数字人文知识生产特征

林世华 谭富强

[摘 要] 研究提出一种基于word2vec和变分自编码器（VAE）相结合的wordVAE数字人文知识生产特征挖掘方法。以数字人文研究成果（CSSCI期刊论文）和相关书籍著作为研究对象，对其知识生产特征进行实证研究。研究显示：从期刊文献的研究结果看，数字人文知识生产特征主要有知识生产结构化与边界模糊化并存、跨学科合作化;以书籍的研究结果看，数字人文知识生产特征主要有主题凝聚性、视野广阔性。

[关键词] 数字人文 知识生产特征 wordVAE 范式转变

[中图分类号] G237 [文献标识码] A [文章编号] 1009-5853 （2022） 02-0057-10

Research on the Characteristics of Digital Humanistic Knowledge Based on Natural Language Processing

Lin Shihua Tan Fuqiang

（School of Media and Communication， Shenzhen University， Shenzhen， 518060）（Institute for Cultural Industries Shenzhen University， Shenzhen， 518060）

[Abstract] The paper proposes a wordVAE digital humanities knowledge production feature mining method based on the combination of word2vec and Variational Auto-Encoder （VAE）. The study conducts an empirical research on the characteristics of knowledge production taking digital humanities research results （CSSCI Journal Papers） and related books as research objects. The research shows that：in terms of the research results of Journal Papers， the main characteristics of digital humanities knowledge production are the coexistence of knowledge production structure and boundary blurring， and interdisciplinary collaboration. In terms of the research results of books， the main characteristics are thematic cohesiveness and broad horizons.

[Key words] Digital humanities Knowledge production characteristics WordVAE Paradigm shift

1 問题缘起

当下，人类已然进入数字人文时代，知识和信息的边界越发模糊，二者本身已经不再成为制约人类知识增长的关键因素。多渠道获取海量知识的途径将成为推动知识发展的重要手段，然而如何在便捷的知识获取渠道下完成对信息与知识的再加工成为数字人文时代人类所面临的重大问题之一。自施赖布曼（Schreibman）等人正式提出“数字人文”这一概念后，其本身所具备的计算机科学与人文学科的交叉属性使得数字人文作为新兴研究领域越发受到学界重视[1]。目前，学界关于数字人文知识生产的研究主要集中于以下几个方面：一是基于知识网络的数字人文领域的知识网络演化研究。知识网络概念源自心理学[2]，于20世纪80年代末被引入中国[3]，美国科学基金会认为知识网络是由专家、信息和知识三者构成的凝聚体[4]。中国学者赵蓉英将知识网络看作由“节点”和“边”关联所构成的网络化知识体系[5]。依据上述对知识网络的定义，不少学者假定期刊、著作、学者以及文献关键词为知识网络演进中的关键节点，将引用关系、共现关系假定为边，进而力图将现有数字人文的研究成果进行网络化梳理，在对相关文献进行取舍后，通过计算完成数字人文知识网络演变机制以及相关路径[6][7]，在一定程度上回答了数字人文本位视角下的知识生产。二是基于图书馆知识服务模式的相关研究。因当今时代“互联网+”的逐步兴起，人们对信息的需求度及其需求方式都已发生转变，在此背景下，传统图书馆服务模式无法满足人们尤其是数字人文学者的需求，图书馆数字技术普遍得到重视[8]。一些人文学者开始将目光聚焦于图书馆服务模式的研究[9]，在专注图书数字化保存的同时也开始关注到相应平台的数字人文文本分析[10]。因此，图书馆在数字人文发展过程中扮演着重要角色，数字人文因图书馆获得了新的发展机遇，两者互嵌的模式引发了相应的知识生产，推进了相关学术研究[11]。有学者对数字人文与图书馆的知识生产关系进行了辩证看待：一方面，馆藏文本的数字化丰富图书馆的知识服务;另一方面，大量数字化文本的生产将促使人们对其进行知识挖掘、知识组织与开发[12]。一言以蔽之，数字人文以其新技术提升了图书馆的知识服务内涵与层次，而其所侧重的文献资源数字化储藏方式则为用户提供起一套有价值的研究内容以及据此而研发出的科学数据挖掘方式[13]。此外，周建新和谭富强以曼海姆的知识社会学作为理论视角分析了数字人文的知识生产属性特征，指出数字人文的知识生产属性具有多重联动特征[14]，从而在一定程度上探索了数字人文的知识生产特性问题。

