基于圖數據庫Neo4j的學者合作圖譜分析
——以數字人文領域為例

熊回香 黃曉捷 陳子薇 李昕然

華中師范大學信息管理學院 武漢 430079

數字人文作為計算機學科和人文學科交叉研究的一個跨學科領域，涉及的學科范圍較廣，包括語言學、文學、圖書情報學和計算機科學等，由人文計算領域發展而來[1]。在如今深度數字化時代，數字人文的研究熱度越來越高，雖然我國學術界對其研究起步稍晚，但發展勢頭迅猛，獲得了較好的發展前景[2]。目前，我國數字人文的研究主要集中在對國外數字人文項目的調查與分析、利用數字化技術對人文藝術等資源進行可視化呈現及數字人文在圖情檔領域的應用這三方面。此外，我國在數字人文的教育方面也取得了突破，上海圖書館、中國人民大學數字人文研究中心、武漢大學數字人文研究中心、北京大學信息管理系KVision實驗室等科研機構深入推進數字人文和圖情檔的融合發展[3]。在這樣廣闊的發展平臺下，涌現出越來越多數字人文領域的學者，催生出龐大復雜的學術研究網絡，主題多樣，合作頻繁。但是，如何在浩瀚無邊的學術資源、學者、機構等信息中精準地找到自身需要的相關研究方向的合作對象是近些年科研合作預測研究的重點。因此，對學者合作關系網絡進行分析，有利于發掘學者合作的規律和趨勢，了解核心科研團隊及研究主題，對把握此領域的發展狀況具有重要意義，進而推動數字人文研究的發展和創新。

學者合作網絡是相關領域學者在科研創作中因合著或被引關系而形成的復雜關聯網絡。學者合作網絡可以加強學者之間的交流，對于知識共享、思維方式、科研創新等方面的進步有著不容小覷的作用。因此，目前越來越多的學者開始關注合作關系的研究，其中大多采用社會網絡分析方法，劉培[4]、劉志輝[5]、邱均平[6]等學者基于社會網絡分析法和關鍵詞耦合分析法挖掘分析作者潛在的合作關系并構建合作網絡。具體到數字人文領域，徐晨飛等運用文獻信息統計分析工具以及社會網絡分析方法對作者合著網絡的網絡結構特征、中心性、核心—邊緣結構以及小型合著網絡展開分析，總結該領域的科研合作特征[7]；宮雪等通過高頻關鍵詞雙聚類分析以及對合著網絡和合著機構進行社會網絡分析，從多角度探討了當前國內數字人文研究的整體狀況及研究熱點[8]。

近年來，開源或商用的圖數據庫不斷涌現，主流的圖數據庫包括國內的GDB[9]、Huge Graph[10]以及國外的Neo4j[11]、Tiger Graph[12]等。這些圖數據庫集成了大量的社會網絡分析方法與應用，主要包括中心性、路徑查找、鏈接預測、社區檢測和圖可視化等，有助于發現知識圖譜中的潛在知識，也能更好地發現社會網絡中的合作關系[13]。學術界內部分學者開始嘗試使用圖數據庫開展社會網絡分析研究。郭坤銘[14]利用Neo4j對異構網絡中社會關系的分析優勢，存儲了百度百科上爬取的人物基本信息和關系，運用Common Neighbors算法進行網絡結構相似度計算，并利用節點屬性相似度預測所構建的異構網絡中的人物社會關系。M. Kolomeets等[15]利用圖數據庫OrientDB構建了VKontakte社交網絡，使用 PageRank評估了社交群體中最具影響力的意見領袖。丁洪麗[16]基于人員信息和話單等數據，采用Neo4j構建了多維關系網絡并進行可視化，利用Neo4j中的查詢分析功能挖掘人員關系，使得實驗效率大幅提升。相較于傳統的社會網絡分析工具，圖數據庫能夠展示大規模實體之間不斷更新的龐大復雜關系，同時也能夠使得網絡節點和關系值間的查詢更加簡單快捷，在映射真實實體和關系方面具有天然優勢[17]。

