人工智能賦能文化遺產領域的研究綜述——基于CiteSpace的可視化分析

竇金花，張彬蕊，錢曉松

【院士專欄：中華文化數字化創新設計研究新范式】

人工智能賦能文化遺產領域的研究綜述——基于CiteSpace的可視化分析

竇金花，張彬蕊，錢曉松

（北京科技大學 機械工程學院，北京 100083）

對人工智能賦能文化遺產的國內外研究現狀進行系統的梳理與總結，分析當前研究的熱點與未來趨勢。以Web of Science數據庫和CNKI數據庫中人工智能賦能文化遺產領域的文獻為研究對象，運用CiteSpace軟件對文獻進行可視化，從文獻發表數量、學科分布、作者與機構合作、國家與地區分布、研究熱點、研究趨勢六個方面，以文獻計量的方法對可視化結果及文獻主題進行分析與綜述。國內外對人工智能賦能文化遺產的研究總量較少，但總體研究數量呈增長趨勢；受人工智能技術發展影響較大，研究多在計算機學科中展開；核心作者與機構之間合作較少，需要進一步加強合作；中國、意大利、西班牙、英國開展了較多研究且影響力較高，研究影響力與學者所在國家的文化遺產豐富程度密切相關；研究熱點上，深度學習、知識圖譜是該領域內較為熱門的應用技術，對文化遺產的數字化處理、信息組織與虛擬修復是較為熱門的研究范疇；研究趨勢上，文化遺產與人工智能技術將會進一步緊密結合，應用人工智能技術對物質文化遺產、非物質文化遺產進行保護與傳承具有重要意義。研究梳理了文化遺產與人工智能技術的結合現狀，探索了未來文化遺產事業發展的新方向，在文化遺產與科技創新融合的路徑上，為文化遺產保護與傳承的研究提供了更多思路。

文化遺產；人工智能；CiteSpace；可視化分析

文化遺產（Cultural Heritage，CH）包括物質文化遺產和非物質文化遺產，從存在形態來看，也分為有形文化遺產和無形文化遺產。對有形的文化遺產，根據《保護世界文化和自然遺產公約》定義，文化遺產包含古跡、建筑群、遺址[1]。對無形的文化遺產，根據聯合國教科文組織《保護非物質文化遺產公約》中的定義，“非物質文化遺產”指被各社區、群體，有時是個人，視為其文化遺產組成部分的各種社會實踐、觀念表述、表現形式、知識、技能及相關的工具、實物、手工藝品和文化場所[2]。近年來，隨著人工智能（Artificial Intelligence，AI）、大數據分析等技術在各領域的應用，國內外文化遺產領域結合人工智能技術開展了一系列的研究工作。人工智能是研究開發能夠模擬、延伸和擴展人類智能的理論、方法、技術及應用系統的一門技術科學[3]。隨著人工智能技術的快速發展，人工智能生成內容（AI Generated Content，AIGC）技術的應用也使文化領域面臨新的機遇與挑戰，基于人工智能技術推動文化遺產的創造性轉化及創新性發展，對文化遺產的保護與傳承具有重要意義。人工智能技術作為新一輪科技革命和產業變革的核心力量，在國內外文化遺產的保護與傳承工作中發揮著重要的作用，人工智能技術如何賦能文化遺產領域成為學界關注的熱點。

本文運用CiteSpace軟件對Web of Science數據庫與CNKI數據庫中的國內外相關文獻進行計量與可視化分析，并結合文獻內容梳理人工智能賦能文化遺產領域的研究現狀及研究熱點，預測該研究主題的發展趨勢，為文化遺產的保護、傳承及可持續性發展提供參考。

1 數據來源與研究方法

1.1 數據來源與處理

國際文獻在Web of Science核心合集數據庫中以“cultural heritage”“AI”及具體的人工智能技術關鍵詞作為主題進行組合檢索，共檢索到347條文獻記錄，檢索式如下：TS = (((AI) OR (knowledge graph) OR (deep learning) OR (machine learning) OR (neural networks) OR (CNN) OR (NLP) OR (LSTM) OR (RNN) OR (GNN) OR (GAN) OR (GA)) AND (cultural heritage))。國內文獻則在CNKI數據庫中以“文化遺產+人工智能（AI）關鍵詞”為主題對中文總庫進行組合檢索，僅保留有檢索記錄的檢索式進行列表（檢索式見表1），共得到236條文獻記錄。以“非遺”或“文化”+“AI關鍵詞”的方式進行補充檢索，并添加領域知名學者文獻，最終獲得檢索結果記錄244條。為確保文獻質量，本研究對以上檢索結果進行了精煉，剔除了會議記錄、在線發表、社論材料等，去除重復文獻，并手動剔除了綜述類文獻、與人工智能算法及文化遺產研究不相關的文獻，最終得到256篇國際文獻和209篇國內文獻作為本文分析工作的數據源，檢索與篩選流程見圖1。按照上述檢索方式進行檢索并篩選后得到的文獻在WOS數據庫中最早發表于2003年，在CNKI數據庫中最早發表于2006年，受本研究對文獻進行檢索時的時間限制，設置檢索文獻的發表時間截至2022年12月31日。因此，本文將分析文獻的發表時間為2003年1月1日至2022年12月31日。

