[摘要]知識發(fā)現(xiàn)是指借助于計(jì)算機(jī)技術(shù)來揭示隱含在大量數(shù)據(jù)中的規(guī)律或模式的一種方法。以SCIE和SSCI為數(shù)據(jù)源，以主題詞為檢索方式，采用定量分析的方法，確定知識發(fā)現(xiàn)領(lǐng)域的核心期刊、核心機(jī)構(gòu)、核心作者，并分析知識發(fā)現(xiàn)研究主題和高影響力的學(xué)術(shù)論文，從而分析出國內(nèi)外知識發(fā)現(xiàn)研究現(xiàn)狀與趨勢。
　　[關(guān)鍵詞]知識發(fā)現(xiàn)科學(xué)文獻(xiàn)文獻(xiàn)計(jì)量SCIE SSCI
　　[分類號]G350
　　
　　信息技術(shù)的發(fā)展使數(shù)據(jù)量迅速膨脹，大量數(shù)據(jù)中可能隱藏一些規(guī)律或模式，知識發(fā)現(xiàn)就是在此背景下提出。知識發(fā)現(xiàn)是一個(gè)新興的交叉性研究領(lǐng)域，美國學(xué)者Usama MFayyad(1996年)認(rèn)為，數(shù)據(jù)庫知識發(fā)現(xiàn)(knowledge discovery in databases，KDD)是指從數(shù)據(jù)集中識別出有效的、新穎的、潛在有用的以及最終可理解的模式的非平凡過程。知識發(fā)現(xiàn)不同于各學(xué)科領(lǐng)域的基礎(chǔ)研究、應(yīng)用研究中新知識的發(fā)現(xiàn)，它是對已有知識的再加工組織，從中發(fā)現(xiàn)新知識的過程。知識發(fā)現(xiàn)是一個(gè)智能化、自動(dòng)化的過程，它通過數(shù)據(jù)挖掘技術(shù)提煉數(shù)據(jù)，使數(shù)據(jù)更抽象、更有用。
　　本文通過對知識發(fā)現(xiàn)研究文獻(xiàn)的計(jì)量分析，了解知識發(fā)現(xiàn)領(lǐng)域的國際研究態(tài)勢，為知識發(fā)現(xiàn)的進(jìn)一步研究提供參考。
　　
　　1　文獻(xiàn)數(shù)據(jù)分析與說明
　　
　　樣本數(shù)據(jù)來源于Thomson Scientific公司的Web of Science平臺SCIE和SSCI數(shù)據(jù)庫，所用分析工具是湯姆森數(shù)據(jù)分析家(Thomson Data Analysis，TDA)和微軟表格處理軟件(EXCEL)。知識發(fā)現(xiàn)是一個(gè)交叉性領(lǐng)域，所以有很多不同的術(shù)語，如“KDD”、“數(shù)據(jù)挖掘”(datamining)、“知識發(fā)現(xiàn)”(knowledge discovery)、“信息收獲”(information harvesting)、“智能數(shù)據(jù)分析”(intelligent data analysis)、“數(shù)據(jù)考古”(da詛archeology)、“知識抽取”(information extraction)、“信息發(fā)現(xiàn)”(information discovery)、“探索式數(shù)據(jù)分析”(exploratory dataanalysis)等，且知識發(fā)現(xiàn)是一個(gè)新興領(lǐng)域，其術(shù)語還在不斷發(fā)展過程中，故本文將KDD、knowledge discovery、data mining這3個(gè)最常用術(shù)語作為檢索詞進(jìn)行主題檢索，即檢索式為TS=(“KDD”O(jiān)R“knowledge discovery”O(jiān)R“data mining”)。SCIE數(shù)據(jù)庫提供1991年以來的數(shù)據(jù)，故檢索時(shí)間限定為1991-2006年。共得到7005條記錄(檢索時(shí)間：2007年7月3日)，其中研究文獻(xiàn)(article)共有6383篇。
　　
　　2　文獻(xiàn)定量統(tǒng)計(jì)與結(jié)果分析
　　
　　2.1　研究文獻(xiàn)的年代分布
　　研究文獻(xiàn)的年代分布可反映出該領(lǐng)域的學(xué)術(shù)發(fā)展速度和發(fā)展軌跡。1991-2006年這16年間，被SCIE和SSCI收錄的有關(guān)知識發(fā)現(xiàn)的研究文獻(xiàn)共有6 383篇(見表1)。
