典型文献
基于LSTM模型与加权链路预测的学科新兴主题成长性识别研究
文献摘要：
[目的/意义]揭示学科主题潜在的成长性趋势是识别其新兴特征的关键和难点.[方法/过程]从热度和影响力两个维度考察主题成长性,通过基于机器学习算法的预测模型估计主题潜在成长性,基于此形成新兴主题的细分类型划分.首先,设计融合文献计量指标和替代计量指标的主题热度指标,构建基于长短记忆神经网络LSTM的主题热度预测模型,预测主题热度增长率;其次,基于加权链路预测相似性指标,构建旨在预测未来主题网络的三层神经网络预测模型,并采用PageRank算法得到主题影响力增长率预测值;最后,基于热度增长率预测值和影响力增长率预测值构建二维识别空间,通过主题聚类,识别不同子类型的学科新兴主题.[结果/结论]以情报学为领域的实证研究检验了识别方法的有效性,反映了成长性预测指标对于新兴特征的敏感捕捉能力.
文献关键词：
学科新兴主题;成长性;识别;加权链路预测;LSTM
中图分类号：
作者姓名：
段庆锋;陈红;刘东霞;闫绪娴;张红兵
作者机构：
山西财经大学管理科学与工程学院,山西 太原030006
文献出处：
引用格式：
[1]段庆锋;陈红;刘东霞;闫绪娴;张红兵-.基于LSTM模型与加权链路预测的学科新兴主题成长性识别研究)[J].现代情报,2022(09):37-48,142
A类：
加权链路预测,学科新兴主题,主题影响力
B类：
成长性,基于机器学习,机器学习算法,模型估计,细分类,分类型,类型划分,设计融合,文献计量指标,替代计量指标,主题热度,长短记忆神经网络,热度预测,度增长,相似性指标,预测未来,主题网络,神经网络预测模型,PageRank,主题聚类,子类,情报学,预测指标,捕捉能力
AB值：
0.268278
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
