣ｅｎｃｅ㊁ｒｉｓｋ㊁ｐｒｉｖａｃｙ㊁ｐｒｅｄｉｃｔｉｏｎ㊁ａｒｃｈｉｔｅｃｔｕｒｅ㊁ｓｅｃｕ￣ｒｉｔｙ㊁ｄｅｓｉｇｎ㊁ｂｅｈａｖｉｏｒ㊁ｃｈａｌｌｅｎｇｅｓ㊁ｐａｔｔｅｒｎｓ等关键词显示出国外对大数据基础研究重要性的认识ꎮＬａｎｅｙ较早地提出大数据３Ｖ特性ꎬ即Ｖｏｌｕｍｅ㊁Ｖｅｌｏｃｉｔｙ和Ｖａｒｉｅｔｙꎬ在他之后ＤｅｍｃｈｅｎｋｏＹ等人认为大数据还具有Ｖｅｒａｃｉｔｙ㊁Ｖａｌｕｅ特性ꎬ进而提炼出大数据的５Ｖ特性[３]ꎮ国外学者认为大数据有助于重塑现代科学结构ꎬ从信息集成㊁数据挖掘等方面推动科学研究范式的整体性㊁革命性改变[４]ꎮ也有学者对此提出质疑ꎬ认为大数据存在扩展性不稳定㊁存储量过载㊁数据冗余与分化㊁测量精确性低㊁数据安全等问题[５]ꎮＤａｎａｈＢｏｙｄ呼吁冷静看待大数据热潮 ꎬ警惕大数据陷阱 ꎮ大数据真实性㊁安全性就是最受质疑的特性之一ꎮ国内外研究者进行了讨论ꎮＶｉｋｔｏｒＭａｙｅｒ等认为应在数据处理及使用中确定限制性要素和控制手段[６]ꎮ在其启发下ꎬ国内研究也将告知同意作为大数据安全综合治理模式的重要依据[７]ꎮ国外学者关注大数据背后的逻辑ꎬ他们认为大数据基于互联网而生ꎬ其内在价值是对离散数据㊁碎片信息的集成挖掘与数字重构ꎬ形成不对称信息优势ꎬ而这种不对称信息优势即是大数据要极力攻破的ꎬ同时又是大数据自身孕育的ꎮ掌握这种不对称信息优势就是掌握了各种社会资源的调配ꎮ因此ꎬ一些研究者认为大数据既代表着黑幕又代表着透明ꎬ而大数据研究就是要让其更多的转向透明ꎮ另外ꎬ国外学者对大数据的模型㊁流程㊁方法以及在工程㊁社会㊁自然等方面的关联也比较感兴趣ꎮ３２㊀大数据技术研究为大数据提供技术支撑的就是云计算㊁ｍａｐｒｅ￣ｄｕｃｅ㊁ｈａｄｏｏｐ等技术ꎮＭａｐｒｅｄｕｃｅ是基于Ｃ＋＋的分布式算法系统ꎬ其功能是开展大批量非结构化数据的集中处理ꎬ实现效率与成本的平衡ꎻｈａｄｏｏｐ则是基于ＪＡＶＡ语言的分布式框架ꎬ为ｍａｐｒｅｄｕｃｅ提供运行载体ꎬ与ｈａｄｏｏｐ类似的还有ｐｎｕｔｓ㊁ｇｆｓ等ꎻ云计算技术则是基于联机分析的多维数据分析方法ꎬ对数据进行分布式存储及并行计算ꎮＭａ￣ｐｒｅｄｕｃｅ与ｈａｄｏｏｐ是大数据技术的基础ꎬｍａｐｒｅｄｕｃｅ将海量数据分类化到不同的服务器上运行ꎬ而ｈａ￣ｄｏｏｐ则为这种分类提供规则约束的平台框架ꎮ云计算是大数据技术的延伸ꎬ涵盖了ｇｒｉｄｃｏｍ￣ｐｕｔｉｎｇ㊁ＳＯＡ技术㊁ｕｔｉｌｉｔｙｃｏｎｐｕｔｉｎｇ及分布式算法等ꎮ大数据技术在海量数据采集的广度和速度上有一定的优势ꎬ但是不擅长精确分析㊁信息保全ꎬ而云计算则兼顾多维计算与高容量存储于一体ꎬ能够通过独特的ｓｔｒｅａｍｃｏｍｐｕｔｅ方法提升半结构化数据处理的可扩展性㊁隐私性㊁容错能力等ꎬ还支持可视化㊁智能分析㊁数据集成㊁人机交互等ꎮ中国经过一段时间对西方国家的技术学习后ꎬ已经在一些方面取得了本土化的创新性成果ꎬ如ꎬ百度公司构建了开放云㊁数据工厂㊁百度大脑等技术平台ꎬ阿里巴巴开发了基于ＯＳ的大规模分布式计算系统Ａｐｓａｒａꎬ中国科学院推出了适用于开源数据基准测试的ＢｉｇＤａｔａＢｅｎｃｈ程序集[８]ꎮ但是ꎬ西方国家仍然掌握着大数据技术研究的前沿成果ꎬ如谷歌公司以Ｇｏｏｇｌｅｍａｐｒｅｄｕｃｅ处理算法㊁ＢｉｇＴａｂｌｅ和