利用多种方法对科学前沿进行分析

  最近学习了下知识图谱以及CiteSpace的使用，本意是想用它来发现一些最近CS的科研方向是什么？哪些期刊最近喜好的论文种类？以及如何构建一条针对该研究方向的研究路径？在这条路径上还能如何创新？下面讲述下简要想法：

 针对问题1：通过对Web of science 取本年CS方面的4000篇论文进行分析，得到共被引网络和作者合作网络以及主题词网络。

 针对问题2：目前就自身能力而言，CCF C类的期刊应该是自己的能力可以达到的，所以根据CCF推荐期刊，选取以下期刊数据

Neurocomputing、BMC Bioinformatics 、IEEE/ACM Transactions on Computational Biology and Bioinformatics。

 针对问题3：通过第二步得到偏好作为关键字在主题词网络中进行搜索，得到关于该主题下的网络情况，并根据该网络进行选取影响较大的论文与作者，重复上述操作，直到抵达种子文章，即得到一条研究路径。

 针对问题4：根据陈超美博士所言：科学发现或创新在很大的程度上都具有一个共性，就是新思维能够容纳原本看似风马牛不相及的观念。换句话说，类似于在不同岛屿之间架起的一座新桥梁。所以可以选择考察另一条研究路径，从某种程度上，可以是不同领域，因为不同领域所带来的信息量增加更多，选择相同领域意味着信息交集更多。但在实现难度层面上讲，将信息差异越大的两个方向融合在一起的难度也越高。所以在选择研究方向的结合上，需要考虑信息差异与难度之间的均衡。由此，我将尝试融合一下3种情况的研究路径：

1.CS and CS

2.CS and Stat

3.CS and Biology

        从而，上述的研究目的也可以转化为研究热点+研究趋势+知识结构。研究热点可以认为是在某个领域中，学者关注的一个或多个话题。而且热点从其字面意义理解，其包含相当强的时间因素，会随着时间而不断转变。因此对于研究主题的词频，词语的突发性，词语时间趋势，词汇的网络属性需要重要关注。研究趋势即是研究热点转移的状态，通过不断分析时序的研究热点，可以根据一定的顺序给出研究趋势。而知识结构则是需要结合研究热点与趋势，不断地追本溯源，直到找到种子文章[2]从而构成整条研究路径。

        关于词汇的网络属性，不同的关系强度计算方法得到的属性也就不同，在这里我们采用Cosine算法

[1]Chen, C. (2014) The Fitness of Information: Quantitative Assessments of Critical Evidence. Wiley