【CN109800288A】一种基于知识图谱的科学研究热点分析与预测方法【专利】
科学知识图谱研究综述
科学知识图谱研究综述科学知识图谱研究综述引言：随着科技的快速发展，人们对科学知识的需求也越来越高。
为了更好地组织、管理和利用科学知识，科学知识图谱作为一种新兴的知识表示和存储方式，正在受到广泛关注和研究。
本文将综述科学知识图谱的研究进展，包括其定义、构建方法以及应用领域，旨在为读者提供对该领域的全面认识。
一、科学知识图谱的定义科学知识图谱是一种以图形和语义为基础的知识表示方法，用于描述科学领域的知识体系和关系。
它将科学领域的知识以图谱的形式展现出来，使得人们可以直观地了解知识间的关联和层次。
科学知识图谱的构建需要深入挖掘科学文献、专利数据库等资源，并建立类似于图数据库的知识表示模型。
二、科学知识图谱的构建方法1. 知识抽取与清洗：科学知识图谱的构建首先需要从科学文献、专利数据库等海量数据中抽取知识，并进行清洗和整理。
这一过程包括文本的分词、命名实体识别、关系抽取等技术手段的应用。
2. 知识表示与建模：科学知识图谱需要将抽取出的知识进行合理的表示和建模，以便于后续的存储和查询。
在这一过程中，需要利用本体学、图论等方法，构建科学知识的语义网络，并为每个节点和关系进行准确的语义标注。
3. 知识关联与链接：科学知识图谱的关键在于建立节点之间的关联和链接。
通过挖掘知识中的共现关系、上下位关系等，可以识别出知识间的相似性和相关性，并建立节点之间的链接。
这一过程可以借助机器学习和自然语言处理等技术手段实现。
三、科学知识图谱的应用领域1. 科学研究：科学知识图谱可用于科研人员的文献检索与阅读，提供更高效的科研工具和资源。
科学家可以借助科学知识图谱查找相关研究领域的权威资源，并从中获取研究灵感和联系。
2. 知识管理：科学知识图谱可以帮助组织机构或企业对内部知识进行分类、管理和共享。
通过搭建企业内部的科学知识图谱，可以减少重复研究、促进知识流转，提高组织的创新能力和竞争力。
3. 人工智能应用：科学知识图谱为人工智能系统提供了丰富的背景知识和语义信息。
基于知识图谱的数字技术研究热点和前沿分析
基于知识图谱的数字技术研究热点和前沿分析摘要：21世界以来，国内数字经济研究飞速发展，数字经济已成为驱动我国经济社会发展和技术变革的重要力量，同时也是我国国民经济高质量发展的新功能。
当前信息技术的快速发展，深刻影响着人们的生产工作生活方式。
基于此，本文主要对基于知识图谱的数字技术研究热点和前沿进行分析，详情如下。
关键词：知识图谱；数字技术；研究热点；前沿分析引言数字技术与信息技术（IT）有着明显区别。
相比较IT，这类新兴数字技术的特征是可重编程性、数据同质性和自我引用性。
数字技术扩大了组织边界，与IT相关的先验推断可能会在数字时代发生变化。
首先，通过开放的数字基础设施，企业可以与外部合作伙伴持续、实时地交换信息和资源。
与主要发生在单个组织内的IT相比，数字技术使得企业间形成更广泛的生态系统。
其次，与仅涉及业务流程的IT相比，数字技术进一步延伸到客户体验和业务模式的两个关键领域。
1研究方法知识图谱分析法是知识管理的重要方法，其主要目的是在海量数据中以更清晰更全面的方式将知识展现出来。
近年来，知识图谱分析法已应用于各个专业领域，用以可视化知识的状态、特征和新兴趋势。
为了全面了解数字技术的研究进展和热点，CiteSpace是一款文献计量分析可视化软件，其作为获取网络关系、研究重点和研究趋势的有效工具，已被研究人员广泛使用。
2基于知识图谱的数字技术研究热点和前沿分析2.1数字技术应用发展知识图谱技术提出之后，因其具有的语义处理和开放互联的能力，以及其简洁灵活的表达方式等优势，受到了广泛关注。
知识图谱技术的发展得益于自然语言处理、互联网等技术的发展，而不断完善的知识图谱技术也可以应用到自然语言处理、智能问答系统、智能推荐系统等技术中，进一步促进这些技术的发展，而这些技术以及知识图谱技术又可以进一步应用在诸如医疗、金融、电商等垂直行业或领域内，帮助促进行业发展。