ＧｏｏｇｌｅＦｉｌｅＳｙｓｔｅｍ奠定了其在大数据技术研发上的先进地位ꎬＩＢＭ在对ｈａｄｏｏｐ重构基础上开发了用于数据块自动分类的Ｃｏ￣ｈａｄｏｏｐ算法[９]ꎬ微软则通过整合ｈａｄｏｏｐ与ＷｉｎｄｏｗｓＡｚ￣ｕｒｅ㊁ＢＩ构建了兼具数据挖掘与智能商务处理能力的云计算平台ꎬ斯坦福大学设计了一个内存容量共享㊁处理器多核分布的大数据工具ＰｈｏｅｎｉｘꎬＦａ￣ｃｅｂｏｏｋ则开发了计算能力在２５０ＰＢ以上的新一代大数据查询引擎Ｐｒｅｓｔｏꎮ总体上ꎬ国外在大数据技术研究领域能够提供更加多元㊁可靠㊁高效的技术方案ꎬ并且已经被广泛推广到各个大数据应用领域ꎮ相比而言ꎬ中国的大数据技术研究还偏重于事务型数据库建构阶段ꎬ欧美国家已处于分析型数据平台(ＡｎａｌｙｔｉｃＤＢ)研发阶段ꎮ擅长探究事物时空发展规律的分析型数据平台更符合未来社会发展需求ꎬ可以更好地提供情报分析㊁方案设计㊁决策优化㊁管理分类㊁信息保密ꎮ大数据可视化技术的软件或工具都是国外大学或公司研发的ꎬ如Ｊｉｇｓａｗ㊁ＩＴＦ等ꎬ国外已经开始将数据可视化与可视化分析一体化ꎬ从而提供系统贯通㊁可知性强㊁时时交互的数据服务ꎮ遗憾的是ꎬ国内原创性的数据可视化分析工具几乎是空白ꎮ国内在数据可视化方面明显存在资金投入较少㊁人才培养不足㊁政策支持较弱等问题ꎬ导致国内外技术差距有进一步扩大的风险ꎮ３３㊀大数据应用研究当前ꎬ大数据应用呈现出飞速拓展㊁层次推进㊁内容深化的态势ꎮ２００９年前后ꎬ大数据在互联网领域崭露头角ꎬ２０１２年大数据已经被应用到生物信息㊁金融分析㊁新闻传播㊁决策分析㊁电子商务等领域ꎬ当前大数据更深入到物流供应链㊁智慧交通㊁在线教育㊁一对一医疗㊁数字出版等人们生活的方方面面ꎮ国外比较注重大数据在生物信息㊁医疗开发㊁卫生健康㊁舆情预测㊁社会网络㊁经济分析㊁物联网㊁化学信息㊁药品研发㊁政策决策㊁商业创新㊁环境保护等方面的运用ꎮ例如ꎬ在下一代生物基因测序方面美国科学家就应用ｍａｐｒｅｄｕｃｅ框架构建了基于大数据分析能力的生物知识库[１０]ꎻ美国科研机构用大数据信息捕捉技术对若干地区的生态环境实时监控以发现生态保护漏洞[１１]ꎻ国外学者从ｔｗｉｔｔｅｒ获取社交大数据ꎬ借助复杂社会网络评估区域稳定安全问题ꎻ还有研究机构分析居民健康状况ꎬ预测未来若干疾病爆发的可能性[１２]ꎮ中国大数据应用层次还比较低ꎬ主要还处于对西方早期经验的学习和模仿阶段ꎮ大数据应用相对广泛的领域是生物信息㊁物流快递㊁金融分析㊁电子商务㊁慕课教育等领域ꎮ虽然国内也出现了将大数据应用于国家治理能力提升㊁服务型政府建设㊁网络舆情引导等领域的尝试ꎮ但是ꎬ这种尝试大多属于粗浅层次或学理层面的研究探索ꎬ而非强调可操作㊁可评估的实际应用ꎮ总体上看ꎬ中国创新性的㊁代表性㊁本土化的大数据应用案例还比较少见ꎮ对大数据本质规律研究不足ꎬ围绕大数据因果分析㊁相关分析㊁特征分析的专门研究缺乏ꎬ难以与国内现实急需相对接ꎬ导致大数据应用的顶层设计与战略规划迟迟难以突破ꎮ４　结束语比较研究发现ꎬ中国大数据研究在理论内涵㊁技术开发㊁应用实践均与欧美国家存在一定差距ꎮ尤其是在大数据价值特性㊁大数据分类学㊁大数据本体库㊁大数据学科建设等研究上急需补课ꎮ总体上看ꎬ中国大数据研究还处于模仿和学习国外相关研究的阶段ꎮ２０１２年奥巴马签署了大数据研究和发展计划 ꎬ比中国推行大数据战略提前了三年ꎬ并且美国在大数据研究方面有细致的发展规划ꎬ而中国大数据发展顶层设计还比较模糊ꎮ因此ꎬ亟需理清大数据发展思路ꎬ制定定向精准地技术研发与应用方案ꎬ促进大数据在中国全面小康社会建设过程中发挥支撑作用ꎮ参考文献:[１]刘则渊ꎬ陈悦ꎬ等科学知识图谱方法与应用[Ｍ].