Visualized Analysis and Construction of Dendrobium Study Based on Knowledge Graph

本文利用Citespace软件对知网数据进行可视化处理，流程图如图 1所示. 可视化过程主要分为4个步骤：数据准备、参数设置、聚类分析与图谱分析.

从CNKI数据库下载的数据并不能直接应用于Citespace软件进行分析，可通过软件自带数据转换功能，对数据进行格式转换. 建立两个文件夹，分别用于存储原始数据和转换数据.

Citespace软件在建立项目过程中需要对参数进行设置，主要参数为时间分割、节点阈值筛选、网络精简、强度关联.

时间分割的主要功能是对分析的数据在时间段上进行分割，确定时间跨度，分析石斛在各个时间段的主要研究热度和变化趋势.

节点阈值筛选主要用于在设定的时间段内提取所需对象的个数. 阈值筛选包括在增加规模因子k的基础上，通过g指数进行排名修正实现对知识单元的抽取. 公式为

其中k为规模因子，分别取10，20，30，…依次进行尝试；c_i为第i文献被引用次数.

Citespace软件中主要提供了两种网络精简算法，寻径网络(pathfinder network，PFNET)算法和最小生成树(minimum spanning tree，MST)算法.

PFNET网络算法的主要结构由两个参数确定，基于闵氏距离的网络节点路径长度r和满足三角不等式的连接数量最大值q. 当r=2时，距离测度为欧氏距离. 测度空间确定时，三角不等式的关系可定义为

式中，w_ij表示第i和j节点之间的连接权重，w_nknk+1表示第n_k和n_k+1节点之间的连接权重，k=1，2，3，…. 当第i=n₁和j=n_k时，备选路径将经过所有节点，该网络包含所有中间连线. 若备选路线权重小于w_ij的值，那么等式不成立，第i和j节点之间的连接线将被删除. q参数主要用于备选路线，取[2，N－1]内任意整数，N为节点的个数. 当r→∞时，q=N－1，网络可实现最大裁剪能力.

最小生成树算法的构造是利用连通网构造实现代价最小的生成树. 给定一个无向图G=(V，E)，V和E分别表示数字顶点集和边集，若存在边集T为E的子集并且为无循环图，同时满足等式(2)且值最小，则T为满足该条件的最小生成树.

式中(i，j)表示顶点i和j连接的边，w(i，j)表示(i，j)的权重.

无论是采用MST算法还是PFNET算法，目的都是希望对生成的网络进行裁剪，降低网络的复杂性和提高图谱的可读性. 与PFNET算法相比，MST算法得到的图谱会更加简洁清晰，但丢失的节点信息更多. 对于图谱过于庞大和混乱时，需要选择PFNET算法得到的修剪效果会更好.

Citespace软件提供了网络分布中用于计算连接强度的cosine算法，如公式(4)：

标准化后的数值在0~1之间，其中c_ij表示节点i和j共现次数，s_i表示节点i共现的频次，s_j表示节点j共现的频次.

Citespace主要利用最大期望(EM)聚类算法对网络节点进行聚类处理. 首先，将所有节点随机地分配到K个聚类簇中；其次，统计每个节点在K个聚类簇中的分布比例；再次，求出模型所需的参数. 输入m个样本观察数据x=(x⁽¹⁾，x⁽²⁾，…，x^(m))，找到样本的模型参数θ，极大化模型的对数似然函数为

由于观察数据中存在未观察到的隐含数据z=(z⁽¹⁾，z⁽²⁾，…，z^(m))，此时极大化模型的似然函数可变为

为求出模型参数，对式子进行缩放可得

Q_i(z⁽ⁱ⁾)为未知的分布，根据詹森不等式，由上式可以得到

公式(6)中包含隐含数据的对数似然下界，通过去掉常数部分，可将极大化对数似然下界表示为

$\sum\limits_{z(i)} {{Q_i}} \left( {{z^{(i)}}} \right)\log P\left( {{x^{(i)}}, {z^{(i)}};\theta } \right)$可以理解为logP(x⁽ⁱ⁾，z⁽ⁱ⁾；θ)基于条件概率分布Q_i(z⁽ⁱ⁾)的期望.

