民间经济模型紧域知识社区动态演化研究_复杂网络论文

Folksonomy模式中紧密型领域知识群落动态演化研究，本文主要内容关键词为：群落论文,紧密论文,领域论文,模式论文,知识论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。

      0 引言

      图书情报领域的任何一种分类法，本质上都是对领域知识的组织和架构。无论是早期《法国大百科全书》所代表的“线性”结构，还是盛行全球的《杜威十进制分类法》(DDC)所遵从的“树形”结构，都蕴藏着对构建基于知识关联关系的知识组织结构的共识。Folksonomy知识组织模式自21世纪初诞生以来，迅速风靡互联网。从知识的客观性来看，Folksonomy无疑是迄今为止距离人类感知最近的知识组织模式。然而，也恰恰是这种源自于Web2.0环境的近距离感知，使得其外在形式显示出离散与无序的特征。人们在享受其高度的感知易用性所带来的便利的同时，也对其离散表象下知识的关联与结构展开了研究和探索，并取得了丰硕的成果。特别是复杂网络理论引入图书情报学领域之后，各类领域知识网络中的小世界、无标度等特征逐渐被揭示出来，基于网络结构属性探索Folksonomy散乱外表背后领域知识之间的关联、交叉、渗透、融聚等问题，逐渐显露出其得天独厚的优势。

      然而，对表象背后真谛的揭示往往需要动态的分析视角，好在20世纪70年代Popper[1]就将知识的演进与发展同进化论结合起来，不仅奠定了知识组织研究领域中动态分析的理论基础，更把领域知识的生长、衰老现象赋予了自组织、自适应的生命特征。最新的研究成果表明，复杂网络理论应用于知识组织相关问题研究，有助于识别、分析、研判领域知识生长模式的复杂性与多维性。

      有鉴于此，本研究从复杂网络的视角出发，采用层次派系的分析方法，对Folksonomy知识组织模式下紧密型领域知识群落的发展过程进行基于时间序列的动态演化分析，尝试揭示其散乱表象背后领域知识群落的衍生、交叉、融聚等现象的潜在模式，以期对Folksonomy模式中领域知识群落及其发展演化规律做出有益的探索。

      1 研究综述

      Folksonomy知识组织模式自诞生以来就以高度的感知易用性席卷了众多类型的网站，同时，其用户标签的离散性和平层性也成为学术界研究和突破的焦点。其中，离散表象下标签间潜在的关联关系无疑成为近年来Folksonomy知识组织模式相关研究的主要课题，并且已经积累了较为丰富的研究成果。

      自从2004年Vander Wal[2]正式提出“Folksonomy”这一概念以来，以Folksonomy模式组织知识资源，给网络知识组织实践带来了巨大的便利，同时也引起了国际学术界的普遍关注。特别是在关于Folksonomy模式中知识关联关系的研究方面，取得了较为显著的成果。德国卡塞尔大学的Schmitz[3]等人的研究结果表明，标签不仅仅代表简单的知识点，而且其背后存在潜在的知识关联，这种关联关系将会影响Folksonomy模式下的知识组织。然而，这一时期关于Folksonomy模式中知识关联问题的研究主要集中在语义关联层面。Laniado[4]及其合作者借助NetWord中概念的静态层级结构在Folksonomy中扩充标签间的语义关系，为基于Folksonomy的用户导航创造了更多的可能路径。Solskinnsbakk[5]通过为标签创造语义表示，采用无监督的机器学习方法，将潜在的标记素材与关联规则挖掘结果进行整合后，构建Folksonomy的语义结构框架，使得标签的语义表示成为该结构不可分割的组成部分。Zhitomirsky-Geffet[6]通过分析多用户在同一资源上的协作标注行为，提出了基于多用户不同视角的标签(概念)关联方法和总体框架，并借助标签间的关联关系构建了多维度的动态领域本体。

      与此同时，国内学者在Folksonomy模式中语义层面的标签知识关联研究也取得了相应的进展。北京大学信息管理系的周鑫[7]等通过对用户标签概念外延的界定，挖掘用户标签间的关联关系。邰杨芳[8]等从解决标签的平面性引起的标签间缺乏语义关联和无法揭示资源的深层语义及资源间语义关系的问题出发，提出基于受控词表的优化方案，以此提高Folksonomy模式下知识组织和检索的效率。此外，滕广青[9]等基于形式概念分析的方法，通过标签聚类分析和关联规则挖掘，对标签间的语义关联进行揭示。陈丽霞[10]等在对等网环境下分析用户标签的语义等级关系。这些研究成果对Folksonomy知识组织研究中语义层面的标签间知识关联关系的剖析起到了积极的作用。