　　
　　
　　根據(jù)邏輯斯蒂的“s”增長曲線模型(見圖1)，新事物在初始階段發(fā)展緩慢，之后進(jìn)入高速增長階段，接著進(jìn)入穩(wěn)定發(fā)展階段。知識發(fā)現(xiàn)研究領(lǐng)域在1996年后進(jìn)入快速發(fā)展期，2006年論文量達(dá)到1 238篇，結(jié)合表1和圖1可知，該領(lǐng)域尚未達(dá)到成熟階段，仍有很大發(fā)展空間。
　　
　　2.3　研究文獻(xiàn)的期刊分布
　　排除其它出版物形式(會(huì)議論文集、系列叢書)的研究文獻(xiàn)，共有4165篇期刊文獻(xiàn)收錄在1 049種期刊上。按期刊載文量的不同將期刊分組，統(tǒng)計(jì)表明，載文量50篇以上的期刊有4種，載文量1篇的有601種。
　　根據(jù)布拉德福定律，將期刊按載文量降序排列，累計(jì)論文數(shù)約占1／3的期刊是該學(xué)科的核心期刊，據(jù)此統(tǒng)計(jì)得出，知識發(fā)現(xiàn)領(lǐng)域核心期刊共有35種。大部分是計(jì)算機(jī)科學(xué)和工程類期刊，只有少量是醫(yī)學(xué)、生化類期刊。其中載文量前幾位的期刊存IEEETransactionsonKnowledgeandDataEngineering(190篇)、DataMiningandKnowledgeDiscovery(105篇)、Ex-pertSystemswithApplications(97篇)、Bioinformatics(76篇)。
　　
　　2.4　研究文獻(xiàn)作者分析
　　核心作者對推動(dòng)學(xué)科發(fā)展、開拓研究領(lǐng)域起著關(guān)鍵作用。本統(tǒng)計(jì)中，共有12940名作者(包括第二、三等合著者)，篇均作者2人。其中發(fā)文篇數(shù)最多(35篇)的是美國學(xué)者JiaweiHart，主要從事計(jì)算機(jī)科學(xué)研究，是核心作者之一。
　　根據(jù)普萊斯定律，“杰出科學(xué)家”或“核心作者”應(yīng)完成所有專業(yè)論文總和的一半，核心作者最低發(fā)文數(shù)m的值為：m=0.749,其中，n是指發(fā)文最多的作者所發(fā)表的論文數(shù)，在本樣本中為35，故m取最大整數(shù)為4。統(tǒng)計(jì)數(shù)據(jù)表明，發(fā)文4篇以上有768人(見圖2)，占總作者數(shù)的5.94％，說明知識發(fā)現(xiàn)領(lǐng)域已形成核心作者群。對發(fā)文量4篇以上的作者的論文被引情況進(jìn)行綜合分析，按作者文獻(xiàn)被引頻次降序排列，列出前8位作者(見表2)。這8位作者只占作者總數(shù)的0.062％，但是其論文被引頻次達(dá)到3 335次，占全部論文被引頻次的12.78％，說明這些作者的論文有著很高的影響力。
　　
　　2.5　核心機(jī)構(gòu)分析
　　本次統(tǒng)計(jì)的6 383篇論文的作者機(jī)構(gòu)共有2 898家，分布很廣泛(見表3)。在這些機(jī)構(gòu)中，不乏一些大型商業(yè)公司，如IBM、Intel、GM、SPSS等，表明知識發(fā)現(xiàn)研究具有面向應(yīng)用的顯著特征，高校仍是該研究領(lǐng)域的主力軍，前10位席位中占7位；中國有關(guān)機(jī)構(gòu)在知識發(fā)現(xiàn)研究方面有一定的研究實(shí)力，中國科學(xué)院、清華大學(xué)已走在世界前列。
　　
　　
　　
　　
　　
　　2.6　論文被引頻次分布
　　經(jīng)典文獻(xiàn)能夠?yàn)榻窈蟮难芯亢桶l(fā)展提供參考。文獻(xiàn)計(jì)量學(xué)中，若一篇文獻(xiàn)自發(fā)表以來平均每年被引用4次或4次以上，可以列為“經(jīng)典文獻(xiàn) ”。在本次研究中，16年間被引用頻次達(dá)到110(>64)次以上的有15篇，初步確定它們?yōu)橹�識發(fā)現(xiàn)研究的高影響力文獻(xiàn)(見表4)。其中，生物信息學(xué)領(lǐng)域占10篇。
　　
　　2.7　研究文獻(xiàn)的領(lǐng)域分析與主題分析
