發(fā)布時間：2019-06-14所屬分類：文史論文瀏覽：1次
摘 要： 摘要文章鑒于目前應(yīng)急專家發(fā)現(xiàn)存在的問題，提出構(gòu)建應(yīng)急專家發(fā)現(xiàn)路徑融合模型。從融合介入時間節(jié)點將模型劃分為三個子模式：應(yīng)急專家關(guān)聯(lián)資源整合在評估資源分布態(tài)勢的基礎(chǔ)之上，設(shè)計基于資源均衡度的路徑加權(quán)融合流程;應(yīng)急專家特征融合引入工程化建模邏輯，
摘要文章鑒于目前應(yīng)急專家發(fā)現(xiàn)存在的問題，提出構(gòu)建應(yīng)急專家發(fā)現(xiàn)路徑融合模型。從融合介入時間節(jié)點將模型劃分為三個子模式：應(yīng)急專家關(guān)聯(lián)資源整合在評估資源分布態(tài)勢的基礎(chǔ)之上，設(shè)計基于資源均衡度的路徑加權(quán)融合流程;應(yīng)急專家特征融合引入工程化建模邏輯，構(gòu)建從特征選擇到特征關(guān)聯(lián)，再到特征融合的分析模式;應(yīng)急專家發(fā)現(xiàn)結(jié)果融合在不改變原有發(fā)現(xiàn)渠道的同時，通過設(shè)計分面指標及分面排名融合算法，獲取各路徑推薦的綜合結(jié)果。結(jié)合典型場景及業(yè)務(wù)需求構(gòu)建應(yīng)急專家發(fā)現(xiàn)路徑融合模型，可為應(yīng)急處置提供全面有效的智力支撐。不同融合模式的橫向比較還未進行深入探討與分析。
關(guān)鍵詞：應(yīng)急決策,專家發(fā)現(xiàn),特征融合,排名分析,資源均衡度
1引言
應(yīng)急決策(CrisisDecision-Making)是一種非常規(guī)的、非程序化的決策，決策主體在有限的資源、人力、時間和信息等不利因素下，對突發(fā)事件態(tài)勢做出研判和快速行為的過程。與常規(guī)決策相比，應(yīng)急決策具有決策目標動態(tài)權(quán)變、決策信息嚴重不對稱、決策環(huán)境復雜多變、決策步驟非程序化等特點。作為一種非結(jié)構(gòu)化的決策，應(yīng)急決策采用定量分析模型不易，因此專家咨詢法應(yīng)用尤其廣泛。融合了專家群體的知識與經(jīng)驗，應(yīng)急專家咨詢法可最大程度地降低方案施行過程產(chǎn)生的風險，提升決策的質(zhì)量，其鮮明特征體現(xiàn)在：參與應(yīng)急咨詢的專家來源更分散，應(yīng)急咨詢的質(zhì)量很大程度上取決于應(yīng)急專家發(fā)現(xiàn)的效率和效果，而傳統(tǒng)信息咨詢已行業(yè)化和規(guī)范化，其咨詢?nèi)藛T多來自機構(gòu)內(nèi)部。
從本質(zhì)上講，應(yīng)急專家發(fā)現(xiàn)是決策需求與專家特征相似度匹配的過程，匹配的前提是決策需求與專家特征的最終表達形式要一致。知識經(jīng)濟時代，專業(yè)知識體系構(gòu)成了領(lǐng)域內(nèi)的知識共同體——專家團隊，但共同體中的專家節(jié)點總體上并不一定具有明晰的架構(gòu)。這一方面說明研究正趨于集群化[1-2]，另一方面也表明專家特征具有模糊性和時變性。
現(xiàn)有應(yīng)急專家發(fā)現(xiàn)通常借助4類網(wǎng)絡(luò)：