近年來涌现出不少关于知识图谱在数字资源建设中的应用研究成果。
基于知识图谱的国内学习分析研究热点及趋势分析
基于知识图谱的国内学习分析研究热点及趋势分析作者：马卉王晓春张功云来源：《中国教育技术装备》2016年第18期摘要学习分析，作为一个新兴的交叉研究领域，受到国内外教育研究者的广泛关注，成为当前教育技术领域的研究热点。
为探究国内学习分析技术的研究热点和发展趋势，基于科学知识图谱的基本理论与方法，利用可视化网络分析软件CiteSpace对中国期刊全文数据库中收录的144篇国内学习分析文献样本的关键词进行分析。
关键词学习分析；知识图谱；可视化分析；CiteSpace；关键词分析中图分类号：G652 文献标识码：B文章编号：1671-489X（2016）18-0001-04Abstract Learning analytics， as a new intersectant research field， has attracted wide attention among educational researchers and is becoming a current research focus in educational technology field. To explore the research hotspots and the development trend on Lear-ning Analytics in China， based on the basic theory and method of mapping knowledge domain， analyze keywords from 144 pieces sample literatures within Chinese Journal Full-Text Database（CJFD） with a visibility network analysis software， CiteSpace.Key words learning analytics； mapping knowledge domain； visual analysis； CiteSpace；keywords analysis1 引言随着教育大数据的迅猛增长，学习分析（Learning Analytics）[1]作为一种新兴的交叉技术，通过深度挖掘、分析学习者学习行为和学习过程数据背后所隐藏的含义，得出有效的结论来指导和干预教学、优化学习和学习环境，更好地为教育决策和学生学习提供服务[2]。
基于知识图谱的信息科学研究方法探索
基于知识图谱的信息科学研究方法探索信息科学是一门跨学科的领域，研究数据的表示、处理和传递，以及信息的生成、存储和利用。
近年来，随着大数据和人工智能技术的发展，我们面临着从海量数据中挖掘有意义信息的挑战。
知识图谱作为一种结构化的知识表示方法，为信息科学研究提供了新的思路和方法。
本文将探讨基于知识图谱的信息科学研究方法，并介绍其应用和挑战。
一、知识图谱简介知识图谱是将现实世界的知识结构化为一种图形化的方式，通过实体、属性和关系的表示，构建了一个丰富的知识网络。
知识图谱的构建需要通过自然语言处理、数据挖掘和机器学习等技术，将文本数据中的知识抽取出来，并进行关联和推理，形成一个有机的知识体系。
二、基于知识图谱的信息科学研究方法1. 知识抽取与表示基于知识图谱的信息科学研究首先需要进行知识抽取与表示。
通过自然语言处理和文本挖掘技术，从文本数据中提取出实体和关系，并将其表示为知识图谱的形式。
在这个过程中，需要处理大规模的文本数据，并解决实体消歧、关系抽取等问题。
2. 知识图谱的构建构建知识图谱是基于知识图谱的信息科学研究的核心步骤。
这包括实体和关系的建模，以及知识的组织和分类。
在构建知识图谱时，需要参考现有的领域知识和专业背景，并借助图数据库等技术进行图谱的存储和查询。
