推荐5篇关于情报学的计算机专业论文

今天分享的是关于情报学的5篇计算机毕业论文范文, 如果你的论文涉及到情报学等主题,本文能够帮助到你

基于知识图谱的机器视觉研究前沿与技术机会分析

这是一篇关于情报学,机器视觉,科学知识图谱,前沿热点,技术机会的论文, 主要内容为随着互联网、大数据、云计算等计算机技术的不断发展与突破,人工智能正催生一批颠覆性技术,引领新一轮的科技革命和产业变革。从人工智能诞生起,机器视觉的相关研究及应用便成为热门的研究领域。本文将CiteSpace可视化知识图谱工具引入机器视觉领域的相关研究中。选取2010年至2019年机器视觉领域中收录于Web of Science核心合集的高水平论文文献以及2000年至2019年116个主要国家的专利数据的有效授权发明专利进行分析。以一个全新的视角为机器视觉领域的研究提供方向和思路,并为文献统计分析提供实证研究案例。旨在全面把握和剖析机器视觉领域目前的发展状况,探测明晰其研究热点前沿与技术机会。本研究的主要内容如下:(1)利用Web of Science进行引文分析并运用CiteSpace信息可视化工具进行合作网络分析、共被引分析、突变性探测、半衰性、中心性及H-index分析。从宏观角度,对机器视觉领域的文献时间分布整体情况进行分析。从微观角度,通过构建该领域主体间的合作知识图谱展示国家(地区)、科研机构、作者合作网络、学术期刊和基金资助机构各方面的情况。分析出该领域的高水平文章的发文量与被引频次都保持增长,处于较高水平的蓬勃发展上升期,中美两国在该领域的研究处于主导地位。如今,中国已成为世界机器视觉发展最活跃的地区之一。(2)通过对文献关键词进行共现分析得出:分类、系统、算法、识别、模型、特征、图像、分割、跟踪、图像处理、图像分析、视觉和颜色这些词汇组成了该领域的热点。通过对高频关键词做突变性检测得到:形状、质地、边缘检测、信息、模式识别、动作、最优化、视察、光流、相机校正等成为研究热点新兴领域与研究前沿。(3)利用Patsnap工具对机器视觉领域的专利文献分析可知:中美的研究机构占比最高。分析技术焦点图得到该领域未来发展趋势是G06(计算;推算;计数),通过对比世界与中国机器视觉领域重点研究机构的技术领域地图、创新词云、旭日图及专利地图分析得出:在激光检测、图像处理、信息融合和压缩感知方向和国外比较处于劣势,需要加大投入。

基于知识图谱的国际海洋科学研究前沿与技术机会分析

这是一篇关于情报学,知识图谱,海洋科学,研究热点,研究前沿,技术机会的论文, 主要内容为随着全球经济资源环境瓶颈期的到来,各国再次把目光聚焦到海洋。海洋科学是一门多学科综合与交叉的学科,国际海洋科学的研究最早出现在美国,其学科体系在不断的扩展和丰富,主要包括海洋基础学科研究和应用技术研究。国际海洋科学理论和技术研究也在推动中国海洋科学的发展,涌现出中国科学院海洋研究所、中国海洋大学等先进的海洋研究机构。但是国际上对海洋科学研究前沿和技术机会的研究相对较少,因此笔者利用情报学和科学计量学的相关理论、方法来分析国际海洋科学的研究热点、研究前沿和技术机会,这是具有理论和现实意义的。本文选取了 Web of Science核心合集和Derwent专利库中2011年至2017年海洋科学领域的学术论文、专利文献,利用陈超美博士的Citespace5.0.R2软件构建海洋科学领域作者、机构和国家的科研合作网络知识图谱,构建基于关键词和主题词的海洋科学研究热点知识图谱,构建基于共被引分析和耦合分析的研究前沿知识图谱。最后,采用共词分析和谓词树法分析出海洋科学的技术机会。本文共分为6个章节,对国际海洋科学的研究前沿和技术机会的相关问题进行了分析与研究。主要研究工作如下:(1)介绍研究背景及意义,分析海洋科学、知识图谱、研究前沿和技术机会的国内外研究现状,并介绍了文章的写作思路、内容、方法和创新点;(2)阐述了海洋科学、知识图谱、研究前沿和技术机会的相关理论知识;(3)分析了海洋科学总体情况,主要从微观和宏观两个方面进行分析;(4)利用Citespace5.0.R2软件构建海洋科学研究热点、研究前沿的知识图谱;(5)利用共词分析法和谓词树法挖掘海洋科学的技术机会;(6)对海洋科学的总体研究情况、研究热点、研究前沿和技术机会进行总结,指出此次论文的不足之处,并提出未来的发展方向。

