如何对某个研究方向的领域论文进行分析?如何快速了解某个研究方向的发展现状?如何利用VOSviewer分析研究领域的发展现状?

简介: 本文介绍了如何使用VOSviewer软件对特定研究方向的领域论文进行可视化分析,以ESN(Echo State Network)网络研究为例,展示了从安装软件、检索文献、导入数据到进行关键词分析、作者分析和引用量分析的完整流程,帮助用户快速了解并深入研究某个学术领域的发展趋势和现状。

如何对某个研究方向的领域论文进行分析?

如何快速了解某个研究方向的发展现状?

如何利用VOSviewer分析研究领域的发展现状?

本文介绍如何安装和使用VOSviewer软件,并以ESN(Echo State Network)网络的研究为案例进行分析。利用VOSviewer对相关文献进行可视化分析,并深入了解ESN网络在学术研究中的应用和发展情况。

VOSviewer是一款用于可视化科学文献、词汇和其他类型数据的开放源代码软件,可以帮助用户发现数据中的模式,并更好地理解其内在结构。

1 安装java环境

https://www.java.com/zh-CN/download/

在这里插入图片描述

2 安装VOsviewer

下载安装包:https://www.vosviewer.com/download
在这里插入图片描述

运行即可打开

在这里插入图片描述

3 下载文献库

从学校的图书馆进入web of science 检索文献。
在这里插入图片描述
我的关键词是:Echo State network,检索到有542篇,选择Export导出文献。格式是”Tab Delimited file“

在这里插入图片描述
选择Records from ,Record Content选择”Full Record and Cited References“
在这里插入图片描述

4 导入VOSviewer可视化分析

在这里插入图片描述
在这里插入图片描述
根据自己的分析需求选择选项。

4.1 关键词分析

选择Co-occurence,进行关键词分析。由于有的论文关键词数量只有2-3个,就选择进一步选择最小关键词数量的文章,阈值越小,包含能分析的文章越多,我选择3。总共有500篇可分析的论文。
在这里插入图片描述

4.1.1 network visualization分析

会默认打开network visualization,是聚类后的连接图,不同颜色代表不同的簇。
在这里插入图片描述
从分析图中可以分析得到,主要有四种颜色,代表目前Echo State Network(ESN)的研究方向主要分为4个。

(1)Echo State Network:强相关的关键词是reservoir computing、echo state network、esn、prediction、model、machines learning、algorithm、design、neural network、system、framework、genetic algorithm、regression、memory capacity。

通过询问GPT就可以得到结论,prompts

通过对论文的关键词聚类,聚类得到得到以下关键词,这些关键词根据权重的高低按照先后顺序排列,请说明这些论文在研究什么样的问题,用一句话来总结:

Echo State Network、reservoir computing、echo state network、esn、prediction、model、machines learning、algorithm、design、neural network、system、framework、genetic algorithm、regression、memory capacity。

根据这些关键词,分析得到这些论文是,在研究Echo State Network和reservoir computing(储层计算)的预测模型设计、机器学习算法应用、神经网络系统框架构建以及遗传算法在回归分析和记忆容量方面的应用等问题。

在这里插入图片描述
(2)United States:强相关的关键词是children、outcomes、project echo、health、primary care、access、management、impact、echo、rural、audlts、adolesecents、health、diagosis

这些论文研究问题主要关注美国儿童和青少年的健康诊断、管理和影响因素,重点是通过project echo来解决健康保健的可及性和农村地区的医疗问题。总之,该研究探讨了项目回声对美国儿童青少年健康诊断及管理中的影响与可及性在特定人群中的效果。
在这里插入图片描述

(3)social media:强相关的的关键词是echo chambers、communication、misinformation、disagreement、adolescents、addiction、Covid-19、vaccine hesitancy、fake news、social networking sites、russia、exposure

这些论文主要研究的问题是社交媒体对社会沟通、信息传播和意见分歧产生的影响,包括青少年在社交媒体上的成瘾行为以及COVID-19期间的虚假信息、疫苗犹豫、俄罗斯干预等相关议题。

在这里插入图片描述

(4)functional connectivity:强相关的关键词是brain、mri、fmri、human brain、brain networks、cortex、cognition、attention、activation、network、lesion、schizophrenia、connectivity、connectome、gray matter、working memory、reservoir computing、decision making、5-factor model、organization
这些论文主要研究的问题是大脑功能连接和网络,涉及脑皮层、认知、注意力、决策制定等方面,并在神经影像学、精神疾病如精神分裂症以及工作记忆等领域有所深入探讨。这个领域才是我的研究方向了。
在这里插入图片描述