综上所述，学界对数字人文知识生产的相关研究取得了相应成果，但也存在以下不足之处：第一，既往研究侧重于对数字人文知识网络演化的研究，对数字人文的知识生产缺乏研究;第二，既往研究主要讨论了数字人文知识生产的相关节点与边界，但对数字人文知识生产的影响因素及其排列机制缺乏相应的解释力;第三，既往研究主要立足于图书馆与数字人文关系，在一定程度上忽视了数字人文本体研究;第四，既往研究缺乏足够的科学性与严谨性，这主要表现在数字人文的相关研究缺乏足够的科学衡量标准，并对数字人文现象缺乏深刻理解;第五，既往研究缺乏对数字人文知识生产属性的分析，这将导致对数字人文知识生产缺乏理论认识。

鉴于此，本研究将以既往数字人文研究论文和图书著作为研究数据，通过搭建word2vec与变分自编码器（VAE）相组合的wordVAE数字人文知识生产挖掘方法来分析近年来数字人文研究成果的知识生产特征，以深化对数字人文知识生产及其属性的相关认识。

2 基于wordVAE的数字人文知识生产实证研究

2.1 研究数据

本文是基于既往数字人文研究成果与数字人文图书著作而进行的自然语言处理研究，旨在揭示数字人文知识生产及其属性特征。因而依據研究需要，首先，收集了题目、关键词以及研究主题等层面包含数字人文知识生产的相关研究论文共计600篇;其次，收集了国内翻译的数字人文著作，具体为《数字人文：改变知识创新与分享的游戏规则》以及《数字人文：数字时代的知识与批判》。

2.2 研究工具

由于研究需要，本次研究采用自然语言处理中的词向量word2vec（Word to Vector）为研究工具。首先，词向量最早由辛顿（Hinton）[15]提出，而本吉奥（Bengio）等人[16]则建立了最早的词向量原模型，该方法主要可分为独热表示（One-hot Representation）[17]与分布式表示（Distributed Representation）[18]两种，前者表示方法简单，但语义表达能力有限，后者是基于前者的推进模型，在一定程度上弥补了前者语义表达能力有限以及矩阵存在稀疏冗长等问题[19]。其次，word2vec工具是由谷歌（Google）于2013年推出的自然语言处理工具，内部算法则借鉴了神经网络语言模型（Neural Network Language Model， NNLM）的基本理念。其优点在于通过给定的语料库可将文本中的词映射至实数向量空间，而该实数向量空间由多个维度组成，每一维度都能够代表相应的浅层语义特征[20]。最后，成熟的word2vec工具主要分为连续的词袋模型（Continuous Bag-of-Words）以及连续的跳字模型（Continious skip-gram）两种模型，因本次研究的训练集数量较大，因而采用通过输入一个词便有望测量出上下相关词的跳字模型，该模型具有语义精确且在大型训练集中表现优异的特色[21][22]。

变分自编码器（Variational Auto-Encoder，VAE）。变分自编码器是自动编码器的升级版本，其结构跟自动编码器较为类似，也由编码器和解码器构成。相比于自编码器，VAE更倾向于数据生成。正因如此，研究将word2vec的词向量结果输入VAE，从而获得更好的分类结果。VAE的最大特点是模仿自动编码机的学习预测机制，在可测函数之间进行编码、解码[23]。变分自编码器是基于无监督学习的深度生成网络模型，由金马（Kingma）和威林（Welling）在2014年提出，该模型的思想源自传统的自编码器网络模型（auto encoder，AE），与传统的自编码器不同的是，VAE考虑了隐变量的分布误差，并用相对熵（也称为KL散度，Kullback-Leibler divergence）来表示。KL 散度观察联合分布差距公式为[24]：

公式1

该模型还引入了贝叶斯公式从而构建起变分自编码器的核心公式：

公式2

需要说明的是，本研究使用的VAE模型使用了随机梯度下降法来训练网络参数，该方法的公式如下所示：

公式3

2.3 研究流程

本次研究具体分为四个流程：首先是原始语料库预处理，其次是实词抽取，再次是模型运行，最后为研究结果呈现。详细研究流程如图1所示：

针对期刊杂志与图书著作的特性，本研究以自然语言处理技术针对二者的关键词进行分析，具体流程如下。

首先，原始语料库预处理。理论而言，本研究所使用的研究技术适用于多个语种的文本，但由于本次研究所用的是中文文本，因而在研究开始之前需要进行原始语料库的处理，并去除与本次研究无关的停用词以避免相应的噪声干扰，从而提升话题的精密度。此外，为提升后期抽取实词，进而对相应的词性标注，本次研究所使用的词性标注工具为自然语言处理与信息检索共享平台（NLPIR）汉语分词系统[25]。

