大數據可視化分析在支撐智庫研究中的應用與創新

熊勵　王錕　鐘美芝

摘要：[目的/意義]大數據環境下的智庫研究旨在對海量的信息進行有效采集、處理、分析，挖掘信息中蘊含的邏輯規律，并將大量的無規則數據可視化表示，這是當今智庫研究的熱點。[方法/過程]文章通過分析國內外智庫和大數據可視化的研究現狀，整理了目前運用大數據可視化進行智庫研究的相關理論，剖析大數據可視化方法在智庫研究中的應用與創新。[結果/結論]結果表明：我國目前對智庫研究的方法還比較單一，大數據可視化的智庫研究方法發展迅速，包括支持智庫大數據可視化分析的海量數據處理、可視化算法、圖形可視化、人機交互、分布式處理等技術。大數據可視化分析在智庫研究中的應用有助于智庫數據信息直觀展示、動態圖形可視化對比分析、支持可視化分析的用戶交互、智庫數據資源集聚共享、提升智庫作用和影響力。

關鍵詞：智庫 大數據 可視化 研究方法

分類號：TP3-05 C912

DOI： 10.19318/j.cnki.issn.2096-1634.2018.04.03

1 引言

智庫專家的重要工作之一是在科學數據分析的基礎上對未來研究形勢及走向進行預判，形成具有競爭力和影響力的觀點。隨著智庫研究所面對的問題日益復雜，是否掌握智庫專業化和細致化分析方法以應對建設新型智庫的挑戰，將會成為決定智庫機構今后成敗的關鍵[1]。早在2015年1月，中共中央辦公廳、國務院辦公廳印發的《關于加強中國特色新型智庫建設的意見》中就強調了政策咨詢的重要性，需要以改革創新為動力，努力建設具有中國特色的新型智庫體系，從而大力推動中國新型智庫研究[2]。隨著互聯網的快速發展，大數據的收集、存儲、分析方法為我國的智庫研究帶來了新的研究動力和挑戰。尤其是大數據可視化方法的應用，該方法是從政策運行、政府管理與決策等視角，基于對海量數據的處理和分析，幫助決策者和公眾理解關鍵問題、獲取有效信息的方法，對該方法的運用將是未來進行智庫研究的基本趨勢。

1.1 智庫研究現狀

目前，智庫研究已經進入了快速發展階段。在機構數量方面，2018年1月30日，賓夕法尼亞大學發布的《2017年全球智庫報告》（《2017 Global Go To Think Tank Index Report》）指出：全球智庫機構數量高達7，815家，其中美國智庫數量位居全球第1，為1，872家；我國智庫數量位居全球第2，為512家[3]。

國內外學者對智庫的發展現狀、趨勢等做了深入研究。Jacques Peter就曾針對美國傳統智庫的發展情況，采用科學計量方法進行統計、測算智庫數據，分析美國傳統智庫的運行機制[4]。國內學者呂紅基于WoS數據庫對國際智庫研究態勢進行文獻計量分析和信息挖掘，總結出目前國際智庫的研究熱點：（1）智庫的發展運行現狀及其對社會的影響力；（2）智庫的角色定位與決策作用；（3）智庫分類、領域及功能研究；（4）智庫案例分析[5]。

目前智庫研究領域的文獻逐漸增加，在一定程度上能表征其學術研究現狀和發展趨勢，因此通過對國內外文獻進行檢索，以智庫研究領域文獻發文量進行對比，分析智庫研究現狀和趨勢。國內文獻檢索選取中國知網（CNKI），來源類別為CSSCI的期刊數據庫，以篇名為“智庫”精確檢索期刊文章，時間區間為2000—2017年，共得到1，095篇，國外文獻檢索選取WoS核心合集數據庫，以“Think tanks”為主題，文章類型為“Article”進行檢索，時間區間為2000—2017年，共得到947篇，檢索時間為2018年4月11日，相關文獻的發文量檢索結果如圖1所示。