(1)人際網(wǎng)絡(luò)。人際網(wǎng)絡(luò)是人際關(guān)系的總和，而人際關(guān)系是專家社會關(guān)系的重要組成部分。作為一個開放復雜的巨系統(tǒng)，應(yīng)急管理具有多尺度、多變性、多主體和多因素的特征，需要大量不同領(lǐng)域的專家共同參與到?jīng)Q策咨詢中[3]。為領(lǐng)域內(nèi)的應(yīng)急任務(wù)發(fā)現(xiàn)專家，召集人憑借對領(lǐng)域環(huán)境的熟知還能應(yīng)對。跨領(lǐng)域合作則要求更加合理的知識及人員組成結(jié)構(gòu)，召集人僅憑主觀判定，在選擇專家時可能會造成一定誤差，這些誤差源自信息的不對稱[4-5]。
(2)文獻網(wǎng)絡(luò)。文獻網(wǎng)絡(luò)是文獻資源及其關(guān)系的總和，目前國內(nèi)外圍繞它開發(fā)的較有代表性的系統(tǒng)包括：FacFinder專家搜索引擎[6]、SmallBlue專家搜索軟件[7-8]、科技咨詢系統(tǒng)[9-10]、專家檢索系統(tǒng)[11-12]、基于本體的專家定位系統(tǒng)[13]和C-DBLP(http://c-dblp.cn/)等。除此之外，各類文獻系統(tǒng)也已成為定位專家的重要途徑，目前國內(nèi)三大學術(shù)數(shù)據(jù)庫(CNKI、萬方和維普)都有專家檢索入口，但數(shù)據(jù)量并不大，且專家信息組織偏重外部特征，對內(nèi)容特征的揭示不深。
(3)組織網(wǎng)絡(luò)。通過電子政務(wù)等工程，目前應(yīng)急管理各級行政部門很多建設(shè)了專家?guī)臁＜颐浀冉Y(jié)構(gòu)化數(shù)據(jù)，但這些數(shù)據(jù)的采集往往依靠行政命令，缺少應(yīng)急相關(guān)的客觀知識體系輔助，專家特征表達規(guī)范程度不高，存在一詞多義、異詞同義等自然語言問題，決策需求與專家特征的完全匹配將造成部分相關(guān)專家的漏檢[14]，進而影響到應(yīng)急決策咨詢團隊知識結(jié)構(gòu)的系統(tǒng)性。除此之外，現(xiàn)有專家?guī)臁＜颐浉轮芷谕^長，直接影響到應(yīng)急專家發(fā)現(xiàn)的全面性。
(4)開放網(wǎng)絡(luò)。開放網(wǎng)絡(luò)關(guān)聯(lián)到的專家資源數(shù)量大、質(zhì)量參差不齊，且部分信息來源于文獻數(shù)據(jù)庫。這些資源多采用檢索模型來處置專家識別過程[15-16]，開放網(wǎng)絡(luò)資源專家特征(如名稱、研究方向等)常以關(guān)鍵詞形式包括在非結(jié)構(gòu)化或半結(jié)構(gòu)化的文本中，需要采用文本分析方法獲取屬性數(shù)據(jù)。鑒于應(yīng)急決策質(zhì)量的高要求，從開放網(wǎng)絡(luò)發(fā)現(xiàn)的專家可信度仍需要進一步驗證，而可信度大小可作為結(jié)果相關(guān)度判斷的標準之一，為決策主體認可與否專家提供參考[17]。
現(xiàn)有四種專家發(fā)現(xiàn)路徑都各自存在一定的局限性：通過人際網(wǎng)絡(luò)發(fā)現(xiàn)專家不夠客觀，且不利于跨學科專家發(fā)現(xiàn);通過組織網(wǎng)絡(luò)層層上報的專家特征表達不夠規(guī)范，且更新周期比較長，需要構(gòu)建客觀知識體系進行規(guī)范;文獻網(wǎng)絡(luò)發(fā)現(xiàn)的專家多來自學術(shù)機構(gòu)，覆蓋面不足，尤其是對“小眾專家”識別力度不夠;開放網(wǎng)絡(luò)關(guān)聯(lián)到的專家資源豐富，但質(zhì)量差異明顯，需要設(shè)計資源可信度評測算法，以提升專家發(fā)現(xiàn)質(zhì)量。鑒于應(yīng)急專家發(fā)現(xiàn)基準路徑存在的問題，本研究提出應(yīng)急專家發(fā)現(xiàn)路徑的融合模型。