最后，将得到的每个词分别分配给K聚类簇的概率，选取K个数值中最大值作为该词所属的聚类簇.

Citespace提供了从标题、关键词和摘要中提取聚类命名，提供的算法主要有潜语义索引算法、假设检验算法和互信息算法，可提取研究术语并强调研究特征.

选择合适的研究术语、时间分割跨度、阈值、精简算法进行可视化显示，借助软件提供的可视化工具选项对图谱进行美化，也可以利用提供的网络计算功能对图谱网络进行深度分析，最后对分析的结果进行验证.

本文利用信息抽取技术、半监督学习算法和Neo4j平台等相结合方法对知网数据库近20年的文献作者、机构、年份和关键词等进行处理，构建针对石斛研究领域的知识图谱.

知识图谱的构建离不开对实体进行识别，借助词性标签，从有关石斛的摘要内容中提取重要词语. 当需要的关键词语跨越多个词语时，仅仅利用词性标签是不够的，需要解析句子中的词语之间的依赖关系即依赖解析. 如提取关键词和修饰词、提取复合词、提取词语之间的标点符号等. 图谱实体之间的关系抽取也需要使用依赖解析，提取实体关系需要构建实体与关系之间的架构.

半监督学习充分将监督学习和无监督学习的优势相结合，通过少量的数据样本对总体数据进行训练，降低人工成本和提高工作效率. 本文利用Bootstrapping算法对石斛研究关键词语进行关系抽取，对数据进行训练后实现标签设置. 主要步骤有：

1) 人工标记少量石斛研究相关数据作为种子集并训练一个初始实体识别模型；

2) 设定条件概率阈值，将实体识别模型对未标记数据进行预测处理获取数据关系标签和概率大小，当输出概率大于阈值时，将数据标记为可靠数据并组成一个可靠集；

3) 当该可靠集数据大于500条时，将可靠集与种子集合并成一个新的标注数据集，重新训练获取实体识别模型；

4) 重复上述步骤，直至结束.

选择Neo4j作为知识图谱构建平台，将提取的实体和关系进行打标签并整理好，导入数据库并在Neo4j平台中显示.

由于Citespace软件对CNKI的数据分析功能有限，本实验就文献的概况、作者与机构分析、关键词与热点分析等几个部分内容作重点分析，最后利用半监督模型训练后在Neo4j平台构建知识图谱.

本文在中国知网下载了有关石斛的文献，选取主体为“石斛”进行检索，时间、作者、单位等条件不限，初步统计文献有9 024篇，删除检索结果中的新闻、会议通知和重复等内容，最终获得文献共计5 729篇作为本次实验的基础数据.

本文是基于石斛的知识图谱可视化分析，主要就研究领域的作者、机构、关键词等核心内容进行分析与筛选，展示石斛在不同阶段研究关注的热点、发展动态等，揭示未来的石斛发展趋势.

不同年份关于石斛研究的文献数量可以反映出该领域研究的热点和趋势，从图 2中可以看出有关石斛近20年研究文献的变化趋势，有关石斛的研究经历了3个阶段：缓慢增长、快速增长和稳定波动.

缓慢增长阶段：2001-2011年，有关石斛的研究文献在10年内从约100篇稳步增长到约400篇，石斛濒危问题得到了较好的解决，关于石斛的商业化生产仍处于起步阶段，关于石斛的研究、种植和销售等方面引起了广大研究学者和政府部门人员的关注^[23].

快速增长阶段：2012-2015年，石斛的研究文献在这个时间段内实现了快速增长，2015年达到了约800篇，关于石斛的研究和商业化处于快速发展时期，期间如铁皮石斛、霍山石斛等品种在中药研究、品种培育和商业推广等方面取得了众多成果^[24-25].

稳定波动阶段：2016-2019年，石斛的研究文献在这个期间处于缓慢增长和波动阶段，关于石斛的研究和商业化基本上处于成熟阶段，石斛未来的研究朝向多元化和智能化发展^[26].