由圖1可知，2011年之前WoS核心合集中智庫研究的文獻數量相比CNKI的CSSCI期刊數據庫較多，說明國外學者對智庫研究較早，有一定的文獻積累量，發表相關論文的數量在過去的16年間呈平穩增長趨勢。而國內對智庫的研究相對較晚，21世紀初才逐漸開始，研究基礎較為薄弱，但從2011年后相關論文數量逐漸增加，說明國內學者在智庫領域的研究逐漸增多。

1.2 大數據可視化研究現狀

大數據可視化分析是目前大數據分析的重要方法之一，因其高效、直觀、交互的圖形表示功能，被廣泛應用于各研究領域。大數據的環境下，數據類型逐漸多元化，用于可視化的數據源于數據庫、html、XML文件、源代碼等，通過處理、分析數據，實現數據的統計分析、知識表示、用戶交互、視覺表現、人類認知、感知和探索決策[6-11]。大數據可視化技術充分利用數據分析，結合機器與人的優勢分析問題、解決問題，實現視覺感知[12]。

大數據可視化方法來源于最初的科學可視化[13]和隨著信息增長產生的信息可視化[14]，二者合稱為數據可視化。Nightingale曾運用傳統大數據可視化方法搜集、分析關于醫療和公共衛生的信息，其中運用最多的是餅圖[15]?；ヂ摼W技術助推了大數據可視化技術的發展，大量信息的聚集和可視化技術的改進，使得大數據可視化的功能不斷完善，如基于海量數據，逐漸在內容豐富的圖形中展現交互功能。交互式大數據可視化有助于復雜數據的選擇和表示，能幫助用戶和系統之間進行交互作用[16-17]。由于行業應用和數據類型的不同，大數據可視化分析方法也不同，其運用范圍涉及政治、經濟、金融、醫療等行業，處理的數據類型包括傳統的結構化數據以及大數據環境下的大量非結構化數據如文本、網絡、圖像等[18]。

1.3 問題提出

通過對國內外智庫研究文獻的對比分析，并進行研究現狀的梳理，對比國內外智庫研究的現狀和趨勢發現，國外智庫研究起步較早，而我國智庫研究雖有一定成果，但研究方法還比較單一，還未形成成熟的研究體系。大數據時代的到來對我國的智庫研究提出了新的挑戰——如何進行大數據驅動的智庫研究？大數據可視化方法，其應用涉及利用多種數據類型進行行業決策分析，涉及多學科交叉研究，如何運用大數據可視化技術支撐智庫研究的應用和創新值得深思。

文章通過對智庫研究方法和理論進行闡述，并梳理大數據可視化的智庫研究方法和理論，結合實際，分析大數據可視化視角下的智庫研究方法應用和創新，并對智庫研究趨勢進行展望。

2 智庫研究方法發展動態

美國學者保羅·迪克森曾在其1971年出版的《智庫》中首次對智庫的作用進行了研究分析。隨后更多的國內外學者意識到智庫的重要性，紛紛對智庫進行研究，研究領域涵蓋政府政策、經濟、教育等諸多方面，智庫的研究方法也在逐漸增多的研究中不斷演變。

2.1 傳統的計量統計方法

國外學者對智庫研究較早，早期主要在理論層面，以定性分析法和定量分析法為基礎進行，涉及問卷調查、專家訪談、訪問等，運用傳統的計量統計方法分析智庫數據。Abelson研究了智庫的影響力，運用定量分析的方法測度智庫對社會、政治、經濟的影響力 [19]。Rich率先將統計學中的回歸分析方法運用到美國的醫療改革、政府政策制定過程中，對智庫的作用進行了實證研究[20]。為了對國內外智庫研究的態勢進行分析，趙蓉英等運用文獻統計計量方法分析智庫研究文獻的累積量，分析當今研究態勢 [21]。從對智庫理論研究到統計分析，傳統的計量方法在智庫研究中起到了重要作用，為大數據時代下新興的智庫研究方法奠定了基礎。

2.2 大數據環境下的智庫研究方法

互聯網和信息技術的發展促使信息呈指數倍增長，為智庫信息的快速獲取、高效分析和資源共享提出了新的挑戰。潘教峰教授結合其智庫研究和實踐經驗，提出DIIS智庫研究方法，認為智庫研究只有走完Data-Information-Intelligence-Solution全過程，才能真正提出有效服務決策的科學決策和咨詢建議 [22]。

