基于LSTM神经网络的学科主题热度预测模型

作     者：霍朝光 霍帆帆 董克 HUO Chaoguang;HUO Fanfan;DONG Ke

作者机构：中国人民大学信息资源管理学院北京100872 武汉大学信息管理学院武汉430072 

出 版 物：《图书情报知识》 (Documentation,Information & Knowledge)

年 卷 期：2021年第38卷第2期

页      面：25-34页

核心收录：

学科分类：12[管理学] 1205[管理学-图书情报与档案管理] 

基　　金：国家自然科学基金青年项目“基于广度学习的学科主题演化预测研究”(72004221) 中国博士后科学基金面上资助项目“基于动态知识图谱的学科主题演化预测研究”(2019M660908)的研究成果之一。 

主　　题：学科主题预测 热度预测 期刊影响因子 长短期记忆神经网络 图书馆与信息科学 

摘      要：[目的/意义]作为科学学预测的重要组成部分,学科主题热度预测旨在揭示学术前沿和发展趋势,辅助学者发现前沿选题,支持科研管理机构科学立项。[研究设计/方法]提出基于期刊影响因子的学科主题热度计算指标(TP-JIF),构建基于LSTM神经网络的学科主题热度预测模型(TPP-LSTM),并以LIS领域数据为例,通过时间切片的形式抽取、计算学科主题的热度序列,检验不同长度时间序列下模型的各项误差。[结论/发现]相对于RBF-SVM、Linear-SVM、KNN、Naive Bayesian等模型,TPP-LSTM预测模型可有效表征学科主题热度时间序列的特性,当时间序列长度为4年时预测效果相对较好。[创新/价值]提出的基于期刊影响因子的学科主题热度计算指标,能够有效刻画不同学术刊物对学科影响的差异,规避了单纯依据频率计算热度的弊端;构建的学科主题热度预测模型,有效表征了学科主题的时间序列变化规律,减小了各项预测误差,预测效果较好。