3. 知识图谱的应用基于知识图谱的信息科学研究方法可以应用于各个领域，如医疗、金融、教育等。
在医疗领域，可以利用知识图谱的结构化表示和推理能力，帮助医生进行疾病的诊断和治疗决策。
在金融领域，可以通过知识图谱分析客户的信用记录和投资偏好，为金融机构提供个性化的推荐和服务。
在教育领域，可以利用知识图谱对学生的学习情况进行分析和预测，提供个性化的学习建议。
三、基于知识图谱的信息科学研究的挑战1. 数据质量与一致性构建知识图谱需要处理大量的数据，并保证其质量和一致性。
然而，现实世界中的数据往往存在噪声和不一致性，例如同一个实体可能有多个名称和属性。
如何在知识抽取和图谱构建过程中解决这些问题，是一个重要的挑战。
国内知识图谱应用研究综述
国内知识图谱应用研究综述一、本文概述随着信息技术的快速发展，知识图谱作为一种重要的知识组织形式，已经在多个领域展现出其强大的应用潜力。
知识图谱通过图状结构展示实体间的关系，将分散的信息进行有效整合，为用户提供高效、直观的知识查询与推理服务。
本文旨在对国内知识图谱的应用研究进行综述，以期全面展现知识图谱在国内的研究现状、应用领域及发展趋势。
本文将对知识图谱的基本概念、发展历程及核心技术进行简要介绍，为后续的应用研究奠定理论基础。
接着，重点分析国内知识图谱在不同领域的应用案例，如智能问答、语义搜索、推荐系统、自然语言处理等，揭示知识图谱在解决实际问题中的优势和挑战。
本文还将对现有的知识图谱构建方法、质量评估标准等关键技术进行深入探讨，以期为国内知识图谱的进一步发展提供参考。
本文将总结国内知识图谱应用研究的现状，展望未来发展方向，以期为相关领域的研究人员和实践者提供有益的借鉴和指导。
通过本文的综述，我们期望能够推动国内知识图谱应用研究的深入发展，为技术的广泛应用提供有力支持。
二、知识图谱技术基础知识图谱是一种大规模、语义化的知识库，它以图的形式描述现实世界中的概念、实体及其之间的关系。
知识图谱的构建涉及多个技术领域，包括自然语言处理（NLP）、信息抽取、知识表示、图数据库等。
自然语言处理是知识图谱构建的关键技术之一。
通过自然语言处理技术，可以实现对文本信息的自动解析、分词、词性标注、命名实体识别等，从而提取出文本中的实体和关系。
NLP技术还可以用于构建知识图谱中的语义关系，例如通过语义角色标注、情感分析等技术，可以进一步丰富和完善知识图谱的语义信息。
信息抽取是知识图谱构建的另一项核心技术。
信息抽取的目标是从非结构化或半结构化的文本数据中提取出结构化的信息，并将其存储到知识图谱中。
信息抽取的方法包括规则、模板、机器学习等多种方法，这些方法可以根据不同的数据源和数据特点进行选择和调整。
知识表示是知识图谱构建的重要环节。
【CN109885660A】一种知识图谱赋能的基于信息检索的问答系统和方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910134021.5(22)申请日 2019.02.22(71)申请人 上海乐言信息科技有限公司地址 200030 上海市徐汇区上海市番禺路1028号数娱大厦8楼(72)发明人 褚善博 王昊奋 (74)专利代理机构 上海专利商标事务所有限公司 31100代理人 施浩(51)Int.Cl.G06F 16/33(2019.01)G06F 16/332(2019.01)G06F 16/36(2019.01)(54)发明名称一种知识图谱赋能的基于信息检索的问答系统和方法(57)摘要本发明公开了知识图谱赋能的基于信息检索的问答系统和方法，整体提升系统的问答效果，扩大用户咨询范围并提升问题反馈的准确度。
其技术方案为：系统包括：知识图谱数据库存储领域知识图谱的信息；分词和词性标注模块将用户问题进行分词并对其词性标注；实体识别与链接模块将用户问题中的实体进行识别并将实体链接到知识图谱数据库中的节点上；意图理解模块基于实体链接结果及分布式表示向量得到用户问题的意图理解结果；检索模块基于检索数据源，根据用户问题中的信息检索出对应的多个问答对作为粗选结果；排序模块利用实体的分布式表示向量对粗选结果进行重排序；语义匹配模块利用实体的分布式表示向量对重排序结果进行打分并最终输出答案。