大數據環境下，數據驅動的思維逐漸在智庫研究中擴散，大數據可視化分析方法得到靈活運用，實現海量數據分析和圖形直觀展示。如構建國際智庫研究的國家地區間合作情況網絡圖譜，直觀展示合作情況，并可繪制高頻關鍵詞的共現網絡圖 [5]，將可視化與文獻分析結合進行國內外智庫研究對比分析，把握當前智庫研究的趨勢 [23]。

網絡圖譜能直觀地展示智庫研究的熱點和趨勢，為政府、教育機構等決策提供依據。目前在智庫研究的文獻中進行可視化分析的工具有Pajek合作網絡圖譜軟件、CiteSpace、VOSviewer等。目前智庫研究在政治、經濟、教育領域的重要性正在逐漸增強，且大數據可視化的研究方法也較為方便直觀，更加有利于決策者把握智庫研究的熱點和趨勢。

2.3 大數據可視化的研究方法

大數據可視化技術對高效的智庫研究起到了驅動作用，主要運用在智庫數據處理、數據分析和圖形表示中，分析結果可作為決策依據。目前在智庫研究領域中涉及的大數據可視化技術主要包括海量非結構化數據處理技術、大數據可視化算法技術、復雜信息的圖形可視化技術、支持可視化分析的人機交互技術、可視化分布式處理技術等。

大數據環境下不斷增加的智庫數據應以海量非結構化數據處理技術為依托，實現高效、準確的數據預處理和量化分析，目前大數據分析平臺可以實現對實時采集到的海量非結構化數據的挖掘分析[24]。在數據的處理層面，分布式技術的發展為海量智庫數據的高效存儲、快速檢索、實時共享提供了技術支撐。在算法層面，大數據可視化的功能提升為可視化算法改進提供了契機，主要在經典算法如：分類、決策樹、樸素貝葉斯、Apriori算法、神經網絡、遺傳算法等的基礎上進行運算速度和圖形展示功能的提升，對大數據可視化的智庫研究起到促進作用。如目前常用的機器學習算法，通過深度學習，可預測基于海量數據的不確定事件的發展趨勢，圖形表達內容豐富，用戶交互性能良好 [25]。

信息的數量、維度等逐漸增加，對圖形可視化技術的功能要求提高。復雜信息的圖形可視化技術實現需要根據數據類型和特征匹配圖形功能，其涉及的數據包括文本數據、網絡數據、時空數據、多維數據等，并具有實時交互的功能 [26-27]。目前，虛擬現實技術、可視化仿真技術等都在智庫復雜信息可視化中有所運用，支持智庫可視化分析的人機交互技術逐漸成為大數據可視化的智庫研究中的重要方法 [28]。

隨著智庫需要處理的信息量的增加以及資源共享的需求，可視化的信息分布式處理技術逐漸被運用。分布式計算如云計算技術，其深度學習功能進行圖像識別、語音識別、數據分析等 [29-30]。且具有快速訪問資源和多用戶共同使用的特點，分布范圍廣，使用人數多，網絡系統性能強，廣泛運用于目前大數據可視化的智庫研究中，有助于具體化和多維化共享大數據可視化分析結果。

3 大數據可視化視角下的智庫應用研究分析

目前世界各國越來越重視智庫建設，將智庫研究成果視為政治、經濟決策的重要依據。隨著大數據時代的到來，信息量激增，如何有效地進行海量數據采集，并進行有效、動態、直觀地分析成為智庫研究的挑戰。目前，社會網絡分析、知識圖譜、共現網絡分析等都是智庫研究中較為常用的數據可視化方法，有利于數據的高效和精準采集、處理、分析、預測。因此，本文從分析智庫研究中復雜圖形可視化應用、智庫研究成果的復雜問題簡單化、支持研究過程中可視化分析用戶交互、智庫數據資源集聚共享的方法創新、大數據可視化提升智庫作用和影響力等5方面來探討大數據可視化視角下的智庫應用研究和創新。

