基于改进BERTopic模型的领域主题表征及演化研究

• 全文链接
• 请求原文

作   者：

刘颖;  于春梅;  李晓晨;  李叶;  赵铭宇; 

作者机构：

吉林财经大学管理科学与信息工程学院; 

关键词：

动态演化;  多源数据;  主题表征;  BERTopic;  领域主题; 

期刊名称：

图书情报工作

i s s n：

0252-3116

年卷期：

2025 年 69 卷 003 期

页   码：

78-89

摘   要：

[目的/意义]瞄准领域前沿范围，预测未来发展研究主题，有助于科研工作者寻找该领域新的学科增长点，优化政府部门资源配置。[方法/过程]运用深度学习预训练模型增强文本的语义表示能力，提出改进BERTopic(SBERT-UMAP-HDBSCAN-TopMine)主题表征模型，以期丰富和完善主题表征与主题演化方法。首先，使用SBERT模型进行句子嵌入，弥补句子向量存在非光滑各向异性，UMAP降维后利用HDBSCAN算法进行主题聚类，为避免主题识别在语义表达上存在盲点，运用TopMine对聚类主题短语抽取进行主题表征；其次，利用WMD计算相邻时间段不同主题间相似度，发现不同时间段领域主题产生、发生和动态关联的过程，并对领域热点主题进行动态演化分析。[结果/结论]以供应链金融领域为例进行实证分析，将供应链金融的研究方向划分为供应链金融风险评估、供应链金融融资模式、现代金融科技赋能和可持续供应链金融4个类别，模型有助于提升供应链金融领域热点主题的可解释性与可识别性，通过动态演化分析发现可持续供应链金融是目前及未来关注的重点。