基于本体语义增强和多源数据融合的石墨烯医学应用前沿探测*

靳 杨 徐路路

(首都医科大学附属北京安贞医院 北京100029) (南开大学信息资源管理系 天津 300071)

1 引言

分析医学领域科技文献研究前沿主题信息可有效揭示出该领域新材料、新技术和新方法，从而优化布局发展[1]。如何从海量医学科技文献中识别研究前沿并对未来发展方向进行预测分析成为亟需解决的问题。但目前科学研究前沿存在诸多问题，如数据源单一(论文为主)、语义理解不足、多数据源无法交叉融合等，制约文本内容主题探测的有效性和准确度[2]，论文数据主题丰富但其研究前沿探测的前瞻性受到广泛质疑，规划文本等蕴含更多前瞻价值信息但主题粒度较大[3]。本文分析医学科学研究前沿中存在的主要问题和不足，提出WordNet本体语义增强和多源数据主题贡献度分析，识别论文、基金项目数据以及专利文献中的石墨烯材料在医学领域的前沿主题。利用本体库WordNet丰富和拓展主题词语义信息，基于不同文本特征要素分析进行主题贡献度融合，构造多源数据融合的科学研究前沿探测公式，从而揭示石墨烯新材料领域竞争发展态势，为优化战略部署和重点领域大势研判提供情报支撑[4]。

2 相关研究

2.1 WordNet研究与应用

WordNet是普林斯顿大学Miller于1985年组织语言及心理学相关领域专家开发的大型英文词汇数据库[5]，采用语义网络作为其词汇概念本体的基本组成形式，将不同词汇以不同分类组织形式关联融合，形成语义本体。多年来众多学者基于WordNet丰富的语义描述能力及词汇覆盖度展开相关研究。1998年Fellbaum C等基于基准语义消歧方法与融合WordNet相关词语进行语义相似度计算，实验证明该方法使排歧准确度有所提高[6]。2011年王瑞琴等将WordNet本体和WordNet Domains扩展库作为消歧数据源，利用查询扩展技术建立查询关键词和本体概念的映射，提高信息检索准确度，满足多样化检索需求[7]。2013年张泽宇等针对语义标注效率低下的问题提出基于WordNet语义知识的文档标注方法，实现对科技文献的有效标注与识别[8]。2015年X Zhu利用WordNet在线语义词典提出基于语义和边权重的相似度计算方法，MC30和RG65测试集实验分析表明该方法在计算性能和效率的优越性[9]。针对主题粒度较大的文本，如规划文本、基金项目数据等，利用WordNet拓展其语义信息作为主题内容的补充，进而利用主题概率识别模型识别其蕴含的前沿主题是未来前沿探测的有效方法之一。

2.2 科学研究前沿

1965年Price从引用次数维度首次定义科学研究前沿[10]。1973年H.Small将同被引文献的聚类分布结果定义为科学研究前沿[11]，围绕研究前沿内涵展开研究的还有O.Persson提出的高同被引文献关联的施引文献群以及E.Garfield提出的被引聚类的核心文献和引用该论文的最新文献研究前沿的概念[12-13]。2011年张士靖等利用共被引分析和共词聚类分析方法对医学健康领域研究热点和前沿主题进行追踪并利用Ucinet进行可视化分析[14]。2012年冷伏海等提出基于案例分析的科学前沿探测新方法，利用因子分析、战略坐标等多种方法综合分析学科领域研究前沿[15]，相关研究者还有白如江[16]、牟冬梅[17]等。研究前沿的有效探测对于学科未来发展规划具有重要指导意义。

3 方法框架

3.1 概述

为更加准确前瞻地识别出多种科技文本中蕴含的科学研究主题，本文提出基于WordNet语义增强和多源信息主题贡献度分析的科学研究前沿探测方法，对基金项目、论文、专利等数据进行主题贡献度分析并利用本体语义研究技术对探测得到的主题信息进行语义增强以提高主题探测的科学性和准确度。