3.1 智庫數據信息直觀展示

大數據可視化的智庫研究方法在數據處理階段較傳統的方法具有更快的速度和更高的效率。智庫采集的數據包括傳統的結構化數據和海量非結構化數據，較傳統的統計數據全面而具體，但也具有較高的復雜性。在大量復雜數據信息的基礎上，運用大數據可視化技術將智庫數據進行總結歸納和直觀展示，可以進行高效的智庫研究。例如，美國布魯金斯學會在智庫研究中運用了大數據可視化技術，對數據進行直觀地可視化分析[31]，如圖2所示。

該項智庫研究主要面向中國關稅的變動對美國就業和農業的影響，通過運用大數據可視化的方法直觀展示了就業人員的地區分布情況，非常清晰地展示大量數據信息，是非常典型的應用創新，便于智庫研究人員理解數據信息和進行后續研究。此外，國內的公平競爭相關政策和事件等文本數據，可視化能直觀表示數據信息及地域分布如圖3所示。

圖3是針對國內各省的公平競爭審查政策和事件的大數據可視化結果，將各省的政策、事件數量進行可視化直觀展示，顯示出地區內公平競爭審查政策和事件的數量。在全局范圍內通過顏色的深淺表示政策和事件數量的多少，便于直觀而高效地接收信息。

3.2 動態圖形可視化對比分析

大數據可視化方法在智庫研究中的運用彌補了傳統方法在圖形可視化方面的不足，其運用計算機技術將大規模集群的信息有效處理，將數據之間的相關關系運用動態的多維可視圖形的形式展現出來，尤其是智庫研究報告中的動態圖形可視化應用，使得用戶可以直觀地看到數據之間的關系以及數據與數據之間動態對比結果。

世界資源研究所（WRI）在其自建的數據庫中基于大數據可視化技術對研究領域分布地圖、研究熱點圖、時空圖等進行可視化，有助于用戶在查詢相關報告時直觀準確地觀察研究領域的地域分布、熱點、趨勢等信息。上海競爭生態研究中心通過運用時空可視化的方式動態分析我國的進出口貿易情況，分析在國內和出口市場上，是否實施極端松弛和自由放任的競爭政策，如圖4所示。

從圖中可看出，通過將各國貿易進出口額進行時空可視化，不僅能看到各國的貿易額對比情況，還能動態地展示貿易去向，判斷進出口態勢。同時，時間軸的變動可以實時觀測各國貿易進出口額變化情況。國內方面，通過采集全國各省進出口額數據進行動態圖形的可視化對比分析，如圖5所示。

各省的進出口額隨時間的變化，動態展示進出口額變化情況，同時分別對比分析各城市2015年和2016年的進口、出口情況，便于對國內城市進出口貿易情況進行實時觀察。

3.3 支持可視分析的用戶交互

海量的非結構化數據使得傳統的可視化分析方法在幫助用戶理解數據方面存在一定的局限性，為了讓用戶更易于理解和分析，用戶交互功能被運用到大數據可視化的智庫研究報告中。這種方法是通過對數據或者圖形結果進行處理實現的，便于分析和理解數據?？茖W知識圖譜軟件在智庫可視化分析中能夠提供良好的用戶交互功能，是大數據可視化的方法之一。為深入地了解公平競爭的市場環境，將多類商品的零售價格指數進行統計，并進行可視化分析，可以動態實時地監控商品零售價格指數變化情況，如圖6所示。

圖中根據用戶的選擇項，分品類分別展示2015年—2017年月度、半年度、年度商品零售價格指數變化情況，運用不同類型的圖形、多維度地展示商品零售價格指數變化情況，從而實現實時監控市場環境的效果。同時，也可以根據用戶的需求展示歷年的商品零售價格指數變化情況，體現交互性能，如圖7所示。

另外，用戶還可以自由選擇數據項進行實時對比分析，實現用戶交互。由此看來，大數據可視化的智庫研究方法能將智庫研究成果中復雜的問題以簡單易懂的方式呈現出來，從而增加大眾對智庫研究成果的接受度和認可度。在2017年1月7日舉辦的第二屆新經濟智庫大會上，卡內基梅隆大學計算機學院副院長Justine Cassel認為，下一代人機交互界面需具備兩個屬性：通過對話和肢體語言進行自然互動；采用社交模式而非任務模式 [32]，直觀、自然的人機交互有助于未來智庫平臺完善和技術創新。蘭德公司（RAND）擁有美國多個行政機構及行業的數據，信息需求者、供應者、多個數據庫之間的良好交互有利于增強后續分析的靈活性。大數據可視化交互功能使得分析過程更加靈活、直觀、便捷，同時還保證了結果的準確性和易接受性。

