周期嵌入揭示科学主题分类方案中的隐藏跨学科模式

主题分类方案是组织、评估和导航科学知识的基础。虽然专家精选系统如Scopus提供了广泛使用的分类法，但常受粗糙的细粒度、主观性以及对新兴跨学科领域的适应性不足。基于引用网络的数据驱动方法虽有前景，但缺乏对科学文献语义内容的严格外部验证。本文我们提出一种新型定量框架，利用分类任务来评估期刊分类方案的有效性。我们使用超过2300万篇论文摘要，证明基于Periodical2Vec（P2V）——一种从论文级引用中学习的期刊嵌入——通过k-means聚类得到的标签，在分类性能上显著优于Scopus和其他数据驱动基线（如引用、共引和Node2Vec变体）。通过比较不同分类方案下的期刊划分，两个结构模式在科学地图中浮现：（1）学科边界的重新组织——将过于宽泛的类别（如“医学”划分为“肿瘤学”、“心脏病学”等专科），同时合并人为碎片化的类别（如“化学”和“化学工程”）；（2）识别一类连贯的跨学科聚类——如“生物医学工程”、“医学伦理”和“信息管理”——这些聚类在多个类别中分散，但在引用空间中统一。这些发现凸显，引用派生的期刊嵌入不仅在预测有效性上优于传统分类法，而且提供一种动态、细粒度的科学地图，更好地反映了当代研究中所体现的专业化和跨学科性。