2應(yīng)急專家發(fā)現(xiàn)路徑融合模型概述
應(yīng)急專家發(fā)現(xiàn)路徑融合模型以單一應(yīng)急專家發(fā)現(xiàn)路徑分析為基礎(chǔ)，可采用“增量分析+逐步迭代”方式來進行路徑融合，也可應(yīng)用元組織方法將各類路徑整合成特征關(guān)聯(lián)網(wǎng)絡(luò)。前者借鑒工程化設(shè)計邏輯來串聯(lián)應(yīng)急專家發(fā)現(xiàn)各個環(huán)節(jié)，后者采用文本網(wǎng)絡(luò)化技術(shù)來構(gòu)建由客觀知識聯(lián)系形成的異質(zhì)網(wǎng)絡(luò)。兩者融合的策略與融合結(jié)果的表現(xiàn)形式都存在一定差異，這主要源于不同學科對融合內(nèi)涵的認知不同：遵照應(yīng)急專家發(fā)現(xiàn)系統(tǒng)開發(fā)模式，增量迭代模型強調(diào)將差異化的應(yīng)急專家發(fā)現(xiàn)路徑轉(zhuǎn)換為統(tǒng)一的過程，基準發(fā)現(xiàn)路徑不展現(xiàn)在最終融合結(jié)果中。
元組織模型采用網(wǎng)絡(luò)科學方法解決信息組織問題，注重不同發(fā)現(xiàn)路徑的形式聚合，而非內(nèi)容融合，最終融合結(jié)果包含基準發(fā)現(xiàn)路徑。兩種融合方式各有優(yōu)劣，前者信息融合徹底，不存在對專家特征的誤讀，因為在逐級迭代過程中已經(jīng)解決了不同路徑發(fā)現(xiàn)的同一專家特征間存在噪聲和沖突問題;后者嚴格上講只是以專家為連接點，將不同路徑發(fā)現(xiàn)的專家特征序列進行綜合展現(xiàn)。本質(zhì)上講，后者是前者融合的基礎(chǔ)，兩者共同展現(xiàn)了信息融合的兩個不同層級：形式聚合與內(nèi)容融合。本文將在上述融合模式分析的基礎(chǔ)之上，設(shè)計應(yīng)急專家發(fā)現(xiàn)路徑融合模型，如圖1所示。，應(yīng)急專家發(fā)現(xiàn)路徑融合可依照三類模式來展開：
(1)應(yīng)急專家關(guān)聯(lián)資源整合。引言以應(yīng)急專家關(guān)聯(lián)資源類型為分類標準，將應(yīng)急專家發(fā)現(xiàn)路徑分為4類，這些資源共同組成了應(yīng)急專家特征提取的語料集，應(yīng)急專家關(guān)聯(lián)資源整合就是要把揭示同一專家特征的多源異構(gòu)資源進行有機地整合，形成規(guī)范的未解析的應(yīng)急專家發(fā)現(xiàn)數(shù)據(jù)集。
(2)應(yīng)急專家特征融合。特征融合是在對不同分面資源解析的基礎(chǔ)之上，利用文本分析、統(tǒng)計分析等算法，識別并提取能夠表達應(yīng)急專家特征的詞序列，常見的數(shù)學表達形式為特征詞向量。之后依據(jù)預(yù)定好規(guī)則對特征詞進行選擇，根據(jù)特征詞之間存在的客觀知識聯(lián)系，采用耦合分析建立基于特征關(guān)聯(lián)的應(yīng)急專家網(wǎng)絡(luò)，進一步對該網(wǎng)絡(luò)進行社群結(jié)構(gòu)識別，還可發(fā)掘知識相似或知識互補的專家群。
