机读格式显示(MARC)

• 000 01562nam0 2200265 450

• 001 0000226214

• 005 20230508213300.0

• 010 __ |a 978-7-302-59523-6 |d CNY98.00

• 100 __ |a 20220111d2021 em y0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 110000

• 105 __ |a a a 000yy

• 106 __ |a r

• 200 1_ |a 基于知识图谱的学科主题演化分析与预测 |A ji yu zhi shi tu pu de xue ke zhu ti yan hua fen xi yu yu ce |f 霍朝光著

• 210 __ |a 北京 |c 清华大学出版社 |d 2021

• 215 __ |a X, 200页 |c 图 |d 24cm

• 300 __ |a 本书受到中国人民大学2021年度“中央高校建设世界一流大学 (学科) 和特色发展引导专项资金”支持

• 314 __ |a 霍朝光, 中国人民大学“杰出学者”青年学者, 中国人民大学信息资源管理学院长聘助理教授。

• 320 __ |a 有书目 (第192-200页)

• 330 __ |a 本研究在梳理知识演化、知识生命周期等知识进化理论和思想的基础上, 介绍了引文网络、Meta-path、PageRank等网络分析理论和方法, 阐述了Word2vec、Doc2vec、Node2vec等深度表示学习模型以及ARIMA、SVM等时间序列模型, 以期为科学主题的演化和热度预测提供理论基础和方法支撑 ; 以生物医学与生命科学领域PubMed Central数据全集为例, 基于知识图谱技术构建了一种面向计量相关研究和应用的垂直领域知识图谱 —— 计量知识图谱 ; 创新计量指标, 计算计量实体的热度, 用热度值反应主题所处的演化状态 ; 采用一系列深度学习等方法挖掘科学主题在计量知识图谱中的特征, 分析科学主题的演化规律 ; 基于SVM、ARIMA、LSTM等一系列时间序列模型构建学科主题预测模型, 优化、验证模型, 并进行应用研究。

• 606 0_ |a 机器学习 |A ji qi xue xi |x 研究

• 690 __ |a TP181 |v 5

• 701 _0 |a 霍朝光 |A huo zhao guang |4 著

• 801 _0 |a CN |b 人天书店 |c 20220111

• 905 __ |a GDPTC |d TP181/162