3.4 智庫數據資源集聚共享

智庫數據資源集聚共享是未來智庫發展的必然趨勢。智庫通常涉及訪問眾多的知識型數據庫，從數據庫中獲取大量信息并進行處理具有難度，由于機構之間的數據相對獨立，使得資源共享很有限；并且公眾用戶用傳統的查詢、統計等方法無法直觀地判斷智庫研究機構的研究現狀、機構之間的聯系以及數據庫資源等信息。隨著互聯網和多媒體技術的應用和普及，各智庫紛紛運用互聯網平臺進行數據采集、分析和可視化成果展示，并進行智庫數據資源共享，實現機構間互通有無，普通大眾共同參與學習和研究。

目前，很多智庫都運用分布式處理技術建立知識型數據庫，并整合相關的數據資源，建立開放式的數據資源平臺，運用大數據可視化分析方法直觀展示數據資源分布，使大眾參與分析和判斷，高效獲取智庫數據資源，實現智庫數據資源共享。很多國際知名智庫都建立了強大的數據庫，以便保存重要的文獻資料和研究報告，同時提供網絡資源共享平臺，加強知識的學習和共享。英國皇家國際事務研究所在完善建設數據庫的基礎上，設立專門的數字資源部門支持資源共享?？▋然鶉H和平基金也提供智庫知識資源的共享服務，服務對象是其注冊會員。中國社會科學院的中國社會科學網數據中心將社會科學領域的學術期刊、社會調查資料等進行整合、集聚在一個開放平臺中，實現資源共享。同時，云平臺的建立和相關配套系統的開發和應用使智庫的存儲和利用效率大大提升，數據庫之間的信息通信更加便捷，便于用戶訪問數據庫，降低了信息的獲取成本，有效實現資源共享，滿足用戶需求。

3.5 大數據可視化提升智庫作用和影響力

賓夕法尼亞大學智庫與公民社會項目主任詹姆斯·麥甘博士曾表示，大數據不僅可以用來收集海量數據，更重要的是要對海量數據進行專業分析，通過數據分析結果發掘社會問題，為政府和研究人員提供處理問題的決策依據，提升了智庫在解決例如健康、交通等實際問題方面的作用。

大數據可視化分析方法在智庫中的應用創新，使得智庫研究人員可以利用互聯網、計算機技術、數據庫技術等技術進行深入的實證研究，運用大數據可視化分析方法分析問題，并幫助決策人員和公眾理解問題、獲取知識資源，助推政府在解決社會問題上進行科學決策。近年來、大數據可視化領域逐漸衍生出大量的新興技術，但在社會層面上，大數據可視化分析技術需要有針對社會公眾的人性化的交互系統，不僅使得智庫工作者快速掌握大數據可視化分析技術，滿足智庫研究人員的需求，同時使更多的社會公眾理解問題、參與政府決策，促進公眾認知和學習智庫研究成果，實現智庫數據資源共享，有力提升智庫的社會影響力。

4 結論

文章對智庫研究現狀進行闡述，整理大數據可視化方法相關理論，并分析智庫研究成果中大數據可視化分析的應用和創新。

（1）智庫建設逐漸受到各國政府的廣泛重視，越來越多的學者針對智庫展開相關研究，智庫研究逐漸成為學術界研究的熱點。但我國智庫的研究方法還比較單一，未形成完整的方法體系。大數據時代下海量信息的收集、處理、分析成為難點，大數據可視化分析方法在傳統可視化方法的基礎上可高效處理海量數據、通過圖形直觀展示數據分析結果，結果更易于被接受，有必要將大數據可視化方法運用到智庫研究中。

