中国|中国提出的AI方法影响越来越大，天大等从大量文献中挖掘AI发展规律高薪|发展规律|文献|方法|中国

机器之心发布
作者：姚汝婧、叶迎春、张吉、李书晓、吴偶
如何从学术文献中挖掘规律，甚至溯源文献的研究方法等？来自天津大学、之江实验室和中科院自动化所的研究者借鉴生化领域中分子标记示踪的思想，对文献正文中反映研究过程的信息进行示踪，挖掘出了方法的演化规律等更多有价值的信息。
将学术文献中蕴含的规律挖掘出来是非常有意义的。借鉴生化领域中分子标记示踪的思想，本文将 AI 文献中的方法、数据集和指标这三种同粒度的命名实体作为 AI 标记，对文献正文中反映研究过程的信息进行示踪，进而为文献挖掘分析开拓新视角，并挖掘更多有价值的学术信息。
首先，本文利用实体抽取模型抽取大规模 AI 文献中的 AI 标记。其次，溯源有效 AI 标记对应的原始文献，基于溯源结果进行统计分析和传播分析。最后，利用 AI 标记的共现关系实现聚类，得到方法簇和研究场景簇，并挖掘方法簇内的演化规律以及不同研究场景簇之间的影响关系。
上述基于 AI 标记的挖掘可以得到很多有意义的发现。例如，随着时间的发展，有效方法在不同数据集上的传播速度越来越快；中国近年来提出的有效方法对其他国家的影响力越来越大，而法国恰好相反；显著性检测这种经典计算机视觉研究场景最不容易受到其他研究场景的影响。
1 介绍 & 相关工作
对学术文献的探索能够帮助科研人员快速和准确地了解领域发展状况以及发展趋势。目前大多数的文献研究严重依赖论文的元数据，包括作者、关键词、引用等。Sahu 等人通过对文献作者数量的分析来探索其对文献质量的影响[19]。Wang 等人通过对引用数量的统计，发布 AI 领域学者高引排行榜。Yan 等人使用引用数量来估计未来的文献引用[26]。Li 等人使用从文献元数据衍生的知识图谱来比较嵌入空间中的实体相似性（论文、作者和期刊）[12]。Tang 等人基于关键词和作者的国家研究 AI 领域的发展趋势[27]。此外，还有大量基于作者、关键词、引用等对文献进行分析的研究[4, 13, 14, 20, 24]。
由于元数据涉及到的语义内容有限，一些学者对文献的摘要进行分析。摘要是对文献内容的高度概括，主题模型是主要的分析工具[5, 6, 18, 21, 22, 31]。Iqbal 等人利用 Latent Dirichlet Allocation (LDA) 来探索 COMST 和 TON 中的重要主题[8]。Tang 等人利用 Author-Conference-Topic 模型构建学术社交网络[23]。此外，Tang 等人分析发现当前热点研究话题 TOP10 为 Neural Network、Convolutional Neural Network、Machine Learning 等。但是，基于主题模型对摘要进行主题分析存在主题粒度不一致的问题。例如 Tang 等人发现的当前热点研究话题 top10 里面，Neural Network、Convolutional Neural Network、Machine Learning 三个话题的粒度完全不一致。
摘要中蕴含的主要是结论性信息，缺少反映研究过程的信息。文献正文中包含了研究的具体过程，但目前还基本未见有对文献正文的研究。其中一个主要原因是，论文正文通常包含几千个单词。在远超摘要长度的正文上，利用现有主题模型技术进行分析，可能会导致正文中与主题相关性低的非主题单词也会被作为主题单词。
我们注意到，生物领域中常用分子标记法来追踪反应过程中物质和细胞的变化，从而获取反应特征和规律[29, 30]。受此启发，我们发现在文献的特征与规律挖掘中，方法、数据集、指标能够起到和分子标记物相同的作用。我们将 AI 文献中这三种同粒度的命名实体作为 AI 标记，利用 AI 标记来对正文中反映研究过程的信息进行示踪。图 1 描述了 AI 标记和分子标记的相似性。基于 AI 标记的挖掘补充了常规的基于元数据和基于摘要的挖掘。

文章插图
(a) Samuel Ruben 和 Martin Kamen 使用氧同位素 18O 分别标记 H2O 和 CO2，跟踪光合作用中的 O2 的来源。

文章插图
(b) 当 AI 标记被其他文献提出或引用时，就形成了特定研究过程中的踪迹。因此，AI 标记在挖掘文献的特征和规律性方面可以起到与分子标记相同的作用。
Figure 1：AI 标记和分子标记类比图
在我们的研究中，首先利用实体抽取模型对大规模 AI 文献中的 AI 标记进行抽取，并对有效 AI 标记（方法和数据集）进行统计分析。其次，我们对抽取的有效方法和数据集进行原始文献的溯源，对原始文献进行统计分析，并且研究了有效方法在数据集上和在国家之间的传播规律。最后，根据方法和研究场景共现关系来实现对方法和研究场景的聚类，得到方法簇和研究场景簇。基于方法簇及关联数据集绘制路径图，研究同类方法的演化关系，基于研究场景簇来分析方法对研究场景以及研究场景之间的影响关系。