【目的】從外部數(shù)量特征和內(nèi)部文本特征兩個(gè)層面,構(gòu)建科學(xué)的數(shù)理模型和內(nèi)容預(yù)測(cè)模型,進(jìn)而對(duì)熱點(diǎn)研究主題演化趨勢(shì)進(jìn)行預(yù)測(cè)分析�！痉椒ā炕贚DA模型進(jìn)行主題識(shí)別并構(gòu)建主題時(shí)間序列,結(jié)合均值與線性回歸擬合確定熱點(diǎn)主題;利用ARIMA模型和Word2Vec模型從主題強(qiáng)度和主題內(nèi)容兩個(gè)層面預(yù)測(cè)分析熱點(diǎn)主題趨勢(shì)�！窘Y(jié)果】對(duì)美國(guó)干細(xì)胞領(lǐng)域進(jìn)行實(shí)證研究,篩選出造血干細(xì)胞移植技術(shù)、癌癥干細(xì)胞和干細(xì)胞抑制作用、干細(xì)胞誘導(dǎo)分化、衍生配子技術(shù)、造血干細(xì)胞5個(gè)熱點(diǎn)主題并預(yù)測(cè)其發(fā)展趨勢(shì)�！揪窒蕖炕赪ord2Vec模型對(duì)主題內(nèi)容趨勢(shì)進(jìn)行分析主要以單個(gè)詞匯為基礎(chǔ),解讀過(guò)程中可能存在歧義。【結(jié)論】與人工解讀為主的主題趨勢(shì)預(yù)測(cè)分析方法相比,本研究所提方法能在一定程度上提高預(yù)測(cè)分析的效率與科學(xué)性。

【文章頁(yè)數(shù)】：13 頁(yè)

【部分圖文】：

圖1CBOW模型和Skip-Gram模型示意圖[29]

作為生成詞向量的經(jīng)典模型之一，Word2Vec模型[28-29]得到眾多學(xué)者的認(rèn)可，并且集成在Python的Gensim工具包中，使用方式簡(jiǎn)潔、高效。Word2Vec中訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型具體可以分為兩種：CBOW模型和Skip-Gram模型，基本原理如圖1所示。CBOW模型（Con....

圖2論文數(shù)量年度分布

在干細(xì)胞（StemCell）領(lǐng)域進(jìn)行實(shí)證研究，由于美國(guó)是干細(xì)胞研究的領(lǐng)先國(guó)家，主要以美國(guó)干細(xì)胞研究論文作為數(shù)據(jù)來(lái)源。具體選擇WebofScience數(shù)據(jù)庫(kù)收錄的干細(xì)胞領(lǐng)域相關(guān)文獻(xiàn)，檢索策略為：以“stemcell*”作為檢索詞進(jìn)行題名檢索，時(shí)間跨度為2000年1月1日-2....

圖3最優(yōu)主題個(gè)數(shù)確定

由圖3可知，當(dāng)主題個(gè)數(shù)位于25和40時(shí)一致性分?jǐn)?shù)變化發(fā)生明顯轉(zhuǎn)折，并且在40之后趨于穩(wěn)定，即當(dāng)主題個(gè)數(shù)在25之后隨著主題個(gè)數(shù)的增多，一致性分?jǐn)?shù)只增加了0.05，因此選取25～40之間的主題個(gè)數(shù)，結(jié)合人工判讀結(jié)果最終確定主題個(gè)數(shù)為32，根據(jù)選定的最優(yōu)主題個(gè)數(shù)進(jìn)行LDA主題識(shí)別。32....

圖4干細(xì)胞領(lǐng)域主題時(shí)間序列（2000年-2018年）

根據(jù)研究方法所述步驟對(duì)5個(gè)熱點(diǎn)主題進(jìn)行ARIMA模型構(gòu)建，其中ARIMA模型的構(gòu)建中參數(shù)確定和模型檢驗(yàn)是十分重要的步驟，具體實(shí)驗(yàn)過(guò)程中利用BIC指標(biāo)確定模型參數(shù)，即遍歷所有可能參數(shù)計(jì)算模型BIC值，其中最小值為最優(yōu)參數(shù)，從而可確定最后模型參數(shù)，結(jié)果如表3所示。確定模型參數(shù)之后，對(duì)....

本文編號(hào)：3958089