基于时间序列分析和SVM模型的基金项目新兴主题趋势预测与可视化研究
|
摘要
[目的/意义]基金项目文本蕴含着丰富的前沿主题信息,通过细粒度识别科学研究前沿中的新兴主题,可以预测分析新兴主题未来发展趋势并可视化展示。[方法/过程]文章提出一种基于时间序列分析和SVM模型的基金项目新兴主题趋势预测与可视化分析方法,分析基金项目内外部特征属性,构建基金项目新兴主题探测公式,利用时间序列分析和支持向量机等深度学习算法模型,对新兴主题发展趋势进行预测分析,最后利用可视化分析软件Gephi进行可视化展示以揭示前沿领域竞争态势。[结果/结论]通过以石墨烯领域数据进行实验并结合专家咨询和传统论文聚类方法对比分析,表明该方法能够更加快速准确识别新兴主题,为我国科技政策制定提供决策支持和参考。
[Purpose/significance] Fund sponsored project documents contain rich information of frontier topics. Through identifying emerging topics of scientific research in fine-grained degree,this paper predicts and visualizes the future trends of emerging topics. [Method/process] The paper proposes a method of forecasting and visualizing the emerging topics of fund sponsored projects based on time series analysis and SVM model,in order to analyze the internal and external characteristics of fund sponsored projects,construct the emerging topics detection formula,and use deep learning algorithms such as time series analysis and SVM model to predict and analyze the development trend of new topics. Finally,visual analysis software Gephi is applied to visualize and reveal the competitive trend in the frontier area. [Result/conclusion] Through the experiment on graphene field data,and the comparison with expert consultation and traditional paper clustering analysis methods,it shows that the proposed method can identify the frontier topics more quickly and accurately,thus providing decision support and reference for national science and technology policy formulation.
[Purpose/significance] Fund sponsored project documents contain rich information of frontier topics. Through identifying emerging topics of scientific research in fine-grained degree,this paper predicts and visualizes the future trends of emerging topics. [Method/process] The paper proposes a method of forecasting and visualizing the emerging topics of fund sponsored projects based on time series analysis and SVM model,in order to analyze the internal and external characteristics of fund sponsored projects,construct the emerging topics detection formula,and use deep learning algorithms such as time series analysis and SVM model to predict and analyze the development trend of new topics. Finally,visual analysis software Gephi is applied to visualize and reveal the competitive trend in the frontier area. [Result/conclusion] Through the experiment on graphene field data,and the comparison with expert consultation and traditional paper clustering analysis methods,it shows that the proposed method can identify the frontier topics more quickly and accurately,thus providing decision support and reference for national science and technology policy formulation.
引文
[1]“工业4.0”重塑德国制造业[EB/OL].[2018-04-10].http://www.xinhuanet.com/2017-04/28/c_1120893434.htm.
[2]Horizon 2020-European Commission[EB/OL].[2018-04-05].https://ec.europa.eu/programmes/horizon2020.
[3]“中国制造2025”:抢占制造“智”高点[EB/OL].[2018-04-10].http://www.gov.cn/zhuanti/2015-08/07/content_2909631.htm.
[4]祝清松,冷伏海.基于引文内容分析的高被引论文主题识别研究[J].中国图书馆学报,2014(1):39-49.
[5]MATSUMURA N,OHSAWA Y,ISHIZUKA M.Discovery of emerging topics between communities on WWW[C]//AsiaPacific Conference on Web Intelligence:Research and Development.Springer-Verlag,2001:473-482.
[6]徐路路,王效岳,白如江.基于PLDA模型与多数据源融合相关性分析的新兴主题探测研究---以石墨烯领域为例[J].情报理论与实践,2018,41(4):63-69.
[7]段庆锋,潘小换.利用社交媒体识别学科新兴主题研究[J].情报学报,2017(12):1216-1223.
[8]张云秋,高歌.基于文献的新兴趋势探测方法的问题及对策研究[J].情报理论与实践,2011,34(1):47-50.
[9]殷蜀梅.判断新兴研究趋势的技术框架研究[J].图书情报知识,2008(3):76-80.
[10]张晓艳,王挺,梁晓波.LDA模型在话题追踪中的应用[J].计算机科学,2011,38(S1):136-139.