針對數字人文領域中日益錯綜復雜的學術社交網絡，如何對領域內的學者合作關系進行分析和挖掘逐漸成為該領域的一個研究重點。雖然傳統的社會網絡工具能夠在一定程度上對學者合作網絡進行分析，但對異構數據的處理仍有不足，且不具備圖數據庫的實時查詢、預測推理、因果關系分析等功能[13]。以Neo4j為主流的圖數據庫工具對多種關系數據的處理較為靈活，有望彌補這些不足。本文將在上述研究的基礎上，運用Neo4j實現數字人文領域學者合作關系的構建與存儲，并利用其強大的查詢分析功能，快速便捷地查找相關學者并進行其合作關系的圖譜分析，以期為相關領域的數字人文研究提供參考。

1 圖數據庫Neo4j及其應用優勢

1.1 圖數據庫Neo4j

隨著互聯網的不斷發展，面對當下高并發的海量大數據和實時應用情景，圖數據庫以其易學、方便操作、高效處理復雜關系等獨特的優勢備受企業和學者的關注，它以圖形數據結構存儲實體及其相互關系，由節點、屬性和邊構成，其中節點表示數據實體，屬性是節點的附屬信息，邊表示節點之間的關系，適合對關聯關系復雜、動態關系多變的龐大數據進行存儲和管理[18]。與傳統的關系型數據庫相比，圖數據庫處理的是非結構化和不可預知的數據，更符合現在數據爆炸式增長與用戶個性化需求的特點，并且有效支持實體間的關聯關系，當加入新標簽及新關系時，不需要調整先前的結構，擁有多層關聯、最短路徑、集中度測量等多種擴展功能，在社交網絡、推薦系統、關系圖譜等場景應用廣泛，是大數據時代的新利器。

常見的圖數據庫有Neo4j、Flock DB、Graph DB、AllegroGrap等類型，其中，開源的Neo4j以其高性能、高穩定性、可擴展性強等優勢成為當前應用最為廣泛的原生圖數據庫之一[19]。它采用原生圖存儲和處理數據，反映了關系網絡中實體聯系的本質，在查詢中能以快捷的路徑返回關聯數據，表現出非常高效的查詢性能；支持非結構化數據的存儲與大規模數據的增長，能很好地適應需求的變化，具有很大的靈活性。此外，它還可以對實體間復雜的關系進行分析與推理，支持邏輯語言分析與面向約束的推理。Neo4j擁有自己的查詢語言——Cypher語言，它是一種面向圖分析、聲明式、表達能力強的描述性圖形查詢語言[20]，對用戶十分友好，操作簡便，主要使用的關鍵字有create（主要用于創建圖形節點、關系及屬性）、match（在已有圖形數據庫中匹配目標信息）、where（是match功能的條件）、return（完成匹配后，返回指定值），基于這些查詢語句實現對圖形數據的分析與推理。

1.2 Neo4j分析學者合作網絡的優勢

隨著網絡技術的快速發展以及跨學科研究的日益突出，學者之間的合作關系也呈現復雜多樣的特點，產生了越來越多的非結構化關聯網絡數據，Neo4j圖數據庫正是一個能夠適應異構數據大規模增長和需求不斷變化的數據庫，它沒有模式結構的定義，使用非結構化的方式來存儲關聯數據，不但適應能力強，而且自始至終都可以保持高效的查詢性能，因此在處理學者之間復雜關系時顯現出了獨特的優勢。

1.2.1 反映學者之間復雜的合作關系

合作關系是指學者們在學術研究過程中所進行的合作行為。常見的學者合作關系包括合著關系和引用關系。在學術網絡中，如果兩個學者的合著行為越頻繁，那么他們更有可能興趣相似且彼此信任，除此之外，學者的合著者也會與其他學者產生合著行為，基于這種學者間的合作關系便構建了學者合著網絡，這種關系可以采用圖結構存儲，在此基礎上，可以采取社會網絡分析法和圖挖掘算法對學者間的關系進行分析與聚類，從而發現最為匹配的合作者及合作團隊。另外，學者間的另一種合作關系為引用關系，其被分為引用與被引，基于這兩種引用行為，學者間構成了引文網絡，是施引文獻與被引成果的紐帶，反映了引用者的借鑒、肯定以及相關問題的深層次研究。通常根據這樣的引用關系實現資源聚合與學者聚合，以學者為節點，以文獻之間的引用關系作為節點之間的聯系邊，以此構建相關引用文獻之間的引用網絡，從而更好地從引文關系網絡中挖掘出核心學者或核心團隊。不管是哪種合作關系，隨著相關問題研究的多元化，學者間的合作關系也越來越復雜，而Neo4j恰好可以存儲并反映這種量大、復雜而又變化的關聯數據，支持大規模數據的增長與更新，且可清晰呈現各節點之間的關聯關系。

