基于LSTM模型与加权链路预测的学科新兴主题成长性识别研究

作者：段庆锋; 陈红; 刘东霞; 闫绪娴; 张红兵

来源：现代情报, 2022, 42(09): 37-142.

• 学科新兴主题
• 成长性
• 识别
• 加权链路预测
• LSTM

[目的/意义]揭示学科主题潜在的成长性趋势是识别其新兴特征的关键和难点。[方法/过程]从热度和影响力两个维度考察主题成长性，通过基于机器学习算法的预测模型估计主题潜在成长性，基于此形成新兴主题的细分类型划分。首先，设计融合文献计量指标和替代计量指标的主题热度指标，构建基于长短记忆神经网络LSTM的主题热度预测模型，预测主题热度增长率；其次，基于加权链路预测相似性指标，构建旨在预测未来主题网络的三层神经网络预测模型，并采用PageRank算法得到主题影响力增长率预测值；最后，基于热度增长率预测值和影响力增长率预测值构建二维识别空间，通过主题聚类，识别不同子类型的学科新兴主题。[结果/结论]以情报学为领域的实证研究检验了识别方法的有效性，反映了成长性预测指标对于新兴特征的敏感捕捉能力。

• 单位
  山西财经大学