[11]吴菲菲,张亚茹,黄鲁成,等.基于ATo T模型的技术主题多维动态演化分析---以石墨烯技术为例[J].图书情报工作,2017(5):95-102.
[12]齐亚双,祝娜,翟羽佳.基于DTM的国内外情报学研究主题热度演化对比研究[J].图书情报工作,2016(16):99-109.
[13]吴小兰,章成志.基于DTM-LPA的突发事件话题演化方法研究---以H7N9微博为例[J].图书与情报,2015(3):9-16.
[14]刘小平,冷伏海,李泽霞.国际科技前沿分析的方法和途径[J].图书情报工作,2012,56(12):60-65.
[15]朱卫东,刘芳,王东鹏,等.科学基金项目立项评估:综合评价信息可靠性的多指标证据推理规则研究[J].中国管理科学,2016,24(10):141-148.
[16]杨荔媛,朱庆华.我国图书馆、情报与档案管理学科的研究现状---基于2000-2006年国家社会科学基金和自然科学基金立项的分析[J].情报理论与实践,2007,30(6):756-759.
[17]范云满,马建霞,刘静.国家自然科学基金的评估指标体系与指标的分析研究[J].图书情报工作,2013,57(16):100-106.
[18]杨辰毓妍,赵旭.“图书馆、情报与档案管理”学科知识结构布局分析---基于国家基金项目计量分析视角[J].情报科学,2017(3):63-68.
[19]任洪娥,霍满冬.基于PSO优化的SVM预测应用研究[J].计算机应用研究,2009,26(3):867-869.
[20]崔万照,朱长纯,保文星,等.混沌时间序列的支持向量机预测[J].物理学报,2004,53(10):3303-3310.
[21]田海雷,李洪儒,许葆华.基于改进人工鱼群算法的支持向量机预测[J].计算机工程,2013,39(4):222-225.
[22]沈正维,李秋菊.支持向量机与神经网络的关系研究[J].生物数学学报,2006,21(2):204-208.
[23]田凯,孙永泰,高慧,等.贝叶斯算法BP神经网络缺陷量化研究[J].中国测试,2014,40(3):93-97.
[24]徐路路,王效岳,白如江,等.基于DTM模型和文本特征分析的基金项目新兴趋势探测研究---以NSF石墨烯领域为例[J].数据分析与知识发现,2018,2(3):87-97.
[25]TU Y N,SENG J L.Indices of novelty for emerging topic detection[J].Information Processing&Management,2012,48(2):303-325.
[26]ROSENZVI M,GRIFFITHS T,et al.The author-topic model for authors and documents[C]//Proceedings of the Twentieth Conference on Uncertainty in Artificial Intelligence 2004:487-494.
[27]KAWAMAE N.Latent interest-topic model:finding the causal relationships behind dyadic data[C]//ACM International Conference on Information and Knowledge Management.ACM,2010:649-658.
[28]ROSEN-ZVI M,CHEMUDUGUNTA C,GRIFFITHS T,et al.Learning author-topic models from text corpora[J].Acm Transactions on Information Systems,2010,28(1):1-38.
[29]唐亮贵,程代杰.基于小波的支持向量机预测模型及应用[J].计算机科学,2006,33(3):202-204.
[30]李良敏,温广瑞,王生昌.基于遗传算法的改进径向基支持向量机及其应用[J].系统仿真学报,2008(22):6088-6092.
[31]尉询楷,李应红,张朴,等.基于支持向量机的时间序列预测模型分析与应用[J].系统工程与电子技术,2005,27(3):529-532.
[2]Horizon 2020-European Commission[EB/OL].[2018-04-05].https://ec.europa.eu/programmes/horizon2020.
[3]“中国制造2025”:抢占制造“智”高点[EB/OL].[2018-04-10].http://www.gov.cn/zhuanti/2015-08/07/content_2909631.htm.
[4]祝清松,冷伏海.基于引文内容分析的高被引论文主题识别研究[J].中国图书馆学报,2014(1):39-49.
[5]MATSUMURA N,OHSAWA Y,ISHIZUKA M.Discovery of emerging topics between communities on WWW[C]//AsiaPacific Conference on Web Intelligence:Research and Development.Springer-Verlag,2001:473-482.