      随着复杂网络分析(Complex Network Analysis，CNA)[11]理论引入知识组织研究领域，“网络结构决定网络功能”[12]的思想为Folksonomy模式下的知识组织研究提供了新的思想与方法。一些研究者尝试采用复杂网络分析的方法，对Folksonomy知识组织模式中知识的关联与结构关系展开研究。特别是基于标签的领域知识网络的小世界和无标度属性被揭示出来[13]，直接证明了复杂网络理论在标签关联研究方面的有效性。波兰国家科学院的Chojnacki[14]认为，Folksonomy模式中用户、资源和标签既然是相互连接的三元组，研究中就应该以更直观的3—模网络来呈现。与普通随机网络不同的是，“用户—资源—标签”3—模网络中聚类系数随着时间的推移从高位缓慢下降，揭示了其中的系统动力学和聚类系数的高位性。Mas[15]利用“社群驱动”展示了Folksonomy模式下结构网络中知识概念间的关联关系。日本学者柳(H.Yanagimoto)[16]同样基于标签构建了领域知识网络，并采用贝叶斯定理对标签间关联关系强度进行测评，实验结果表明该方法能够更好地判断关联关系强度，并且可以删除其中的虚假关系。

      国内学术界虽然在复杂网络应用于Folksonomy知识组织模式的研究方面起步较晚，但也取得了一定进展。通过对标签网络中语义信息的测度，已经证明标签之间的连接具有较强的语义相关性，并且随着标签间距离的增加相关性减弱[17]。此外，李静[18]基于网络分析验证了标签网络具有小世界效应和无标度特性的同时，采用新的聚类算法挖掘标签网络中的社团结构，有助于挖掘标签网络中隐含的语义关联。吴江[19]基于网络凝聚子群对用户标签的网状分类结构进行分析。滕广青[20]通过对标签网络中心性的考察，对标签网络的语义紧密性进行分析。苏晓萍[21]在标签网络中使用随机游走的方法实现了标签的个性化推荐。

      综上所述，以标签作为知识的表征对Folksonomy知识组织模式展开研究已经成为学术界的共识。学术界关于标签间关联关系的研究成果在不断丰富的同时，研究视角也从朴素关联转向网状关联以及基于聚类的子群内部关系。从相关研究工作的发展趋势来看，网络思维的引入，有助于深层次识别和揭示领域知识聚类、交叉的模式与规律。而且，Uddin[22]等人的研究结果已经表明，在建立标签之间的关联关系时，不仅要考虑标签、资源、用户三者之间的关系，更要考虑三者之间的动态关联。因此，本研究采用复杂网络理论中的层次派系分析方法，对Folksonomy知识组织模式中基于标签的领域知识网络进行时间序列上的动态跟踪与分析，以期从中发现和提炼紧密型领域知识群落的演进路径和演化规律。

      2 理论框架

      Folksonomy知识组织模式诞生于Web2.0的时代背景下，与传统知识组织模式的本质区别在于其开放性的用户标注行为。这种开放性的标注行为体现了社群用户对领域知识的群体认知，从超越领域专家的层面对Price[23]所提出的“无形学院”(Invisible College)进行了诠释。本研究借鉴Crane[24]采用网络思维研究无形学院的思想，基于标签间的邻接关系构建领域知识网络。领域知识网络为无向网络，通过网络结构关系能够反映领域知识之间的多维关联。

      特定的知识领域，无论其涵盖范围的大小，总会有一些知识点之间存在相互依赖、相互促进的关联关系，并形成知识群落[25]。如果知识群落中，一个知识点能以较高的显著性(高频性)对其他所有(完备性)知识点起到基础或支撑作用，并促进这些知识点发展，或者产生需求进而拉动其发展，则在领域知识发展层面表现出知识点之间的紧密性。这种基于紧密关联关系构成的领域知识群落称为紧密型领域知识群落，它往往对于领域乃至学科的知识发展起到至关重要的影响。在复杂网络中可以用卢斯一佩里(Luce-Perry)[26]的派系(Clique)概念对紧密型领域知识群落加以揭示。所谓派系，简单说就是复杂网络中的最大完备子图。由于复杂网络分析的理论与技术在我国图书情报学界的应用正处于发展阶段，因此，目前Clique的汉译并不统一，比较典型的译法包括派系[27]、集圈[28]、团伙[29]等。本研究中采用派系分析方法识别紧密型领域知识群落需要满足两个条件：一是高频关联，偶尔少量的关联不能代表领域知识的紧密核心关系；二是完备关联，基于部分知识节点之间关联关系的知识群落也不足够紧密。非派系(非紧密型领域知识群落)与派系(紧密型领域知识群落)的区别参见图1。