(3)應(yīng)急專家發(fā)現(xiàn)結(jié)果融合。結(jié)果融合導向應(yīng)急專家參與的典型場景及業(yè)務(wù)需求，通過突發(fā)事件分類與情景分析刻畫出應(yīng)急情景特征，計算出應(yīng)急情景特征與應(yīng)急專家特征之間的匹配度，獲取不同路徑推薦的專家排名后，借助排名融合算法生成專家綜合排名，從而根據(jù)應(yīng)急專家咨詢團隊人數(shù)及知識結(jié)構(gòu)需求確認最終結(jié)果。
需要注意的是，上述三類模式的融合并非遞進關(guān)系，而是并列關(guān)系：資源整合是在資源描述形式統(tǒng)一的基礎(chǔ)之上，依據(jù)資源分布狀況與信源可信度，綜合確認不同資源在揭示應(yīng)急專家特征的權(quán)重，采用加權(quán)計算方式獲取最終結(jié)果;特征融合是在對應(yīng)急專家特征識別、提取和表達的基礎(chǔ)之上，添加特征關(guān)聯(lián)環(huán)節(jié)，構(gòu)建“專家-特征-專家”的異質(zhì)網(wǎng)絡(luò);鑒于大規(guī)模在線數(shù)據(jù)更新給資源保管帶來了極大挑戰(zhàn)，結(jié)果融合強化從末端提升應(yīng)急專家遴選的效率，引入分面排名融合算法來簡化大規(guī)模資源整合的難度。
3資源加權(quán)：應(yīng)急專家關(guān)聯(lián)資源整合流程
應(yīng)急專家關(guān)聯(lián)資源整合包括資源結(jié)構(gòu)化處理、資源權(quán)重設(shè)計和基于資源均衡度的專家路徑融合三個環(huán)節(jié)，其中資源加權(quán)是資源整合流程設(shè)計的核心邏輯。各環(huán)節(jié)具體內(nèi)容為：
(1)資源結(jié)構(gòu)化處理。揭示應(yīng)急專家特征的資源類型多樣，質(zhì)量參差不齊，因此需要通過去重、清洗、合并等一系列規(guī)范化處理步驟進行預(yù)處理。同時這些資源還存在一詞多義、表意模糊等自然語言問題，因而需要引入客觀知識體系，以對資源語義進行合理映射和規(guī)范描述，結(jié)合元分析、主題分析等方法，將非結(jié)構(gòu)的資源轉(zhuǎn)換為結(jié)構(gòu)化的特征向量。
(2)資源權(quán)重設(shè)計。隨著應(yīng)急專家對外溝通渠道的日趨多樣化，適用于專家發(fā)現(xiàn)的資源既包括傳統(tǒng)的學術(shù)文獻，還包括社交網(wǎng)絡(luò)資源和Web資源。不同渠道獲取的資源可信度存在著一定差異，如果不依據(jù)信源可信度對資源揭示專家特征的能力進行權(quán)重設(shè)置，可能會導致融合后獲取的應(yīng)急專家特征出現(xiàn)較大噪聲。權(quán)重設(shè)定既可以依托專家經(jīng)驗評估，還可以依據(jù)資源分布狀況。為避免主觀評價可能產(chǎn)生的隨意性，提出使用資源均衡度指標來設(shè)計資源權(quán)重。
4特征關(guān)聯(lián)：應(yīng)急專家特征融合流程
應(yīng)急專家特征融合流程包括特征選擇、特征關(guān)聯(lián)和特征融合，其中特征關(guān)聯(lián)是特征融合實現(xiàn)的關(guān)鍵。各環(huán)節(jié)具體內(nèi)容表現(xiàn)為：
