基于图数据库Neo4j的学者合作图谱分析——以数字人文领域为例

熊回香 黄晓捷 陈子薇 李昕然

华中师范大学信息管理学院 武汉 430079

数字人文作为计算机学科和人文学科交叉研究的一个跨学科领域，涉及的学科范围较广，包括语言学、文学、图书情报学和计算机科学等，由人文计算领域发展而来[1]。在如今深度数字化时代，数字人文的研究热度越来越高，虽然我国学术界对其研究起步稍晚，但发展势头迅猛，获得了较好的发展前景[2]。目前，我国数字人文的研究主要集中在对国外数字人文项目的调查与分析、利用数字化技术对人文艺术等资源进行可视化呈现及数字人文在图情档领域的应用这三方面。此外，我国在数字人文的教育方面也取得了突破，上海图书馆、中国人民大学数字人文研究中心、武汉大学数字人文研究中心、北京大学信息管理系KVision实验室等科研机构深入推进数字人文和图情档的融合发展[3]。在这样广阔的发展平台下，涌现出越来越多数字人文领域的学者，催生出庞大复杂的学术研究网络，主题多样，合作频繁。但是，如何在浩瀚无边的学术资源、学者、机构等信息中精准地找到自身需要的相关研究方向的合作对象是近些年科研合作预测研究的重点。因此，对学者合作关系网络进行分析，有利于发掘学者合作的规律和趋势，了解核心科研团队及研究主题，对把握此领域的发展状况具有重要意义，进而推动数字人文研究的发展和创新。

学者合作网络是相关领域学者在科研创作中因合著或被引关系而形成的复杂关联网络。学者合作网络可以加强学者之间的交流，对于知识共享、思维方式、科研创新等方面的进步有着不容小觑的作用。因此，目前越来越多的学者开始关注合作关系的研究，其中大多采用社会网络分析方法，刘培[4]、刘志辉[5]、邱均平[6]等学者基于社会网络分析法和关键词耦合分析法挖掘分析作者潜在的合作关系并构建合作网络。具体到数字人文领域，徐晨飞等运用文献信息统计分析工具以及社会网络分析方法对作者合著网络的网络结构特征、中心性、核心—边缘结构以及小型合著网络展开分析，总结该领域的科研合作特征[7]；宫雪等通过高频关键词双聚类分析以及对合著网络和合著机构进行社会网络分析，从多角度探讨了当前国内数字人文研究的整体状况及研究热点[8]。

近年来，开源或商用的图数据库不断涌现，主流的图数据库包括国内的GDB[9]、Huge Graph[10]以及国外的Neo4j[11]、Tiger Graph[12]等。这些图数据库集成了大量的社会网络分析方法与应用，主要包括中心性、路径查找、链接预测、社区检测和图可视化等，有助于发现知识图谱中的潜在知识，也能更好地发现社会网络中的合作关系[13]。学术界内部分学者开始尝试使用图数据库开展社会网络分析研究。郭坤铭[14]利用Neo4j对异构网络中社会关系的分析优势，存储了百度百科上爬取的人物基本信息和关系，运用Common Neighbors算法进行网络结构相似度计算，并利用节点属性相似度预测所构建的异构网络中的人物社会关系。M. Kolomeets等[15]利用图数据库OrientDB构建了VKontakte社交网络，使用 PageRank评估了社交群体中最具影响力的意见领袖。丁洪丽[16]基于人员信息和话单等数据，采用Neo4j构建了多维关系网络并进行可视化，利用Neo4j中的查询分析功能挖掘人员关系，使得实验效率大幅提升。相较于传统的社会网络分析工具，图数据库能够展示大规模实体之间不断更新的庞大复杂关系，同时也能够使得网络节点和关系值间的查询更加简单快捷，在映射真实实体和关系方面具有天然优势[17]。