1.2.2 實時查詢目標學者的合作關系

除了存儲功能，圖數據庫Neo4j的檢索功能也非常強大，這依賴于Cypher查詢語言，它是一種聲明式圖數據庫查詢語言，用法簡潔且表現力豐富，查詢效率高，擁有良好的擴展性，用戶可以定制自己的查詢方式。在檢索功能中，Cypher語言由start、match、where、return 4個部分組成：①start表示在圖中指定一個或多個起始節點，通過索引查找獲得，也可以通過節點的編號直接獲得；②match用于圖形的匹配模式，也是進行實例具體化的重要部分；③where提供過濾模式匹配結果的條件；④return用來指明在已經匹配查詢的數據中，哪些節點、關系和屬性是需要返回給客戶端的。通過這樣遍歷查找的過程，容易定位聚焦到想要了解的學者節點，再利用條件的匹配，得到目標學者的合作關系，從而進行針對性分析。此外，Neo4j還支持實時更新圖數據庫，且不影響已有的數據結構，這樣可以不斷地擴充現有關系圖譜，展示越來越完備復雜的合作關系網絡。

1.2.3 預測學者之間潛在的合作趨勢

目前人物關系推理的方法主要有兩種：基于本體的方法和基于圖數據庫的方法[21]。基于本體的人物關系推理時間復雜度較高，推理速度隨人物關系數據量的增多而迅速降低，難以滿足大數據時代下的人物關系推理需求，而基于圖數據庫的人物關系推理是人物關系數據分析的新趨勢。圖數據庫的數據存儲結構和數據查詢方式都以圖論為基礎，適用于含有大量聯系的人物關系數據的增刪查改（CRUD）。基于圖數據庫的人物關系推理方法，首先將人物關系數據轉換為圖數據庫的存儲方式，然后采用圖數據庫查詢語言進行人物關系分析[22]。作為支持效率高、擴展性強的聲明式圖查詢語言及具有豐富開發模式的圖數據庫系統，Neo4j存儲學者關系知識圖譜具有不可比擬的優勢，復雜的關系鏈接也使其具備了推理能力，從而預測學者潛在的合作趨勢，為不同領域、不同學科的科研合作提供可能的研究方向。

2 基于圖數據庫Neo4j的學者合作關系圖譜構建

2.1 數據的選擇與獲取

本文選取中國知網學術資源總庫中的CSSCI期刊作為數據來源進行數據獲取，以“數字人文”或“人文計算”為主題進行檢索，截至2021年4月3日，共檢索到615篇文獻。通過NoteExpress文獻管理器對數據進行預處理，刪除重復文獻、會議征文、與數字人文主題不太相關的文獻，最終獲得有效文獻334篇。對于多位作者署名的文獻，本文統一選取前三位作者作為研究對象，經過重復項去除后，獲得410個學者節點，244個機構節點和636個關鍵詞節點，數據處理結果示例見圖1；然后利用Python獲取學者與學者之間的合著、被引關系，學者與機構之間的工作關系和學者與關鍵詞之間的研究主題關系數據，本文主要基于上述3種節點和4種關系對學者合作關系進行圖譜構建，數據模型見圖2。

