李 会,陈红羽,李 侠,王丽叶

(安徽财经大学 管理科学与工程学院,安徽 蚌埠 233030)

20世纪90年代中期,支持向量机(SVM)算法诞生,随后各种浅层机器学习模型被提出,如Boosting、最大熵方法(如Logistic Regression)等[1],带来了机器学习研究热潮并一直持续到今天。伴随着移动互联网、云计算、大数据、人工智能、物联网等新一代信息技术的高速发展,产生了大量的类型多样的数据资源。浅层机器模型主要解决数据存储、转换、处理等功能,但无法适应大数据背景下自主发现数据信息即时变化的需求,这对浅层机器学习模型提出了更多的挑战。因此,需要将深度学习能力运用于数据分析中,借助机器自主学习能力实现用户与计算机之间的沟通与协调,并作出明智决策,这是机器学习努力的方向。因此,了解和探索机器学习领域的热点及演化过程,对下一步机器学习领域的研究具有借鉴意义。

一、 研究设计

1. 数据采集

本文选取Web of Science核心集为数据源,以“machine learning”作为标题词,时间范围设定为2008年1月—2019年7月,对初步检索得到的文献根据文献类型进行筛选,共得到7 279条文献记录,将其作为研究数据集合。对7 279条文献进行初步统计,文献共被引243 433次,涉及27 292位作者。

2. 工具与方法

信息计量分析是借助信息计量分析工具,采用定量分析的方法挖掘文献内容特征,并通过可视化的方式呈现文献内在关联及趋势预测。 本文采用HistCite、CiteSpace、VOSViewer和SciMAT等工具对文献进行可视化分析和社会网络分析,以此获得文献内容特征、研究热点及发展趋势。……