权利要求书3页 说明书10页 附图3页CN 109885660 A 2019.06.14C N 109885660A权 利 要 求 书1/3页CN 109885660 A1.一种知识图谱赋能的基于信息检索的问答系统，其特征在于，包括分词和词性标注模块、实体识别与链接模块、意图理解模块、检索模块、排序模块、语义匹配模块、知识图谱数据库，其中：知识图谱数据库，存储领域知识图谱的信息，其中知识图谱的信息包括知识图谱的节点、节点与实体的链接关系及其分布式表示向量；分词和词性标注模块，连接知识图谱数据库，将用户问题进行分词并对每一个词进行词性标注；实体识别与链接模块，连接分词和词性标注模块、知识图谱数据库，将经过分词和词性标注后的用户问题中的实体进行识别，并且将识别出的实体链接到知识图谱数据库中的知识图谱的相关节点上；意图理解模块，连接实体识别与链接模块、知识图谱数据库，基于实体识别与链接模块的实体链接结果以及知识图谱数据库中的实体的分布式表示向量得到用户问题的意图理解结果；检索模块，连接意图理解模块，基于包括多问答对的检索数据源，根据用户问题中的信息检索出对应的多个问答对作为粗选结果；排序模块，连接检索模块和知识图谱数据库，利用知识图谱数据库的实体的分布式表示向量对检索模块输出的粗选结果进行重排序；语义匹配模块，连接语义匹配模块和知识图谱数据库，利用知识图谱数据库的实体的分布式表示向量对排序模块的重排序结果进行打分并最终输出用户问题相应的答案。
基于知识图谱的科学计量学进展研究
基于知识图谱的科学计量学进展研究本文旨在探讨知识图谱在科学计量学领域的应用研究进展。
我们将简要介绍科学计量学和知识图谱的基本概念和背景。
接着，我们将详细阐述知识图谱在科学计量学中的重要性及其在不同领域内的应用现状。
我们将提出自己的研究思路和展望，以期为未来基于知识图谱的科学计量学研究提供一定的借鉴和参考。
在科学计量学领域，知识图谱是一种重要的工具，用于分析和探究科学知识的结构、演化和关系。
知识图谱可以帮助科学家更好地理解学科领域的整体发展趋势，以及不同领域之间的和差异。
知识图谱还可以用于揭示科学知识的动态变化和学科领域的演化历程。
近年来，随着科学计量学领域的不断发展和完善，知识图谱在科学计量学方面的应用研究也取得了显著的进展。
目前，知识图谱在科学计量学领域的应用主要集中在以下几个方面：学科领域分析：通过构建学科领域的知识图谱，可以深入探究学科领域的结构、主题和演化规律。
例如，在生物医学领域，研究人员可以利用知识图谱对基因、蛋白质等领域进行深入分析，帮助科学家更好地理解这些领域的内在和发展趋势。
科研合作分析：知识图谱可以用于分析科研合作网络，揭示不同国家和地区的科研合作状况。
通过构建科研合作知识图谱，可以发现不同国家和地区的合作偏好、合作模式和合作强度。
科研影响力评估：知识图谱可以用于评估科研成果的影响力。
例如，通过分析论文之间的引用关系，可以构建论文引用网络知识图谱，进而评估不同论文的影响力和重要性。
领域相关性分析：通过构建领域间的知识图谱，可以分析不同领域之间的相关性。
例如，环境科学和经济学领域之间存在一定的相关性，通过构建两个领域的知识图谱，可以进一步分析这种相关性的具体表现和原因。
随着科学计量学领域对知识图谱的应用不断深入，未来的研究将更加注重知识图谱的智能化、精细化和可视化。
未来的研究将更加注重知识图谱的构建方法和算法的优化，以提高知识图谱的精度和可靠性。
未来的研究还将更加注重知识图谱的应用拓展，将其应用于更多的领域和实际场景中，为科学研究和社会进步做出更大的贡献。
知识图谱在智能推荐算法中的应用分析