其次，实词抽取。期刊杂志文献的关键词通常是由相关作者给出，具备准确率高、贴合文章主题、全文精简指引等特征，因而以往研究通常采用关键词抽取的办法进行研究。但本次研究需要对所有资料进行全文检验，意在抽取文本中的名词、动词、形容词以及副词，因此需要采用较为经典的关键词权重计算公式（Term Frequency–Inverse DocumentFrequency， TF-IDF），通过计算所抽取词汇的TF-IDF数值来过滤TF-IDF数值小于制定标准的词汇，最终形成相应的实词集合。TF-IDF计算公式为：

公式4

再次，模型运行。一是基于word2vec技术的实词词向量获取。期刊杂志论文与数字人文图书著作在一定程度上因主题聚焦而具备了共同属性的同时也存在明显联系，这也是本研究的基础。然而，事实上在通过初步研究后发现二者依然具有相当差异，这主要体现在期刊杂志论文专业词汇较多，而数字人文图书著作口语化更为显著。本研究认为尽管二者之间有一定的差异，存在关键词不对应的情况，且同一术语在期刊杂志论文与图书著作中的表达方式不同，但由于本次研究具备主题凝练性特征，术语的使用环境也较为相似，因此以词汇的上下文信息判断可以较好地解决该问题。二是通过关键词词向量聚类的计算获取主题及主题向量表示。本次研究采取基于X―means的关键词词向量聚类，该算法是基于K―means算法的改进版本，其优势在于运算之初无需制定聚类数量K，只需制定聚类数量K的取值范围即可，如此一来，算法将通过计算在制定范围内寻找最后聚类数量K，以实现优化下的关键词词向量聚类划分。三是基于词向量计算主题词的语义相似度。语义相似度是由两个实词合集之间的余弦距离所决定。本次研究采用改良后的夹角余弦公式来计算主题词C1与C2的语义相似度，假设C1主题下具有以下合集{W11，W12，… ， W1m}，而C2主题词下的实词合集为{W21，W22，…， W2n}，且m>n。夹角余弦计算公式为：

公式5

最后，变分自编码器运行。借鉴聂锦燃等人的研究，编码器和生成器是变分自编码器的主要组成部分，均采用循环神经网络（Recurrent Neural Networks）结构。将门控循环单元（Gated recurrent unit，GRU）作为RNN的基本单元[26]。内容编码器作为提取源端输入文本的内容。内容的表征z，且将标签向量L，作为线性变换的基础，随后使用RNN-GRU作为生成器，从而输出数字人文研究的知识特征分类结果。

通过以上流程（见图2），本研究得到了相关的研究结果。

3 研究结果

3.1 基于数字人文图书著作的“数字人文知识生产”特征结果

将数字人文的图书著作为文本，在使用python中的词向量技术后，得出词云图（见图3），可更加直观地展示出图书著作的主题强度。

在主题强度分析基础上，研究结果展现出了相关主题词及其词频。为使得结果更加清晰化，本研究摘取排名前十的主题词及其词频以供展示（见表1）。

在本次研究中，以“数字人文知识生产”为主题的图书著作中，“数字”一词占据该表榜首，词频高达6288;紧随其次的便是“人文”一词，词频高达5714。由此可见，在图书著作中大多数使用者对数字人文知识生产的重点感受为“数字”，而该词的相关词汇则是数字化、数字平台等，这在一定程度上说明数字人文的属性重在数字化。