圖1 數據處理結果示例

圖2 學者合作關系圖譜數據模型

2.2 數據文件的導入

圖數據要具體存儲到圖數據庫中，就涉及到了特定的圖數據模型，即關于采用什么實現方式來存圖數據的問題。常見的圖數據模型有屬性圖、超圖和三元組。由于屬性圖模型直觀且易于理解，能夠描述絕大部分圖的使用場景，Neo4j采用的便是當下最流行的屬性圖模型。首先，將節點和關系數據的Excel文件都另存為“.csv”文件；然后利用Cypher語言的create語句，將節點文件和關系文件按照代碼示例，見圖3，輸入到代碼編輯區；最后運行結果見圖4，清晰地展示了節點的個數、關系的對數以及學者合作關系圖譜。具體于某一節點，以中國社會科學院文學研究所為例，通過此節點可查詢到在這個機構工作的兩位學者，進而其合作的學者、研究主題等相關關系得到清晰的呈現，見圖5。

圖3 導入數據代碼示例

圖4 學者合作關系圖譜構建樣例

圖5 具體實例展示

3 基于圖數據庫Neo4j的學者合作圖譜分析

面對龐大復雜的非結構化關系數據，圖數據庫Neo4j為技術的應用提供了有效的解決途徑，但是通過梳理國內相關文獻可知，目前利用Neo4j的內嵌圖算法和Cypher查詢語言進行數據分析與處理的研究相對較少，本文將充分利用Neo4j強大的圖算法功能這一優勢，對數字人文研究領域的學者合作網絡進行分析。Neo4j的算法庫 Graph Data Science（GDS）可以實現各種復雜的社會網絡分析，包括centrality algorithms（中心性算法）、community detection algorithms（社區檢測算法）、path finding algorithms（路徑查找算法）、link prediction algorithms（鏈路預測算法）等。本文通過采用相關圖算法，實現學者合作社區的發現、核心學者的識別以及學者合作趨勢的預測，從不同角度為數字人文領域學者尋找自己的合作對象和資源提供借鑒。

3.1 合作社區發現

近年來，數字人文技術快速發展，吸引了越來越多的學者對相關問題進行廣泛而深入的研究，因而構成了復雜的學者網絡，社區結構便是復雜網絡中的一個重要性質，體現為社區中的節點緊密相連且不同社區的節點稀疏連接[23]。它可以對有相似特征或共同屬性的學者進行聚類，幫助學者發現并找到具有相似興趣的同行或可以相互交流的跨學科合作者。在Louvain、Label Propagation、infomap等社區檢測算法中，Louvain在效率和效果上都表現較好，并能夠發現層次性的社區結構。郭理等[24]使用經典數據集American College Football對Louvain算法與常用重疊社區發現算法CPM、LFM和COPRA進行實驗對比，結果表明Louvain算法明顯優于其他的算法。G. Drakopoulos等[25]針對Twitter上的社交信息，在Neo4j中構建了爭議性話題和普通性話題兩個社交網絡圖，分別使用Lonvain、Edge Betweeness、Walktrap以及CNM等4種社區發現算法進行評估，實證發現Louvain算法產生的社區聚集性較高，社區成員的聯系最為緊密。因此，本文選用Louvain方法在已構建學者合作網絡中檢測社區以實現對學者的模塊化聚類，從而更好地分析學者聚集分區的特點以及它們加強或分散的趨勢。在GDS中應用Louvain算法共發現100個學者合作社區，部分結果見圖6，按社區規模降序呈現。其中最大的社區包含26個學者，學者鄧君、王阮、鐘楚依、宋先智和孫紹丹之間合著頻率較高，他們就數字人文視角下的歷史項目進行分析研究；賀晨芝和徐孝娟對圖書館數字人文眾包項目進行實踐研究；李道新從電影藝術的角度分析了數字人文的應用路徑等。由此可見，在模塊化的社區里有合著頻次較高的學者，也有跨學科相互引用的學者，同一社區的學者關聯緊密程度較高，他們有著相通的研究方向和研究熱點，表現出高度相似性。與此同時，圖7的學者合作關系圖譜也清晰地展現了不同社區學者的分布及其緊密程度，相同顏色的節點代表其處于同一個社區，研究主題相似的同時不同學者之間相互引證，進一步加強了學者之間的關聯程度，為知識的交流與共享提供學習平臺。

