基于知识图谱法的国内古镇研究可视化分析

以中国知网(CNKI)核心期刊与CSSCI库收录的1992—2017年我国研究古镇的682篇相关论文为数据,通过引文分析软件(Citespace V)对其进行可视化分析,绘制出国内古镇研究的知识图谱,描述和分析国内古镇研究的现状与热点.结果表明:发文作者核心团队不明显,呈现出"整体分散、局部集中"的特点,核心作者之间缺乏学术交流;同济大学处于核心地位,与较多机构存在合作关系,而其他机构科研能力与其相差较大;古镇领域主题随时间变化分为古镇资源研究、古镇保护与发展和古镇文化传承3个阶段,但近些年缺乏理论创新;古镇研究大致沿4个方向发展,研究内容与方法趋于多元化与多学科交叉.并从理论、视角和方法3个方面对国内古镇研究的趋势进行展望,为今后本领域的研究提供参考与借鉴.     

论跨国并购在技术创新中的重要性

从国际经济学的角度分析,技术可被视为一种生产要素,通过自身的积累可逐步实现技术密集型产业的比较优势。但当前技术日新月异,仅靠自身积累难以实现技术上的追赶,必须引进国外技术缩小差距或实现跨越式发展。技术获取型跨国并购是获得国外核心技术的一条捷径,能在较短时间内提高技术创新能力。     

试论詹姆斯·瓦特的工匠精神

瓦特作为杰出的工程师在我国几乎家喻户晓,但其工匠精神究竟何为却不甚了了。这种被流俗遮蔽的伟人不在少数。本文在国外最新研究的基础上,用工程师传统的"器物知识"原理,直接解读瓦特的书信及专利等核心文献,得出结论:瓦特之所以改良蒸汽机,不在于某个突发奇想,而是建立了一个涵盖智识、技术、实业的行动者——知识网络系统。这才是我们理解瓦特、培养瓦特式工匠的核心要义。     

基于CSSCI的京津冀协同发展研究的知识图谱分析

采用知识图谱分析工具绘制CSSCI数据库中京津冀协同研究文献的共被引图谱与关键词共现图谱,梳理京津冀协同发展领域的研究主题,探析研究热点与趋势。结果显示:该领域论文研究主要涉及京津冀协同发展战略与协同创新机理,京津冀地区的人口发展格局,京津冀地区环境保护、生态建设与生态补偿机制,京津冀城市群建设,以及政府合作与区域政策五大主题,今后京津冀协同发展将面临新时期新发展,"世界级城市群"、"协同创新"、"协同治理"等将成为新的研究热点。     

区域知识溢出三因素的空间效应检验

将区域间的知识溢出划分为人才的流动、产品生产上的技术合作和企业家的投资三因素,选取实际经济数据,应用空间计量分析法对我国区域间的知识溢出过程进行实证研究。结果表明:产品生产上的技术合作影响最大;企业家的投资次之;人才的流动影响最小。鼓励和加大我国省际的项目合作投资与招商引资吸引外省投资创办企业以及吸引外省人才流入相比在缩小区域技术水平差距、促进区域经济均衡发展方面的作用更为明显。     

我国盈余管理研究热点与演化趋势研究

盈余管理是会计学研究领域的热门课题。针对当前国内盈余管理实证研究中存在信息繁杂、思路不清晰等问题,利用CiteSpace可视化分析工具,筛选出2009—2019年CNKI中国知网所收录有关盈余管理研究文献,绘制出作者、机构、关键词知识图谱。通过对相关文献的研究发现,盈余管理研究领域存在核心群体,高等院校是盈余管理研究的主要阵地,但各院校彼此之间合作较为分散。当前国内盈余管理实证研究处于稳步发展阶段,文献以盈余管理自身为核心,围绕真实盈余管理、盈余质量、应计盈余管理等主题展开论述。     

公共图书馆面向中小企业创新的知识服务体系构建

创新创业背景下公共图书馆为中小企业服务的知识性特征更加明显.在分析中小企业创新过程中知识需求的基础上,构建了"一中心多支点"图书馆知识服务联盟与知识服务专业平台,并协同中小企业知识服务机构实施了知识资源库的建设,建立了"图企联合"长效合作机制以提高中小企业的创新活力,实现知识再造.     

知识牵引与数据驱动的兵棋AI设计及关键技术

在分析知识推理型与数据学习型兵棋人工智能(artifical intelligence, AI)优缺点的基础上, 提出了基于知识牵引与数据驱动的AI设计框架。针对框架中涉及的基于数据补全的战场态势感知，基于遗传模糊系统的关键点推理，基于层次任务网的任务规划、计划修复与重规划，基于深度强化学习的算子动作策略优化等关键技术进行深入探讨。结果表明，所提框架具有较强的适应性, 不仅能够满足分队、群队、人机混合等兵棋推演的应用需求, 而且适用于解决一般回合制或即时策略性的博弈对抗问题。     

基于智能算法的教育知识问答系统设计

随着人工智能的发展成熟,教育知识问答系统的实现成为相关专家共同研究的热门话题.此次研究设计了一种教育知识问答系统算法框架并提出基于BiLSTM+CNN-CRF算法的实体识别模型,通过CNN模块和BiLSTM模块完成局部特征和全局特征的拼接,最终经全连接层和CRF模块完成解码,通过最佳序列标注实现问答系统问句分析.设置超参数中学习率为0.01,dropout为0.1,迭代轮数为50,滤波器数量为6时,实体识别模型中的性能更佳.BiL-STM+CNN-CRF实体识别模型比LSTM-CRF和BiLSTM-CRF两种模型的F1值分别提升3.04％和0.62％,准确率分别提升0.77％和0.73％,召回率分别提升5.18％和0.62％.