3.2 基于期刊杂志论文的“数字人文”特征结果

本次以“数字人文”的相关期刊杂志文献共计600篇，其词云图为图4。

同样，本研究依据主题强度分析，研究结果也展现了基于期刊杂志论文的数字人文知识生产主题词及其词频。研究摘录排名前十的主题词及其词频以供展示（见表2）。

在本次研究中，期刊杂志论文中的“数字人文知识生产”主题词及其词频与基于数字人文图书著作的“数字人文知识生产”主题词及其词频表在主题词遴选上差异不大，仅为排名第八的主题词有所差异，而前者有“分析”主题，后者有“进行”主题词。这在一定程度上表现了期刊杂志论文的术语用词与图书著作的用词存在一定差异，但其他主题词变化不大，这在一定程度上反映了学者们的用词惯习以及用语环境具有高度的凝聚性傾向。而在词频方面，单纯从数字看二者差异不大，但细探之下二者具有相当差异：首先，从文本字数看，基于数字人文图书著作的文本约29万余字，而基于期刊论文的相关文本则约有4万余字，两者的主题词及其词频在各自文本中所占据的比例具有相当差异。然而，尽管各自文本的字数差异如此之大，但在主题词聚敛方面表现出了相当一致性，这在一定程度上说明数字人文知识生产的主题具有高度凝聚性以及强烈的趋同性特征。

3.3 基于word2vec技术的主题词及其下属实词的关联距离

本研究基于word2vec技术的文本挖掘，重点在于测算主题词及其下属实词的关联距离，该距离的测量能够在一定程度上反映出主题词对文本的概括性以及实词集合挖掘的优良特征。

基于word2vec技术可以测算出主题词及其下属实词的关联距离，摘取排名前五关键词及其合集内排名前三的实词，见表3。

3.4 基于wordVAE的数字人文知识生产特征结果

研究根据wordVAE的模型结构框架，运算wordVAE方法，从而得到了近年来数字人文研究的知识生产矩阵，并使用谱聚类的方式对相关数据进行绘图，在选取前排名前50的运算结果后，绘制图5。

根据wordVAE的谱聚类结果图可知，当前的数字人文研究主要形成了四个结构中心，分别是“数字人文研究”节点中心、“图书馆”节点中心、“人文研究”节点中心以及“数字化”节点研究中心。其中“数字人文研究”节点突显出了人文思想挖掘、数字技术、人文建设、图书馆基础、文本分析等知识生产特性;“图书馆”节点中心则含有人文反思、信息管理、具体知识、人文思想等知识生产特性;“人文研究”节点突显出了古文分析、事件关系（抽取）、文本共现等知识生产特性。

由此可见，数字人文相关研究所呈现出“人文”与“数字化”并存的局面，且相应的研究成果具有一定的交叉特性，这样显示出数字人文研究的知识生产特征具有典型的跨学科合作特点。相关分析见下节。

3.5 研究结论

基于自然语言处理的词向量文本挖掘研究结束，通过主题词挖掘及其频次以及主题词及其下属实词关联距离等内容的研判，研究认为基于期刊论文的研究结果突显出以下特征。

（1）数字人文知识生产结构化与边界模糊化并存。以中文核心期刊为文本的结果突显出相当的数字人文知识生产结构化与边界模糊化，体现为重视数字人文知识生产的宏观层面和微观层面知识生产结构问题。就“数字人文知识生产”的宏观层面而言，基于word2vec技术的主题词挖掘表明：首先，数字人文知识生产结构化主要体现在“人文”“数字”“学科”“协作”“跨学科”等维度。这些具有强烈结构化的主题词一方面显示了数字人文知识生产具有相对的独立结构化，另一方面又明确出数字人文的知识生产具有相对的关联程度，这在一定程度上使得其具备知识生产结构化特征的同时又具有知识生产边界模糊化。其次，数字人文知识生产边界模糊化主要表征为在结构化基础之上而呈现出的结构边界模糊化。“跨学科”“协作”等主题词的出现，表明数字人文知识生产在一定程度上突破了传统的知识生产模式，达到既基于学科优势，又融合了信息化技术的多体表征。最后，以数字人文的跨界知识生产而言，其与图书馆的知识生产模式在一定程度上具有一致性，图书馆一方面可支持数字人文的核心需要，另一方面也能从技术与数据库方面给予数字人文发展支持。总而言之，数字人文与图书馆的合作关系模型表明二者之间存在诸多共同点[27]。