北京:人民出版社ꎬ２００８:３６.[２]冯璐ꎬ冷伏海共词分析方法理论进展[Ｊ].中国图书馆学报ꎬ２００６(２):８８.[３]ＤＥＭＣＨＥＮＫＯＹꎬＧＲＯＳＳＯＰꎬｅｔａｌＡｄｄｒｅｓｓｉｎｇｂｉｇｄａｔａｉｓｓｕｅｓｉｎｓｃｉｅｎｔｉｆｉｃｄａｔａｉｎｆｒａｓｔｒｕｃｔｕｒｅ[Ｃ].ＣｏｌｌａｂｏｒａｔｉｏｎＴｅｃｈｎｏｌｏｇｉｅｓａｎｄＳｙｓｔｅｍｓꎬ２０１３ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩＥＥＥꎬ２０１３:４９.[４]ＨＯＷＥＤꎬＣＯＳＴＡＮＺＯＭꎬＦＥＹＰꎬｅｔａｌＢｉｇｄａｔａ:ｔｈｅｆｕｔｕｒｅｏｆｂｉｏｃｕｒａｔｉｏｎ[Ｊ].Ｎａｔｕｒｅꎬ２００８(７２０９):４７－５０.[５]ＳＲＩＶＡＳＴＡＶＡＤＫＢｉｇｃｈａｌｌｅｎｇｅｓｉｎｂｉｇｄａｔａｒｅｓｅａｒｃｈ[Ｊ].Ｄａｔａｍｉｎｉｎｇａｎｄｋｎｏｗｌｅｄｇｅｅｎｇｉｎｅｅｒｉｎｇꎬ２０１４(７):２８３.[６]ＶＩＫＴＯＲＭＳꎬＫＥＮＮＥＴＨＣｕｋｉｅｒＢｉｇｄａｔａ:ａｒｅｖｏｌｕｔｉｏｎｔｈａｔｗｉｌｌｔｒａｎｓｆｏｒｍｈｏｗｗｅＬｉｖｅꎬｗｏｒｋａｎｄｔｈｉｎｋ[Ｍ].ＮｅｗＹｏｒｋ:ＪｏｈｎＭｕｒ￣ｒａｙꎬ２０１３:６.[７]张茂月大数据时代个人信息数据安全的新威胁及其保护[Ｊ].中国科技论坛ꎬ２０１５(７):１１７.[８]詹剑锋ꎬ高婉铃ꎬ王磊ꎬ等Ｂｉｇｄａｔａｂｅｎｃｈ:开源的大数据系统评测基准[Ｊ].计算机学报ꎬ２０１６(１):１９６－１９９.[９]ＥＬＴＡＢＡＫＨＭＹꎬＴＩＡＮＹｕａｎꎬＺＣＡＮＦꎬｅｔａｌＣｏｈａｄｏｏｐ:ｆｌｅｘｉｂｌｅｄａｔａｐｌａｃｅｍｅｎｔａｎｄｉｔｓｅｘｐｌｏｉｔａｔｉｏｎｉｎＨａｄｏｏｐ[Ｊ].ＰｒｏｃｅｅｄｉｎｇｏｆｔｈｅＶＬＤＢｅｎｄｏｗｍｅｎｔꎬ２０１１(９):５７５.[１０]ＴＡＹＬＯＲＲＣＡｎｏｖｅｒｖｉｅｗｏｆｔｈｅＨａｄｏｏｐ＼＼Ｍａｐｒｅｄｕｃｅ＼＼ＨＢａｓｅｆｒａｍｅｗｏｒｋａｎｄｉｔｓｃｕｒｒｅｎｔａｐｐｌｉｃａｔｉｏｎｓｉｎｂｉｏｉｎｆｏｒｍａｔｉｃｓ[Ｊ].ＢＭＣｂｉｏｉｎｆｏｒｍａｔｉｃｓꎬ２０１０(１１):ｓ１.[１１]ＨＡＭＰＴＯＮＳＥꎬＳＴＲＡＳＳＥＲＣＡꎬＴＥＷＫＳＢＵＲＹＪＪꎬｅｔａｌＢｉｇｄａｔａａｎｄｔｈｅｆｕｔｕｒｅｏｆｅｃｏｌｏｇｙ[Ｊ].Ｆｒｏｎｔｉｅｒｓｉｎｅｃｏｌｏｇｙａｎｄｔｈｅｅｎｖｉ￣ｒｏｎｍｅｎｔꎬ２０１３(３):１５８－１６０.[１２]ＢＡＴＥＳＤＷꎬＳＡＲＩＡＳꎬｅｔａｌＢｉｇｄａｔａｉｎｈｅａｌｔｈｃａｒｅ:ｕｓｉｎｇａｎａｌｙｔｉｃｓｔｏｉｄｅｎｔｉｆｙａｎｄｍａｎａｇｅｈｉｇｈ￣ｒｉｓｋａｎｄｈｉｇｈ￣ｃｏｓｔｐａｔｉｅｎｔｓ[Ｊ].Ｈｅａｌｔｈａｆｆａｉｒｓꎬ２０１４(７):１１２３(责任编辑㊀刘传忠)。

