一种基于学术大数据的科技期刊选题趋势预测与智能推送方法与流程
本发明属于学术出版信息化与情报分析,具体涉及一种基于学术大数据的科技期刊选题趋势预测与智能推送方法及系统。本发明特别关注于在科技期刊选题策划场景中,利用文献计量分析、主题模型与深度学习时序预测技术,自动识别学科领域的新兴研究主题,预测其发展趋势,并为期刊编辑提供可视化分析与主动推送服务。
背景技术:
1、选题策划是科技期刊编辑工作的核心环节,直接影响期刊的学术质量、影响力及可持续发展能力。传统的选题策划方式主要依赖编辑的个人经验、专家咨询意见或参加学术会议获取信息,存在以下显著缺陷:
2、信息滞后:传统方式依赖已发表的综述或专家经验,往往落后于学科前沿,难以及时捕捉刚刚兴起的研究方向。
3、主观性强:选题方向易受编辑个人知识结构和认知偏好的局限,缺乏客观、系统的数据支撑,可能导致错失重要的交叉学科热点。
4、效率低下:面对海量增长的学术文献,编辑难以凭人工完成对数千甚至数万篇文献的系统梳理与趋势研判。
5、缺乏预测能力:传统方法多是对已有研究热点的归纳总结,缺少对未来研究方向演化趋势的量化预测能力,难以指导期刊进行前瞻性布局。
6、因此,亟需一种能够利用学术大数据自动识别新兴研究主题、量化预测发展趋势,并主动向编辑推送选题建议的智能化方法。
技术实现思路
1、为了解决上述问题,本发明提出了一种基于学术大数据的科技期刊选题趋势预测与智能推送方法。该方法首先通过文献计量与共词聚类分析识别学科领域的研究热点;然后采用lda主题模型对文献进行细粒度主题挖掘;在此基础上,利用长短期记忆网络(lstm)对主题的热度演化趋势进行时序预测;最后通过可视化分析平台向编辑推送选题建议,实现数据驱动的选题策划智能决策。
2、与现有技术相比,本发明提供的基于学术大数据的科技期刊选题趋势预测与智能推送方法具有以下优点:
3、新兴主题早期识别能力:通过融合共词聚类与lda主题模型,能够从海量文献中自动发现处于萌芽期或成长期的新兴研究主题,比传统方法提前6-12个月识别前沿方向。
4、高精度趋势预测:利用lstm深度学习模型对主题热度时序数据进行建模,能够捕捉非线性演化规律,预测准确率显著优于arima等传统时间序列模型。
5、多维度可视化分析:提供主题演化河流图、引文网络图谱、关键词突现检测等可视化工具,使编辑能够直观理解学科知识结构与发展脉络。
6、主动智能推送:系统可实时监测各主题的热度变化,当检测到某主题热度激增或达到预设阈值时,主动向编辑推送选题预警与建议,变“人找信息”为“信息找人”。
1.一种基于学术大数据的科技期刊选题趋势预测与智能推送方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于学术大数据的科技期刊选题趋势预测与智能推送方法,其特征在于,所述的学术大数据采集步骤中,所述元数据包括标题、摘要、关键词、作者、机构、发表年份、期刊名称及参考文献列表。
3.根据权利要求1所述的基于学术大数据的科技期刊选题趋势预测与智能推送方法,其特征在于,所述的共词聚类分析法包括:构建关键词共现矩阵,计算关键词间余弦相似度,采用层次聚类算法或louvain社区发现算法对关键词进行聚类,提取每个聚类中贡献度最高的前n个关键词作为宏观主题标签。
4.根据权利要求1所述的基于学术大数据的科技期刊选题趋势预测与智能推送方法,其特征在于,所述的新兴主题识别基于主题强度增长率判定:计算各主题在连续时间窗口内的主题强度增长率,当近两个时间窗口的主题强度增长率超过预设阈值且历史累计文献量低于设定分位数时,将该主题标记为新兴研究主题。
5.根据权利要求1所述的基于学术大数据的科技期刊选题趋势预测与智能推送方法,其特征在于,所述的主题强度指标综合反映主题的热度与影响力,其计算公式为:主题强度= 第一权重系数 × 主题文献数量 + 第二权重系数 × 主题平均被引频次。
6.根据权利要求1所述的基于学术大数据的科技期刊选题趋势预测与智能推送方法,其特征在于,所述的长短期记忆网络模型采用双层lstm结构,每层设置64至128个隐藏单元,并在每个lstm层后添加丢弃层以防止过拟合,采用均方误差作为损失函数,使用adam优化器进行参数更新。
7.根据权利要求1所述的基于学术大数据的科技期刊选题趋势预测与智能推送方法,其特征在于,所述的可视化图表包括:以时间为横轴、主题为分支河流的主题演化河流图,展示各主题的兴起、成长、融合与衰退过程;动态展示关键词节点及其共现关系的关键词共现网络图谱;以及识别短期内频次激增关键词的关键词突现检测图。
8.根据权利要求1所述的基于学术大数据的科技期刊选题趋势预测与智能推送方法,其特征在于,所述的预设触发条件包括:预测主题年增长率超过设定阈值、新出现的关键词突现强度超过阈值、或某主题在本刊发文量显著低于领域平均水平所指示的选题缺口。
9.根据权利要求1所述的基于学术大数据的科技期刊选题趋势预测与智能推送方法,其特征在于,所述方法还包括用户反馈与模型优化步骤:记录用户对推送选题建议的采纳、搁置或拒绝反馈,将所述反馈数据用于优化主题识别算法与推送模型参数。
10.根据权利要求1所述的基于学术大数据的科技期刊选题趋势预测与智能推送方法,其特征在于,所述方法还包括一键选题报告生成步骤:响应于用户操作,自动生成包含热点主题列表、趋势分析图表及专题策划建议的选题分析报告。
11.一种基于学术大数据的科技期刊选题趋势预测与智能推送系统,用于执行权利要求1至10中任一项所述的方法,其特征在于,包括:
12.根据权利要求11所述的基于学术大数据的科技期刊选题趋势预测与智能推送系统,其特征在于,所述系统采用微服务架构,各模块独立部署并通过api接口交互,支持部署于云端服务器或本地服务器,支持多本科技期刊独立配置关注领域与推送参数。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com