针对数字人文领域中日益错综复杂的学术社交网络，如何对领域内的学者合作关系进行分析和挖掘逐渐成为该领域的一个研究重点。虽然传统的社会网络工具能够在一定程度上对学者合作网络进行分析，但对异构数据的处理仍有不足，且不具备图数据库的实时查询、预测推理、因果关系分析等功能[13]。以Neo4j为主流的图数据库工具对多种关系数据的处理较为灵活，有望弥补这些不足。本文将在上述研究的基础上，运用Neo4j实现数字人文领域学者合作关系的构建与存储，并利用其强大的查询分析功能，快速便捷地查找相关学者并进行其合作关系的图谱分析，以期为相关领域的数字人文研究提供参考。

1 图数据库Neo4j及其应用优势

1.1 图数据库Neo4j

随着互联网的不断发展，面对当下高并发的海量大数据和实时应用情景，图数据库以其易学、方便操作、高效处理复杂关系等独特的优势备受企业和学者的关注，它以图形数据结构存储实体及其相互关系，由节点、属性和边构成，其中节点表示数据实体，属性是节点的附属信息，边表示节点之间的关系，适合对关联关系复杂、动态关系多变的庞大数据进行存储和管理[18]。与传统的关系型数据库相比，图数据库处理的是非结构化和不可预知的数据，更符合现在数据爆炸式增长与用户个性化需求的特点，并且有效支持实体间的关联关系，当加入新标签及新关系时，不需要调整先前的结构，拥有多层关联、最短路径、集中度测量等多种扩展功能，在社交网络、推荐系统、关系图谱等场景应用广泛，是大数据时代的新利器。

常见的图数据库有Neo4j、Flock DB、Graph DB、AllegroGrap等类型，其中，开源的Neo4j以其高性能、高稳定性、可扩展性强等优势成为当前应用最为广泛的原生图数据库之一[19]。它采用原生图存储和处理数据，反映了关系网络中实体联系的本质，在查询中能以快捷的路径返回关联数据，表现出非常高效的查询性能；支持非结构化数据的存储与大规模数据的增长，能很好地适应需求的变化，具有很大的灵活性。此外，它还可以对实体间复杂的关系进行分析与推理，支持逻辑语言分析与面向约束的推理。Neo4j拥有自己的查询语言——Cypher语言，它是一种面向图分析、声明式、表达能力强的描述性图形查询语言[20]，对用户十分友好，操作简便，主要使用的关键字有create（主要用于创建图形节点、关系及属性）、match（在已有图形数据库中匹配目标信息）、where（是match功能的条件）、return（完成匹配后，返回指定值），基于这些查询语句实现对图形数据的分析与推理。

1.2 Neo4j分析学者合作网络的优势

随着网络技术的快速发展以及跨学科研究的日益突出，学者之间的合作关系也呈现复杂多样的特点，产生了越来越多的非结构化关联网络数据，Neo4j图数据库正是一个能够适应异构数据大规模增长和需求不断变化的数据库，它没有模式结构的定义，使用非结构化的方式来存储关联数据，不但适应能力强，而且自始至终都可以保持高效的查询性能，因此在处理学者之间复杂关系时显现出了独特的优势。

1.2.1 反映学者之间复杂的合作关系

合作关系是指学者们在学术研究过程中所进行的合作行为。常见的学者合作关系包括合著关系和引用关系。在学术网络中，如果两个学者的合著行为越频繁，那么他们更有可能兴趣相似且彼此信任，除此之外，学者的合著者也会与其他学者产生合著行为，基于这种学者间的合作关系便构建了学者合著网络，这种关系可以采用图结构存储，在此基础上，可以采取社会网络分析法和图挖掘算法对学者间的关系进行分析与聚类，从而发现最为匹配的合作者及合作团队。另外，学者间的另一种合作关系为引用关系，其被分为引用与被引，基于这两种引用行为，学者间构成了引文网络，是施引文献与被引成果的纽带，反映了引用者的借鉴、肯定以及相关问题的深层次研究。通常根据这样的引用关系实现资源聚合与学者聚合，以学者为节点，以文献之间的引用关系作为节点之间的联系边，以此构建相关引用文献之间的引用网络，从而更好地从引文关系网络中挖掘出核心学者或核心团队。不管是哪种合作关系，随着相关问题研究的多元化，学者间的合作关系也越来越复杂，而Neo4j恰好可以存储并反映这种量大、复杂而又变化的关联数据，支持大规模数据的增长与更新，且可清晰呈现各节点之间的关联关系。