科技创新中的知识图谱应用研究

科技创新中的知识图谱应用研究随着数据时代的到来，人们对于知识图谱的认识越来越深入。

知识图谱作为一种语义化的知识表示方式，通过建立实体之间的关联来表达实体之间的关系，已经在许多领域得到了广泛的应用。

在科技创新领域，知识图谱的应用也逐渐受到了重视。

本文将从科技创新的角度，对知识图谱的应用进行探讨。

一、行业瓶颈现状科技创新作为经济社会发展的重要推动力，一直是国家战略中的重点。

然而，随着科技的进步，科技创新面临的难题也越来越多。

特别是在新兴领域中，由于相关知识的繁杂和更新迭代速度的加快，科研工作越来越难以顺利进行。

针对这一问题，知识图谱的应用可以提供解决方案。

二、知识图谱在科技创新中的应用1. 知识管理科技创新是一个知识密集型的领域，知识的有效管理对于提高研究效果至关重要。

知识图谱可以通过对实体间关系的建模来实现知识的可视化、语义化和有效管理，从而提高科研工作的效率。

例如，在新药研发领域，药物分子、分子之间的相互作用、药效等信息可以通过知识图谱来管理和展示。

这有助于研究人员更好地掌握基础知识，为新药的研发提供支持。

2. 智能推荐科技创新领域的研究工作往往需要深入调研和学习相关领域的知识。

这个过程往往十分繁琐，而且成本较高。

使用知识图谱和机器学习等技术，可以将大量的数据转化为可视信息，从而实现对研究领域的智能推荐。

例如，在新能源汽车领域，可以通过知识图谱来推荐行业重要论文、研讨会以及问题解决方案等信息，为研究人员提供准确、实用的信息支持。

3. 智能决策科技创新是一个复杂的系统工作，需要涉及的领域和信息较多。

知识图谱可以通过将这些信息进行整合，建立知识图谱模型，从而根据决策的需要与复杂度，实现对各种决策的支持。

例如，在人工智能领域，可以通过知识图谱来建立相关的领域知识和技术，并将这些信息与业务需求相结合，实现智能决策。

三、未来发展趋势尽管知识图谱在科技创新中的应用已经取得了一些进步，但是仍然面临着挑战和发展的机遇。

基于知识图谱的国内外大数据研究对比分析

基于知识图谱的国内外大数据研究对比分析
邓仲华宋秀芬
｛武汉大学信息管理学院，武汉，４３００７２）
［摘
要］本文以ＣＮＫＩ和ＷＯＳ为数据源，从文献计量角度，对２００８－－－２０１３年国内外大数据领
ａｎｄｋｅｙｗｏｒｄｓｃｏ－ｏｃｃｕｒｒｅｎｃｅｃｌｕｓｔｅｒｉｎｇｍａｐ，ｔｈｅｐａｐｅｒｃｏｍｐａｒｅｓａｎｄａｎａｌｙｓｅｓｓｉｍｉｌａｒｉｔｙａｎｄｄｉｆｆｅｒｅｎｃｅｏｎ
共服务、医疗服务、零售业、制造业、以及个人
位置服务等领域得到了广泛应用，并产生巨大
ＣＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＭａｎａｇｅｍｅｎｔ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ４３００７２，Ｃｈｉｎａ）
［Ａｂｓｔｒａｃｔ］ＵｓｉｎｇＣＮＫＩａｎｄＷＯＳａｓｔｈｅｓｅａｒｃｈｉｎｇｔｏｏｌｓ，ｔｈｉｓｐａｐｅｒｍａｋｅｓａｎａｎａｌｙｓｉｓｆｒｏｍｂｉｂｌｉｏｍｅｔｒｉｃｓ
ｐｅｒｓｐｅｃｔｉｖｅｏｎｐａｐｅｒｓｏｆｂｉｇｄａｔａａｔｈｏｍｅａｎｄａｂｒｏａｄ，ｐｕｂｌｉｓｈｅｄｄｕｒｉｎｇｔｈｅｐｅｒｉｏｄ２００８－２０１３．Ｗｉｔｈｖｉｓｕａｌ・

两类知识图谱差异辨析及其在科技出版中的应用

66 |PUBLISHING REFERENCE栏目编辑·刘宇阳融合发展知识图谱的另一个概念脉络则来自完全不同的领域。

经历了20世纪70～80年代的专家系统、90年代的语义网、本世纪初的关联数据和基于百科的大规模开放知识库等发展阶段，谷歌公司于2012年提出“知识图谱（Knowledge Graph）”的概念，旨在描述真实世界中存在的各种实体或概念及其关系，以构建巨大的语义网络图，其中节点表示实体或概念，边则由属性或关系构成，因此知识图谱提供了从关系的角度去发现知识、分析问题的能力，逐渐发展成为以语义网为基础的新型海量知识管理和服务模式。

因此，从概念来源和发展脉络上，两者完全不同。

本文中为进行区分，将前者称为“科学知识图谱”，将后者称为“语义知识图谱”。

2.数据类型上的差异目前大多数应用场景中，科学知识图谱主要建立在对科学文献和科研相关数据进行分析的基础之上。

科学文献之间存在的引用关系反映了科学知识之间的递进过程和内在关联性，因此对文献的挖掘和分析可以揭示一个主题、领域或学科的发展的情况，以图形化手段呈现研究结构、重点以及发展趋势。

科学知识图谱重要的研究数据类型包括引文数据（如科学引文索引，SCI）、科研论文、合作关系、项目资助、关键词、数据库（如PubMed）等。

因此，科学知识图谱数据来源于并应用于科学研究领域。

相比于科学知识图谱，语义知识图谱所利用的数据类型则广泛得多，而且尤其适用于解决关系复杂、类型繁多、结构多变的数据。

根据不同领域和应用目标，语义知识图谱所需数据也有所不同。

比如在金融领域，既有来自互联网舆情、两类知识图谱差异辨析及其在科技出版中的应用近年来，“知识图谱”一词频繁出现在各种通用和专业知识场景中，其他类似的名称有“科学图谱”“科学知识图谱”等。