(1)應(yīng)急專家特征選擇。突發(fā)事件處置的典型場景為應(yīng)急專家發(fā)現(xiàn)指明了特定的業(yè)務(wù)需求，但無論哪一類需求都存在共性的特征選擇方法。特征選擇是從預(yù)處理好的特征向量中選取有意義的特征詞輸入到機器學習的模型和算法中進行訓練，選擇將重點依據(jù)特征發(fā)散程度和與需求的相關(guān)程度來綜合評斷。前者重點評判特征詞對樣本的區(qū)分程度，常見的測度指標為方差，其值越接近0，表明特征詞對樣本的區(qū)分程度越弱。
后者從預(yù)測分析角度計算特征詞與需求的匹配程度，常見分析指標包括相關(guān)系數(shù)法、卡方檢驗、互信息法等。同時為最大程度降低特征選擇的計算量，特征選擇還可建立在特征詞分類基礎(chǔ)之上，基礎(chǔ)分類維度可設(shè)計為三類：屬性特征詞、內(nèi)容特征詞、上下文特征詞。屬性特征詞說明專家的基本信息，內(nèi)容特征詞表達專家知識背景、研究專長及影響力，上下文特征詞說明專家應(yīng)對突發(fā)情形的情景信息。
(2)應(yīng)急專家特征關(guān)聯(lián)。揭示應(yīng)急專家特征的語詞間存在著客觀的知識聯(lián)系，發(fā)掘并細化這種語義關(guān)系將為應(yīng)急專家網(wǎng)絡(luò)的構(gòu)建提供基礎(chǔ)支撐。常采用的特征關(guān)聯(lián)方法有：一是統(tǒng)計共現(xiàn)分析，提取應(yīng)急專家特征向量共同包含的特征詞，以這些特征詞為連接點，構(gòu)建“專家-特征-專家”網(wǎng)絡(luò)，進一步通過矩陣自身與其轉(zhuǎn)置的相乘，可獲取“專家-專家”網(wǎng)絡(luò);二是語義內(nèi)容分析，引入領(lǐng)域相關(guān)詞表，判別特征詞間的語義類型，建構(gòu)當前特征詞間的語義組織網(wǎng)絡(luò)。
兩種特征關(guān)聯(lián)構(gòu)建方法各有優(yōu)劣，統(tǒng)計共現(xiàn)分析直觀易操作，但特征詞關(guān)聯(lián)的類型相對有限;語義內(nèi)容分析能夠更為準確全面揭示語詞間的語義關(guān)系，但需要面向特定主題的詞表支撐。為兼顧統(tǒng)計數(shù)值計算和語義細化分析，現(xiàn)實應(yīng)用中往往以統(tǒng)計共現(xiàn)分析所建立的矩陣為語義分析基礎(chǔ)數(shù)據(jù)，結(jié)合領(lǐng)域詞表、專家判定和機器學習算法對矩陣數(shù)值進行語義修正，進而服務(wù)于精細化的專家檢索及社群結(jié)構(gòu)識別。
(3)應(yīng)急專家特征融合。特征選擇只是特征處理的第一步，特征關(guān)聯(lián)也只實現(xiàn)了應(yīng)急專家形式上聚合，后續(xù)將依據(jù)特征詞規(guī)模進行降維處理和融合分析。特征選擇必須要進行融合模型訓練，但受限于特征詞規(guī)模，模型訓練往往會導致計算量大，訓練時間長的問題，因此需要采用基于L1懲罰項的分析、主成分分析(PCA，無監(jiān)督的降維方法)、線性判別分析(LDA，有監(jiān)督的降維方法)等方法將原始的樣本映射到維度更低的樣本空間中，這將極大提升應(yīng)急專家特征向量融合的計算效率。