知识图谱在智能推荐算法中的应用分析第一章知识图谱概述知识图谱（Knowledge Graph）是一种基于语义网络的知识表示模型，它将知识结构化、标准化、语义化，形成了一个大规模的知识库。
知识图谱通过将实体、属性和关系抽象成节点、边和标签，描述实体之间的关系，进而实现知识的共享和应用。
知识图谱是人工智能、机器学习和自然语言处理的重要技术基础，在文本分析、信息检索、智能推荐等领域得到了广泛的应用。
第二章知识图谱与智能推荐智能推荐系统是一种基于用户历史行为、兴趣偏好和个性化需求等信息，通过算法模型实现对用户进行商品、服务等推荐的一种技术。
知识图谱作为一种知识表示模型，有着在智能推荐系统中发挥重要作用的潜力。
通过将用户自身特征、商品特征、其他因素等抽象为实体节点，并通过相应关系连接起来，形成一个复杂的图结构，实现推荐结果的智能化生成。
第三章知识图谱在推荐系统中的应用3.1 用户画像通过将用户的历史行为、个人信息、社交网络等信息进行抽象和标注，形成一个用户画像或者多个用户画像，为推荐模型提供个性化推荐支持。
3.2 商品描述与分类通过对商品信息进行分类、属性抽取、关系分析等技术处理，将商品特征形成一个结构化的知识图谱，为推荐系统提供更为细致和准确的商品信息。
3.3 推荐算法与模型结合知识图谱的特点，基于图模型和知识表示学习技术进行推荐算法的研究，可以通过将用户特征、商品特征和其他因素抽象为实体节点，通过节点间的连接关系所带的语义信息进行推荐结果的生成。
此外，针对不同的应用场景，还可以基于知识图谱提取出的关系进行特定领域、特定对象等的推荐。
第四章知识图谱在电子商务领域的应用4.1 个性化推荐通过分析用户的历史购买行为、浏览记录、搜索关键词以及其他因素等，在知识图谱中建立用户画像，并结合商品信息和购买环境等因素进行个性化推荐，为用户提供更为准确和便捷的购物体验。
4.2 智能客服基于知识图谱为电子商务领域提供的商品信息、支付流程、物流信息等知识，为用户提供智能化的客户服务支持，包括自动回答、在线客服、投诉处理等功能。
- 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)。
步骤3 .构建完整科学知识图谱： 对项目 所 属学科 、项目申 请时间等其他结构化数 据进行数 据融合 ，保证每个关键 词对 应到其所 属学科 ，构建完整的 科学 知识图 谱 ，涉 及的 知识 加工手段包括知识推理 、质量评 估； 步骤4 .解读知识图谱，探测主题演进趋势： (4-1)挖掘主题间交叉关系和内部结构变化： 所有主题下的关键词频率将通过该主题涉及的总关键词频率进行归一化，利用KL散度 计算主题之间的 信息增益 ；KL值为0时 ，两大研究主题的关键词分布则完全相同 ；通过观察 每个时间窗下三大研究主题类型中所有主题的KL值，得到任意两个主题在不同时间窗下的 主题交叉情况和所有主题在演进过程中的内部结构变化幅度，挖掘出三大类型的研究主题
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910058235 .9
(22)申请日 2019 .01 .22
(71)申请人 杭州师范大学 地址 311121 浙江省杭州市余杭区仓前街 道余杭塘路2318号
(72)发明人 张子柯 李丽霞 任卓明
(74)专利代理机构 杭州君度专利代理事务所 (特殊普通合伙) 33240
代理人 朱月芬
(51)Int .Cl . G06F 16/33(2019 .01) G06F 16/36(2019 .01)
(10)申请公布号 CN 109800288 A (43)申请公布日 2019.05.24
( 54 )发明 名称 一种基于知识图谱的科学研究热点分析与
预测方法 ( 57 )摘要
两个关键词词组ei、ej分别由m、n个单词构成 ，α为每个词在关键词词组中的权重占比 ； b .构建关键词共词网络，计算相似关键词集W中任意两个关键词实体ei、ej的邻居相似 性simNB ,根据simNB对相似关键词集进行初步划分，选取simNB大于设定值的关键词集作为备 选词集，进一步通过关键词的内部单词结构和在共现网络中共现邻居结构相似度高的两个