尽管研究者众，只要深究知识图谱本质含义、发展脉络、构建方法和应用场景，就会发现其实知识图谱并不是指向同一个事物，而是分为发源于科学计量学、可视化的一类和发源于语义网的另一类。

基于知识图谱的中外自然语言处理研究的对比分析

二、研究方法
二、研究方法
本次演示采用知识图谱分析方法，以CiteSpace软件为工具，通过对文献信息的可视化展示，挖掘和分析该领域的研究现状和发展趋势。具体来说，我们采用了以下步骤：
二、研究方法
1、确定关键词：通过对相关领域的研究，确定了视听翻译研究领域的关键词，包括视听翻译、影视翻译、字幕翻译、配音翻译等。
四、应用场景
四、应用场景
基于知识图谱的NLP研究被广泛应用于各个领域，包括智能客服、智能推荐、情感分析、自动驾驶等。例如，在智能客服领域，可以利用知识图谱对用户问题进行语义理解和推理，实现智能问答和推荐；在智能推荐领域，可以利用知识图谱对商品进行语义分析和关联关系分析，实现更精准的推荐；在情感分析领域，可以利用知识图谱对文本进行情感分析和观点挖掘，
五、总结与展望
展望未来，基于知识图谱的NLP研究将继续发挥重要作用。随着数据规模的扩大和技术方法的不断创新，NLP系统将更加智能、更加精准。随着伦理问题的日益凸显，可解释性和可信度将成为未来NLP研究的重要方向之一。此外，随着语义互联网和开放域问答系统的不断发展，基于知识图谱的NLP研究将在更多领域得到应用和发展。
内容摘要
在自然语言处理产业链的中游，企业和技术爱好者发挥着重要的作用。企业通过将自然语言处理技术集成到产品和服务中，实现商业价值。例如，搜索引擎、智能客服、智能写作等领域都需要自然语言处理技术的支持。而技术爱好者则通过开源平台和社交媒体，分享自己的技术和经验，促进自然语言处理技术的普及和应用。
内容摘要
总之，自然语言处理和产业知识图谱是技术的重要应用领域，具有广泛的市场前景和社会价值。通过深入研究和探索，我们可以更好地应对未来的挑战和机遇，创造出更加美好的未来。

中外数据新闻研究的滥觞与发展学科谱系的比较基于CiteSpace知识图谱的可视化分析

中外数据新闻研究的滥觞与发展学科谱系的比较基于CiteSpace知识图谱的可视化分析一、本文概述本文旨在通过CiteSpace知识图谱的可视化分析，对中外数据新闻研究的滥觞与发展进行深入探讨，并对两者的学科谱系进行比较。

数据新闻，作为新闻学与数据科学交叉的新兴领域，近年来在国内外均受到了广泛的关注与研究。

本文将从数据新闻的定义、发展历程、研究方法等多个维度，结合知识图谱的分析结果，全面揭示中外数据新闻研究的现状、差异与趋势，以期为未来数据新闻学的发展提供有益的参考。