1.2.2 实时查询目标学者的合作关系

除了存储功能，图数据库Neo4j的检索功能也非常强大，这依赖于Cypher查询语言，它是一种声明式图数据库查询语言，用法简洁且表现力丰富，查询效率高，拥有良好的扩展性，用户可以定制自己的查询方式。在检索功能中，Cypher语言由start、match、where、return 4个部分组成：①start表示在图中指定一个或多个起始节点，通过索引查找获得，也可以通过节点的编号直接获得；②match用于图形的匹配模式，也是进行实例具体化的重要部分；③where提供过滤模式匹配结果的条件；④return用来指明在已经匹配查询的数据中，哪些节点、关系和属性是需要返回给客户端的。通过这样遍历查找的过程，容易定位聚焦到想要了解的学者节点，再利用条件的匹配，得到目标学者的合作关系，从而进行针对性分析。此外，Neo4j还支持实时更新图数据库，且不影响已有的数据结构，这样可以不断地扩充现有关系图谱，展示越来越完备复杂的合作关系网络。

1.2.3 预测学者之间潜在的合作趋势

目前人物关系推理的方法主要有两种：基于本体的方法和基于图数据库的方法[21]。基于本体的人物关系推理时间复杂度较高，推理速度随人物关系数据量的增多而迅速降低，难以满足大数据时代下的人物关系推理需求，而基于图数据库的人物关系推理是人物关系数据分析的新趋势。图数据库的数据存储结构和数据查询方式都以图论为基础，适用于含有大量联系的人物关系数据的增删查改（CRUD）。基于图数据库的人物关系推理方法，首先将人物关系数据转换为图数据库的存储方式，然后采用图数据库查询语言进行人物关系分析[22]。作为支持效率高、扩展性强的声明式图查询语言及具有丰富开发模式的图数据库系统，Neo4j存储学者关系知识图谱具有不可比拟的优势，复杂的关系链接也使其具备了推理能力，从而预测学者潜在的合作趋势，为不同领域、不同学科的科研合作提供可能的研究方向。

2 基于图数据库Neo4j的学者合作关系图谱构建

2.1 数据的选择与获取

本文选取中国知网学术资源总库中的CSSCI期刊作为数据来源进行数据获取，以“数字人文”或“人文计算”为主题进行检索，截至2021年4月3日，共检索到615篇文献。通过NoteExpress文献管理器对数据进行预处理，删除重复文献、会议征文、与数字人文主题不太相关的文献，最终获得有效文献334篇。对于多位作者署名的文献，本文统一选取前三位作者作为研究对象，经过重复项去除后，获得410个学者节点，244个机构节点和636个关键词节点，数据处理结果示例见图1；然后利用Python获取学者与学者之间的合著、被引关系，学者与机构之间的工作关系和学者与关键词之间的研究主题关系数据，本文主要基于上述3种节点和4种关系对学者合作关系进行图谱构建，数据模型见图2。

图1 数据处理结果示例

图2 学者合作关系图谱数据模型

2.2 数据文件的导入

图数据要具体存储到图数据库中，就涉及到了特定的图数据模型，即关于采用什么实现方式来存图数据的问题。常见的图数据模型有属性图、超图和三元组。由于属性图模型直观且易于理解，能够描述绝大部分图的使用场景，Neo4j采用的便是当下最流行的属性图模型。首先，将节点和关系数据的Excel文件都另存为“.csv”文件；然后利用Cypher语言的create语句，将节点文件和关系文件按照代码示例，见图3，输入到代码编辑区；最后运行结果见图4，清晰地展示了节点的个数、关系的对数以及学者合作关系图谱。具体于某一节点，以中国社会科学院文学研究所为例，通过此节点可查询到在这个机构工作的两位学者，进而其合作的学者、研究主题等相关关系得到清晰的呈现，见图5。

