期刊热门栏目近年来的变化

经过几年的蓄势待发，13年伊始，“大数据”成为热门概念，人民日报将2013年称为“大数据元年”。我们将2013年作为时间点，对其前后7年的期刊热门栏目数目的变化进行比较。

图表1

课程

R语言数据分析挖掘必知必会

从数据获取和清理开始，有目的的进行探索性分析与可视化。让数据从生涩的资料，摇身成为有温度的故事。

立即参加 ➜

可以发现与数据相关的信息技术、统计研究、计算机科学、软件开发等栏目数目在2013年以后出现增加（图1），这在一定程度上说明对于大数据科学的研究处于增长阶段。

部分13年以前热门的栏目由于概念逐渐冷门或者名称变化，数量逐渐减少，如微计算机信息、教学研究等。同时可以发现网络技术、农业装备与机械化工程、医疗信息系统等栏目数量没有发生明显变化。

不同主题下的期刊栏目数目变化

本文对数据集进行概率潜在语义分析主题建模，识别出标题中出现的高频词汇，并研究其分布规律。考虑文章中出现频率最高的词汇，因此我们基于关键词组以及文章主题进行PLSA分析。

图表2

经过多次循环发现，当K =5 时结果最优，因此将数据分配到5个潜在主题下。

在此基础上，得到了潜在主题1的抽取概率以及对应的前 3 个标签，并将其最高频率作为主题代表词。从图2可以发现，对主题1而言，它下面所属的“数据”、“信息”、“链接”、“方法”以及“信息”概括出了此标题主要是针对信息管理方面进行描述，在此将每组中前 3 个标签里概率最大的作为主题元素。

通过图 2 ，可以很明显的观察到概率潜在语义分析法能够在一定程度上将具有代表性的标签显示出来。根据图 2 所描述的主题1-主题5下的高频标签情况，可以观察发现，有一些标签如“数据”、“链接”出现在很多潜在语义下面，这有力地解决了一词多义的问题，在特定的某个标题下只有确定的某一个含义，同时也将具有相同或类似含义的标签根据选取的频率值进行过滤。

同时，在对应主题下的标签已经能够基本上将此资源在相应主题下的特征表示出来。比如对于主题 2 而言，它下面所属的“ 教学 ”、“学生”、“信息”概括出了此主题主要是针对学生的信息技术教学方面进行描述。

最受欢迎的见解

1.小红书用户行为数据采集洞察：婚礼种草指南

2.机器学习助推快时尚精准销售预测

3.机器学习助推快时尚精准销售预测

4.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用

5.数据盘点：家电线上消费新趋势

6.在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析

7.虎扑论坛基因探秘：社群用户行为数据洞察

8.把握出租车行驶的数据脉搏

9.智能门锁“剁手”数据攻略