本文将回顾数据新闻的起源与发展历程，探讨其在不同国家与地区的传播与演变过程。

通过对相关文献的梳理，揭示数据新闻在国内外的发展脉络与主要特点。

本文将利用CiteSpace知识图谱工具，对中外数据新闻研究领域的核心文献、关键词、研究机构等进行可视化分析，从而揭示该领域的研究热点、前沿趋势与学科结构。

本文将对中外数据新闻研究的学科谱系进行比较，分析两者在研究方法、理论体系、实践应用等方面的异同，并探讨其背后的原因与影响。

通过本文的研究，我们期望能够更加清晰地认识中外数据新闻研究的发展轨迹与学科特点，为数据新闻学的学科建设与学术研究提供有益的借鉴与启示。

本文也希望能够为从事数据新闻实践与教学的相关人员提供有价值的参考与指导，推动数据新闻学在实践中的应用与发展。

二、数据新闻研究的滥觞与发展数据新闻，作为新闻学与数据科学交叉的新兴领域，其滥觞可追溯到20世纪初的“精确新闻学”。

精确新闻学强调使用社会科学研究方法来报道新闻，以数据为基础，提升新闻报道的准确性和客观性。

受限于当时的技术条件和数据获取的难度，精确新闻学并未得到广泛发展。

随着互联网和大数据技术的飞速进步，数据新闻研究在21世纪初开始崭露头角。

这一时期，数据新闻实践在全球范围内迅速普及，尤其在欧美国家，众多新闻媒体开始尝试使用数据可视化、数据挖掘等技术手段来增强新闻报道的深度和广度。

同时，学术界也开始对数据新闻展开深入研究，探讨其理论框架、实践方法和发展趋势。

知识图谱表示学习方法比较与改进思路

知识图谱表示学习方法比较与改进思路知识图谱表示学习是人工智能领域的一个重要研究方向，它可以帮助计算机更好地理解和组织人类知识。

在知识图谱表示学习中，研究者们提出了各种方法来将知识表示为图谱的形式，以提高计算机对知识的理解和推理能力。

本文将在比较不同的知识图谱表示学习方法的基础上，探讨其应用领域和改进思路。

一、比较不同的知识图谱表示学习方法1. 基于图结构的方法基于图结构的方法将知识表示为图谱，节点表示实体，边表示实体之间的关系。

这种方法可以很好地保留实体之间的关系信息，但对于图结构的处理和扩展存在一定的挑战。

2. 基于嵌入的方法基于嵌入的方法将实体和关系嵌入到低维向量空间中，通过学习实体和关系之间的相似性来表示知识。

这种方法在计算效率上具有优势，但可能会损失一部分图结构的信息。

3. 基于注意力机制的方法基于注意力机制的方法充分考虑了实体之间的关系权重，通过给不同的实体和关系分配不同的权重，来提高知识表示的准确性和效果。

这种方法能够适应多种关系和神经网络结构，但计算复杂度较高。

二、知识图谱表示学习方法的应用领域1. 信息检索知识图谱表示学习可以帮助改进信息检索系统，通过将知识表示为图谱，提供更准确和全面的搜索结果。

用户可以通过图谱的结构和关系来进行更精确的搜索和推荐。

2. 问答系统知识图谱表示学习可以用于问答系统中的知识表示和推理，通过建立知识图谱，系统可以更好地理解问题，查找相关实体和关系，并根据知识图谱进行推理和回答。

3. 自然语言处理知识图谱表示学习可以提供更丰富的语义信息，帮助解决自然语言处理中的歧义性和语义理解问题。

通过将文本转化为图谱表示，可以更好地进行实体识别、关系抽取和语义推理等任务。

三、改进知识图谱表示学习方法的思路1. 结合多模态信息当前的知识图谱表示学习方法主要基于文本信息，可以考虑结合图像、视频等多模态信息，通过融合不同模态的特征来提升知识表示的效果。

2. 考虑动态变化知识图谱是一种静态的表示形式，但现实世界中的知识是动态变化的。

知识图谱表示学习方法在各任务效果对比

知识图谱表示学习方法在各任务效果对比近年来，知识图谱表示学习方法在各个任务中的效果对比备受关注。

知识图谱是一种整合并表示大规模、多源异构知识的方法，它能够帮助机器理解和推理复杂的现实世界。

而知识图谱表示学习方法则旨在将知识图谱中的实体和关系映射到低维向量空间，进而利用这些向量来进行各类任务。

1. 知识图谱表示学习方法简介知识图谱表示学习方法是一种将知识图谱中的实体和关系转化为低维向量表示的技术。

常见的表示学习方法包括传统的基于图的方法如随机游走和图卷积网络，以及最新的深度学习方法如基于神经网络的知识图谱表示学习方法。

2. 知识图谱表示学习方法在各个任务效果对比2.1 问答系统知识图谱表示学习方法在问答系统中有着广泛的应用。

通过将问题和知识图谱中的实体和关系进行向量化表示，可以实现更准确的问题解答。

与传统的基于规则和模板的问答系统相比，基于知识图谱表示学习方法的问答系统能够更好地理解问题，并利用知识图谱中的信息进行推理，提供更准确的答案。

2.2 推荐系统知识图谱表示学习方法在推荐系统中的应用也非常广泛。

通过将用户、物品和关系映射到向量表示，可以基于向量之间的相似度来进行推荐。

知识图谱表示学习方法能够很好地利用知识图谱中的结构和语义信息，提高推荐的准确性和个性化程度。

2.3 文本分类知识图谱表示学习方法在文本分类中的应用也得到了广泛的关注。

通过将文本和知识图谱中的实体和关系进行向量化表示，可以将文本与知识图谱中的知识进行关联，从而提高文本分类的准确性。

此外，知识图谱表示学习方法还可以利用知识图谱中的信息来进行跨领域的文本分类，提高分类的泛化能力。

3. 各种方法的效果对比在各任务中，不同的知识图谱表示学习方法可能会有不同的效果。

然而，由于任务的不同以及数据集的差异，很难一概而论哪种方法在所有任务中都具有最好的效果。

因此，对于每个具体的任务，我们需要仔细选择适合的知识图谱表示学习方法，并进行实验评估。

4. 总结知识图谱表示学习方法在各个任务中的效果对比是一个重要的研究领域。

创新科学结构图谱对中美基础研究影响技术创新的揭示

资讯与观察Information & Observation引用格式：陈挺, 冷伏海, 李国鹏, 等. 创新科学结构图谱对中美基础研究影响技术创新的揭示. 中国科学院院刊, 2024, 39(3): 588-600, doi:10.16418/j.issn.1000-3045.20230417001.Chen T, Leng F H, Li G P, et al. Innovation Science Structure Map: Uncovering influence on fundamental research to technological innovation in China and the United States. Bulletin of Chinese Academy of Sciences, 2024, 39(3): 588-600, doi: 10.16418/j.issn.1000-3045.20230417001. (in Chinese)创新科学结构图谱对中美基础研究影响技术创新的揭示陈挺冷伏海李国鹏王小梅*中国科学院科技战略咨询研究院北京100190摘要文章利用科学结构图谱分析方法首次绘制了创新科学结构图谱，以被专利引用的基本科学指标数据库（ESI）高被引论文为数据基础，揭示了世界前沿基础研究对技术创新发展的影响情况；发现其中对技术创新发展起到推动作用的热点方向，并对比中美两国在这些热点方向上的表现，为科学决策提供有效的数据支撑。

分析发现：被专利引用较高的论文主要集中在新生物技术与生物医疗技术、新兴信息技术、能源与材料这些可能引发颠覆性技术创新的基础研究领域；中国被专利引用的高被引论文增势明显，5年累计增长超过60%，但数量还是不到美国的50%；中国在不少与技术创新关联紧密的热点研究方向中的论文数量高于美国，但被专利引用的论文数量却通常低于美国；美国影响技术创新的基础研究内容更多的是引领产业变革方面的研发活动，并且有大量企业参与。

