摘要：[目的/意义]在人工智能技术及应用快速发展与深刻变革背景下,机器学习领域不断出现新的研究主题和方法,深度学习和强化学习技术持续发展。因此,有必要探索不同领域机器学习研究主题演化过程,并识别出热点与新兴主题。[方法/过程]本文以图书情报领域中2011—2022年Web of Science数据库中的机器学习研究论文为例,融合LDA和Word2vec方法进行主题建模和主题演化分析,引入主题强度、主题影响力、主题关注度与主题新颖性指标识别热点主题与新兴热点主题。[结果/结论]研究结果表明,(1)Word2vec语义处理能力与LDA主题演化能力的结合能够更加准确地识别研究主题,直观展示研究主题的分阶段演化规律;(2)图书情报领域的机器学习研究主题主要分为自然语言处理与文本分析、数据挖掘与分析、信息与知识服务三大类范畴。各类主题之间的关联性较强,且具有主题关联演化特征;(3)设计的主题强度、主题影响力和主题关注度指标及综合指标能够较好地识别出2011—2014年、2015—2018年和2019—2022年3个不同周期阶段的热点主题。

摘要：通过设计专利价值的多维评估指标,筛选出已公认的高价值专利作为预测目标向量,构建训练集和测试集,运用BP神经网络模型进行潜在高价值专利的自动预测,同时借助MIV算法分析专利价值各维度指标对模型预测结果的贡献和影响程度。研究发现:(1)BP神经网络模型的预测性能较优,预测准确率全部达到89%以上,其中“专利家族规模”评估出高价值专利为预测目标向量的BP神经网络模型表现最优,而“专利家族规模”与“专利被引频次”组合指标评估出高价值专利为预测目标向量的识别模型表现相对较差。(2)MIV绝对值能够有效反映专利价值各维度指标对模型预测结果的影响和贡献程度,其中技术价值维度指标对高价值专利预测结果的影响最为显著。从单个指标的MIV绝对值和总占比来看,专利IPC4分类数、首次被引速度、权利要求数和专利被引频次对各模型高价值专利预测结果的影响程度较大。

摘要：[目的/意义]科研合作最直接的表现形式是论文合著,各领域学者通过持续不断的科研合作,逐渐形成自己的学术圈子和各具特色的科研合作社区。科研合作研究是国内外学者研究的热点主题,近年来涌现出大量相关研究文献。[方法/过程]设计专业检索式获取到国内科研合著方面的1 020篇研究论文,通过分析和归纳每篇研究论文的标题和摘要,对国内科研合作研究主题、方法和结果进行综述。[结果/结论]总结归纳出国内科研合作研究的七大研究主题:科研合作研究的起源与发展、科研合作行为模式、科研合作动机与影响因素、科研合作网络类型、科研合作网络测度、科研合作网络结构及演化分析、科研合作网络应用研究。同时,从文献出版的时间维度回顾了七大研究主题的研究进展与发展动态,帮助更多学者了解国内科研合作的研究主题和主题研究进展,并拓展到国际科研合作的研究进展与发展动态分析。

摘要：综合运用科技文献特征向量空间和机器学习模型实现海量文献中潜在“精品”的自动识别与推荐,能够提升海量科技文献的科学影响和其科技发展促进作用。设计和实现基于机器学习的科技文献潜在“精品”识别分类器和模型框架,测度出国际高影响力期刊和国内图书情报与档案管理期刊论文的原文及引文特征,运用特征工程构建科技论文特征向量空间;然后分别采用支持向量机和朴素贝叶斯等传统机器学习模型,以及深度置信网络和多层感知机等深度学习模型进行潜在“精品”的自动识别,并基于ROC曲线(receiver operating characteristic curve)和混淆矩阵构建评价模型识别效果的指标体系。研究结果显示:①深度学习模型在潜在“精品”识别方面的效果较差,而传统机器学习模型的识别效果较优,其中随机森林和支持向量机的潜在“精品”识别效果最佳,决策树识别效果次之,朴素贝叶斯识别效果较差且稳定性不足。②影响因子越高的期刊潜在“精品”识别效果越好;无论国际自然科学领域高影响力期刊,还是国内社会科学领域图书情报与档案管理期刊,识别出的“精品”论文全部为被引频次较高的论文且综述论文的占比较低,国内期刊的“精品”论文中仅有1篇为综述论文。③“精品”论文的计量特征值与总体论文样本相比,呈现较大差异,即“精品”论文的首次响应时间较短且拥有基金资助,参考文献数量、关键词数量和被引频次较多,摘要和论文篇幅较长且偏向多作者论文。实证结果表明,机器学习模型能够准确识别科技文献中的潜在“精品”,并提升潜在“精品”识别的自动化程度,为海量文献中潜在“精品”文献的自动识别与传播利用提供理论参考与方法支撑。

