主题分析能够从文献中选择所有特征以及对重点主题内容进行分析,进而实现对文献的检索。也就是说,分析和把握文献内容是主题分析的核心问题。为了提取主题概念,应选取与语义相对应的中心词当作文献的检索标引。实际上,主题索引的质量受到主题分析质量的直接影响,情报检索的有效性取决于主题分析的好坏。因此,为更好地进行主题分析,主要研究内容如下:(1)针对现有时间序列聚类方法效率低、时间复杂度高等问题,提出了一种基于矩阵轮廓和社会网络技术的时间序列聚类方法。首先,利用矩阵概要文件(Matrix Profile)方法,从两条时间序列中快速找到一对最相似的子序列,测量时间序列之间的相关性,降低时间复杂度。两条时间序列之间的相关性是用最相似子序列对的数量来衡量的。其次,该方法构造了一个网络来表示时间序列之间的相关性。该网络将每条时间序列视为一个顶点,将时间序列之间的关系视为边:对于相关性更强的两条时间序列,它们之间边的权值更大;最后,用社区检测方法对网络进行划分。实验采用经典的时间序列聚类方法作对比:Louvain-εNN,k-medoids,k-shape。实验结果表明,该方法是一种较好的时间序列聚类方法,比现有方法更高效。(2)现有对文献主题发现和演化分析的方法比较单一,对此提出了基于时间序列聚类的文献主题流行度分析方法。首先使用Ochiia系数方法将高频关键词共现次数转换为词与词之间的相似性,再使用近邻传播聚类算法将相关性较强的关键词聚集到一个簇中,形成一个主题簇。之后按照时间顺序,统计每个主题簇每年的平均热度,每一个主题可建立一条“流行度序列”。最后使用本研究提出的新时间序列聚类算法对所有序列进行聚类,对聚类结果簇进行演化分析。(3)对于主题的研究,除了对其发展趋势的研究外,主题间的相互关系更为重要。之前对主题间关系的研究多是从某一用户角度通过聚类或分类的手段进行主题再划分,被划分到一起的主题间往往存在着某种特殊的联系。为了能更好地呈现这种关系,本文通过前面所提出的时间序列聚类方法,结合实际意义,对主题间的关系进行度量,并构建网络连接图,再通过社区发现算法进行主题再聚类,这样做能更进一步地了解主题间的关系。