“科学知识图谱分析”文件文集

“科学知识图谱分析”文件文集目录一、基于CiteSpace的中医药治疗癌痛科学知识图谱分析二、国内语料库翻译学研究状况的科学知识图谱分析三、国内翻译研究动态的科学知识图谱分析基于12种外语类核心期刊的词频统计四、国内批评话语分析研究进展的科学知识图谱分析五、近二十年国际翻译学研究动态的科学知识图谱分析六、鼻咽癌研究的科学知识图谱分析基于CiteSpace的中医药治疗癌痛科学知识图谱分析癌痛是癌症患者最常见的症状之一，对患者的生理和心理造成极大的负担。

中医药在癌痛治疗中发挥了重要作用，但对其研究现状和发展趋势的全面了解仍然有限。

因此，本文采用CiteSpace工具，对中医药治疗癌痛的相关文献进行科学知识图谱分析，旨在揭示该领域的研究热点和演化趋势。

本文以中国知网为数据来源，以“中医药”和“癌痛”为主题词进行检索，共获得文献1280篇。

利用CiteSpace软件对这些文献进行关键词共现分析、作者合作分析和机构合作分析，绘制出科学知识图谱。

通过对关键词的共现分析，我们发现中医药治疗癌痛的研究主要集中在中药治疗、临床研究、针灸治疗、中西医结合治疗等方面。

其中，“中药治疗”和“临床研究”是该领域的研究热点。

同时，我们也发现了一些新兴的研究方向，如基因治疗、免疫治疗等。

通过作者合作分析，我们发现中医药治疗癌痛领域的研究者主要形成了以张代钊、李佩文、王祥麒等为核心的研究团队。

同时，我们也发现了一些新的研究团队，如以陈振喜为代表的中西医结合研究团队。

通过对机构合作的分析，我们发现中医药治疗癌痛的研究机构主要集中在中国中医科学院、北京肿瘤医院、天津医科大学等机构。

同时，我们也发现了一些新的研究机构，如广州中医药大学、上海中医药大学等。

本文利用CiteSpace工具对中医药治疗癌痛的相关文献进行了科学知识图谱分析，揭示了该领域的研究热点和演化趋势。

我们发现中医药治疗癌痛的研究主要集中在中药治疗、临床研究、针灸治疗、中西医结合治疗等方面，其中“中药治疗”和“临床研究”是该领域的研究热点。

知识图谱应用研究

知识图谱应用研究随着人工智能的迅速发展，知识图谱作为其中的一种形式成为了炙手可热的话题。

知识图谱是一种基于语义网络的知识组织和表达形式，可以为各种应用场景提供有力的支持。

在本文中，我们将对知识图谱的应用领域进行探讨，并分析其在不同场景下的优缺点。

一、自然语言处理自然语言处理一直是人工智能研究的重点领域，目前已经取得了一定的进展。

而知识图谱的应用正是自然语言处理中的重要组成部分。

通过将大量的语言数据转化成图谱结构，实现了对语言规则和语义逻辑的深度分析和理解，使计算机能够模拟人类的语言处理过程，从而更好地进行自然语言理解、机器翻译、语音识别等任务。

