贝叶斯网络研究现状与发展趋势的文献计量分析

本文以web of science中近10年2930篇与贝叶斯网络有关的文献为研究对象，基于文献计量内容分析方法系统地回顾了国内外在贝叶斯网络领域的关注点、研究脉络的发展规律、存在的共性与差异性和研究现状。研究发现，截至目前，特别是在神经网络盛行的现在，贝叶斯网络可以凭借其具有较强的数学可解释性，在智能计算领域的贡献不断深化且具有极大的潜力。分析结果有助于为我国贝叶斯网络研究领域的学者提供研究现状及进展的参考。

贝叶斯网络是由途径研究(因果推理链)、因果推断等慢慢衍生而来的。1982 年，Pearl 等人将贝叶斯网络的概率推理应用于人工智能当中， 此后， 专家系统中的不确定性表示和推断更多地开始使用贝叶斯网络。

和其他人工智能的算法比较，贝叶斯网络因为将图形解释和计算与概率论完美地结合在一起，所以在处理不确定的问题上有比较大的优势。这些优势表现在灵活的依赖性拓扑结构；易于理解和解释，有明显的语义强大的不确定性问题处理能力；能有效地进行多源信息融合。随着对贝叶斯网络的不断研究，其逐渐成为数据挖掘、人工智能等领域解决不确定性问题的关键方法之一，是这些年的一个研究热点[1]。

基于此，这篇文章用web of science 的核心数据库为数据源，借助CiteSpace 工具的文献计量方法对收集到的文献进行统计分析并绘制出知识图谱，解决下面的三个研究问题： (1) 国内外近10 年来在贝叶斯网络领域的主要国家和研究机构有哪些？ (2) 国内外近10 年来贝叶斯网络领域的研究热点有哪些？ (3) 国内外贝叶斯网络领域的研究方向的发展有什么趋势？ 本文的具体工作如下：首先阐述了数据来源与研究方法，然后对贝叶斯网络分析研究进行描述，得到该领域的主要研究机构及国家、最佳的研究热点以及大致的发展趋势。最后对分析所得到的结果进行总结，希望能用客观以及可视化数据的展示将国内外对于贝叶斯网络研究的现状和大致趋势呈现出来， 为我国贝叶斯网络领域的研究人员提供较为清晰的参考。

2. 数据来源和研究方法 2.1. 数据来源 文献来源于Thomson Reuters 公司开发的Web of Science 信息检索平台。1) 采用的文献检索方法为TS = ((data “Bayesian network”) or (data “probabilistic network”))。2) 时间跨度 = 2008~2018。3) 索引数据库 = (SCI－EXPANDED)，文献类型 = (PROCEEDINGS PAPER OR ARTICLE)，共得到文献2930篇。经过对比和筛选，删去了与贝叶斯网络无关的文献，最终获得1613 条文献题录。这些文献题录包括作者、标题、关键词、摘要、作者地址、引用的参考文献、被引频次、出版日期等属性，供可视化分析。