表1 CNKI數據庫主要檢索式列表

Tab.1 List of main search strategies of the CNKI database

1.2 研究方法

本文以精煉后的256篇國際文獻和209篇國內文獻作為分析樣本，選用CiteSpace軟件進行計量分析，繪制文獻知識圖譜，從文獻發表數量、學科領域、作者合作、機構合作、研究主題五個角度出發，梳理國內外人工智能賦能文化遺產領域的研究熱點與趨勢，探討研究進展。

圖1 文獻檢索與處理流程

2 國內外研究基本情況

2.1 文獻發表數量

基于時間分布的文獻發表數量可以從宏觀角度反映該研究領域的發展狀況。如圖2所示，該圖反映了WOS數據庫中2003年至2022年人工智能賦能文化遺產領域研究的文獻發表數量情況。從總體上看，近20年間國際該領域文獻數量呈顯著增長趨勢，從2014年起文獻開始增多，2017年文獻數量突增，2018年有所回落，2019年至2021年文獻發表數量呈逐年激增趨勢。如圖3所示，展示了CNKI數據庫中2006年至2022年該研究領域的文獻發表情況，分析可知，國內與國際文獻發表情況幾乎一致。2017年文獻數量的爆發式增長與2016年谷歌AlphaGo擊敗世界圍棋高手，迎來“人工智能60周年”發展拐點有關[4]。自此事件后，各國紛紛將人工智能技術研發提升至國家戰略層面，對人工智能技術相關研究的關注度日益上升。國內學界為響應國家《“互聯網+”人工智能三年行動實施方案》和《促進新一代人工智能產業發展三年行動計劃（2018—2020年）》等計劃方案，紛紛投入與人工智能技術相關的研究當中，將人工智能技術與行業結合的應用實踐研究推向了高潮[5]。

圖2 2003年至2022年WOS數據庫人工智能賦能文化遺產領域文獻發表數量趨勢

圖3 2006年至2022年CNKI數據庫人工智能賦能文化遺產領域文獻發表數量趨勢

觀察國內外文獻發表趨勢，2022年人工智能應用于文化遺產領域的文獻發表數量有所減少。在中國知網檢索“人工智能”關鍵詞，選擇中文期刊數據庫并將檢索結果可視化，觀察到2022年人工智能相關研究數量同樣有所減少。由于計算機算力限制、學科發展規律等原因，人工智能技術的發展不可避免地會受到部分阻礙，因此人工智能賦能文化遺產的相關研究數量也有所減少。然而觀察AIGC在2023年年初的高熱度，未來1～2年對人工智能賦能文化遺產的研究熱度將有所提升，且人工智能技術尚有廣闊的提升空間，未來學界對人工智能技術的研究將持續保持較高熱度，新技術最終要在實踐應用中落地，人工智能應用于文化遺產領域仍有廣闊的研究前景。

綜上所述，對比國際與國內的文獻發表數量分布情況可知，國內外文獻發表的趨勢基本一致，2017年出現第一波文獻發表數量的小高峰，從2019年起至2021年呈激增趨勢。由于樣本中文獻的研究范疇為人工智能與文化遺產兩學科交叉，多體現為技術在人文領域的應用，因此文獻發文趨勢與人工智能領域的發展情況存在較大關聯。

2.2 學科分布

2.2.1 國際研究學科分布

如圖4所示，展示了WOS數據庫中本研究檢索文獻的學科分布情況。分析可知，近20年國際上對人工智能賦能文化遺產領域的研究與計算機科學、工程學、化學、材料科學、通訊、地理、遙感、環境科學、藝術、物理學等學科密切相關。其中，計算機科學、工程學分別占學科分布的31%、22%，這說明國際上該領域研究多在計算機科學與工程學學科中展開，且多為將文化遺產作為研究對象的技術方法研究。此外，化學、材料科學分別占學科分布的9%和7%，這和文化遺產保護與修復相關研究有關。地理、遙感、環境科學等學科與建筑文化遺產研究密切相關。

