本文在数据驱动与知识整合研究视野中,依据Web of Science收录文献的学科分布数据,指出图书情报学尚不是智库和大数据研究的核心学科,进而思考图书情报学跨界拓展的有效方向。以逻辑分析法发现在DIKW概念链上统合数据智能和知识发现作...
详细信息
本文在数据驱动与知识整合研究视野中,依据Web of Science收录文献的学科分布数据,指出图书情报学尚不是智库和大数据研究的核心学科,进而思考图书情报学跨界拓展的有效方向。以逻辑分析法发现在DIKW概念链上统合数据智能和知识发现作为有效方向的合理性,提出在数据智能和知识发现交互作用下图书情报学跨界拓展三大重点:(1)面向知识发现的数据智能,(2)融通数据智能的知识发现,(3)学术评价综合应用。建议发挥图书情报学在"软科学、硬技术"分界中的核心比较优势,以数据智能和知识发现形成图书情报学跨界拓展特色方向,整合为数据—学术—创造(DAC)。图4。表1。参考文献18。
为快速识别大规模复杂网络中的重要节点,本研究将人类社会普遍存在的两类不平等映射为节点在网络中的能力与权力的二重异质性,设计了评价复杂网络节点重要度的DH指标,构造了用于DH指标快速分布式计算的并行随机距离渐进(parallel random distance approach,简称PRDA)算法.通过网络最大连通率、网络均衡熵、算法有效性和算法效率的评价实验验证DH指标及PRDA算法的有效性,得出结论如下:DH指标在识别重要节点时能适应不同拓扑特征的复杂网络,识别性能优于或同于时间复杂度更高的介数;PRDA估计算法在最短路径获得概率P=1—10^-1.5。的水平上得到的节点效率估计值^ηi与真实值ηi的Pearson相关系数在0.975以上,且在大规模网络上进行节点效率估计结果更可靠;在Apache Spark并行内存计算环境中应用时间复杂度为O(n^2/l)的PRDA算法求解DH指标耗时远小于介数求解耗时,这表明算法的时间特性也适于大规模网络.
暂无评论