（2）智庫的研究方法主要基于傳統的計量分析方法演變而來，但面對智庫海量信息，大數據可視化的智庫研究方法快速發展。目前大數據可視化的研究方法主要針對海量智庫數據進行數據預處理、算法應用和提升、支持可視化的人機交互功能實現等，提高智庫研究的效率。

（3）大數據可視化技術目前都被逐漸運用在智庫的研究中，給智庫的研究方法和技術創新提供了強有力的支撐。海量智庫數據可以通過計算機軟件平臺快速準確地獲取，并進行高效的數據預處理。運用多維的圖形界面將復雜的數據可視化直觀展現，使復雜問題簡單化。并且運用多種可視化圖形對比分析；利用良好的交互技術使得用戶能更加準確地操縱、分析、理解數據?；诖髷祿脑乒蚕砑夹g能幫助更多的用戶訪問知識型數據庫，實時采集數據，分析結果，有效實現資源共享。

（4）大數據可視化支撐的研究方法目前已有一定的應用，是傳統研究方法的重大改進，在智庫研究成果中的應用和創新都具有強有力的支撐作用，這不僅是對當前智庫的研究方法的初探，也是未來的發展趨勢之一。

參考文獻：

[1] 許鑫， 吳珊燕. 智庫知識庫的構建研究[J]. 情報理論與實踐， 2014， 37（3）： 68-72.

[2] 中共中央辦公廳， 國務院辦公廳. 關于加強中國特色新型智庫建設的意見[EB/OL]. [2017-06-10]. http：//www.gov.cn/xinwen/2015-01/20/content_2807126.htm.

[3] MCGANN J G. 2017 Global go to think tank index report[EB/OL]. [2018-01-31]. https：//repository.upenn.edu/think_tanks/13/.

[4] PETER J. JACQUES， RILEY E. DUNLAP， MARK F. The organization of denial： conservative think tanks and environment scepticism[J]. Environmental Politics， 2008， 17（3）： 349-385.

[5] 呂紅. 國際智庫研究態勢及其熱點主題分析[J]. 高教發展與評估， 2016（5）： 42-49， 83， 121.

[6] GERSHON N D， EICK S G. Information visualization[J]. IEEE Computer Graphics and Applications， 1997， 17（4）： 29-31.

[7] PECK R， OLSEN C， DEVORE J. Introduction to statistics and data analysis （3rd edition）[M]. Australia， Belmont， CA， 2008： 7-24.

[8] HARMELEN F V， LIFSCHITZ V， et al. Handbook of knowledge representation[M]. Amsterdam： Elsevier， 2008： 374-391.

[9] FREY S， SADLO F， MA K L， et al. Supporting communication and coordination in collaborative sensemaking[J]. IEEE Transactions on Visualization and Computer Graphics， 2014， 20 （12）： 1633-1642.

[10] LEUNG Y K， APPERLEY M D. A review and taxonomy of distortion-oriented presentation techniques[J]. ACM Transactions on Computer-Human Interaction， 1994， 1（2）： 126-160.

[11] DRIGAS A， KOUKIANAKIS L， PAPAGERASIMOU Y. Towards an ICT-based psychology： w-psychology[J]. Computers Human Behavior， 2011（27）： 1416-1423.

[12] BOUKHELIFA N， RODGERS P J. A model and software system for coordinated and multiple views in exploratory visualization [J]. Information Visualization， 2003， 2（4）： 258-269.

[13] 俞宏峰. 大規模科學可視化[J]. 中國計算機學會通訊， 2012， 8（9）： 29-36.

[14] 陳明. 大數據可視化分析[J]. 計算機教育， 2015（5）： 94-97.

[15] AGRAWAL R， SRIKANT R. Fast algorithms for mining association rules in large databases[C]// International conference on very large data bases. Morgan Kaufmann Publishers Inc， 1994： 487-499.

[16] DILLA W， JANVRIN D J， RASCHKE R. Interactive data visualization： new directions for accounting information systems research[J]. Journal of Information Systems American Accounting Association， 2010， 24（2）： 1-37

[17] ROGER S. Software engineering： a practitioners approach[M]. New York： McGraw Hill， 2010： 216-240.

[18] CARD S K， MACKINLAY J D， SHNEIDERMAN B. Readings in information visualization： using vision to think[M]. Readings in Information Visualization： Morgan Kaufmann Publishers， 1999： 647-650.

