隨著計算機技術和網絡技術的發展,大量的數字圖書館被建設,給我們提供了豐富的數字化信息資源和大量的文獻數據信息。文獻數據包括了大量的信息,如文本信息、鏈接信息、社會信息,通過對其進行分析和挖掘,可以發現大量有用或潛在的知識,能夠有效地提高研究者對科技文獻的整理和總結,對研究領域的理解和把握,進而幫助和指導研究者開展更加有效的科學研究工作。 本文主要針對文獻數據,進行了一些挖掘研究和分析,主要的工作內容,創新貢獻如下: 1)引入文獻數據中的會議信息到主題模型中,提出了Conference-Author-Topic的主題抽取模型,不僅可以獲得文獻數據整體的主題信息,同時也挖掘了作者和會議的主題分布。改進后的CAT主題模型使得抽取的主題更加準確和合理,也方便了對作者、會議在主題信息上的進一步分析和研究工作; 2)在主題抽取的基礎上,提出了主題相互影響的模塊化網絡的構造方法。首先從主題模型的結果中獲得主題強度的時間序列數據,對其采用分段線性化來消除局部波動,最后構造主題相互影響的模塊化網絡。模塊化網絡的構造使研究者能夠準確地理解研究領域的演化規律,掌握發展趨勢,指導科研工作的開展...

【文章頁數】：73 頁

【學位級別】：碩士

【部分圖文】：

圖1.1數據挖掘的全過程示意描述數據挖掘的興起只有十幾年的時間，它仍然處在早期階段，還有很多的研究

預測趨勢和決策行為也許是非常有價值的。KDD過程主要包括幾個階段:數據清理、數據集成、數據選擇、數據變換、數據挖掘、模式評估和知識表示等，如圖1.1所示。其每步的具體的工作如下:.數據準備:了解KDD應用領域的有關情況。包括熟悉相關的背景知識，搞清用戶需求。.數據選取:數據選取的....

圖1.3研究者合作網絡實例如果簡單的把傳統的挖掘方法應用到這類的數據上面，我們得到的結果將會不準確

(fiequentPattem)，而忽略了實體之間的關系(link)，或者是僅認為實體間只有一種關系。但現實數據往往是復雜的，結構化的，異類的，這種類型的數據一般是用網絡(network)或圖形(graPh)來表示，如圖1.3表示了一個研究者相互合作的關系網絡。它們的節點(即實體....

圖1.5DBLp(淺色)和Citesee:(深色)每年的文章數比較

1.5DBLp(淺色)和Citesee:(深色)每年的文章數比較DigitalLibra叮(http://portal.aem.org/Portal.cfm書館收集了美國計算機協會(AssociationforCompM)在1985年之后出版的期刊論文與會議論文的條目、文資料，會....

圖2.2LDA主題模型

圖2.2LDA主題模型型產生文本的過程如下:于每個主題Z，從具有參數刀的Dirichlet分布選取一個多項式于每篇文章d，從參數為a的Dirichlet分布選取一個多項式分于文章中的每個詞w，從多項式分布ea中選取一個主題z任{1多項式九來選擇詞w。得，生成一個文檔的概率過程為:....

本文編號：4057288