（2）数字人文知识生产跨学科合作化。上段中论述了数字人文的跨学科属性会导致一定程度上的数字人文知识生产边界模糊化，在本段中讲论了数字人文知识生产跨学科的合作化问题。首先，数字人文知识生产跨学科合作源于解决实际问题。随着科技进步，当下的知识生产模式已然发生着深刻变革，数字人文作为新兴崛起的知识生产中心，其显著特征是“知识生产更多地源于实际问题，因而具有天然的跨学科属性”[28]。源于现实需要进而引发的跨学科合作化现象在当下已是屡见不鲜，数字人文领域的跨学科合作研究已有众包项目实战案例，将其他学术群体引入数字人文研究中，不仅在知识生产上提供了学科协作化生产，也为数字人文领域研究与其他学科、公众群体建立了紧密联系[29]。这种融合大众为学术研究工作的方式，用户与数字人文机构的跨学科甚至是跨领域合作化知识生产机制将能够营造出双赢局面[30]。

（3）数字人文知识生产的凝聚性。基于“数字人文知识生产”为主题的数字人文图书著作突显出了明确的主题凝聚性。首先，数字人文知识生产的凝聚性体现在检索方式的变化。数字人文的出现打破了以往学习时间、地点以及资源利用等固有方式，使得原本较为散乱的学习资料变得更为凝聚，通过相关的关键词扫描以及数字化搜索便能够提供所需要的关键信息，这无疑给予研究者们相当的方便性，提高了知识搜寻的精准度，从而为使用数字人文方法进行知识生产提供了保障。其次，数字人文知识生产的凝聚性还体现在数字人文方法改变了知识生产者的思维方式。信息搜集方式的转变在无形之中影响了平台使用的思考方式与路径，从文本挖掘中的“技术”“信息”“分析”等主题词可以明确出数字人文的出现改变了数据文本的加工方式，文本信息加工过程的革新使得原本基于人脑的加工思维变为以技术为中心的加工，这种改变能够有效影响到知识生产者的思维[31]，处理方式的变化在一定程度上更利于知识生产者专注某一知识点的钻研。

（4）数字人文知识生产的视野广阔性。数字人文的图书著作突显出了一定的视野广阔性，可从其文本挖掘的主题词“知识”“资源”“数据”“图书馆”等信息中推断，数字人文能够引发使用者对其评价为“知识”一类的宏观词汇，其下属相近词为“知识创造”“知识视野”“知识生产”等。下属词汇表明，数字人文的图书著作在努力阐述出数字人文知识生产的广阔性，它模糊了学科知识生产的相关边界，进而将目光投向于更为宏大的维度，亦即说数字人文在引导相关使用者将目光投射得更远、更为广阔。数字人文知识生产的视野广阔性是基于其数据资源足够宏大的基础以及推荐算法的优越性而得以完成。因而也可以说，数字人文知识生产的视野广阔性是基于宏大数据资源上的优秀推荐算法而得以实现，数据资源的宏大以及推荐算法的优良将在一定程度上影响到数字人文知识生产的相关属性。

4 结 语

本研究以“数字人文知识生产”为主题，通过建构起wordVAE数字人文知识生产特征研究方法，以既往關于数字人文期刊论文和著作为文本资料，回答了数字人文知识生产属性的特征的问题，结果表明：首先，数字人文的知识生产属性主要有知识生产结构化与边界模糊化并存、跨学科合作化;其次，数字人文知识生产属性主要有主题凝聚性、视野广阔性。数字人文知识生产作为一种具有恒久活力的话题，尚需更多的实证研究去发掘它的优劣势，从而为人类知识进步做出贡献。

尽管本研究使用wordVAE方法作为数字人文知识生产特征研究方法，但其依旧存在一定的局限性：首先，对文本语料库的预先分析尤其是个别停用词汇的处理上，仍存在进一步提升的可能;其次，word2vec词向量具备两个文本处理模型，研究仅采用了连续的跳字模型，进而相关主题词的挖掘与呈现可能与连续的词袋模型所产生的主题词存在一定差异;最后，数字人文知识生产属性的结果是基于一定的思维推导而得以呈现，因此理论上存在因学者思维差异而概括出不同属性特征的局限。

注 释

[1]许鑫，陈路遥，杨佳颖.数字人文研究领域的知识网络演化：基于题录信息和引文上下文的关键词共词分析[J].情报学报，2019，38（3）：322-334

[2]赵蓉英. 知识网络及其应用[M]. 北京： 北京图书馆出版社，2007： 8-58

[3]舒刚.企业知识管理新热点：知识网络[J]：科技创业月刊，2008， 21（9）： 14-15

[4]Sharda R， Frankwick G L， Turetken O. Group knowledge networks：A framework and an implementation[J]. Information SystemsFrontiers， 1999， 1（3）： 221-239