4.1.2 overlay visualization

在图形的最上栏点击overlay visualization,就会显示另一种颜色的连接图。其中黄色代表的最新的研究。深蓝色代表的是最老的研究。

从图的分布中可以看到,目前的研究主要集中在右下角的簇。我的研究方向是类脑研究,应该是左下角的簇。可以看到这个研究开始的时间是比较久远的了,目前没有研究热度。可以和导师沟通,换一个研究子方向了。左上角的簇可以看到,目前还有些比较新的研究在做这一块,偏向于储层计算的应用。

在这里插入图片描述

4.1.3 Density visualization

(1)Item Density visualization

Item Density visualization的作用是通过颜色表示某一点周围项目的密度,帮助用户直观地理解该区域内项目的分布情况及其权重,从而分析数据中的聚集和稀疏情况。

Cluster Density visualization可视化用于显示每个聚类内项目的密度,根据颜色混合并考虑到给定区域内项目的数量及其权重,显示不同聚类内项目的分布。

在这里插入图片描述

Item Density visualization

在这里插入图片描述

Cluster Density visualization

可以看到研究的大方向是左上角的储层计算的应用和左下角的类脑研究。左下角的簇和其他的研究是比较独立的,说明以ESN去做类脑研究,是偏于理论,和工程实践没有太大的联系。

4.2 作者分析

重新create一个项目,选择Co-authorship
在这里插入图片描述

其中Network visualization结果如下,有6种颜色,主要分为6个簇。可以看到其中的sanjeev arora是大佬,将所有的研究连接起来了。其他的学者在不同的组织研究。
在这里插入图片描述

在谷歌学术上可以看到sanjeev 是普林斯顿大学计算机科学教授。

在这里插入图片描述

从Cluster density visualization可以看到每个的主要成员分别是

  • 红色簇:hawk,ernest t、fiol,veronica、de carvalho、icaro thiago、baker,ellen s
  • 紫色簇:arora,sanjeev、bradford,andrea、comerci,george、hernandez,jessica
  • 绿色簇:hawk,mary、basavaraju,vinay、chand,prabhat kumar、kumar,channaveerachari naveen、kumar,supriya
  • 蓝色簇:assad,nour、murillo,stephen、sood,akshay、kalishman,sunmers
  • 深黄色簇:hardesty,canyon、root-elledge,sandra、cooley hidecker,mary jo、kern,shira、mcgee,nancy
  • 天蓝色簇:katzman,joanna g、alchbli,amal、bhatt snehal r、katzman,william g

在这里插入图片描述

4.3 引用量分析

在这里插入图片描述

在这里插入图片描述

可以看到有一些重要论文强相关:

  1. Lukoševičius, Mantas, and Herbert Jaeger. “Reservoir computing approaches to recurrent neural network training.” Computer science review 3.3 (2009): 127-149. 引用量2799
  2. Tanaka, Gouhei, et al. “Recent advances in physical reservoir computing: A review.” Neural Networks 115 (2019): 100-123. 引用量1297
  3. Lukoševičius, Mantas, Herbert Jaeger, and Benjamin Schrauwen. “Reservoir computing trends.” KI-Künstliche Intelligenz 26 (2012): 365-371. 应用量426
  4. Gonon, Lukas, and Juan-Pablo Ortega. “Reservoir computing universality with stochastic inputs.” IEEE transactions on neural networks and learning systems 31.1 (2019): 100-112. 引用量99
  5. Crone, Sven F., Michele Hibon, and Konstantinos Nikolopoulos. “Advances in forecasting with neural networks? Empirical evidence from the NN3 competition on time series prediction.” International Journal of forecasting 27.3 (2011): 635-660. 引用量365
  6. Ribeiro, Gabriel Trierweiler, et al. “Novel hybrid model based on echo state neural network applied to the prediction of stock price return volatility.” Expert Systems with Applications 184 (2021): 115490. 引用量57
  7. Wang, Jianzhou, Chunying Wu, and Tong Niu. “A novel system for wind speed forecasting based on multi-objective optimization and echo state network.” Sustainability 11.2 (2019): 526. 引用量36
  8. Qin, Lan, Weide Li, and Shijia Li. “Effective passenger flow forecasting using STL and ESN based on two improvement strategies.” Neurocomputing 356 (2019): 244-256. 应用量80
  9. Schwedersky, Bernardo Barancelli, Rodolfo César Costa Flesch, and Hiago Antonio Sirino Dangui. “Nonlinear MIMO system identification with echo-state networks.” Journal of Control, Automation and Electrical Systems 33.3 (2022): 743-754. 引用量9
  10. Wang, Tzai-Der, Xiaochuan Wu, and Colin Fyfe. “Factors important for good visualisation of time series.” International Journal of Computational Science and Engineering 12.1 (2016): 17-28. 引用量 5
  11. Georgopoulos, Spyros P., et al. “Reservoir computing vs. neural networks in financial forecasting.” International Journal of Computational Economics and Econometrics 13.1 (2023): 1-22. 引用量0
  12. Yang, Xiaojian, et al. “An improved deep echo state network inspired by tissue-like P system forecasting for non-stationary time series.” Journal of Membrane Computing 4.3 (2022): 222-231. 引用量3
  13. Tanaka, Gouhei, et al. “Reservoir computing with diverse timescales for prediction of multiscale dynamics.” Physical Review Research 4.3 (2022): L032014.引用量13
目录
相关文章
|
机器学习/深度学习 存储 编解码
Open3d系列 | 3. Open3d实现点云上采样、点云聚类、点云分割以及点云重建
Open3d系列 | 3. Open3d实现点云上采样、点云聚类、点云分割以及点云重建
13620 1
Open3d系列 | 3. Open3d实现点云上采样、点云聚类、点云分割以及点云重建
|
10月前
|
机器学习/深度学习 编解码 搜索推荐
实测13个类Sora视频生成模型,8000多个案例,一次看个够
SORA-like模型是一类基于OpenAI的SORA模型发展而来的视频生成技术,以其在生成高质量视频上的卓越表现受到关注。该模型不仅提升了视频的分辨率、自然度和视觉语言对齐,还增强了对长视频序列的可控性。适用于内容创作、世界模拟等多种场景,展现出广泛的应用潜力。然而,模型在自动化评估、与人类偏好匹配及处理复杂运动上仍面临挑战。未来研究将聚焦于多模态、连续、交互式及个性化视频生成等领域。
594 2
|
6月前
|
人工智能 搜索推荐 数据可视化
Manus:或将成为AI Agent领域的标杆
随着人工智能技术的飞速发展,AI Agent(智能体)作为人工智能领域的重要分支,正逐渐从概念走向现实,并在各行各业展现出巨大的应用潜力。在众多AI Agent产品中,Manus以其独特的技术优势和市场表现,有望成为该领域的标杆。作为资深AI工程师,本文将深入探讨Manus的背景知识、主要业务场景、底层原理、功能的优缺点,并尝试使用Java搭建一个属于自己的Manus助手,以期为AI Agent技术的发展和应用提供参考。
12703 19
|
9月前
|
人工智能 自然语言处理 Swift
ModernBERT-base:终于等到了 BERT 回归
BERT于 2018 年发布(史前人工智能!),但它至今仍被广泛使用,BERT的纯编码器架构使其成为每天出现的各种场景的理想选择,例如检索、分类和实体提取。
933 3
|
9月前
|
存储 监控 网络协议
一次读懂网络分层:应用层到物理层全解析
网络模型分为五层结构,从应用层到物理层逐层解析。应用层提供HTTP、SMTP、DNS等常见协议;传输层通过TCP和UDP确保数据可靠或高效传输;网络层利用IP和路由器实现跨网数据包路由;数据链路层通过MAC地址管理局域网设备;物理层负责比特流的物理传输。各层协同工作,使网络通信得以实现。
VOSviewer分析知网文献以及图片导出
VOSviewer分析知网文献以及图片导出
2135 0
|
11月前
|
数据处理 Python
Python 高级技巧:深入解析读取 Excel 文件的多种方法
在数据分析中,从 Excel 文件读取数据是常见需求。本文介绍了使用 Python 的三个库:`pandas`、`openpyxl` 和 `xlrd` 来高效处理 Excel 文件的方法。`pandas` 提供了简洁的接口,而 `openpyxl` 和 `xlrd` 则针对不同版本的 Excel 文件格式提供了详细的数据读取和处理功能。此外,还介绍了如何处理复杂格式(如合并单元格)和进行性能优化(如分块读取)。通过这些技巧,可以轻松应对各种 Excel 数据处理任务。
634 16
|
机器学习/深度学习 XML 自然语言处理
R语言LDA、CTM主题模型、RJAGS 吉布斯GIBBS采样文本挖掘分析论文摘要、通讯社数据
R语言LDA、CTM主题模型、RJAGS 吉布斯GIBBS采样文本挖掘分析论文摘要、通讯社数据
|
机器学习/深度学习 数据采集 存储
一文读懂蒙特卡洛算法:从概率模拟到机器学习模型优化的全方位解析
蒙特卡洛方法起源于1945年科学家斯坦尼斯劳·乌拉姆对纸牌游戏中概率问题的思考,与约翰·冯·诺依曼共同奠定了该方法的理论基础。该方法通过模拟大量随机场景来近似复杂问题的解,因命名灵感源自蒙特卡洛赌场。如今,蒙特卡洛方法广泛应用于机器学习领域,尤其在超参数调优、贝叶斯滤波等方面表现出色。通过随机采样超参数空间,蒙特卡洛方法能够高效地找到优质组合,适用于处理高维度、非线性问题。本文通过实例展示了蒙特卡洛方法在估算圆周率π和优化机器学习模型中的应用,并对比了其与网格搜索方法的性能。
1048 1