[19] ABELSON D E. American think-tank and their role in US foreign policy[M]. New York： ST. Martins Press， 1996： 21-25.

[20] RICH A. Think tanks， public policy， and the politics of expertise[M]. New York： Cambridge University Press， 2004： 74-103.

[21] 趙蓉英， 魏緒秋. 基于文獻數據的國內外智庫研究動態分析[J]. 智庫理論與實踐， 2016（3）： 6-14.

[22] 呂青. 從智庫研究理論到科技智庫建設： 專訪中國科學院科技戰略咨詢研究院潘教峰院長[J]. 智庫理論與實踐， 2016， 1（6）： 2-5.

[23] 武慧娟， 秦雯， 韓林叢， 等. 國內外智庫研究態勢知識圖譜對比分析[J]. 現代情報， 2016（11）： 170-177.

[24] 陳臣. 基于Hadoop的圖書館非結構化大數據分析與決策系統研究[J]. 情報科學， 2017（1）： 24-28.

[25] 何清， 李寧， 羅文娟， 等. 大數據下的機器學習算法綜述[J]. 模式識別與人工智能， 2014（4）： 327-336.

[26] VI?GAS F B， WATTENBERG M， FEINBERG J. Participatory visualization with wordle[J]. IEEE Transactions on Visualization & Computer Graphics， 2009， 15（6）： 1137-1144.

[27] ZHAO J， CHEVALIER F， COLLINS C， et al. Facilitating discourse analysis with interactive visualization[J]. IEEE Transactions on Visualization & Computer Graphics， 2012， 18（12）： 2639-48.

[28] OVIATT S， COHEN P， WU L， et al. Designing the user interface for multimodal speech and pen-based gesture applications： state-of-the-art systems and future research directions [J]. Human-computer Interaction， 2000， 15 （4）： 263-322.

[29] CHAN T H， JIA K， GAO S， LIU J， et al. PCANet： a simple deep learning baseline for image classification[J]. IEEE Transactions on Image Processing， 2014， 24（12）： 5017-5032.

[30] HINTON G， DENG L， YU D， et al. Deep neural networks for acoustic modeling in speech recognition： the shared views of four research groups[J]. IEEE Signal Process Magazine， 2012， 29 （6）： 82-97.

[31] Brookings. How Chinas proposed tariffs could affect U.S. workers and industries [EB/OL]. [2018-04-09]. https：//www.brookings.edu/blog/the-avenue/2018/04/09/how-chinas-tariffs-could-affect-u-s-workers-and-industries/.

[32] 國際在線. 第二屆新經濟智庫大會召開人機交互、平臺經濟體受熱[EB/OL]. [2017-06-07]. http：//news.cri.cn/ 20170107/95f2415b-7777-78e8-ff4b-4f9e9435b60e.html.

作者貢獻說明：

熊 勵：負責研究選題、研究與方法設計及論文撰寫；

王 錕：資料收集與論文撰寫；

鐘美芝：文獻綜述與論文撰寫。

Abstract： [Purpose/significance] Think tanks research in the big data environment aims at collecting， processing， analyzing， and digging out the logical rules contained in the massive information effectively， and representing large amounts of irregular data by visualization. This is the hot topic of research on think tanks. [Method/process] This article analyzes the current research status of think tanks and the big data visualization at home and abroad， sorts out the related theories of think tanks research methods on big data visualization， and then， explores the application and innovation of big data visualization in supporting think tanks research. [Result/conclusion] The results show that the research methods of think tanks in China are relatively simple at present， but the research methods based on big data visualization have developed rapidly， including techniques of the massive data process， the visualization algorithm， the graphic visualization， the human-computer interaction， the distributed processing and so on. The application of big data visualization analysis in think tanks research can help directly viewing the data information of think tanks， comparison and analysis of dynamic graphic visualization， user interaction that supporting visual analysis， gathering and sharing of data resources of think tanks， and enhancing the role and influence of think tanks.

Keywords： think tank big data visualization research method

收稿日期：2017-06-21 修改日期：2018-04-16 本文責任編輯：唐果媛