[5]赵蓉英. 知识网络研究（Ⅱ）——知识网络的概念、内涵和特征[J]. 情报学报， 2007， 26（3）： 470-476

[6]柯平， 宫平. 数字人文研究演化路径与热点领域分析[J]. 中国图书馆学报， 2016， 42（6）： 13-30

[7]高瑾. 数字人文学科结构研究的回顾与探索[J]. 图书馆论坛， 2017， 37（1）： 1-9

[8]朱娜. 数字人文的兴起及图书馆的角色[J]. 图书馆， 2016（12）： 17-22+48

[9]Fay E， Nyhan J. Webbs on the Web： libraries， digital humanities and collaboration[J]. Library review， 2015，64（1/2）：118-134

[10]黄钰新， 王远智. 嵌入数字人文过程的图书馆科研数据服务研究[J]. 情报资料工作， 2017， 38（6）： 84-89

[11]王新雨. 面向数字人文的图书馆知识服务模式研究[J]. 图书馆工作与研究， 2019， 1（8）： 71-76

[12]张诗博. “数字人文” 背景下的图书馆知识服务[J]. 晋图学刊， 2013 （5）： 40-42+53

[13]周晨. 国际数字人文研究特征与知识结构[J]. 图书馆论坛， 2017， 37（4）： 1-8

[14]周建新，谭富强.数字人文知识生产的属性和分析框架：基于曼海姆知识社会学的考察[J].江海学刊，2020（5）：130-135+255

[15]Hinton G E . Learning distributed representations of concepts.[C]// Eighth Conference of the CognitiveScience Society，1986：12

[16]BengioY，SchwenkH，Senecal J S，et al. Neural probabilistic language models[M]//Innovations in Machine Learning.Springer Berlin Heidelberg，2006：137-186

[17]Mathew J， RadhakrishnanD.An FIR digital filter using one-hot coded residue representation[C]// SignalProcessing Conference， 2000， European.IEEE， 2008：1-4

[18]MikolovT，ChenK，CorradoG，et al.Efficient Estimation of Word Representations in Vector Space[J].arXivpreprint arXiv：1301.3781，2013

[19]龚丽娟，王昊，张紫玄，等. Word2Vec对海关报关商品文本特征降维效果分析[J].数据分析与知识发现，2020（4）（Z1）：89-100

[20]Zheng XQ， Chen HY， Xu TY. Deep learning for Chinese word segmentation and POS tagging[C]// Proceedings of 2013 Conference on Empirical Methods in Natural Language Processing. Seattle， WA， USA. 2013： 647-657

[21]范并思. 推动社科情报的学科建设[J]. 情报资料工作， 2006（5）： 12-14

[22]张聿忠. 走进新世纪的社科信息理论与实践研究： 历史的回眸与展望[J]. 情报资料工作， 2000（1）：2-6

[23]刘佳琦，李阳.基于信息最大化变分自编码器的孪生神经主题模型[J].计算机应用与软件，2020，37（9）：118-125

[24]郭奉琦，孟凡荣，王志晓.基于变分自编码器的谣言立场分类算法[J].计算机工程，2022，48（2）：99-105

[25]徐红姣，曾文，张运良.基于Word2Vec的论文和专利主题关联演化分析方法研究[J].情報杂志， 2018， 37（12）： 36-42

[26]聂锦燃，魏蛟龙，唐祖平.基于变分自编码器的无监督文本风格转换[J].中文信息学报，2020，34（07）：79-88

[27]Sula C A. Digital humanities and libraries： A conceptual model[J]. Journal of Library Administration， 2013， 53（1）： 10-26

[28]陈洪捷.知识生产模式的转变与博士质量的危机[J].高等教育研究，2010，31（1）：57-63

[29]Terras M. Crowdsourcing in the Digital Humanities[M]// A New Companion to Digital Humanities.John Wiley & Sons， Ltd， 2015：420-438

[30]贺晨芝，张磊.图书馆数字人文众包项目实践[J].图书馆论坛，2020，40（5）：3-9

[31]戎思淼.量子思维对大数据背景下信息决策新思路的启示[J].科技进步与对策，2016，33（8）：6-10

（收稿日期：2022-01-13）

[作者简介] 林世华，深圳大学传播学院2019级博士生;谭富强，深圳大学文化产业研究院2020级博士生。