設(shè)計應(yīng)急專家特征融合方法的核心在于改進和組配現(xiàn)有數(shù)據(jù)挖掘、模式識別等典型算法及模型，最大程度降低特征疊加過程中產(chǎn)生的信息噪聲和消解不同資源提取特征間的沖突。從特征選取到降維，再到特征融合，這一系列分析共同構(gòu)成了應(yīng)急專家發(fā)現(xiàn)的特征工程，該工程既要強調(diào)特征在應(yīng)急專家顯式表達過程的關(guān)鍵作用，也要保證各環(huán)節(jié)模型算法的效果和效率。
5排名推薦：應(yīng)急專家發(fā)現(xiàn)結(jié)果融合流程
應(yīng)急專家發(fā)現(xiàn)結(jié)果融合包括分面排名指標設(shè)計和分面排名融合兩個環(huán)節(jié)，各環(huán)節(jié)內(nèi)容主要為：
(1)分面排名指標設(shè)計。結(jié)果融合最大程度地保留了原有的應(yīng)急專家發(fā)現(xiàn)路徑，在無差別獲取應(yīng)急專家集合的基礎(chǔ)之上，通過分面排名指標的設(shè)計，給出面向應(yīng)急處置特定主題領(lǐng)域的專家排名。排名計算需要綜合的指標包括三個維度：一是專家個人分面，主要涉及與應(yīng)急相關(guān)的個人基本信息，如機構(gòu)、城市等地理信息，這將為基于位置鄰近的推薦提供基礎(chǔ)數(shù)據(jù)。
二是專家文本分面，主要涉及專家專長領(lǐng)域、專家研究主題、參與應(yīng)急處置經(jīng)歷等，專長領(lǐng)域與突發(fā)事件分類體系要緊密對照，專家研究主題要標記時間戳，以體現(xiàn)專家關(guān)注主題的遷移脈絡(luò)，應(yīng)急處置經(jīng)歷反映了專家實踐工作能力，配合應(yīng)急處置效果評估，能夠最大程度簡化應(yīng)急專家發(fā)現(xiàn)流程;三是專家影響分面，主要涉及傳統(tǒng)的學術(shù)評價和效果評價，學術(shù)評價關(guān)聯(lián)到專家發(fā)表作品的載體影響力以及引用擴散情況，效果評價強調(diào)理論研究成果的技術(shù)轉(zhuǎn)化情況、指導應(yīng)急處置的效力等。
(2)分面排名融合。上述三個分面下都需設(shè)計定性與定量相結(jié)合的指標體系，這樣才能在突發(fā)事件情景分析的基礎(chǔ)之上，綜合給出不同分面下的專家排名。獲取的應(yīng)急專家分面排名間可能存在一定沖突，必須設(shè)計沖突消解算法來進行分面排名融合。目前應(yīng)用較多的排名融合算法是專家系統(tǒng)中的不確定性決策方法D-S證據(jù)推理[20-21]，在之前研究中《應(yīng)急參考咨詢團隊構(gòu)建模式研究》[22]中，我們已對D-S證據(jù)推理模型在應(yīng)急專家發(fā)現(xiàn)及團隊組建中的應(yīng)用過程進行了系統(tǒng)分析和效果驗證。
除此之外，還可采用加權(quán)平均、TOP⁃SIS等算法對分面排名進行融合，最終目的都是為了獲取綜合排名結(jié)果，所以信息融合算法需要設(shè)計相對繁復的融合步驟，以消除分面排名間的不一致。分面排名融合效果評測指標可以選取排名值重復率和排名一致率：排名值重復率定義為專家分面排名值重復比例的均值，其值越大表明排名采納率越低;排名一致率定義為在不同分面排名下的順序一致的專家對數(shù)，其值越大表明分面排名兼容性越強。
6結(jié)語