图3 导入数据代码示例

图4 学者合作关系图谱构建样例

图5 具体实例展示

3 基于图数据库Neo4j的学者合作图谱分析

面对庞大复杂的非结构化关系数据，图数据库Neo4j为技术的应用提供了有效的解决途径，但是通过梳理国内相关文献可知，目前利用Neo4j的内嵌图算法和Cypher查询语言进行数据分析与处理的研究相对较少，本文将充分利用Neo4j强大的图算法功能这一优势，对数字人文研究领域的学者合作网络进行分析。Neo4j的算法库 Graph Data Science（GDS）可以实现各种复杂的社会网络分析，包括centrality algorithms（中心性算法）、community detection algorithms（社区检测算法）、path finding algorithms（路径查找算法）、link prediction algorithms（链路预测算法）等。本文通过采用相关图算法，实现学者合作社区的发现、核心学者的识别以及学者合作趋势的预测，从不同角度为数字人文领域学者寻找自己的合作对象和资源提供借鉴。

3.1 合作社区发现

近年来，数字人文技术快速发展，吸引了越来越多的学者对相关问题进行广泛而深入的研究，因而构成了复杂的学者网络，社区结构便是复杂网络中的一个重要性质，体现为社区中的节点紧密相连且不同社区的节点稀疏连接[23]。它可以对有相似特征或共同属性的学者进行聚类，帮助学者发现并找到具有相似兴趣的同行或可以相互交流的跨学科合作者。在Louvain、Label Propagation、infomap等社区检测算法中，Louvain在效率和效果上都表现较好，并能够发现层次性的社区结构。郭理等[24]使用经典数据集American College Football对Louvain算法与常用重叠社区发现算法CPM、LFM和COPRA进行实验对比，结果表明Louvain算法明显优于其他的算法。G. Drakopoulos等[25]针对Twitter上的社交信息，在Neo4j中构建了争议性话题和普通性话题两个社交网络图，分别使用Lonvain、Edge Betweeness、Walktrap以及CNM等4种社区发现算法进行评估，实证发现Louvain算法产生的社区聚集性较高，社区成员的联系最为紧密。因此，本文选用Louvain方法在已构建学者合作网络中检测社区以实现对学者的模块化聚类，从而更好地分析学者聚集分区的特点以及它们加强或分散的趋势。在GDS中应用Louvain算法共发现100个学者合作社区，部分结果见图6，按社区规模降序呈现。其中最大的社区包含26个学者，学者邓君、王阮、钟楚依、宋先智和孙绍丹之间合著频率较高，他们就数字人文视角下的历史项目进行分析研究；贺晨芝和徐孝娟对图书馆数字人文众包项目进行实践研究；李道新从电影艺术的角度分析了数字人文的应用路径等。由此可见，在模块化的社区里有合著频次较高的学者，也有跨学科相互引用的学者，同一社区的学者关联紧密程度较高，他们有着相通的研究方向和研究热点，表现出高度相似性。与此同时，图7的学者合作关系图谱也清晰地展现了不同社区学者的分布及其紧密程度，相同颜色的节点代表其处于同一个社区，研究主题相似的同时不同学者之间相互引证，进一步加强了学者之间的关联程度，为知识的交流与共享提供学习平台。