文献的来源期刊可直接反映石斛研究的热点，如图 3所示，有关石斛研究的文献期刊主要为与中药材和农业发展相关的期刊.

作者是研究石斛的主体，作者之间的联系可以观察出在石斛研究过程中的合作交流情况，运用Citespace软件可以获得关于石斛研究的作者图谱原图、MST图谱和PFNET图谱. 如图 4-图 6所示，原图谱、MST图谱和PFNET图谱的节点均为799个，连线分别为1 419，710和1 105个，网络密度分别为0.004 5，0.002 2和0.003 5. 与原图谱相比，MST图谱和PFNET图谱更加清晰简捷，但部分节点信息会被省略，与PFNET图谱相比，MST图谱丢失了更多的结构信息.

统计核心作者的发文数量，有关石斛研究的发文量大于20篇的作者共有42人，从图 5-图 6中可以看出作者之间的关系主要分为几大聚类关系，大部分作者之间存在一种合作研究关系. 表 1展示了石斛研究的主要作者，从图 5-图 6图谱中可以发现，这些作者在整个石斛的研究过程中起到重要的作用. 其中陈乃富、魏刚、郭顺星等作者组成了一张较大的研究关系网，而宋希强、李泽生等作者各自组成了较小的研究关系网，石斛研究领域作者关系网呈现的是“大网集中，多网分散”的趋势. 表 2给出的是作者在不同时间段对石斛研究的主要内容变化，体现石斛研究演变趋势.

机构是石斛研究的主要平台，石斛研究的主要机构包括科研院校、研究所和企业等. 图 7为MST算法处理的机构知识图谱，可以发现有关石斛的研究基本上为科研院校和研究所，其中郭顺星研究员所在的中国医学科学院北京协和医学院药用植物研究所、魏刚研究员所在的广州中医药大学和陈乃富教授所在的皖西学院生物与制药工程学院等单位均为石斛主要的研究和发文机构，图谱结果可以看出研究机构之间的合作关系强度. 从图谱结果的侧面分析可以得出，广州中医药大学发文数量最高达到了189篇，其余包括皖西学院在内的9家研究机构发文量也突破了100篇，体现了这些高校和科研院所对石斛研究的深度.

由于作者是研究机构的主体，基于时序的作者知识图谱可视化分析可直接反映出研究机构在石斛领域的变化情况. 图 8给出的是通过聚类得到的近20年来机构基于时序的知识图谱可视化图. 聚类结果主要是通过对关键词进行聚类分析获取，每个聚类结果中包含多个关键词，不影响作者的时序图谱. 时序图谱可以看出研究机构对石斛研究的参考文献从什么时间开始出现、聚类结果对应的研究机构所出成果从哪些年份开始增多以及聚类结果在哪些年份关注度开始降低等内容. 从图 8中可以看出，郭顺星、陈晓梅等所在的中国医学科学院北京协和医学院药用植物研究所从2000年开始就已对石斛的栽培生长、主要成分和基因分析等内容进行了研究并持续至今，在石斛研究领域具有一定的广度和深度；罗建平、刘咏等所在的合肥工业大学生物与食品工程学院主要从2005年开始对霍山石斛的原球茎、多糖等进行了研究；陈乃富、韩邦兴等所在的皖西学院主要从2009年开始对霍山石斛的生长栽培、遗传性和药用性等进行了研究；李泽生、李桂琳等所在的云南省德宏热带农业科学研究所主要从2011年开始对石斛的生长、产业化等内容进行了研究.

图 9展示了近20年来根据时间段对石斛研究的主要研究院所关联强度显示图. 可以发现广西壮族自治区农科院花卉研究所和云南农业大学园林园艺学院是最早开始研究石斛的研究所和高校，这与广西、云南地理环境和盛产石斛有关，但持续时间仅到2007年. 联系最强的前三个单位是安徽农业大学生命科学学院、贵州师范大学生命科学学院和皖西学院生物与制药工程学院，这与贵州金钗石斛和安徽霍山石斛的药用价值高和近些年得到政府和科研院所的重视有关. 时间最近的两个单位为皖西学院生物与制药工程学院和浙江工业大学，这也体现了近几年来这两个单位对石斛的研究成果较多.