不同时间窗的主题影响网络通过对比 和追踪核心词、突变词、新生词的变化 ，识别核心 主题、突变主题以及新兴主题的变化情况和趋势，通过社会网络分析法可视化三大类型演 进的内部影响结构，对研究主题变化情况的分析和对未来趋势进行推断。
2 .如权利要求1所述的一种基于知识图谱的科学研究热点分析与预测方法，其特征在 于：步骤1中所述的关键词提取是根据已提供的关键词创建关键词表，对英文的题目、摘要 进行分词和去停用词，以双向最大匹配算法匹配关键词表从而抽取关键词词串；双向最大 匹配法算法使 用正向最大匹配法 和逆向最大匹配法进行 切分 ，以 大粒度词优先 、非 词表词 最少为原则的分词结果选取关键词。
本发明涉及一种基于知识图谱的科学研究 热点分析与预测方法。本发明方法通过关键词的 共 词关 系确定研究 主题 ，并根据高频的 核心 词 ， 中、高频的突变词和新生词分布情况划分热点研 究主题、突变研究主题、新兴研究主题和一般研 究主题，最后从主题间的内在交叉关系和主题的 变化情况两个 角度出发 ，解读知识图谱的研究主 题结构和趋势以预测其中三大研究主题的未来 发展。本发明方法首先进行关键 词提取与对齐 ， 然后分析关键 词共现网络 ，确定研究 主题 ，构建 完整科学知识图 谱 ，最 后解读知识图 谱 ，探 测主 题演进趋势。本发明方法对主题趋势的挖掘更有 针对性，分析结果更加客观准确。
2
CN 109800288 A
权 利 要 求 书
2/2 页
演进存在的规律和内部共性以预测未来的主题交叉情况； (4-2)分析包含主题间因果关系的主题变化情况： 对存在显著Granger因果关系的主题对，对所有主题对应用霍克斯过程模型，通过建立
某一主题历史行为与另一主题当前行为的关系计算主题之间的影响强度，构建主题影响网 络；表示因果关系的影响显著性的P值小于0 .05的，表示主题对存在显著Granger因果关系；
权利要求书2页 说明书6页 附图1页
CN 109800288 AHale Waihona Puke CN 109800288 A
权 利 要 求 书
1/2 页
1 .一种基于知识图谱的科学研究热点分析与预测方法，其特征在于该方法具体步骤包 括：
步骤1 .关键词提取与对齐； 步骤2 .分析关键词共现网络，确定研究主题： (2-1)词频计算： 结合词频g指数和实际数据的词频分布情况作为选取中高频词的依据，以1～5年的等 长时间距离 划分时间窗 ，统计每个时间窗中出现的中高频 词词频次数并计算 词频变化情 况，并按核心词，新兴词，突变词本身的特点进行识别； (2-2)确定研究主题： 中高频关键词在同一个项目中的频率作为关键词之间的联系密切程度，利用ochiia系 数计算关键词相关矩阵 ；以欧式距离衡量点间距离 ，聚类关键词形成词簇 ，确定研究主题 ；
3 .如权利要求1所述的一种基于知识图谱的科学研究热点分析与预测方法，其特征在 于：所述的步骤1中关键词对齐的具体方法是：
a .以经过分词、去停用词处理的摘要作为word2vec的训练数据，生成词向量，计算每个 关键词词组中每个词的词向量x加权平均和作为关键词向量，得到任意两个关键词实体ei、 ej的词相似性simKW：simKW(ei ,ej)＝simKW(αi,1xi,1+…+αi,mxi,m ,αj,1xj,1+…+αj,nxj,n) ；
A关键词与B关键词的ochiia系数：
(2-3)可视化主题结构： 计算衡量主题T与其他主题间关键词相互作用情况的向心度ST和主题T内关键词紧密程 度的密度DT，并通过战略坐标图可视化所有研究主题的主题结构，战略坐标图以向心度ST为 横坐标，以密度DT为纵坐标：
其中 ，O为ochiia 系数 ，k和l为主题T的内部关键词 ，w为不属于主题T的关键词 ，Q为总词 数，q为主题T内的关键词数量；