图7 学者合作社区部分关系图谱

3.2 核心学者识别

核心学者是指在某个研究领域内研究成果数量较多、学术影响力较大、为该领域发展做出贡献的学者，他们是推动该领域学术进步的中坚力量[26]。核心学者的分析为学者们开展研究提供便利，帮助其全面地查询到自己感兴趣的核心学者群并快速查阅到该领域的核心科技文献，从而快速了解该领域研究的现状与不足，为自己深入研究奠定坚实的基础。中介中心性（Betweenness Centrality）算法是网络中心性衡量的经典指标，本文利用GDS中的Betweenness Centrality算法来衡量学者网络中不同节点的重要性，即检测其中一个节点对图中信息流的影响程度。该算法计算一个网络中所有节点对之间的未加权最短路径，每个节点根据通过该节点的最短路径的数量得到一个分数，更频繁地位于其他节点之间最短路径上的节点的得分更高。

在GDS中，Betweenness Centrality算法通过对410位学者的最短路径进行打分，按照分数降序排列的同时给每位学者赋予一个编号，识别结果见表1。学者刘炜得分最高，赵宇翔次之。得分越高，说明这些学者在数字人文研究领域的活跃度较高，同时也说明他们在此领域建树颇丰并有着较高的学术影响力。根据识别结果数据绘制散点图，如图8所示，在节点16后出现了明显的断崖式下降，由此初步认为前16位学者可被识别为数字人文领域研究的核心学者，在这些核心学者中，刘炜和夏翠娟工作于上海图书馆，朱学芳和叶鹰工作于南京大学，赵宇翔工作于南京理工大学，王晓光工作于武汉大学等，从一定程度上可以反映出这些学者的工作单位是其科学研究的主要阵地，以他们为代表拥有着该领域研究的核心团队，他们带领自己的学生及合作者深入地开展着数字人文的研究，成果颇多。其中，上海图书馆主持有关于数字人文的国家哲学社会科学基金项目，夏翠娟和刘炜学者是数字人文团队中的重要成员，其团队基于数字人文构建了家谱知识服务平台[27]、名人手稿档案库[28]、中文古籍联合目录及循证平台[29]等，在国内将数字人文的研究和应用推向新的发展阶段。为了进一步清晰地反映核心学者，可利用Neo4j所呈现的图谱中学者节点的大小来反映其在数字人文研究领域中所处的位置，如图9所示，节点越大，其学术影响力越大。这对于相关研究者找寻领域内核心学者具有重要参考意义，且更加方便快捷，清晰明了。

图9 部分核心学者关系图谱

表1 部分核心学者识别结果

图8 核心学者识别的得分散点图

3.3 合作趋势预测

在大数据时代，学术研究的合作化趋势日益明显，作为科研活动的重要组成部分，合作形式在提升科研效率、促进科研产出时发挥着极其重要的作用。研究表明，在过去的20多年里，各个学科中的合作研究的数量都呈显著增长趋势，具有相同研究领域、相似研究方向的学者更易于在未来进行合作[30]。但是，由于时间、空间位置的阻碍，学者们很难在浩如烟海的学者群体里准确找到与自身研究方向相近的学者，分析挖掘学者潜在的合作对象可以有效提高其科研效率。本文利用GDS中的链路预测算法对节点之间的接近度进行计算，从而帮助学者找到潜在的合作机会。

链路预测算法是指通过已知节点的特征信息以及网络拓扑结构，预测尚未产生连接的节点对之间出现连边的可能性。常见的链路预测算法包括基于邻居节点的链路预测以及基于共有邻居的链路预测，其中基于邻居节点的算法包括所有邻居（total neighbors）以及连接偏好（preferential attachment）等，基于共有邻居的算法包括共有邻居（common neighbors）、资源优化（resource allocation）以及AA（adamic adar）算 法 等[31]。D. Liben-Nowell等[32]、T. Zhou等[33]通过实验对多种链路预测算法对比分析发现AA算法效果相对较优。AA算法基于共有邻居的相邻节点集合，并对集合数量进行非线性归一化处理，计算两个节点的紧密度，其预测网络中学者合作链接的公式如下所示：