摘要：海量科技文献中“睡美人”的充分挖掘与广泛利用,能够最大程度实现此类文献的科学价值,发挥其对科技发展的重大促进作用。本文设计和实现融合K值算法的BP(back propagation)神经网络模型,以及融合最小二乘法和迭代算法的一元二次函数拟合识别模型,对细胞生物学领域401130篇论文中的“睡美人”进行识别检验,结果发现:①BP神经网络模型能明显改进“睡美人”识别的自动化程度和效果,不受引文期长短的影响,然而需要预先识别出“睡美人”进行识别模型训练;最小二乘法、迭代算法和切片算法的融入能够提升一元二次函数和基尼系数的识别效率。②一元二次函数拟合受引文期的影响较小,然而基尼系数受引文期的影响极大,较短引文期文献中识别出的“睡美人”数量是较长引文期文献中“睡美人”数量的15倍。③即使同一个领域,识别结果的方法差异也较为明显。K值算法、BP神经网络和一元二次函数的识别效果较优,然而识别数量较少,占总量比例不到0.09%。基尼系数方法受引文期影响,导致识别效果最差且识别数量最多,占比达到0.41%。④细胞生物学领域“睡美人”数量的年度分布较为稳定,保持在0.02%~0.17%。⑤“睡美人”识别结果能够广泛应用于不同价值文献的计量特征比较,领域研究热点主题的识别与推荐,以及潜在“精品”或高价值文献的识别与传播推荐。

摘要：提出基于SUMO本体的图书自动分类模型。该模型首先对收集的各类图书信息进行预处理,形成高维的词向量空间,然后利用我们设计的基于SUMO本体的映射算法将其映射成低维的概念向量空间进行图书自动分类模型的训练。当用户输入图书信息时,模型会对这些信息进行相同处理,并利用训练好的分类模型将其归到相应的类别中。实验表明,该模型能够简化图书自动分类的过程,降低向量维度,提高分类效率,有效保证图书分类的准确率和召回率。

摘要：区块链领域技术主题的自动识别与技术主题范畴的自动分类研究,为拓展领域研发主题和推动领域发展提供情报支持。以德温特专利数据库中的中国区块链技术专利为样本,设计和实现基于机器学习的区块链技术主题识别与自动分类模型,实现基于LDA主题模型的区块链技术主题识别。基于专利文献特征向量空间,形成技术主题范畴的分类体系,最终实现基于传统机器学习和深度学习模型的区块链技术主题自动分类。研究发现:LDA主题模型能够有效识别出区块链技术领域的主题类别,并构建出技术主题类别的特征向量空间,共识别出18个技术主题,按照研究方向归纳为区块链架构研究、区块链行业应用研究、数据存储和数据安全保护研究、高新技术应用研究4类主题范畴;通过交叉融合LDA主题模型、传统机器学习与深度学习等机器学习方法,能够有效实现领域技术主题范畴的自动分类。分类结果显示,支持向量机、LightGBM、LSTM、BP神经网络、逻辑回归模型等分类模型的性能较优,准确率为84%~87%,精确率为79%~83%,其中逻辑回归模型的自动分类效果更显著。

摘要：[目的/意义]高校评估指标设置和权重测量分配等环节出现的主观性因素,使得不同评估报告中的高校排名结果之间存在一定差异。[方法/过程]为此,笔者融合面板数据模型和层次分析模型构建一个测度指标权重的全定量测度模型,并设计和实现融合新型指标测度模型的改进型TOPSIS模型和灰色关联模型,评估分析了2017年中国最好大学排名的TOP100高校,并与TOPSIS模型、融合熵值法权重的改进TOPSIS模型等传统定量评估方法的评估结果进行比较。[结果/结论]融合面板数据模型和层次分析模型权重的新型评估方法具有较好的评估效果,与中国最好大学排名结果之间保持较高的一致性;高校排名结果会受到指标权重和评估方法的影响,不同评估方法评估出的高校最高最低名次差值的平均值相对较高,为10.84。

摘要：为了了解设备表面和内部的工频电场,从而更好地研究设备运行的状态及优化改进设备,笔者介绍了一维球型电场传感器的测量原理,设计了一种基于C8051F410单片机的便携式工频电场测量装置,讨论了不同形状及规格电场探头对测量结果的影响并完成了电场探头的选型。在500 kV交流输电线下方和实验室简化同心圆球电极内使用该装置与国外标准仪器进行了对比测量,现场测试结果表明该装置测量数据与国外仪器相比具有较大的相关度,能准确地测量电力系统工频电场,具有很好的实用性。

摘要：为了满足航空电子装备的战时损伤下的应用要求,延长航空装备的使用寿命,降低其维护费用,对航空电子装备的数字电路部分的容错性和自修复进行了研究,提出了基于胚胎电子电路的自修复数字电路;分别对自修复数字电路的逻辑功能模块、配置寄存器模块和自修复辅助电路模块进行了结构设计,研究了自修复数字电路在故障状态下,其细胞单元重构过程,并给出了例子进行说明。最后成功将该研究运用某型测试设备适配器上。