圖4 WOS數據庫排名前10的學科分布

2.2.2 國內研究學科分布

統計國內人工智能賦能文化遺產的文獻學科分布情況，取統計結果中排名前10的學科進行可視化處理，其分布情況見圖5。其中，計算機軟件及計算機應用占學科分布的33%，占比第一，這說明國內人工智能與文化遺產領域的研究在計算機軟件及計算機應用學科中展開最多。自動化技術占學科分布的18%，占比第二，自動化技術與人工智能的學科領域有所交叉，人工智能包括對機器的感知、思維和行為三個方面的能力研究，人工智能的應用體現了自動化的特點，即讓機械能夠體現人類的意識，并加強對機器控制的自動化[6]；應用人工智能技術對文化遺產的圖像、音頻、文稿等數字資源進行自動化分類、識別等，能夠提高文化遺產研究的效率，優化文化遺產資源的存儲與管理模式。美術書法雕塑與攝影學科占學科分布的10%，占比第三，聚集在文化遺產領域應用人工智能技術進行視覺相關的處理工作?？脊艑W科占學科分布的9%，占比第四，圖書情報與數字圖書館學科占比7%，建筑科學與工程學科占比3%。此外，熱門學科分布中還包括輕工業手工業、文化、音樂舞蹈，體現了人工智能與手工藝、設計、藝術的密切關聯。

圖5 CNKI數據庫排名前10的學科分布

2.3 核心作者與機構

2.3.1 國際研究核心作者與機構分布

2.3.1.1 核心作者

圖6 WOS數據庫文獻作者共現圖譜

表2 WOS數據庫文獻核心作者列表

Tab.2 List of core authors in WOS

觀察節點之間連線情況可以發現曾建立合作的作者團體。結合領域作者圖譜與發文頻次統計表，分析作者合作情況可知，以Pierdicca和Paolanti為首的作者團體將人工智能技術應用于文化遺產領域的多個研究中。他們提出了一種游客視覺注意力模型，使用深度卷積神經網絡對觀察畫作的成人和兒童的眼動數據進行學習，進而通過眼動數據實現對游客的分類[8]。對歷史建筑的數字化重構，他們提出了一種基于點云分割的深度學習框架，使用深度學習技術對歷史建筑的3D點云進行語義分割。對點云進行高效語義分割能夠幫助研究人員快速識別不同類型的歷史建筑元素，從而提高分析歷史建筑結構、構建參數化3D模型的效率[9]。

以Belhi和Bouras為首的作者團體基于深度學習技術對文化遺產圖像進行了系列應用方法的研究。在文化遺產圖像修復的工作中，他們提出了一種改進的基于深度學習的文化遺產圖像修復及補全框架，以提高文化遺產圖像的修復效果[10]。針對文化遺產圖像的研究，他們還提出了一種基于深度學習的文化遺產圖像缺失標簽的補全方法，使用深度學習算法對文化遺產圖像及其文本標簽進行訓練，從而實現機器對文化遺產圖像的自動分類，進而補全該文化遺產作品的缺失標簽[11]。三維全息成像技術可應用于博物館中，提供文化遺產的數字化交互方式，他們提出了一種基于深度學習的方法以提高三維全息成像的質量，以博物館中的文物作為研究對象，對他們提出的方法開展實驗及驗證工作[12]。

Cao作為通訊作者，與Geng、Yao、Chu、Ren都曾開展過研究合作，這5人互相之間也存在著合作關系，該作者團體對文物虛擬修復開展了一系列研究。2020年，Geng等[13]提出了一種基于深度神經網絡的兵馬俑碎片點云簡化方法，該方法可以減少點云數據的存儲空間，并提高文物數字化存儲的效率。針對兵馬俑碎片點云的研究，Yao等[14]在2021年發表的論文中提出了兵馬俑碎片的修復框架。以兵馬俑為研究對象，2021年，Chu等[15]在論文中提出了一種基于神經網絡的兵馬俑孔洞虛擬修復方法?；谶@項研究，Ren等[16]在2022年提出了一種基于多尺度采樣生成對抗網絡的框架，用于填充3D點云中的空白區域，為文化遺產保護中的歷史文物數字化工作提供了有效工具。