但是，在现实应用中，由于自然语言表达的变化多样，很难将所有的语言模式都映射到图谱结构中。

因此，知识图谱在自然语言处理领域还存在一定的挑战和瓶颈。

二、智能问答系统智能问答系统是知识图谱的另一个重要应用领域。

该系统通过对用户提问进行分析，结合知识图谱中的相关知识节点，给出最优的回答。

与传统的搜索引擎不同，智能问答系统的核心在于其根据知识图谱的语义、关系、约束等知识提供准确的回答。

在实际应用中，智能问答系统与自然语言处理的关系非常紧密，需要不断完善语义分析和知识图谱的结构，才能提供更加精准的查询结果。

随着知识图谱技术的不断发展，智能问答系统在未来将得到更加广泛和深入的应用。

三、智能医疗智能医疗是近年来知识图谱的另一个重要应用领域。

医疗行业是一个巨大的信息系统，每天产生的数据量都是非常惊人的。

知识图谱技术的应用可以有效地处理和管理这些海量的数据，并提供一系列强大的辅助决策工具，如疾病诊断、药物配方、医学知识库等。

通过知识图谱的组织和表达，还可以更加精准地实现患者病历的分析和医疗资源的管理，大大提高医疗服务的质量和效率。

但是，由于医学领域的知识和语义非常复杂，因此在知识图谱应用中还需要进一步优化算法和模型。

四、智能推荐智能推荐是指利用人工智能技术分析用户的历史数据或行为，并依据用户的兴趣特征和习惯推荐他们可能感兴趣的内容。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｅａａｒｅｍｕｃｈｄｉｆｆｅｒｅｎｔ．ＴｈｉｓｗｉｌｌｐｒｏｖｉｄｅａｎｉｍｐｏｒｔａｎｔｒｅｆｅｒｅｎｃｅｆｏｒｒｅｓｅａｒｃｈｏｆｉｆｏｎｒｍａｔｉｏｎｓｃｉｅｎｃｅｉｎＣｈｉｎａ．Ｋｅｙｗｏｒｄｓ：ＣｉｔｅＳｐａｃｅ；ｉｎｆｏｒｍａｔｉｏｎｓｃｉｅｎｃｅ；ｋｎｏｗｌｅｄｇｅｍａｐ；ｖｉｓｕａｌｉｚａｔｉｏｎ；ＣＯ～ｃｉｔａｔｉｏｎａｎａｌｙｓｉｓ
２．ＩｎｓｔｉｔｕｔｅｏｆＳｃｉｅｎｔｉｉｆｃａｎｄＴｅｃｈｎｉｃａｌＩｎｆｏｒｍａｔｉｏｎ，ＪｉａｎｇｓｕＵｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｊｉａｎｇ２１２０１３，Ｃｈｉｎａ）
摘要：采用ＣｉｔｅＳｐａｅｅＩＩ可视化工具，分别以中美情报学领域的代表性期刊—— 《情报学报》和《美国信息科学和技术学会杂志》在１９９８＿２０ｌ１年间的１６８９篇和１９２６篇载文为例，从文献共被引和关键词共现两个视角进行
文章编号：１０００—７６９５（２０１４）０６— ０１４７— ０６
ＣｏｍｐａｒｉｓｏｎｏｆＭａｐｐｉｎｇＫｎｏｗｌｅｄｇｅＤｏｍａｉｎｏｆＳｃｉ — — ｔｅｃｈＰｅｒｉｏｄｉｃａｌｓｉｎＣｈｉｎａａｎｄＡｍｅｒｉｃａ
比较分析。研究表明，中关情报学在知识基础、研究前沿和研究热点方面存在较大差异。研究结果可为我国情报学研究提供重要参考。关键词：ＣｉｔｅＳｐａｃｅ；情报学；知识图谱；可视化；共被引分析中图分类号：Ｇ３５０文献标志码：Ａ
２ｏｌ４年第６期
Ｓｃ０．３９６９／ｊ．ｉｓｓｎ．１０００— ７６９５．２０１４．０６．０３０
中美科技期刊的知识图谱比较分析
宋丁伟，刘桂锋
（１．江苏大学管理学院，江苏镇江２１２０１３；２．江苏大学科技信息研究所，江苏镇江２１２０１３）
ｙｓｉｓ．Ｔｈｅｒｅｓｕｌｔｓｈｏｗｓｔｈａｔｋｎｏｗｌｅｄｇｅｂａｓｅ，ｒｅｓｅａｒｃｈｆｒｏｎｔｓａｎｄｒｅｓｅａｒｃｈｆｏｃｕｓｅｓｉｎｉｎｆｏｒｍａｔｉｏｎｓｃｉｅｎｃｅｏｆＣｈｉｎａａｎｄＡｍｅｒｉ —
我国的《情报学报》创刊于１９８２年，为中国科学技术情报学会会刊，已成为反映我国情报学研究水平的窗口之一。（ＪｏｕｒｎａｌｏｆｔｈｅＡｍｅｒｉｃａｎＳｏｃｉｅｔｙｆｏｒＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ｝（以下简称｛ＪＡ — ＳＩＳＴ））是美国情报学会会刊，是图书情报领域的国际顶级刊物，创建于１９５０年，经多次易名，２０００年末更名为｛ＪｏｕｒｎａｌｏｆｔｈｅＡｍｅｉｒｃａｎＳｏｃｉｅｔｙｏｆｒＩｎｆｏｍａｒ — ｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｙ）ｇ。以上两刊论文的学术质量可认为能代表中美两国情报学研究的水平，．因此成为诸多国内外学者开展情报学研究的代表性期刊。Ｃｈｕａ等分析了《ＪＡＳＩＳＴ）在１９８８－１９９７年和１９９８－２００７年两个１０年问的作者合作趋势、高产作者及单位和高频关键词三方面的演进变化。毛一波从载文量、合著率和引文情况方面对《情报学报》和（ＪＡＳＩＳＴ｝进行了比较。邱均平等使用社会网络分析方法对《情报学报》和《ＪＡＳＩＳＴ）网络节点进行分析，结果显示国内外情报学的合作模式有较大差异。对《情报学报》的研究侧重点主要表现在载文与引文分析卜、核心著者分析］、文献计量分析¨ “ 等。（ＪＡＳＩＳＴ）成为我国学者了
ＳＯＮＧＤｉｎｇｗｅｉ，ＬＩＵＧｕｉｆｅｎｇ
（１．ＳｃｈｏｏｌｏｆＭａｎａｇｅｍｅｎｔ，ＪｉａｎｇｓｕＵｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｊｉａｎｇ２１２０１３，Ｃｈｉｎａ；
ＩＳＴｉｎＡｍｅｒｉｃａｂｅｔｗｅｅｎ１９９８ａｎｄ２０１１，ａｎｄａｎａｌｙｚｅｓｉｎａｓｐｅｃｔｓｏｆｄｏｃｕｍｅｎｔＣＯ—ｃｉｔａｔｉｏｎ，ａｎｄｋｅｙｗｏｒｄｓｅｏ—ｃｕｒｒｅｎｔａｎａｌ —
Ａｂｓｔｒａｃｔ：ＴｈｅｐａｐｅｒａｄｏｐｔｓＣｉｔｅＳｐａｃｅＩＩｖｉｓｕａｌｉｚａｔｉｏｎｔｏｏｌｉｎ１６８９ｃｉｔａｔｉｏｎｓｏｆＪＣＳＳＴＩｉｎＣｈｉｎａａｎｄ１９２６ｃｉｔａｔｉｏｎｓｏｆＪＡＳ —