      

      图1 复杂网络中的非派系与派系

      图1中，6个知识节点都具有一定程度的关联关系，其中节点C与节点E之间的关联关系频次极低，远低于其他的关联关系，视为不具有显著性，研究中通过动态阈值筛除。即如果节点C与节点E之间仅有少量关联(虚线表示)，而其他由实线表示的关联有百余次，则节点C与节点E之间的关联在领域中不具有高频显著性，被筛除。进一步讲，图1(a)中节点A与节点C、节点C与节点D、节点D与节点B、节点B与节点A之间都具有达到阈值标准的高频关联关系，但节点A与节点D、节点C与节点B之间没有达到阈值标准的高频关联关系，则4个知识节点之间没有形成完全的相互支撑关系，其紧密程度不够，未形成派系，因此也未构成紧密型领域知识群落。反之，图1(b)则形成｛A，B，C，D｝和｛D，E，F｝两个派系，分别构成两个紧密型领域知识群落。

      本研究采用时间序列分析的指导思想，对不同时间窗口下领域知识网络中的派系加以识别和跟踪。通过时间轴的延展呈现领域知识网络中紧密型知识群落的生长和衰老过程，并对此类知识群落的演化模式与规律进行揭示。与此同时，由于知识点之间关联频次的不同，知识群落内部的紧密程度也存在差异，越是领域中基于高频关联形成的知识群落，越具有典型性和代表性。因此，本研究在Doreian[30]层次派系的基础上，采用动态阈值的方法构建不同时间窗口下的层次派系，并基于层次派系对紧密型领域知识群落的动态演化展开研究。

      3 研究方法

      3.1 研究数据

      本研究以德国卡塞尔大学知识与数据工程小组架设的Bibsonomy网站资源为基础数据源，该网站采用Folksonomy知识组织模式架构。以“network”为检索标签，共获得该领域相关文献2 231篇，这些文献被用户标注的各类标签总计647个，涵盖时间区间为2006～2015年。以年份为时间刻度，2006～2015年共10个时间窗口中的相关基础指标统计数据如表1所示。

      

      3.2 研究流程与方法

      3.2.1 矩阵转换与网络构建

      根据2006～2015年不同的时间窗口，首先构建文献与标签的隶属关系矩阵，即将文献与其对应的标签建立隶属关系。在此基础上，基于不同标签相对于同一文献的共同标注关系，将隶属关系矩阵转换为多值邻接矩阵，即当标签A与标签B共同标注同一文献时，则两个标签之间构成邻接关系，在邻接矩阵中计为1(没有共同标注同一文献计为0，表示不构成邻接关系)。进一步，如果标签A与标签B共同标注了两篇文献，则计为2。以此类推，数值越大，表明两个标签之间的关系越密切。由此，获得2006～2015年时间序列下10个时间窗口中的标签多值邻接矩阵。

      分别根据10个时间窗口中的多值邻接矩阵构建相对应的领域知识网络，即以标签为领域知识网络中的节点，如果两个标签之间具有邻接关系(标注同一篇文献)，在网络中就在这两个标签之间建立一条连线。由于不同的标签对(一对基于共同标注关系的关联标签)标注同一篇文献的频次不同，因此领域知识网络中连线的频值也存在差异，一对标签共同标注同一文献的频次越高，则该对标签之间连线的频值越大。由此可以获得基于用户标签的2006～2015年各个时间窗口中的领域知识网络。

