网络分析方法在引文分析中的整合研究(4)对于有向网络，如果强联接成分分析未能得到凝聚子群，则寻找派系或重叠派系。如果寻找成功，则相继步骤与5a相同。如果未找到则需要对称化网络，将所有的单向连接转换成双向或无向连接，之后利用得到的对称矩阵进行k-核分析，相继步骤与3a相同。(5)如果在4b和5a中没有或仅找到几个派系，可以尝试作如下调整：如果派系的规模最小值为4或者更多，可以降低规模，但是不能降低到3以下；如果数据经过了二值化处理，则对于相似性数据来说，需要降低阈值，对于相异性数据来说，需要提高阈值。如果分析的结果是找到了太多的重叠派系，有必要的话可以把上述两个步骤颠倒过来进行，即增加派系的最低规模，最终就是改变阈值。另外，在流程图中没有提及分派分析(factions)，它与派系分析不同的是可以找出指定数目的派别。只要知道可以分为几个区，针对网络中的任何一个成分都可以进行分派分析。比如在2a、2b、3b、4b、5b的分析中如果能推演出网络中大体存在多少个分组，就可以直接进行分派分析；又如在已经分析出的凝聚子群中，如果知道或者需要分为多少个小派别，也可以进行分派分析，找出子群内部的子-子群，这就需要结合具体的关系网络进行勘测。2.6引文网络演化测度复杂性研究与社会网络研究的结合，为知识传播网络的演化问题开启了一扇窗。引文网络的生成和演化可以利用已有的网络拓扑基本模型来描述，而引文时序网络的演化路径可以通过关键路径分析得以呈现。(1)BA无标度模型与适应度模型无标度是复杂网络的一个重要特性，文献计量学的三大定律即洛特卡定律、齐普夫定律和布拉德福定律在数学形式上都呈幂律分布，具有标度变换下的不变性。国内外的大量研究也已经证明引文网络同样具有无标度特性，是无标度网络。与小世界网络是要建立一个具有明确拓扑特性的图不同，无标度网络的建模目标把重点放在掌握模型的动态特性上。其中BA无标度网络模型和适应度模型很适合用来对引文网络进行动态分析。BA模型考虑了网络的增长特性和优先连接特性，这两点符合引文网络的形成过程。引文网络的规模是在不断扩大的，每个月都会有大量新的科研论文发表，而且新发表的文章更倾向于引用一些已被广泛引用的重要文献。适应度模型与BA模型的区别在于，在适应度模型中的优先连接概率与节点的度和适应度之积成正比，而不是仅与节点的度成正比[22]。这样，如果一个年轻的节点具有较高的适应度(与节点的内在性质相关)，那么该节点就有可能在随后的网络演化过程中获取更多的连接。这一模型算法符合许多实际网络，在引文网络中表现为一些高质量的科研论文在较短时间内就可以获得大量引用的情况。无论是BA无标度网络模型还是适应度模型，既能增减节点，又能重布连线，适合描述引文网络的生成和演化。表1总结了引文网络无标度特性的形成机制。正是节点的增长性和连接的择优性使得引文网络呈现无标度幂律分布。表1引文网络无标度特性的形成机制无标度特性引文网络形成过程节点数量N不确定新的文献不断发表节点连接概率不同①经常被引用的文献会有更大的可能性被再次引用②一些高质量的文献在较短时间内就可能获得大量引用(2)关键路径搜索算法在生物范畴，遗传基因蕴含着生命体的延续与演进关系，而在科学研究领域，参考文献标识了学术传承与发展的轨迹。引文时序网络最详细地记载了科学研究的这种传承关系。加菲尔德的引文编年可视化系统HistCite[23]就是展现引文时序网络的一种方式，但是该系统缺少更为细致的定量模型，“对于文献之间引用关系的密切程度无法反映”[24]，不能对关键文献及科研发展路径作出精确描述。而由哈蒙[25]及其同事提出的关键路径搜索算法(mainpathanalysis)弥补了这一缺陷，其独特之处正是在于关注了引文时序网络的形成过程。把引文网络看作一个传输知识信息的通道系统，其中如果有一篇高被引论文不但承继了很多以往的研究成果，并且还增添了实质性的新知识，那么它或多或少会降低先前一些论文的参考价值。因此，这篇文献就成为了承载着大量知识流的通道枢纽。可想而知，有很多引用路径都需要经过的文献节点一定比只有很少引用路径经过的文献节点更加重...