[发明专利]一种基于主题可视化的探索机构研究状况的方法

权利要求书

1.一种基于主题可视化的探索机构研究状况的方法，其特征在于：该方法包括如下步骤：

S1：研究数据的获取以及处理：

确定需要研究的机构，获取所需机构的SCI学术文献数据；

提取所需研究字段；

对提取的字段进行预处理；

S2：采用TF-IDF特征提取和LDA主题模型分析技术对所选语料库进行处理；

对预处理所得的数据，使用TF-IDF特征提取和生成，建立整个语料库的特征向量空间模型；

LDA算法利用语料库生成的特征向量空间模型建立主题模型，利用Gibbs采样方法对所建立的主题模型进行计算，输出并存储主题-词矩阵；

对所输出的主题-词矩阵进行聚类分析，存储并输出聚类结果；

S3：将聚类主题以及学术文献中其他维度信息以可视化的方式呈现出来，从多个维度对结果进行分析；

使用河流图、文字云和折线图分别展示主体强度随时间的变化、每个主题所代表的研究领域、以及主题被引频次的变化；

树状图、条形图分别展示每个主题下的层次结构，并分析每个分支机构就对该主题学术影响力的权重；

散点图、折线图分别展示每个分支机构下不同主题强度变化以及研究趋势，并发现学科优势。

2.根据权利要求1所述的一种探索机构研究状况的可视分析方法，其特征在于：在所述步骤S1中，确定需要研究的机构是根据包含该机构作者地址的近五年的SCI学术文献。

3.根据权利要求1所述的一种探索机构研究状况的可视分析方法，其特征在于：在所述步骤S1中，使用正则匹配，保留的数据包括文献的标题、作者、时间、被引频次、关键字以及摘要；语料库包括关键字、题目、文章摘要。

4.根据权利要求1所述的一种探索机构研究状况的可视分析方法，其特征在于：在所述步骤S1中，预处理包括清洗去噪，英文文本分词，去停用词和词根还原。

5.根据权利要求1所述的一种探索机构研究状况的可视分析方法，其特征在于：在所述步骤S2中，使用TF-IDF算法进行特征提取和生成文本向量空间，具体包括以下操作：

TF代表这一个词在一篇文档中出现的次数，IDF代表这一个词在文档集中的多少篇文档中出现，由TF和IDF相乘，得到一个具体的词对于一篇文档的重要程度；对每一篇文档的所有维度进行该文档的重要程度计算，生成每一篇文档的TF-IDF特征向量：

Feature-Vector＝{f₁,f₂,f₃……,f_n} (1)

公式(1)中，每一篇文档的TF-IDF特征计算公式为：

f_i＝tf(w_i,d_i)*idf(w_i,D) (2)

公式(2)中，tf值计算公式为：

其中n_i是该词在文档d_i中出现的次数，分母则是文档d_i中所有词汇出现的次数总和；

公式(2)中idf值计算公式为：

其中为|D|文档集中的所有文档总数，d_i为具体的某一篇文档，w_i为某个词汇，即一个特征；

上述所有文档集的TF-IDF特征向量组成(词，tfidf)矩阵，该矩阵即为文档特征向量空间模型。