綜上所述，由WOS數據庫中核心作者團體的研究工作可以初步獲知國際上人工智能應用于文化遺產領域的研究熱點，學者們更關注文化遺產的虛擬修復，并開展了對文化遺產圖像、文物標簽、3D點云的虛擬修復研究。

2.3.1.2 發文機構

了解領域內核心發文機構及機構間合作情況，可以促進領域學術合作與交流。在CiteSpace軟件中選擇節點“institution”，其他參數不變，對WOS數據庫中提取的文獻進行分析，得到機構合作圖譜，見圖7。由于篇幅限制，文中僅展現文獻統計中出現頻次大于等于3次的領域研究機構，見表3。國際上在該領域展開研究的科研機構數量為203，建立過的合作關系數量為126。綜合分析可知，大學是國際上該領域開展研究的主要陣地，此外，該領域研究的核心機構主要分布于中國和意大利，以及其他諸如希臘、土耳其等擁有悠久歷史文化與文化遺產的國家，這些大學所在城市也與當地文化遺產豐富程度密切相關?？梢?，國際上研究機構多與當地文化遺產機構合作開展領域研究。其中，意大利的那不勒斯費德里科二世大學在文獻統計樣本中出現了7次，說明其在該領域十分活躍。其次，中國的西北大學、天津大學、武漢大學等也在該領域較為活躍。

2.3.2 國內研究核心作者與機構分布

2.3.2.1 核心作者

圖7 WOS數據庫研究機構合作圖譜

表3 國際研究機構列表

Tab.3 List of international institutions

圖8 CNKI數據庫文獻作者共現圖譜

劉子豪、葉利華與賈小軍、鄧洪濤等曾構建較為緊密的合作關系，他們針對非遺紋樣開展了一系列研究。他們首先提出了一種基于VGGNet卷積神經網絡的藍印花布紋樣分類方法[22]。而后，他們又基于卷積神經網絡對藍印花布紋樣基元開展了分類工作[23]。

表4 CNKI數據庫文獻核心作者列表

Tab.4 List of core authors in CNKI

綜上所述，國內外作者對人工智能和文化遺產領域結合的研究文獻發表數量較少，且側重點不同。國際研究人員更傾向于對人工智能技術應用于文化遺產虛擬修復展開研究，而國內研究人員則更傾向于對非遺文本、圖像、紋樣開展研究工作。

2.3.2.2 發文機構

統計國內人工智能與文化遺產領域文獻的發文機構情況，可得國內研究機構合作圖譜（見圖9），并統計出現頻次大于等于3的國內研究機構，記錄于表5中。國內在該領域進行過研究的機構數統計為124，機構間建立過的合作數量為46。網絡密度是一個社會網絡中成員間相互聯系的強度，成員間交流的密切程度和頻度決定了他們的網絡密度[24]。圖譜中該領域國內研究機構的網絡密度為0.006，網絡密度的數值過低，說明國內機構之間并未建立起頗具凝聚力的科研團體。

綜合分析可知，國內研究機構同樣以大學為主。以南京大學信息管理學院為中心，與江蘇省數據工程與知識服務重點實驗室、武漢大學信息管理學院、南京農業大學信息管理學院、金陵圖書館、上?？茖W技術情報研究所等實驗室、高校、機構建立了領域合作關系。咸陽博物院與北京建筑大學、北京市測繪設計研究院曾建立領域合作關系，實現產學研互通。此外，西北大學、青海師范大學、華中師范大學、云南師范大學、寧夏大學等高校在領域內發文頻次較多，貢獻了較多研究成果。

2.4 國家/地區分布

據統計，國際上有53個國家對人工智能+文化遺產的交叉領域開展了研究工作。國家之間的合作關系及研究情況見圖10。整合各國家在統計中出現的頻次并進行排序，計算其中心性，受篇幅限制，文中僅取統計頻次前15位進行展示，結果見表6。其中，中國居首位，發表了95篇文章，且中介中心性最高，為0.32，可見我國對該領域研究的重視程度與影響力。中介中心性是指網絡中經過某點并連接這兩點的最短路徑占這兩點之間的最短路徑線總數之比[25]，如果一個行動者處于許多交往網絡的路徑上，可以認為此人居于重要的地位[26]，具有較高中介中心性的節點在結構中占據十分重要的地位。在CiteSpace中，中介中心性超過0.1的節點稱為關鍵節點，且中介中心性越高，節點的紫色邊緣越厚。意大利居于第二位，發表了55篇文章，中介中心性為0.24?？梢?，意大利在該領域的研究地位也十分重要。西班牙、英國的中介中心性皆大于0.1，說明其在人工智能賦能文化遺產領域研究工作的重要程度較高。