在该公式中，当计算结果的值为0时，表示两个节点不靠近；当值越大时则表示节点越靠近。

在上述学者合作社区发现分析中，相较于不同社区来说，同一社区学者的合作关系更为紧密，但是尽管在同一社区，他们的合作也存在疏密之分，本文选取第四大学者合作社区，以核心学者“刘炜”为研究对象，利用上述公式和Cypher查询语言“MATCH (s1:author{Author:‘刘炜’}),MATCH (s2:author{Author:‘*’}),RETURN gds. alpha. linkprediction. adamicAdar (s1, s2) AS score”计算并呈现刘炜与其同一社区中其他学者的可能链接程度，预测值分数见表2。其中刘炜和赵宇翔可能产生链接关系的得分最高，说明他们发生合作的可能性最大，而刘炜和汪莉进行合作的可能性则最小。与此同时，通过Cypher查询语句将刘炜所在的社区的学者合作关系图谱进行呈现，见图10。这个图表明了同一社区的学者关联紧密，但其中也存在少部分学者之间未建立直接的合作关系，如刘炜与岑炅莲、曾辉、刘洪、汪莉这4位学者，相对应他们的合作链接预测值也较低。通过分析表2和图10不难发现，在已产生直接连接的学者中，宋士杰得分最低，此分数可确定为产生新链接的最低阈值，即当未发生直接连接的两个学者得分大于这个阈值时，则能说明其更能产生链接，其合作的可能性更大。由此可以看出刘炜与岑炅莲、曾辉、刘洪更能进行有效的科研交流，合作趋势较为明显。

图10 学者刘炜所在社区的学者合作关系图谱

表2 同一社区学者之间合作预测值得分表

综上所述，Neo4j的语句查询和算法分析功能是学者合作趋势预测的有效工具，为学者寻找自己的合作伙伴节省时间，提高合作效益。在学者交流活动日趋频繁的背景下，科研合作已然成为学者推动学术研究发展的必要形式，学者间的合作越多样多元，那么该领域的学术交流氛围越活跃高效，不同的思维碰撞推动数字人文领域的多元化、跨学科式发展。

4 结语

随着数字时代的深入发展，“数字人文”对实施文献抢救性保护、提供公共文化服务、弘扬中华民族优秀传统文化等方面都具有重要的现实意义。在我国，数字人文作为专业学术研究已开始加速发展，而且由这种跨学科的研究范式孕育而生的研究成果也将通过更多的合作形式来呈现。对于科研工作者来说，合作能够促使学者产生新的想法、新的研究思路，能够提高合作者的产出量和影响力；对于学科发展来说，合作能够促使新的知识体系的形成，开阔学者的知识视野和更新学者的知识结构，在帮助学者们快速高效地寻找与自己研究兴趣和方向高度关联的跨学科学者、加强交流合作的同时推动数字人文的多学科深度融合发展。本文利用处理复杂关联数据的利器——图数据库Neo4j对我国数字人文的研究主体（即学者）及其间关系进行存储分析，利用GDS算法库实现了学者合作社区的发现、核心学者的识别以及合作趋势的预测。虽然社会网络分析方法从中心性、凝聚子群、核心—边缘等不同角度在各种关联网络结构的分析中非常普遍，但是本文利用图数据库Neo4j实现了传统的社会网络分析方法能够达成的功能外，还实现了数据存储、实时更新、即查即得、预测推理等功能，这是对社会网络分析方法的有力补充，为社会网络分析提供了新的思路与方法。

此外，本文的不足之处在于：①在获取相关文献时忽略了一些篇名没有以“数字人文”或“人文计算”命名但研究内容为“数字人文”的研究成果，使得学者节点和关系数据量偏小，在完整性上稍有欠缺；②数据量越大，复杂度越高，图数据库Neo4j处理数据的优势就越明显，但本文在研究图数据库Neo4j的功能应用上较为简单，没有很好地发挥出其数据分析的优势。因此，在未来的研究中，笔者将继续深入学习Neo4j极其强大的数据分析功能，不断扩大更新学者的数据量，从而充分展现学者之间复杂的合作关系，为学者们进行潜在科研合作提供借鉴。