      3.2.2 紧密型领域知识群落提取

      本研究采用复杂网络理论中的卢斯—佩里(Luce-Perry)[26]派系对领域知识网络中的紧密型领域知识群落加以揭示。为了更好地跟踪分析特定领域知识群落中知识之间相互促进、相互依赖的伴生演化关系，采用Doreian[30]层次派系的研究视角，重点关注具有较高关系强度的紧密型领域知识群落。考虑到本研究中的时间序列因素，采用动态阈值的方法，选取各个时间窗口中领域知识网络各个节点所对应连线频值的均值为临界值，提取C层次派系，即设定只有超过连线频值均值的关联关系才视为有效高频关系，所提取的层次派系中任何一对节点之间的关系强度都不小于C(均值)，并且在层次派系外的任何一个节点到该派系中所有节点的关系强度都小于C。

      计算2006～2015年10个时间窗口中各个领域知识网络中节点(标签)间连线频值的均值，并以该值为临界值分别计算提取10个时间窗口中相应的紧密型领域知识群落，相关统计指标见表2。

      

      至此，可以结合各个时间窗口中紧密型领域知识群落的具体特征，对Folksonomy知识组织模式中紧密型领域知识群落的生长、衰老现象展开分析，揭示其发展演化的模式与规律。

      4 研究结果

      4.1 紧密型领域知识群落的总体趋势

      10个领域知识网络中的连线代表领域知识(标签)之间的关联关系，连线数量的多少反映了不同时间窗口中领域知识之间关联关系的丰富程度。对上述10个领域知识网络中的连线数量及相关指标进行统计，所得结果见表3。

      

      将表3中领域知识网络的连线数量与表1中文献数量、标签数量和表2中的知识群落数量多个指标相结合，获得领域知识群落时间序列指标对比情况(见图2)。

      

      图2 紧密型领域知识群落时间序列相关指标对比

      从图2中可以发现，在2006～2015年时间区间内，文献数量逐年递增，但是后半段增速趋缓。相应的标签数量在前1/3段增势比较明显，中间1/3段增速趋缓，后1/3段则基本上保持平稳。值得注意的是，在整个时间周期内，领域知识网络的连线数量在保持递增的同时，还表现出与标签数量之间的巨大差异。从时间序列角度可以看出，当后1/3段领域知识点发展接近饱和状态时(2013、2014、2015年标签数量均为647，没有增加)，相应年份中领域知识网络的连线数量却依然持续增加。这一现象非常符合《信息简史》的作者Gleick[31]的观点：知识的连通性比知识点本身更为重要。毕竟知识的发展与创新不但包括新知识点的产生，更包括新的知识关联关系的发现。这一现象同时也说明，尽管这一时期领域内并没有新的知识点产生，但领域知识仍然在发生着演化与变迁。与此同时，在层次派系与动态阈值的筛选下，紧密型领域知识群落的数量呈波动式递增的趋势，进一步反映出领域知识中知识群落生长与衰老并存的演化模式。关于紧密型领域知识群落在时间序列上的生长与衰老演化问题，将选择具体的子领域对紧密型领域知识群落的演化过程进行更深入的分析和说明。

      4.2 紧密型领域知识群落的动态演化分析

      以初始时刻即2006时间窗口中领域知识网络中的“mining”(挖掘)为起点知识点，并删减与领域知识无关的个别标签，在“network”(网络)限定的知识领域中围绕“mining”及其所对应的知识群落展开紧密型领域知识群落的深入分析。在2006时间窗口中，采用C层次派系方法获得的包含“mining”的紧密型领域知识群落有且只有1个，命名为群落A，该知识群落同时包含“network” “mining” “pagerank”(网页级别)、“personalization”(个性化)4个知识点。4个知识点中的任意1个知识点与其他3个知识点之间的关系强度(连线频值)都大于均值，属于高频关联，是2006时间窗口中领域知识网络中具有重要地位的知识群落，其相互关系见图3。

      

      图3 初始时刻紧密型领域知识群落

      随着时间的推移，“mining”所涉及的知识群落在领域知识发展演化的同时，其内部知识点之间的伴生关系也在不断发生变化。2006～2015年10个时间窗口中，“network”知识领域里与知识点“mining”相关的紧密型领域知识群落见表4。

      

      从表4中可以看出，2006时间窗口中知识群落A以网页级别及个性化为主要方向(鉴于知识网络本身与挖掘起点受所选领域和起点知识点限定，故对“网络”与“挖掘”方向不再赘述)，该知识群落中“network” “mining” “pagerank” “personalization”4个知识点相互支持，相互依赖。