圖9 CNKI數據庫研究機構合作圖譜

表5 CNKI數據庫研究機構

Tab.5 List of institutions in CNKI

圖10 國家研究合作圖譜

表6 各國發文情況統計

Tab.6 Publication volume statistics of each country

此外，法國、美國、希臘、韓國在該領域中皆發表了10篇以上的文章，在圖10中可見這些國家彼此之間和與其他國家之間的聯系都非常緊密，不可忽視這些國家對人工智能與文化遺產領域研究工作的重要性。

3 研究熱點與趨勢分析

3.1 研究熱點分析

3.1.1 國際研究熱點分析

3.1.1.1 高頻關鍵詞

關鍵詞是文章的核心概括，其頻次與熱度呈正相關，因此可以通過對高頻關鍵詞的統計快速了解該領域的研究主題與熱點[27]。在CiteSpace軟件中選擇“Keywords”節點，其余參數不變，選擇WOS數據庫文獻項目，生成關鍵詞共現圖譜，見圖11。圖中每個節點代表一個關鍵詞，節點半徑的大小表示該關鍵詞出現的頻次高低，半徑越大，該關鍵詞出現的頻次越高。統計各關鍵詞出現頻次，計算各關鍵詞的中介中心性，結果見表7?！拔幕z產”“深度學習”“機器學習”是出現頻次最高的三個關鍵詞，關鍵詞“文化遺產”的中介中心性最高，為0.61，說明實驗所用數據與文化遺產關聯性高，未偏離研究范疇。深度學習與機器學習是人工智能領域的重要分支技術，兩個關鍵詞的中介中心性分別為0.32和0.4，僅次于“文化遺產”的中介中心性，說明在文化遺產領域中應用人工智能技術時，深度學習和機器學習是主流技術。由于深度學習是機器學習的一個研究分支，在本文分析的文獻樣本中，關鍵詞“機器學習”與“深度學習”常同時出現，因此兩個關鍵詞所指向的文獻多有重合。

機器學習的研究主旨是使用計算機模擬人類的學習活動，它是研究計算機識別現有知識、獲取新知識、不斷改善性能和實現自身完善的方法[28]。此處論述內容為傳統機器學習技術相關文獻，深度學習相關文獻將在下文論述。在文獻樣本中，應用傳統機器學習算法，主要是對文化遺產內容進行特征提取、分類、預測，其次還有針對文化遺產保護所做的部分工作。如Rahaman等[29]基于光譜成像技術對文化遺產領域中的紡織品染料進行研究，運用機器學習算法提出了一種對紡織品無損的顏料分類方法。Stover等[30]為確定古代匿名文本的作者，運用機器學習方法對拉丁文本進行計算分析，進而確定了該文本的作者。

Granata等[31]提出了基于機器學習算法的威尼斯潮位預測模型，從建筑與城市保護的角度保護世界文化遺產。此外，一部分文獻將傳統機器學習算法與深度學習算法結合，以解決文化遺產領域中的問題。例如，Matrone等[32]對大型三維文物分類的機器學習與深度學習方法進行了比較，綜合兩種方法的優缺點，提出了一種融合了兩種方法優點的文化遺產點云語義分割體系結構。

圖11 WOS數據庫文獻關鍵詞共現圖譜

深度學習的思想由多倫多大學的Hinton等[33]于 2006 年提出。深度學習近年來在語音識別、計算機視覺等多類應用中取得了突破性的進展[34]。深度學習架構模擬與人類大腦神經連接方式相似的結構，可以從大量輸入數據中學習有效的信息特征，能夠用于分類、回歸和信息檢索等特定問題中[35]。通過深度學習得到神經元相互連接而成的深度網絡結構稱為深度神經網絡，其中，卷積神經網絡（Convolutional Neural Networks，CNN）是深度神經網絡中應用較多的網絡結構之一。

卷積神經網絡是重要的深度學習算法，近年來已廣泛應用于圖像分類、人臉識別、音頻檢索等領域中[36]。卷積神經網絡是第一個真正意義上的成功訓練多層神經網絡的學習算法模型，在網絡的輸入是多維信號時具有更明顯的優勢[37]?！熬矸e神經網絡”在文獻關鍵詞中出現頻次排名第四，且中介中心性為0.1，說明卷積神經網絡在研究樣本中應用較多。文化遺產包含視覺、聽覺要素，應用CNN對文化遺產領域中圖像、音頻進行分類、識別、檢索取得一定成果。高頻關鍵詞中的“識別”“分類”在一定程度上印證了這一點，同時也說明在文化遺產領域，對文化遺產的識別和分類研究是較為熱門的。

