科学研究的泛化、交叉和渗透使各领域研究呈现出交错复杂的局面,研究内容的多样化为我们理解与掌握知识内在结构及其演化机理带来一定的困扰,浩瀚的知识和有限的个人精力之间的矛盾不可避免。尤其对新接触某领域的学者来说,想要全面、快速了解该领域的知识结构及其演化机理往往需要很多的工作量。分散的知识点、非结构化的信息不利于知识结构的形成,也阻碍了演化研究的进一步开展。针对这一问题,本文提出一种层次化的科学知识结构发现方法,并在此基础上进行知识主题演化和预测,进而分析科学领域的研究现状与发展趋势。论文的主要工作分为以下两个方面:(1)层次化科学知识结构发现。在对目前主流的知识结构发现方法进行归纳分析的基础上,运用LDA主题模型设计了层次化科学知识结构发现框架。该框架自上而下分为数据层、逻辑层和展示层。首先,在文献预处理部分,抽取语料库中的“双连词”作为主题模型建模文件的输入,大大提升了主题的可表征性,使得到的知识主题更契合普遍认知,易于理解。其次,引入主题间平均相似性,在保证主题间区分度的基础上确定知识结构终止层。另外,还设计了在“文档-主题”概率矩阵中自动筛选阈值的算法,平衡主题质量和文档范围之间的关系,帮助知识主题确定下层文献子集的范围。最后生成知识结构层次树用于结果的可视化。我们选取“云计算”领域近十年的中文文献作为数据集进行实验验证,通过与传统层次化方法的对比,本文提出的方法在文档隶属度、时间复杂度、单层主题区分度和层间主题继承性方面均有较大提升。(2)知识主题演化机理研究。主要包括基于马尔可夫的主题稳态演化与预测和基于隐马尔可夫的主题热度演化与预测这两部分。前者是在分析主题演化规律的基础上,以主题间相似矩阵作为马尔可夫模型中的转移概率矩阵,分析主题的演变转移过程,对主题的稳态分布进行预测。后者采用主题下所包含文章的下载量、被引量和发文量三大指标综合评判主题热度,并提出主题纯度的概念,构造热度转移矩阵和混淆矩阵,以隐马尔可夫理论为基础进行场景建模,分析不同状态划分下的模型优劣情况,以主题纯度预测主题热度。最后,我们以“云计算”领域层次化知识结构中的知识主题作为模型验证的对象,与灰色模型相比,我们的模型平均相对误差较小,预测精度较高。本文构建的层次化科学知识结构发现方法可以发现领域中层次化的知识结构和研究主题,并解决其演化预测的相关问题,可以较准确的反应出领域的研究现状与演化机理,为领域发展决策提供参考。