Page 85 - 《中国图书馆学报》2025年第1期

083
曹树金 闫 颂 李睿婧 曹茹烨:科技论文创新知识图谱构建与应用设计———以情报学期刊论文为例

method theory etc. —via a BERT-BiLSTM-CRF and RoBERTa -BiLSTM-CRF model framework

incorporating semantic role information. Next seven relationships between entities including innovation

basis innovation contribution innovation process etc. are extracted using regular expressions and

other methods. Finally the resulting knowledge graph is stored in a Neo4j graph database with an

application platform designed on this basis.

Experimental results show that compared with the BERT model the optimization and improvement made by

RoBERTa significantly enhance performance for the task in this study. The RoBERTa-BiLSTM-CRF model

is more suitable for the naming recognition task. Furthermore the constructed innovation knowledge graph in

scientific papers is both feasible and effective. It reveals the hidden networks of innovation knowledge

relationships embedded in the full text of papers and provides precise information support for scientific and

technical innovation. This approach deeply excavates the value of scientific papers from the perspective of

innovation. 5 figs. 7 tabs. 38 refs.

KEY WORDS

Scientific papers. Innovation knowledge graph. Deep learning. Scientific and technical innovation

intelligence. Innovation knowledge mining.

0 引言

科技论文的创新,是指论文存在不同于已有文献、信息中有价值的知识和内容,它是科学研究或
技术开发中创新活动及成果的反映。 创新内容是科技论文的价值核心所在,是科技论文能够服务于
科技创新的根本所在。 但是,以往对科技论文内容的揭示较少从创新视角出发,不利于充分发挥科技

论文的创新价值。 信息资源管理理论和数智技术的发展有助于对科技论文中的创新内容进行深入挖
掘,形成创新内容的知识网络,从而揭示某个创新内容中理论、方法、技术的“前世今生”以及“来龙去
脉”,帮助科技工作者了解已有研究如何创新并得到创新成果,从而更好地选择自己的创新方向和方
法、搭建创新思路、启发创新思维。 同时,创新是一个相对的概念,是在一定基础之上产生新知识的过
程。 若要深入了解创新成果,不仅需要了解其本身,还需要对其“源头”和“活动”进行挖掘,以此洞悉
其完整的创新脉络。 因此,在对科技论文创新知识的挖掘中,需要深入论文全文并基于不同的创新需
求对隐藏在论文中的相关知识进行不同粒度的划分与组织,聚焦多篇论文中的创新知识并将其关联

起来,构成一个完整的创新知识网络。
以往关于科技论文创新知识的研究,虽对创新知识的识别与评价有一定关注,但大多将识别流程
停留在对知识单元的独立识别上,对知识单元间关系的识别较少,或是考虑的关系类型较为单一。 此
外,对科技论文创新内容识别结果的结构化组织研究甚少,缺乏系统化的工具予以组织并提供利用。
有鉴于此,本研究以科技论文全文为语料,在前一阶段研究中 [1] ,已经结合 BERT 深度学习模型
与语义信息对独立篇章中创新句、创新段和功能句进行了划分,实现了对独立篇章内部不同粒度的创
新知识的识别。 但因为分析单位是各自独立的整篇论文,并未对最终的识别结果进行关联,只能提供
对某一具体问题或是具体研究内容的创新知识服务。 若要对某个研究领域进行整体性、全局性的创
新动态把握,还需要对领域中大量科技论文涉及的创新知识进行关联。 因此,本研究结合深度学习模
型、语义信息及知识图谱技术,从创新视角探索科技论文全文范围内核心创新知识的命名实体与关系

2025 年 1 月 January,2025