Bhuyan等[38]基于SVM算法和CNN模型，對傳統舞蹈表演的動作模式進行識別，實現對傳統舞蹈表演動作的分類。Tang等[39]基于Faster R-CNN檢測和識別水族手稿字符。Jones等[40]運用CNN對X射線熒光光譜進行自動分類，X射線熒光光譜在文化遺產領域中廣泛應用于對藝術家所用顏料的鑒定。Zhang等[41]將CNN用于對中國書法的字體和風格進行分類。Condorelli等[42]提出了一種基于深度學習的自動檢測視頻素材中被毀古跡的方法，以減少在視頻歷史檔案中檢索古跡的人力成本。

此外，關鍵詞“人工智能”“神經網絡”“模型”“特征提取”“計算機視覺”“數字人文”“藝術”“點云”“非物質文化遺產”的出現頻次也較高。表7中列舉的關鍵詞作為本領域的研究熱點，國際上在該領域以文化遺產為中心，將深度學習、機器學習作為核心技術，主要應用計算機視覺的方法，對文化遺產進行識別、分類、特征提取、保護等，這符合數字人文研究的跨學科性質。

3.1.1.2 高被引文獻

高被引文獻是領域內普遍認可且具有突出貢獻的文獻，分析高被引文獻的情況可以獲知該領域的核心文獻，迅速了解領域內核心及熱點的研究范疇。統計國際文獻被引情況，將文獻在WOS全部數據庫中的被引情況按照被引頻次降序排列，統計數據記錄截止到本研究進行前。由于篇幅的限制，文中僅取被引頻次在排名前10的文獻進行列表展示，結果如表8所示，高被引論文發表的時間跨度為2015年至2020年。其中，Yu等[43]于2017年發表的文獻被引71次，該文章將知識圖譜技術引入中醫藥領域，建立了中醫養生知識庫。知識圖譜是人工智能重要的分支技術，中醫藥是中華民族重要的非物質文化遺產，將知識圖譜應用于中醫藥領域，是人工智能技術與非物質文化遺產領域的結合方式之一。Fiorucci等[44]于2020年發表的文獻共被引63次，該研究調研了機器學習和文化遺產的相關文獻及案例，對文化遺產領域中機器學習技術的使用情況進行了分析與總結。在建筑文化遺產領域，Pierdicca等[9]提出了一種針對點云分割的深度學習框架，以實現對建筑文化遺產數字模型的點云分割。同樣在建筑文化遺產領域，Llamas等[45]于2017年發表的文獻共被引61次，該研究應用基于深度學習技術對建筑文化遺產圖像進行分類，以提升文化遺產數字化處理的效率。Grilli[46]介紹了一種基于機器學習的3D文化遺產或其表面紋理分類的方法。Proietti等[47]描述了一種基于機器學習和模式識別的方法以檢測和分析博物館環境中的粉塵，為場館管理人員提供參考，以減少灰塵對藝術作品的損害。Dou等[48]探索了構建非遺知識圖譜的方法，以中國非遺文化之二十四節氣為研究對象，建立非遺知識數據庫，并構建了非遺知識圖譜，為大眾提供了更全面的知識體系，同時助力相關機構對非遺知識進行管理。

表7 WOS數據庫文獻高頻關鍵詞列表

Tab.7 List of high-frequency key words in WOS

觀察全部高被引文獻可知，國際上該領域的核心研究主要基于深度學習與機器學習技術對文化遺產進行分類、識別、虛擬修復、保護，以及對文化遺產進行知識圖譜的構建。

表8 WOS數據庫高被引文獻列表

3.1.2 國內研究熱點分析

3.1.2.1 高頻關鍵詞

對國內文獻進行關鍵詞聚類，得到關鍵詞共現圖譜，見圖12。對關鍵詞出現頻次進行統計，并計算中介中心性，見表9。結合圖譜與列表分析可知，“知識圖譜”與“深度學習”出現頻次最高，且中心性分別為0.23和0.49，說明國內于該領域研究的技術熱點為知識圖譜與深度學習技術，二者都是人工智能領域的重要分支技術。

知識圖譜的概念由Google于2012年正式提出，其最初作為智能化搜索引擎的基礎，被應用于提高搜索引擎的能力。知識圖譜是結構化的語義知識庫，用于以符號形式描述物理世界中的概念及其相互關系。其基本組成單位是“實體–關系–實體”三元組、實體及其相關屬性-值對，實體間通過關系相互聯結，構成網狀的知識結構[49]。隨著智能信息技術的發展，知識圖譜已被廣泛應用于智能搜索、智能問答、個性化推薦等領域[50]。