      2007时间窗口，保留了知识群落A并且产生了1个新的领域知识群落，命名为群落B。相对于2006时间窗口的知识群落而言，新生的知识群落B由“network”、“mining”、“social”(社会)、“sna”(社会网络分析)4个知识点组成，该知识群落以社会科学领域中的社会网络分析为主要方向。此时，新老知识群落(群落B与群落A)相互交叠，以“network”和“mining”为基础，派生出两个存在较大差异的研究方向，反映这一时期新的主要方向的派生。

      接下来的2008时间窗口仍然为两个领域知识群落，其中，知识群落A仍保持不变，但是刚刚在前一时间窗口(2007)新生的知识群落B中的“sna”却淡出了群落B，剩余知识点组成了新的知识群落，命名为群落C。由知识群落B衰减为群落C，这其中不排除动态阈值变化的影响因素，但可以发现，截至这一时刻，“sna”在知识群落B中并不稳定，即相对于成长中的整个领域知识网络而言，“sna”与知识群落B中其他3个知识点之间的关系强度尚不足够显著。

      当时间轴推进到2009时间窗口时，“mining”所对应的知识群落进一步发展为3个。与前一时间窗口相比，知识群落A保持不变，知识群落C恢复到知识群落B状态(“sna”被重新吸纳)，同时派生出由“network”、“mining”、“social”、“data”(数据)构成的新知识群落，命名为群落D。显然，知识群落D是以社会科学领域数据处理为主要方向的。

      在2010、2011时间窗口，知识群落A继续保持，“sna”再次淡出，从而导致知识群落B解体(由于知识群落D的存在，剩余部分不再构成最大完备子图)。这两个时间窗口下都只保留了知识群落A和知识群落D，再一次反映出“sna”在知识群落中地位波动的同时，也开始展露出该知识领域对“data”的日渐关注。

      2012、2013时间窗口，领域知识群落发展相对稳定。这两个时间窗口中都包含4个领域知识群落，除了保留知识群落A外，还新生成了由“network”、“mining”、“analysis”(分析)、“pagerank”组成的知识群落，命名为群落E；由“network” “mining” “social” “sna” “analysis”组成的知识群落，命名为群落F；由“network” “mining” “social” “data” “analysis”组成的知识群落，命名为群落G。从群落内的知识点构成不难发现，3个新生的知识群落是在早期知识群落的基础上派生与扩张后形成的(如群落F由群落B扩张形成，群落G由群落D扩张形成)，并且明显以数据分析为主要方向。

      2014时间窗口下，领域知识群落的发展更为繁荣。这一时期共形成了6个领域知识群落，除包含前一时间窗口下的群落A、群落E外，还新生成了群落H、群落I、群落J、群落K。知识群落H是在群落F与群落G融合的基础上与“prediction”共同构成的；知识群落I是在群落F与群落G融合的基础上与“user”(用户)共同构成的；知识群落J是在群落G的基础上与“interaction”(互动)和“prediction”共同构成的；知识群落K是在群落G的基础上与“interaction” “user” “web”共同构成的。从这一时期的紧密型领域知识群落发展状态可以发现，紧密型领域知识群落开始由数据分析向预测研究转移，在领域知识群落的演化过程中，多个知识群落融合与单个知识群落扩展现象交织在一起。

      2015时间窗口下，初始时刻的知识群落A消失，“pagerank”和“personalization”淡出，说明网页级别与个性化已经不再与“network”和“mining”保持高度紧密关系，或者说原本紧密的关系随着领域知识的发展，在这一时间窗口中已经不再显著或突出。前一时间窗口(2014)中产生的知识群落K中原有的“user”淡出，缩减为新的知识群落，命名为群落L。知识群落J继续保留，另一方面知识群落J中原有的“interaction”淡出的同时，“link”(链接)被吸纳进来，形成新的知识群落，命名为群落M。知识群落H也吸纳了“link”扩展生成新的知识群落，命名为群落N。从此时紧密型领域知识群落的构成来看，这一时间窗口中衰减与扩张并存，群落J、群落M与群落N继续引领着数据分析预测的发展方向。

      纵观整个时间序列上领域知识的演化过程，基于层次派系识别挖掘出的紧密型领域知识群落在不断生长、扩张、缩减、融合。2006～2015年10个时间窗口中，“network”知识领域里知识点“mining”相关知识群落的演化序列如图4所示。

      