我国情报学知识网络及其演化研究

这是一篇关于情报学,学科知识网络,2-模分析,TF*IDF,边聚类算法的论文, 主要内容为随着互联网的发展,当代情报学在学科交叉、方法移植的普遍学术背景上呈现出多维度、跨领域的发展趋势。研究广度和深度不断拓展也使得科研合作行为和研究热点处在动态变化过程中。寻找情报学学科的潜在合作者和潜在合作主题,发现情报学学科主题结构和演化等知识网络有助于科学家更快地捕获学科发展前沿及热点研究,有助于为科研决策者和管理者提供决策依据。因此,情报学学科知识网络的研究有重要意义。论文的主要内容如下:第一,综述学科结构和学科发展趋势研究现状,从科学知识网络分析的角度以可视化方法研究情报学学科结构和发展趋势的可行性和必要性。第二、梳理了情报学的学科背景,并介绍了运用知识图谱来研究学科知识网络的方法。第三、运用社会网络分析法对情报学的科研合作网络进行分析,发现学科核心科研团队合作网络情况,挖掘潜在合作者及合作主题。第四、综合运用TF*IDF方法和边聚类社群识别算法,分析情报学学科主题结构。第五、将社会网络分析方法和3-mode共现分析方法应用于学科主题网络分析中,并揭示网络演化特征,发现不同年份具有代表性的经典和热点研究主题。最后,对本论文工作进行了总结和展望。论文探讨了情报学领域中对于研究人员和主题2-模关系发现相关领域的潜在合作者和潜在研究主题,找出情报学学科主题的经典关键词和特征关键词并揭示出学科主题的变化情况。这些研究在一定程度上能反映出学科主题的历年研究热点和研究趋势,对于学者了解情报学学科的发展和改进学科知识网络研究方法上有一定的意义。

机器学习领域前沿演进分析与技术机会挖掘

这是一篇关于情报学,科学知识图谱,机器学习,前沿演进,技术机会的论文, 主要内容为随着互联网、大数据、云计算和物联网等技术不断发展,人工智能正引发可产生链式反应的科学突破、催生一批颠覆性技术,引领新一轮科技革命和产业变革。而机器学习则是通往智能的关键技术途径。本研究将新兴的知识图谱可视化方法应用于机器学习领域前沿演进的研究,选取Web of Science核心合集以及Derwent专利库中2008年至2018年机器学习领域的论文文献和专利文献做数据源,全面把握机器学习领域的研究现状,探测和明析其热点前沿的发展脉络,力求达到对该学科的全面剖析。以一个全新的视角为机器学习领域科研工作提供方向和思路以及为文献的统计分析提供实证研究案例,同时帮助企业识别和把握可能存在的技术机会。本文主要研究内容是:(1)机器学习研究领域文献的分析,包括按时间维度的宏观分析,按国家地区,机构,期刊、作者等知识主体的微观分析,借助web of science自带的分析软件做数量、被引数、H指数等指标统计。借助CiteSpace绘制知识图谱,根据图谱光圈颜色和中心性、半衰期等指数,分析知识主体间合著情况,经过分析总结出机器学习领域发文量和逐年增加规律,说明机器学习领域研究文献在数量和质量上都保持了较高的增长水平,该领域的研究热点和质量都处于蓬勃上升期。知识主体以美国为主的发达国家和中国为代表;(2)通过绘制关键词共现图谱,分析出机器学习领域研究热点是分类、支持向量机、遗传算法、模式识别、神经网络、预测、网络回归、鉴定特征以及卷积神经网络。使用关键词突变以及施引文献耦合法进行前沿分析,分析得出深度学习、图像识别、遗传算法、模式识别、学习效果以及决策树为该领域的前沿主题词;(3)对机器学习领域的专利文献统计和专利权主体分析,美国的企业占比最高。对机器学习领域企业做发展定位分析,并预测未来技术发展趋势是G06(计算;推算;计数)。