[6]徐路路,王效岳,白如江.基于PLDA模型与多数据源融合相关性分析的新兴主题探测研究---以石墨烯领域为例[J].情报理论与实践,2018,41(4):63-69.
[7]段庆锋,潘小换.利用社交媒体识别学科新兴主题研究[J].情报学报,2017(12):1216-1223.
[8]张云秋,高歌.基于文献的新兴趋势探测方法的问题及对策研究[J].情报理论与实践,2011,34(1):47-50.
[9]殷蜀梅.判断新兴研究趋势的技术框架研究[J].图书情报知识,2008(3):76-80.
[10]张晓艳,王挺,梁晓波.LDA模型在话题追踪中的应用[J].计算机科学,2011,38(S1):136-139.
[11]吴菲菲,张亚茹,黄鲁成,等.基于ATo T模型的技术主题多维动态演化分析---以石墨烯技术为例[J].图书情报工作,2017(5):95-102.
[12]齐亚双,祝娜,翟羽佳.基于DTM的国内外情报学研究主题热度演化对比研究[J].图书情报工作,2016(16):99-109.
[13]吴小兰,章成志.基于DTM-LPA的突发事件话题演化方法研究---以H7N9微博为例[J].图书与情报,2015(3):9-16.
[14]刘小平,冷伏海,李泽霞.国际科技前沿分析的方法和途径[J].图书情报工作,2012,56(12):60-65.
[15]朱卫东,刘芳,王东鹏,等.科学基金项目立项评估:综合评价信息可靠性的多指标证据推理规则研究[J].中国管理科学,2016,24(10):141-148.
[16]杨荔媛,朱庆华.我国图书馆、情报与档案管理学科的研究现状---基于2000-2006年国家社会科学基金和自然科学基金立项的分析[J].情报理论与实践,2007,30(6):756-759.
[17]范云满,马建霞,刘静.国家自然科学基金的评估指标体系与指标的分析研究[J].图书情报工作,2013,57(16):100-106.
[18]杨辰毓妍,赵旭.“图书馆、情报与档案管理”学科知识结构布局分析---基于国家基金项目计量分析视角[J].情报科学,2017(3):63-68.
[19]任洪娥,霍满冬.基于PSO优化的SVM预测应用研究[J].计算机应用研究,2009,26(3):867-869.
[20]崔万照,朱长纯,保文星,等.混沌时间序列的支持向量机预测[J].物理学报,2004,53(10):3303-3310.
[21]田海雷,李洪儒,许葆华.基于改进人工鱼群算法的支持向量机预测[J].计算机工程,2013,39(4):222-225.
[22]沈正维,李秋菊.支持向量机与神经网络的关系研究[J].生物数学学报,2006,21(2):204-208.
[23]田凯,孙永泰,高慧,等.贝叶斯算法BP神经网络缺陷量化研究[J].中国测试,2014,40(3):93-97.
[24]徐路路,王效岳,白如江,等.基于DTM模型和文本特征分析的基金项目新兴趋势探测研究---以NSF石墨烯领域为例[J].数据分析与知识发现,2018,2(3):87-97.
[25]TU Y N,SENG J L.Indices of novelty for emerging topic detection[J].Information Processing&Management,2012,48(2):303-325.
[26]ROSENZVI M,GRIFFITHS T,et al.The author-topic model for authors and documents[C]//Proceedings of the Twentieth Conference on Uncertainty in Artificial Intelligence 2004:487-494.
[27]KAWAMAE N.Latent interest-topic model:finding the causal relationships behind dyadic data[C]//ACM International Conference on Information and Knowledge Management.ACM,2010:649-658.
[28]ROSEN-ZVI M,CHEMUDUGUNTA C,GRIFFITHS T,et al.Learning author-topic models from text corpora[J].Acm Transactions on Information Systems,2010,28(1):1-38.
[29]唐亮贵,程代杰.基于小波的支持向量机预测模型及应用[J].计算机科学,2006,33(3):202-204.
[30]李良敏,温广瑞,王生昌.基于遗传算法的改进径向基支持向量机及其应用[J].系统仿真学报,2008(22):6088-6092.
[31]尉询楷,李应红,张朴,等.基于支持向量机的时间序列预测模型分析与应用[J].系统工程与电子技术,2005,27(3):529-532.