融合知识图谱、ERNIE与TextCNN的社科文献分类研究
来源：计算机工程与应用杂志2026年第12期北京时间：
作者：韩卫红, 陈瑞鹏, 张可庆, 喇东升
单位：1.东北大学秦皇岛分校 图书馆，河北 秦皇岛 066004；2.东北大学秦皇岛分校 计算机与通信工程学院，河北 秦皇岛 066004；
摘要：针对交叉学科动态性、海量文献复杂性及分类偏差问题，研究提出融合知识图谱、ERNIE预训练语言模型与TextCNN的文献学科分类模型KG-ERNIE-TextCNN。通过整合知识图谱的语义增强技术、ERNIE的深度语义编码机制及TextCNN的多尺度局部特征提取方法，构建具有动态适应能力的学科分类框架。在包含21个一级学科的人文社科文献数据集上，模型F1值达77.65%，较BERT+TextCNN提升2.22个百分点。消融实验表明，知识图谱嵌入可使分类效果提升0.49个百分点，TextCNN嵌入使分类效果提升1.4个百分点。针对学科交叉性导致的分类边界模糊问题，通过构建专业领域知识图谱优化语义表征，使交叉学科Recall值平均提高3.83个百分点，其中理论经济学与应用经济学交叉领域平均提升达5.2个百分点。实验结果表明，专业学科领域知识增强方法可有效提升复杂学科分类性能。
关键词：知识图谱,ERNIE预训练模型,TextCNN,文献学科分类,交叉学科分析
基金资助：中央高校基本科研业务费（N2023017）。