圖12 CNKI數據庫文獻關鍵詞共現圖譜

表9 國內文獻高頻關鍵詞列表

Tab.9 List of high-frequency key words in CNKI

國內知識圖譜技術在文化遺產領域的應用多見于文化遺產數字化領域，利用知識圖譜對文化遺產文本內容進行信息組織，從而達到以數字化的方式對文化遺產相關信息進行研究、管理、保護和傳承。劉紹南等[51]對文物知識圖譜的構建方法與未來應用進行了總結與探討。在古城文化遺產領域，鐘琳穎等[52]提出了基于知識圖譜的敘事地圖設計思路，為古城歷史文化遺產研究提供了參考。梁勇奇等[53]構建了全球世界文化遺產領域知識圖譜，并基于領域知識圖譜對世界文化遺產的景觀特征、文化延續性、土地覆被狀態及遺產與城市、社區的空間關系進行了特征分析。

在文化遺產領域，深度學習技術應用廣泛，在文化遺產的元素識別與處理、風格遷移、虛擬修復、圖像與音頻分類等方向均有相應的研究工作開展。胡昊天等[54]基于機器學習與深度學習模型開發了非遺文本自動分詞系統，為非遺文本自動分詞及分詞結果的多維可視化分析提供了工具。史先進等[55]基于深度學習圖像識別技術提出了一種甲骨字符圖像自動標注算法。鄧筱等[56]提出了一種改進的深度學習算法，綜合考慮了中國傳統織錦的特征，取得了較好的織錦作品的風格遷移效果。在虛擬修復方面，劉潔[57]基于對抗生成網絡提出了一種改進的唐卡圖像修復算法。陳玉紅等[58]基于卷積神經網絡實現了對唐卡尊像的自動分類。

觀察圖譜可見“圖像修復”“圖像分割”“圖像分類”“圖像識別”節點的出現頻次較高，這些是計算機視覺的熱門研究方向。文化遺產的存在形式有較多視覺要素，因此應用計算機視覺相關技術對文化遺產展開的研究較多。將列表中的關鍵詞作為領域研究熱點，進一步分析可知，國內在人工智能與文化遺產結合領域的熱點研究為，以知識圖譜和深度學習為技術重點，關注計算機視覺技術在文化遺產領域的應用，對文化遺產的數字化圖像資料進行圖像分割、圖像修復、圖像分類、特征提取、目標檢測，并以此開展了眾多研究。

3.1.2.2 高被引文獻

統計國內人工智能與文化遺產領域文獻的被引情況，倒序排列并取被引頻次>10的文獻展示，見表10。分析可知，國內領域高被引文獻集中出現在2019年至2021年，這與人工智能技術的發展和國家對文化遺產的政策支持有關。劉肖健等[59]于2016年發表文獻共被引56次。該文獻使用聚類算法基于傳統紋樣圖庫提取色彩特征，并開發了基于色彩網絡的配色設計輔助技術。黃永林等[60]于2019年發表的文獻提出將人工智能相關技術應用于媒體與傳播中，以智能媒體構建新的傳播形態，助力文化遺產的傳播。向遙[61]基于圖像聚類和區域匹配的顏色遷移算法，對古建筑進行虛擬色彩修復。觀察高被引文獻列表可知，國內學者在該領域發表的核心文獻多集中于使用機器學習、深度學習、知識圖譜等技術，對文化遺產進行特征提取、分類、識別等，這一特點與國際相似。此外，將人工智能應用于非遺場景下的創新設計也是國內相關學者關注的熱點。覃京燕等[62]以景泰藍為例，從非遺的數字化、信息化、網絡化、智能化方面，對非遺的保護、傳承和傳播路徑進行了研究，提出利用人工智能技術提高非遺數字化傳播能力，借助人工智能技術對非遺實體資源進行呈現和展示，使非遺在更大范圍內傳播、轉化。

