语义增强的新兴领域识别：融合BERTopic与大语言模型迭代优化的方法

【作者】 张宜； 宋大成； 张宁宁； 温珂；

【机构】 中国科学院大学； 同济大学；

【摘要】 在科技创新快速发展的背景下,学科交叉融合催生了众多新兴领域,如何准确识别这些领域成为科学计量学的重要课题。现有的主题建模方法虽能揭示研究热点,但因依赖统计特征或浅层语义,难以捕捉深层语义关系与学科边界。本文提出了一种结合BERTopic与大语言模型(LLM)的新兴领域识别方法。该方法以BERTopic进行初步主题聚类,通过LLM进行语义一致性判别与反馈优化,构建"领域-主题-子主题"的多层次知识结构,并设计"新颖性-发展势态-潜在影响力"的评价体系。在GENIA和Robotics两个真实数据集上的实验表明,所提方法在聚类质量、主题一致性与稳定性等指标上均显著优于现有基线模型,能够有效揭示跨学科新兴主题并构建层次化的知识结构,从而为新兴领域的识别与演化分析提供了更具准确性和解释力的方法论支持。更多还原