目前應(yīng)急專家發(fā)現(xiàn)路徑主要借助4類網(wǎng)絡(luò)，但每一類網(wǎng)絡(luò)都存在尚需完善的環(huán)節(jié)，借此本文試圖構(gòu)建應(yīng)急專家發(fā)現(xiàn)路徑的融合模型。從融合介入的時間節(jié)點，融合模型又被分為應(yīng)急專家關(guān)聯(lián)資源整合、應(yīng)急專家特征融合和應(yīng)急專家發(fā)現(xiàn)結(jié)果融合。資源整合以權(quán)重設(shè)計為指導原則，根據(jù)揭示專家特征的資源分布態(tài)勢，可設(shè)計基于資源均衡度的路徑融合流程;特征融合以特征關(guān)聯(lián)為銜接紐帶，借鑒工程化建模思想，意圖設(shè)計從特征選擇到特征關(guān)聯(lián)，再到特征融合的一整套應(yīng)急專家發(fā)現(xiàn)流程;結(jié)果融合在不改變既有應(yīng)急專家發(fā)現(xiàn)路徑的基礎(chǔ)之上，設(shè)計分面排名指標，構(gòu)建分面排名融合算法，寄期望從各路徑獲取一致性的推薦結(jié)果集。
資源整合和特征融合可通過構(gòu)建應(yīng)急專家?guī)靵韺崿F(xiàn)集中化管理，但在前期資源建設(shè)與特征工程設(shè)計環(huán)節(jié)需要投入較大成本;結(jié)果融合最大程度地保留了現(xiàn)有專家發(fā)現(xiàn)渠道，技術(shù)層面不存在較大問題，但需要注意應(yīng)急專家發(fā)現(xiàn)與管理主體之間的組織協(xié)調(diào)。同時我們也注意到，目前信息融合方法的應(yīng)用對象還多集中于社會化專家，較少關(guān)聯(lián)到應(yīng)急管理領(lǐng)域，但相關(guān)研究方法對應(yīng)急專家發(fā)現(xiàn)路徑融合模型設(shè)計具有很大參考價值。同時路徑融合各個環(huán)節(jié)都普遍設(shè)置了多類評測指標，為解決融合過程的噪聲和沖突，各融合模式往往借鑒和改造其他學科較為成熟的方法，改造后的融合結(jié)果總體來講都比基準方法效果要好，但改進后不同融合模式的橫向比較還未進行深入的探討與分析。
參考文獻
[1]WuchtyS,JonesBF,UzziB.Theincreasingdominanceofteamsinproductionofknowledge[J].Science,2007,316(5827):1036-1039.
[2]BörnerK,Dall’AstaL,KeW,etal.Studyingtheemergingglob⁃albrain:analyzingandvisualizingtheimpactofco-authorshipteams[J].Complexity,2005,10(4):57-67.
[3]范維澄.國家突發(fā)公共事件應(yīng)急管理中科學問題的思考和建議[J].中國科學基金,2007,21(2):71-76.
[4]程少川,李高,鄭俊.面向跨學科創(chuàng)新合作的知識推送方法研究[J].情報學報,2013,32(2):148-153.
[5]李綱,葉光輝.基于模糊匹配的跨學科專家團隊發(fā)現(xiàn)算法研究[J].情報學報,2014,33(1):68-76.
相關(guān)知識閱讀：情報學報核心期刊征稿時間
《情報學報》是由中華人民共和國新聞出版總署、正式批準公開發(fā)行的優(yōu)秀期刊。自創(chuàng)刊以來，以新觀點、新方法、新材料為主題，堅持"期期精彩、篇篇可讀"的理念。情報學報內(nèi)容詳實、觀點新穎、文章可讀性強、信息量大，眾多的欄目設(shè)置，情報學報公認譽為具有業(yè)內(nèi)影響力的雜志之一。情報學報并獲中國優(yōu)秀期刊獎，現(xiàn)中國期刊網(wǎng)數(shù)據(jù)庫全文收錄期刊。