圖7 學者合作社區部分關系圖譜

3.2 核心學者識別

核心學者是指在某個研究領域內研究成果數量較多、學術影響力較大、為該領域發展做出貢獻的學者，他們是推動該領域學術進步的中堅力量[26]。核心學者的分析為學者們開展研究提供便利，幫助其全面地查詢到自己感興趣的核心學者群并快速查閱到該領域的核心科技文獻，從而快速了解該領域研究的現狀與不足，為自己深入研究奠定堅實的基礎。中介中心性（Betweenness Centrality）算法是網絡中心性衡量的經典指標，本文利用GDS中的Betweenness Centrality算法來衡量學者網絡中不同節點的重要性，即檢測其中一個節點對圖中信息流的影響程度。該算法計算一個網絡中所有節點對之間的未加權最短路徑，每個節點根據通過該節點的最短路徑的數量得到一個分數，更頻繁地位于其他節點之間最短路徑上的節點的得分更高。

在GDS中，Betweenness Centrality算法通過對410位學者的最短路徑進行打分，按照分數降序排列的同時給每位學者賦予一個編號，識別結果見表1。學者劉煒得分最高，趙宇翔次之。得分越高，說明這些學者在數字人文研究領域的活躍度較高，同時也說明他們在此領域建樹頗豐并有著較高的學術影響力。根據識別結果數據繪制散點圖，如圖8所示，在節點16后出現了明顯的斷崖式下降，由此初步認為前16位學者可被識別為數字人文領域研究的核心學者，在這些核心學者中，劉煒和夏翠娟工作于上海圖書館，朱學芳和葉鷹工作于南京大學，趙宇翔工作于南京理工大學，王曉光工作于武漢大學等，從一定程度上可以反映出這些學者的工作單位是其科學研究的主要陣地，以他們為代表擁有著該領域研究的核心團隊，他們帶領自己的學生及合作者深入地開展著數字人文的研究，成果頗多。其中，上海圖書館主持有關于數字人文的國家哲學社會科學基金項目，夏翠娟和劉煒學者是數字人文團隊中的重要成員，其團隊基于數字人文構建了家譜知識服務平臺[27]、名人手稿檔案庫[28]、中文古籍聯合目錄及循證平臺[29]等，在國內將數字人文的研究和應用推向新的發展階段。為了進一步清晰地反映核心學者，可利用Neo4j所呈現的圖譜中學者節點的大小來反映其在數字人文研究領域中所處的位置，如圖9所示，節點越大，其學術影響力越大。這對于相關研究者找尋領域內核心學者具有重要參考意義，且更加方便快捷，清晰明了。

圖9 部分核心學者關系圖譜

表1 部分核心學者識別結果

圖8 核心學者識別的得分散點圖

3.3 合作趨勢預測

在大數據時代，學術研究的合作化趨勢日益明顯，作為科研活動的重要組成部分，合作形式在提升科研效率、促進科研產出時發揮著極其重要的作用。研究表明，在過去的20多年里，各個學科中的合作研究的數量都呈顯著增長趨勢，具有相同研究領域、相似研究方向的學者更易于在未來進行合作[30]。但是，由于時間、空間位置的阻礙，學者們很難在浩如煙海的學者群體里準確找到與自身研究方向相近的學者，分析挖掘學者潛在的合作對象可以有效提高其科研效率。本文利用GDS中的鏈路預測算法對節點之間的接近度進行計算，從而幫助學者找到潛在的合作機會。

鏈路預測算法是指通過已知節點的特征信息以及網絡拓撲結構，預測尚未產生連接的節點對之間出現連邊的可能性。常見的鏈路預測算法包括基于鄰居節點的鏈路預測以及基于共有鄰居的鏈路預測，其中基于鄰居節點的算法包括所有鄰居（total neighbors）以及連接偏好（preferential attachment）等，基于共有鄰居的算法包括共有鄰居（common neighbors）、資源優化（resource allocation）以及AA（adamic adar）算 法 等[31]。D. Liben-Nowell等[32]、T. Zhou等[33]通過實驗對多種鏈路預測算法對比分析發現AA算法效果相對較優。AA算法基于共有鄰居的相鄰節點集合，并對集合數量進行非線性歸一化處理，計算兩個節點的緊密度，其預測網絡中學者合作鏈接的公式如下所示：