3.2 WordNet语义增强

主题概率识别模型可模拟科技文献生成过程，通过参数估计和先验概率抽取其主题信息，实现文本内容深度挖掘，是目前前沿识别中重要方法。然而该方法也存在不足，侧重于量化统计和概率分布研究，忽略科技文本语义理解和词汇语义关联，如对energies和energy、application和using等词形不同但词义相同的主题词无法有效识别并权重叠加，另外也产生较多的噪音数据，降低前沿准确性和科学性。语义角色标注可对科技文献内容信息进行分析及解读，增强语义信息理解，目前主要方法有语义角色标注(句子粒度浅层语义分析)和基于本体语义增强研究(词语粒度概念映射)两种。基于本体语义分析方法可将表征研究前沿信息的主题词语义映射，进而识别其上位词(hypernym)、近义词(homoionym)等语义信息，归类同语义信息关键词并调整权重分配，深入挖掘概念语义类型，其中WordNet是较为成熟的英文语义本体库。本文提出基于主题概率识别模型的语义增强方法，将主题词袋概念映射为概念词袋以增强其语义信息，调整主题词分布及权重，以提高科学研究探测的准确度。基于主题概率模型语义增强处理，见图1。

图1 基于主题概率模型语义增强处理

3.3 多源科学研究前沿分析

科学研究前沿蕴含在不同的科技文本数据源中，如基金项目、专利文本、论文数据等，且不同数据源具有不同文本特征和要素，因此不应以单一论文数据为分析数据源，扩展数据源类型进行多源数据主题交叉融合识别是重要发展趋势。基金项目是由国家组织部署相关研究机构实施的科技创新任务，其经过专家论坛探讨往往代表相关学科优先领域，研究主题具有“将来时”属性，利用基金项目进行科学研究前沿分析在主题新颖度和前瞻性方面贡献权重大，但同时基金项目数据文本量较小，主题较为宏观，粒度较大而主题丰富度不足。专利文献数据庞大且蕴含着丰富的技术信息，是进行情报分析和前沿识别的重要数据源，反映某学科领域的关键技术和方法流程，专利可视为基金项目当前阶段的具体部署和解决方案，具有“现在时”属性，其前瞻信息价值较高，主题较为丰富。而论文数据从产生到发表再到引用需要一定时间，存在一定的滞后性，其“过去时”特征使其在前沿识别中前瞻性较低，但论文数量较多，主题丰富度较高。因此有效融合多源数据提高研究前沿水平十分必要。

3.4 基于多源数据的科学研究前沿公式构建

本文分析研究前沿相关研究，利用不同阶段的主题发展特性可以对科学研究前沿多主题类型进行区分，即分为新兴研究、热点研究和未来研究前沿主题3种多源数据分析主题类型。主题强度是指学科主题的主题研究热度及发展程度，可通过主题内部关键词频次及权重表征学科主题强度。融合多源数据特征首先识别其主题强度并根据上述分析进行贡献度分析融合。主题强度指标如下：

(1)

考虑多源数据主题丰富度和新颖度两个参量，在主题粒度可利用主题概率模型予以表征，粒度大的主题其识别出的数值较大；主题前瞻价值则是根据上述分析设定相应的主题前瞻价值系数。因此本文提出针对多源数据类型的科学研究前沿探测公式：

(2)

公式中α，β，λ为不同数据源的主题贡献度系数以表征基金数据及专利论文在前沿探测中的主题贡献度大小，3个子项分别为基金项目、专利及论文主题强度指标，利用贡献度系数调谐统一，最终得到科学研究前沿探测公式(Research Front Detection Formula,RFDFz)。

4 实证研究

4.1 数据集获取

石墨烯具有独特的蜂窝纳米结构，目前在分子化学、航空航天等领域取得广泛应用，分散性、生物相容性、亲水性等特质使其在生物医学领域具有广阔的应用前景和价值。因此本文利用科学研究前沿探测方法识别石墨烯在生物医学领域研究动向。石墨烯生物医学领域数据检索，见表1。

