摘 要 【目的】对国内外科技期刊文本与数据挖掘智能化研究进展进行阐述，为科技期刊文本与数据挖掘智能化发展探 寻对策方案。【方法】采用文献分析法，检索２０１９—２０２３年英文数据库ＷｅｂｏｆＳｃｉｅｎｃｅ（ＳＣＩＥ、ＳＳＣＩ、ＥＳＩ）、ＳｃｉｅｎｃｅＤｉｒｅｃｔ、 Ｅｌｓｅｖｉｅｒ及中国知网数据库中的科技期刊文本与数据挖掘智能化研究，梳理科技期刊文本与数据挖掘智能化的不同方向，并 为科技期刊文本与数据挖掘智能化发展提供对策建议。【结果】目前国外科技期刊文本与数据挖掘智能化研究在选题策 划、预印本、文献评估、同行评议以及模型探索和方法学等方面取得一定进展，我国中文科技期刊在文本与数据挖掘的智能 化方面尚存在技术融合能力不足、出版实践不足、文本数据抓取不精准、智能算法和逻辑不完善等问题。应加强文本与数据 挖掘基础布局，促进融合发展；鼓励出版实践研究，开展文本与数据深度挖掘；进一步构建完整的科技期刊文本与数据挖掘 规则等。【结论】科技期刊文本与数据挖掘智能化发展可帮助科研工作者更快捷、更准确地获取大量的科技文献信息，为科 研工作者提供更深入的思考和研究方向，但其技术应用方案仍需进一步研究探索。
对策建议
1. 加强文本与数据挖掘基础布局，促进融合发展
加强文本与数据挖掘基础布局，促进融合发展， 如：采用自然语言处理技术对科技期刊文本与数据 进行处理和分析，实现对文本的语义理解、情感分析 等功能，提高对文本的理解和处理能力；采用机器学 习技术对科技期刊文本进行分类、聚类、推荐等，实 现对文本的自动化处理和管理，提高信息检索和知 识发现的效率和准确性；采用数据可视化技术将处 理后的数据呈现为直观易懂的图形，帮助期刊更好 地理解和分析数据，发现其中规律和趋势；采用智能 推荐技术将分析的结果反馈给编辑、读者或作者，帮 助他们发现更多有价值的信息和研究成果，提高其 工作效率和科研能力。
2. 鼓励应用文本与数据挖掘人工智能的出版实践
鼓励文本与数据挖掘平台或工具的构建，以通 过智能技术对科技文献进行深度挖掘，发现其中信 息和关联，从而促进科技创新和产业发展。鉴于当 前常用的挖掘方法各有优缺点，应鼓励大量根据不 同挖掘目的开展的出版实践，并总结经验。开发优 于现状的新模式、整合优势的智能网络平台也是未 来需要探索的方向。
3. 提高关键词抓取精准度
提高关键词抓取精准度，提高高维空间的文本 相似度，提高术语（或词汇）语义相关性，避免“维数 灾难”，深度研究科技期刊语言文字术语的精细标 准［２９－３０］，进一步完善行业标准，促进文本与数据挖 掘的智能化发展。特征选择和降维等方法也可用于 进一步优化特征向量的表示。
4. 非结构化文本的归类探索
科技期刊具有学科交叉性，文本与数据多样。 应借鉴现有经验，探索非结构化文本的特征向量转 换和算法优化方法，如在确定特征向量时，可以综合 使用词袋模型、ＴＦ-ＩＤＦ模型、Ｗｏｒｄ２Ｖｅｃ模型、ＬＤＡ 模型、Ｎ-Ｇｒａｍ模型等，选取适合文本任务和数据集 的特征向量表示方式。算法模型也需要根据研究目 的进行优化，如：在使用深度学习模型卷积神经网络 进行文本处理时，应对长文本进行截断或填充以避
免模型无法处理或丢失关键信息，用迁移学习、预训 练模型提高训练速度，采用正则化技术（如Ｌ１、Ｌ２ 正则化）降低模型复杂度和过拟合风险，结合注意 力机制或空洞卷积（ＤｉｌａｔｅｄＣｏｎｖｏｌｕｔｉｏｎ）提升模型对 全局上下文的感知能力等。在采用循环神经网络 （ＲｅｃｕｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋｓ，ＲＮＮ）进行文本处理时， 可采用门控循环单元（ＧａｔｅｄＲｅｃｕｒｒｅｎｔＵｎｉｔｓ，ＧＲＵ）、 长短时记忆网络（ＬｏｎｇＳｈｏｒｔ-ＴｅｒｍＭｅｍｏｒｙ，ＬＳＴＭ） 或预训练的词嵌入模型（如ＢＥＲＴ、ＧＰＴ等）解决长 期依赖性问题，使用注意力机制（Ａｔｔｅｎｔｉｏｎ Ｍｅｃｈａｎｉｓｍ）使模型能够更好地处理长序列，利用 Ｔｒａｎｓｆｏｒｍｅｒ模型并行处理整个序列，对序列进行截 断或采样以减少参数数量和计算量，使用批处理和 ＧＰＵ加速等技术提高计算效率等。