在該公式中，當計算結果的值為0時，表示兩個節點不靠近；當值越大時則表示節點越靠近。

在上述學者合作社區發現分析中，相較于不同社區來說，同一社區學者的合作關系更為緊密，但是盡管在同一社區，他們的合作也存在疏密之分，本文選取第四大學者合作社區，以核心學者“劉煒”為研究對象，利用上述公式和Cypher查詢語言“MATCH (s1:author{Author:‘劉煒’}),MATCH (s2:author{Author:‘*’}),RETURN gds. alpha. linkprediction. adamicAdar (s1, s2) AS score”計算并呈現劉煒與其同一社區中其他學者的可能鏈接程度，預測值分數見表2。其中劉煒和趙宇翔可能產生鏈接關系的得分最高，說明他們發生合作的可能性最大，而劉煒和汪莉進行合作的可能性則最小。與此同時，通過Cypher查詢語句將劉煒所在的社區的學者合作關系圖譜進行呈現，見圖10。這個圖表明了同一社區的學者關聯緊密，但其中也存在少部分學者之間未建立直接的合作關系，如劉煒與岑炅蓮、曾輝、劉洪、汪莉這4位學者，相對應他們的合作鏈接預測值也較低。通過分析表2和圖10不難發現，在已產生直接連接的學者中，宋士杰得分最低，此分數可確定為產生新鏈接的最低閾值，即當未發生直接連接的兩個學者得分大于這個閾值時，則能說明其更能產生鏈接，其合作的可能性更大。由此可以看出劉煒與岑炅蓮、曾輝、劉洪更能進行有效的科研交流，合作趨勢較為明顯。

圖10 學者劉煒所在社區的學者合作關系圖譜

表2 同一社區學者之間合作預測值得分表

綜上所述，Neo4j的語句查詢和算法分析功能是學者合作趨勢預測的有效工具，為學者尋找自己的合作伙伴節省時間，提高合作效益。在學者交流活動日趨頻繁的背景下，科研合作已然成為學者推動學術研究發展的必要形式，學者間的合作越多樣多元，那么該領域的學術交流氛圍越活躍高效，不同的思維碰撞推動數字人文領域的多元化、跨學科式發展。

4 結語

隨著數字時代的深入發展，“數字人文”對實施文獻搶救性保護、提供公共文化服務、弘揚中華民族優秀傳統文化等方面都具有重要的現實意義。在我國，數字人文作為專業學術研究已開始加速發展，而且由這種跨學科的研究范式孕育而生的研究成果也將通過更多的合作形式來呈現。對于科研工作者來說，合作能夠促使學者產生新的想法、新的研究思路，能夠提高合作者的產出量和影響力；對于學科發展來說，合作能夠促使新的知識體系的形成，開闊學者的知識視野和更新學者的知識結構，在幫助學者們快速高效地尋找與自己研究興趣和方向高度關聯的跨學科學者、加強交流合作的同時推動數字人文的多學科深度融合發展。本文利用處理復雜關聯數據的利器——圖數據庫Neo4j對我國數字人文的研究主體（即學者）及其間關系進行存儲分析，利用GDS算法庫實現了學者合作社區的發現、核心學者的識別以及合作趨勢的預測。雖然社會網絡分析方法從中心性、凝聚子群、核心—邊緣等不同角度在各種關聯網絡結構的分析中非常普遍，但是本文利用圖數據庫Neo4j實現了傳統的社會網絡分析方法能夠達成的功能外，還實現了數據存儲、實時更新、即查即得、預測推理等功能，這是對社會網絡分析方法的有力補充，為社會網絡分析提供了新的思路與方法。

此外，本文的不足之處在于：①在獲取相關文獻時忽略了一些篇名沒有以“數字人文”或“人文計算”命名但研究內容為“數字人文”的研究成果，使得學者節點和關系數據量偏小，在完整性上稍有欠缺；②數據量越大，復雜度越高，圖數據庫Neo4j處理數據的優勢就越明顯，但本文在研究圖數據庫Neo4j的功能應用上較為簡單，沒有很好地發揮出其數據分析的優勢。因此，在未來的研究中，筆者將繼續深入學習Neo4j極其強大的數據分析功能，不斷擴大更新學者的數據量，從而充分展現學者之間復雜的合作關系，為學者們進行潛在科研合作提供借鑒。