      (注：-network,2-mining,3-pagerank,4-personalization,5-social,6-sna,7-data,8-analysis,9-prediction,10-user,11-interaction,12～web,13-link)

      图4 时间序列下的紧密型领域知识群落演化

      从图4中可以发现，随着时间的推移，紧密型领域知识群落的交叠现象越来越突出。如果按照Alba[32]关于交叠派系的观点，图4中知识群落交叠的密度比单个知识群落更有意义，交叠的结果最终可以被看做是一个规模更庞大的知识群落。由于在复杂网络中的派系被视为网络的骨架，交叠派系被视为网络的骨架结构[28]，因此，图4中时间序列后期呈现出的交叠的紧密型领域知识群落，自然构成了领域知识网络的部分骨架结构。针对“network”领域中“mining”所对应的知识群落而言，这一结果揭示出，从时间轴的初始时刻开始，领域知识群落的发展沿着“网页级别与个性化→社会网络分析→数据处理分析→数据分析与预测”的路径演进。

      5 结论与讨论

      本研究采用复杂网络理论中的派系思想，基于用户标签的共同标注关系构建特定领域知识网络。以年份作为时间刻度，基于动态阈值，采用层次派系的方法对2006～2015年区间内10个时间窗口中的紧密型领域知识群落展开时间序列分析。通过对特定领域知识群落的生长、衰减、扩张、融合进行跟踪，对领域知识群落动态演化发展的模式与规律进行揭示与分析。综合上述对特定领域知识群落的演化发展过程进行的时间序列动态分析，初步可以得出如下结论。

      (1)Folksonomy知识组织模式下的领域知识发展过程中，在文献数量总体持续增加的同时，越接近领域成熟时期(时间序列的后期)，标签(知识点)数量越趋近于饱和(见表1)，但标签间的连线数量(知识点之间的关联)却以远远大于标签数量的优势持续增长(见图2)，并且紧密型领域知识群落的规模也在总体上呈波动递增趋势(见表4)。可见，知识之间的关联关系对于领域知识的发展起着至关重要的作用。由此揭示出，科学研究与知识发展的过程中，知识之间逻辑关系的揭示与明晰无疑比知识点本身具有更重要的价值。这一结果验证了Popper[1]关于知识间逻辑关系重要性的观点。

      (2)领域知识发展过程中，基于紧密关系的领域知识群落数量总体递增的同时也存在一定的波动。这种时间序列上的波动主要由两方面的因素造成：一方面是受到层次派系的动态阈值的影响，毕竟随着领域知识网络中标签(知识点)数量的增长与饱和，以及标签间连线(知识间关联关系)数量的持续增长，临界值在保持增长趋势的同时也会随之产生相应的起伏；另一方面是紧密型领域知识群落自身扩张、衰减、派生、融合的演化过程的表现。通过具体时间窗口(如2015)衰减与扩张并存的现象可以发现，后者的作用更大，也恰恰是这种知识发展过程中的生长与衰老，彰显着领域乃至学科热门方向的转化与迁移。

      (3)随着领域知识的发展，相关的紧密互惠型领域知识群落内部涵盖的知识点数量虽偶有起伏，但总体呈递增趋势，知识群落之间存在较大程度的交叠现象，而且交叠密度呈上升趋势。因此，无论是按照Alba[32]的标准，还是Scott[27]的标准，Folksonomy知识组织模式中相互交叠的派系在时间轴的后期，都会满足合并成一个规模更大圈子的标准。因此，尽管复杂网络理论中派系的概念较为严苛，但相互交叠的紧密型领域知识群落也会基于交叠关系构成一个更大的、次紧密的知识群落，并成为领域知识网络的部分骨架结构，从这一更大知识群落的视野出发能够展示出多个主要发展方向。

      本研究从领域知识间关联关系的角度，采用复杂网络中层次派系的方法，将Folksonomy知识组织模式中领域知识群落的相关研究，由静态分析推进到更为复杂的动态演化研究。但是研究工作也还存在待完善之处，所选择的数据源毕竟难以穷尽学术界领域知识的所有文献和全部领域相关人员对该领域知识的认知。未来的研究将进一步采集更加全面的数据资料，综合地对领域知识群落发展演化过程中的模式与规律进行深入探索和揭示。

标签：复杂网络论文;  关联关系论文;  语义分析论文;  相关性分析论文;