表1 石墨烯生物医学领域数据检索

4.2 数据预处理

新兴主题探测在于第一时间发现具有较大潜力而未引起广泛关注的主题，因此将子时期单位设置为1年可较早识别短时间内突发主题词。为保证足够数据进行主题分析，本文以2008年为时间起始，以每年为时间单位进行细粒度时间切片处理，得到10个子时期。实验发现权重系数α取0.4，β取0.35，λ取0.25效果最好。

4.3 基于WordNet语义增强的前沿识别

4.3.1 参数设置与主题表征 选用Kmine实验平台的LDA模型进行主题识别。相关参数设置：No of topic主题数40；No of words per topic每个主题的词数10；Alpha 0.5；Beta 0.1；No of iteration迭代次数2 000；No of thread线程数8；复杂度为100。对10个子时期(2008-2017年)的基金项目数据集进行主题建模，得到主题-主题词-项目序号的多维映射关系。对利用LDA模型得到的文档-主题及主题-主题词映射进行语义处理，将主题词袋概念映射为概念词袋以增强其语义信息，合并同语义信息主题词并调整主题词分布及权重，使主题识别实验更为准确和科学。WerdNet语义增强处理，见表2。选取2011年度主题识别对基于传统主题概率模型方法和语义增强处理主题识别方法进行对比，由表2中Topic0相关主题词可知该主题主要描述石墨烯生物化学相关特性与纳米级衍生物材料研究，其中材料(material)和材质(materials)以及电子(electronic)和电流(electro)存在语义相关，将同语义主题词权重叠加使主题表达更为准确，同时一定程度上增加低权重主题词的识别效果，语义处理可细化主题识别效果。

表2 WordNet语义增强处理

续表2

4.3.2 石墨烯生物医学前沿分析 其识别出3个热门研究前沿主题，即两个新兴科学研究前沿主题及1个未来科学研究前沿主题。本部分结合探测主题词及强度值进行生物医学领域应用分析。(1)热门研究前沿主题topic 0、topic 4和topic 8。该主题目前阶段的重要研发热点和科技竞争区域主要围绕氧化石墨烯生物探测器设备研发用于多肽蛋白质等生物分子检测；分析羧基、羟基等诸多功能基团对于荧光淬灭效率以及信号自动放大等石墨烯生物应用方面的探索。该领域目前研究成果较多、主题强度较多，是目前及未来一段时间内的科技竞争领域。(2)新兴科学研究主题topic 2、topic 9。该主题属于新兴、具有较大未来发展潜力的前瞻科学研究前沿主题，主要围绕氧化石墨烯光学特性、生物光热治疗以及光储存和数据保存等方面展开：光敏剂的载体对于肿瘤等细胞的周期作用机制探索以及石墨烯与亚甲蓝等多种复合物光数据的保存等相关研究。该研究主题未来发展潜力巨大，研究逐步开展在未来有望成为热门主题。(3)未来科学研究主题topic 5。目前该主题的主题探测值低于平均水平，相关研究有待于进一步开展，但在未来有较大的研究潜在价值和应用场景。主要围绕石墨烯氧化抗菌性能、细胞膜结构破坏以及石墨烯生物安全性和毒性作用机理研究，探究石墨烯颗粒大小、状态以及其氧含量在生物毒性响应研究；石墨烯材料对于红细胞的脂质双分子层破坏作用研究。

5 结语

本文针对目前研究中主要利用论文数据进行科学研究前沿识别中存在的时滞性问题以及在主题识别中欠缺语义理解而导致探测准确度不足的问题，提出基于本体WordNet语义增强和多源数据主题贡献度分析的科学研究前沿探测方法，利用石墨烯生物医学领域的实证研究，采用文献调研方法，验证本文提出多源数据分析的科学研究前沿识别方法的可行性和有效性。未来将围绕石墨烯生物医学应用研究展开进一步研究，拓展分析数据源并构建针对多源数据的综合研究前沿识别框架，为我国科学研究提供决策支撑和部署建议。