基于LSTM的学者未来主题趋势预测研究文献综述

文献综述

科研人员在选择自己研究主题时都会在一定的条件下选择价值相对较高的研究主题，其研究主题在一定程度上可以反映其科学素养和学术水平，随着科研人员课题研究的深入，也能反映出该科研人员的创新能力，选择价值较高的研究主题也会提升科研人员的学术影响力，有利于受到学术资助机构青睐。

所以对学者主题进行预测对于科研人员和学术资助机构都有很大的帮助，对于国家来说也有利于对科研重点进行宏观调控。

本文试图预测未来会出现的话题，这更具挑战性。

目前关于科研人员个人研究主题预测的研究较少多数的研究都是回顾性的，侧重于出现的主题的特征，并根据历史数据应用预定义的规则来识别出现的主题，大多都是基于统计回归方法的定性预测，很大程度上依赖于专家学者，并且有很大的随机性。

现在运用机器学习的预测方法，通过量化新兴主题的创新性、影响力、发展性和其他的特征，建立模型，通过海量数据对模型进行训练，使得对学者个人进行主题预测成为可能。

科研人员在选择研究主题时会受到各方面因素的影响，在初期学者可能对某个课题感兴趣从而对其进行研究，也会受到其导师研究的影响。

当然在初期学者的知识储备较少，所以在研究主题的选择方面也会受到一定的限制，伴随着学者的成长，不断参加科研会议与学术交流等培训，学者的知识积累程度不断增加，在选取研究主题时的范围会更加宽泛，这时候选取研究主题时要考虑到自身的发展，所选取的主题要有一定的创新性和重要性，以提高自己的学术贡献以及学术影响力，但是也不能一昧追求主题的难度，这样学者可能无法完成自己的课题，导致研究失败。

当然也还有其他因素同样影响着研究主题的选取[1]。

本研究主要通过机器学习代替传统的统计回归的方法，对未来可能出现的学者的个人研究主题进行预测，将学者主题预测转换为一个时间序列预测问题，该问题基于历史文献计量指标的数据，对未来主题发展趋势进行预测。