　　由于知識發(fā)現(xiàn)研究的大部分文獻(xiàn)屬于幾個(gè)領(lǐng)域，這里初步統(tǒng)計(jì)了處于發(fā)文量前幾位的領(lǐng)域。它們分別是計(jì)算機(jī)科學(xué)(84.4％)、電子工程學(xué)(15.0％)、生物信息學(xué)(11.3％)、運(yùn)籌學(xué)與管理學(xué)(4.7％)、醫(yī)學(xué)(4.4％)、統(tǒng)計(jì)學(xué)(3.5％)、信息科學(xué)和圖書館科學(xué)(2.2％)�？梢�，計(jì)算機(jī)和工程領(lǐng)域是知識發(fā)現(xiàn)研究的主要科學(xué)領(lǐng)域，與其它領(lǐng)域相比，生物信息學(xué)領(lǐng)域的知識發(fā)現(xiàn)研究已進(jìn)入全面發(fā)展階段。
　　本文通過對作者所列關(guān)鍵詞的統(tǒng)計(jì)進(jìn)行主題分析。表5列出知識發(fā)現(xiàn)研究文獻(xiàn)詞頻前幾位的關(guān)鍵詞。數(shù)據(jù)挖掘技術(shù)中關(guān)聯(lián)規(guī)則、聚類、分類、可視化、神經(jīng)網(wǎng)絡(luò)是研究熱點(diǎn)，生物信息學(xué)領(lǐng)域非常關(guān)注知識發(fā)現(xiàn)的研究，這與領(lǐng)域分布、經(jīng)典文獻(xiàn)領(lǐng)域分布分析具有一致性。圖3是前幾位關(guān)鍵詞的關(guān)聯(lián)可視化，節(jié)點(diǎn)的大小表示本節(jié)點(diǎn)記錄條數(shù)的多少，之間連線的虛實(shí)密度表示節(jié)點(diǎn)之間的關(guān)系，節(jié)點(diǎn)標(biāo)簽表示與該節(jié)點(diǎn)同時(shí)出現(xiàn)的其它節(jié)點(diǎn)及記錄數(shù)�？梢钥闯觯�作為機(jī)器學(xué)習(xí)和分類的一種算法，決策樹與兩者同時(shí)出現(xiàn)次數(shù)較多；神經(jīng)網(wǎng)絡(luò)與可視化在生物信息學(xué)中的應(yīng)用較多。
　　
　　3　結(jié)語
　　
　　3.1　知識發(fā)現(xiàn)研究文獻(xiàn)狀況分析
　　通過對知識發(fā)現(xiàn)研究文獻(xiàn)的定量分析，反映出從20世紀(jì)90年代以來，知識發(fā)現(xiàn)研究文獻(xiàn)數(shù)量呈增長趨勢，特別是1996年以后，文獻(xiàn)數(shù)量激增，知識發(fā)現(xiàn)受到各領(lǐng)域的關(guān)注，尤其計(jì)算機(jī)科學(xué)和工程學(xué)、生物信息、醫(yī)學(xué)、管理學(xué)、統(tǒng)計(jì)學(xué)以及信息科學(xué)和圖書館學(xué)等領(lǐng)域，本文分析確定的35種核心期刊中，大部分是計(jì)算機(jī)科學(xué)和工程領(lǐng)域的期刊在研究知識發(fā)現(xiàn)的眾多機(jī)構(gòu)中，除了高校和科研機(jī)構(gòu)外，還有不少商業(yè)公司，從發(fā)文量和被引頻次角度確定的15位核心作者中，絕大部分學(xué)者從事的是計(jì)算機(jī)和生物信息學(xué)領(lǐng)域，如圖4所示，在發(fā)文較多的國家中，美國居于首位，除了歐美國家，亞洲國家對知識發(fā)現(xiàn)領(lǐng)域也比較關(guān)注，中國大陸、日本、韓國、中國臺灣都是發(fā)文量居于世界前列的國家和地區(qū)；在發(fā)文前幾位的國家中，歐洲國家合作較多，我國與加拿大、澳大利亞的合作較多。
　　
　　3.2　知識發(fā)現(xiàn)高影響力文獻(xiàn)分析
　　對高影響力文獻(xiàn)中10篇生物信息領(lǐng)域文獻(xiàn)進(jìn)行分析，其中一部分文獻(xiàn)研究了基于數(shù)據(jù)挖掘技術(shù)的數(shù)據(jù)庫的功能。如在文獻(xiàn)G-enevestigator．a(chǎn)rabidopsis microarray database and analy-sis toolbox中介紹到數(shù)據(jù)庫Genevestigator是個(gè)針對基因芯片數(shù)。

相關(guān)熱詞搜索：定量分析 文獻(xiàn) 發(fā)現(xiàn) 知識發(fā)現(xiàn)研究文獻(xiàn)定量分析 文獻(xiàn)定量分析 文獻(xiàn)定量分析的方法有