多数石斛的生长与地理位置具有较强的关系. 表 3为我国主要的几种石斛与地理位置、生长环境关系统计表. 表 3中可以看出球花石斛、霍山石斛和铁皮石斛等不同品种所在的生长地区有所差异，主要与不同品种石斛对生长环境的要求各不相同有关，这与图 7、图 9所示的研究机构知识图谱和关联强度图相契合. 石斛研究机构主要以云南、安徽、广西、四川和贵州等少数省份为主，部分经济发达地区如北京、广州等城市的少数研究机构在石斛研究领域也有所涉及.

关键词是表达文献核心内容的重要信息，也是研究该领域重点的提炼，在一定程度上可以反映该领域的研究发展方向和研究的方法技术. 运用Citespace软件可以生成有关石斛研究的关键词共现知识图谱，如图 10-图 12所示，分别为图谱原图、MST图谱和PFNET图谱. 由于图谱中的关键词较多，得到的原图图谱比较庞大和混乱，MST算法和PFNET算法可解决这个问题. 如图 11所示，MST图谱可以展示有关石斛研究的核心关键词，其中铁皮石斛、多糖、组织培养等是石斛研究的重要关键词，关键词部分主要涉及到石斛的品种、培育生长、成分提取与分析、药用价值和产业化等内容. 石斛的品种主要分为铁皮石斛、霍山石斛和金钗石斛等，其中铁皮石斛需要生长在海拔较高的山谷和树木上，霍山石斛需要生长在海拔较高的悬崖峭壁石缝中或古树上；铁皮石斛的花、茎、叶均可入药，而金钗石斛只有茎可以入药；石斛中的多糖可用于治疗糖尿病，其中霍山石斛的药用滋阴功能较其他两种石斛更强；霍山石斛由于需要野生栽培，故其产业化推广应用最差.

Citespace软件中关于关键词聚类时间线的可视化视图可用于描绘聚类时间的关系以及聚类中文献的历史跨度. 如图 13所示，有关石斛研究的关键词聚类大体分为11类，本文重点分析糖尿病、多糖、石斛、遗传稳定性和数据挖掘5大聚类.

从聚类结果来看，聚类结构较显著(聚类模块值为0.58)，聚类较合理(聚类平均轮廓值为0.52). 下面着重分析实验得到的5个聚类.

1) 糖尿病. 主要内容有作用机制、降糖降脂、大鼠模型、免疫、脂多糖、抗炎等. 可以看出从2000年开始研究石斛中所含的重要成分对糖尿病的作用机制，到2004年左右开始通过对糖尿病模型大鼠进行实验，2007年开始提出了中医药疗法，2012年开始研究石斛对降低人体血糖、抗炎和提高免疫力均有一定的疗效，2017年开始提出西洋参、灵芝等中药对改善糖尿病具有一定的效果.

2) 多糖. 主要内容有含量测定、采收期、提取工艺、原球茎等. 2000年开始研究石斛多糖含量测定技术和成分提取方法，2005年开始研究石斛多糖抗氧化性能对抗衰老的作用，2015年开始研究石斛活性多糖对提高人体白细胞数量和提高免疫力等功效，2018年开始研究并提出铁皮石斛花中含有的多糖具有抗脂质过氧化作用和提高人体免疫力.

3) 石斛. 主要内容有铁皮石斛、产品质量、栽培技术、采收加工、产业开发等. 该部分为类别涵盖最多的一类聚类，该聚类合并了铁皮石斛和霍山石斛等聚类关键词，并首先对石斛的品种进行分类，对比不同品种石斛的品质质量；其次对不同石斛的栽培技术进行研究，实现人工产业化栽培并进行专业的采收加工；最后实现石斛产品的产业化推广，推动地方经济建设的发展.

4) 遗传稳定性. 主要内容有组织培养、可控环境、遗传多样性、光合作用、筛选、适应性等内容. 主要研究石斛在不同条件下遗传稳定性及蒴果之间的差异及有关遗传稳定性的问题.

5) 数据挖掘. 主要内容有中医传承辅助平台、用药规律、关联规则、因子分析等. 关于石斛数据挖掘的主要时间节点在2016年国务院发布《中国的中医药》白皮书后，强调要着力推动中医药发展，实现中医药健康养生文化的创新性. 主要利用临床数据信息的基础数据库对石斛在药物进行描述性分析和系统聚类分析时，分析石斛在临床治疗上的疗效.

图 13所示的关键词共现时间线聚类图谱中包含1 500多个节点和3 500多条连接线，图谱可视性较弱，为提高图谱可视性，可通过提高(c，cc，ccv)参数，得到如图 14所示的图谱.

简化图谱的节点和连接线降低为237个和462条，简化后的图谱聚类结果与原图谱相似，可以看出聚类的结果重点围绕石斛的品种、成分、生长、症状治疗、遗传特性和数据挖掘等重点内容. 与图 13相比，图 14中可以更清晰地看出每个聚类开始出现的时间、哪些年份聚类成果开始增多以及哪些年份关注度开始降低等内容，图谱隐藏的信息更多.

热点可以反映出一段时间内科研院所对该领域研究的动态变化过程. 如图 15所示，运用Citespace软件可以生成有关石斛研究的热点可视化图，共有26个突变型关键词，强度在5.124 5到18.254 4之间，年度在2000-2019年.

从图 15中可以看出，石斛研究的起点较早、时间的跨度较长，有关石斛的研究热点数量较多、强度较突出，虽然部分核心研究热点未能展示出来，但从侧面可以看出石斛领域研究和产业化的发展历程. 首先，有关石斛研究出现最早的热点为DNA指纹图谱和多糖，主要研究石斛的特征和所含主要成分；其次是石斛的品种和培育，主要是对石斛进行更深层次的研究，将石斛纳入中医药领域；再次是石斛产业的需求分析，将石斛进一步推广应用，带动就业和经济发展；最后着重就市场上研究和应用价值较高的铁皮石斛进行深度研究，提取的多糖可以用于提高人体免疫力和降低血糖.

基于半监督训练的知识图谱构建可以弥补Citespace软件的缺点，它可以根据石斛研究的特点构建针对性的实体关系抽取模型. 图 16为基于半监督学习训练模型并在Neo4j平台中构建的知识图谱显示结果. 图中选取了作者、发表期刊、关键词、研究单位、2018年5种实体进行训练，可以清晰地看出5种实体之间的关系. 铁皮石斛、多糖、免疫调节等关键词内容是2018年的主要研究对象，每个研究对象对应的作者、期刊和研究单位可以在图中清晰地显示. 通过可视化结果分析、半监督训练模型来进行实体识别和数据打标，构建的图谱可以较好地展示石斛领域的研究关系网.

本文主要通过Citespace软件对知网有关石斛文献的摘要和关键词数据进行知识图谱可视化分析，并基于半监督训练实现石斛领域的知识图谱构建. 结果表明，有关石斛的研究呈现了“缓慢增长、快速增长和缓慢波动”的过程，有关石斛的研究趋于成熟化并倾向于专业化；研究文献来源分布广泛，具有较强的专业性和地方性特色；通过作者与机构的聚类图谱可以发现，有关石斛研究的大部分作者和机构具有相互合作关系，呈现较强关联性，研究的科研单位更多与地理位置有关，少数发达地区城市有关研究机构在石斛领域也有所涉及；通过关键词和热点的聚类分析发现整个石斛产业的发展变化趋势，分别从石斛的医疗效果、成分分析与提取、产业化推广、遗传分析和数据挖掘等聚类部分较好地看出了石斛研究的核心方向. 构建的知识图谱可以通过半监督学习对实体进行知识抽取和打标，实现针对性的石斛研究知识图谱可视化. 由于训练和打标过程中需要人工选取实体和确定关系，工作量较大，下一步研究将尝试结合自然语言处理、神经网络和深度学习等算法实现实体抽取和图谱构建.