表10 CNKI數據庫高被引文獻列表

Tab.10 List of highly cited literature in CNKI

3.2 研究趨勢分析

3.2.1 國際研究趨勢分析

3.2.1.1 突現詞分析

突現詞是指在某段時間內使用頻次快速增長的關鍵詞，可以用來預測領域內的新興趨勢[63]。突現度越高，越能說明在一段時間內該趨勢的研究強度，分析突現詞可以得到該研究領域在時間上的演變趨勢。在科學文獻中的突發趨勢和突變可以與內部原因和外部原因聯系在一起，典型的內部原因包括領域內新的發現及科技突破，而外部原因如社會熱點問題、突發重大新聞等，則可能會激發科學家從新的角度研究某一課題[64]。對國際文獻進行突現詞分析，得到2003年至2022年的突現詞列表，共14個，以突現起始年排序，結果見圖13。其中，紅色代表該突現詞突現的時間段。

分析圖13可知，“抽取”是出現最早突現且持續時間最久的關鍵詞。結合前文分析結果可知，“抽取”與“特征提取”密切相關，說明2010年至2014年，針對文化遺產的特征提取是領域內的研究前沿。2014年至2015年出現突現詞“檢索”，是指對文化遺產數據庫的檢索。2017年出現了三個重要突現詞，“移動應用”“智能空間”“建筑遺產”，但作為突現詞出現的時間較短?！包c云”“浮雕提取”“歷史圖像”“可解釋的人工智能”等至2022年仍是突現詞，說明近兩年來領域內的最新研究趨勢。

圖13 WOS數據庫文獻突現詞列表

3.2.1.2 關鍵詞時間聚類

關鍵詞是一篇文章的核心，是對文章研究對象的高度概括及凝練[65]。在CiteSpace軟件中對國際文獻進行關鍵詞聚類，并以時間軸的形式繪制2003年至2022年的關鍵詞共現時間軸圖譜，結果見圖14。以時間軸的形式呈現關鍵詞的共現情況，可以更直觀地觀察研究主題的變遷與演進。圖譜軸線的數量代表文獻聚類的類數，每個聚類是由多個緊密相關的詞組成的，聚類主題的數字標簽代表該聚類中關鍵詞的數量，數字越小，聚類中包含的關鍵詞越多。由圖14可知，共聚類10個主題，分別為“深度學習”“機器學習”“文化遺產”“數字文化遺產”“特征提取”“遙感”“衛星”“結構健康監測”“水墨畫分析”“數字人文”。

圖14 WOS數據庫關鍵詞聚類時間軸圖譜

主題“深度學習”是第一個中介中心性集中出現關鍵詞的聚類，始于2007年?！疤摂M現實”“人群模擬”“人工智能”是最早出現在該聚類中的關鍵詞?！熬矸e神經網絡”“深度學習”是該聚類中的兩個高頻關鍵詞。其中，“卷積神經網絡”出現于2016年，自此關鍵詞出現之后該聚類中的成果開始增多。2020年至2022年，“圖像識別”“遷移學習”“目標檢測”是該領域中出現頻次較高的關鍵詞，說明近三年來圖像識別遷移學習目標檢測是該領域中基于深度學習技術的研究重點。

主題“機器學習”是第二個集中出現關鍵詞的聚類。其中，“文化遺產”被分在這一類別中，說明文化遺產與機器學習相關關鍵詞的連接程度很高，由此可知，機器學習技術在文化遺產領域的應用較為廣泛且頻繁。2020年至2022年，“可解釋的人工智能”“字符識別”“數字典藏”是該主題下出現頻次較高的關鍵詞，這說明這三個關鍵詞所指代的技術與研究方向是近年來在文化遺產領域中機器學習技術的應用熱點。此外，觀察主題出現時間區域可知，截至2022年，“深度學習”“機器學習”“數字文化遺產”“遙感”“數字人文”仍是文化遺產領域中頗為熱門的技術及研究方向，“特征提取”“衛星”“結構健康監測”“水墨畫分析”等主題的研究熱度有所下降。

3.2.2 國內研究趨勢分析

3.2.2.1 突現詞分析

由于在CNKI數據庫中檢索到的領域文獻最早發表于2006年，因此對2006年至2022年發表的國內文獻關鍵詞進行突現詞分析，得到13個突現詞，以起始時間為序，結果見圖15?！疤卣魈崛　笔亲钤绯霈F的突現詞?！皥D像分割”“邊緣檢測”“模式識別”突現詞集中出現在2010年至2013年，說明這一階段的研究已經開始對機器學習應用于文化遺產的圖像處理方法進行了初步探索。

“知識圖譜”“神經網絡”“知識組織”“目標檢測”“遷移學習”突現詞均出現在2021年，且已持續到2022年，說明國內近幾年對該領域的研究趨勢集中在對知識圖譜、神經網絡的應用中?！澳繕藱z測”與對文化遺產圖像、視頻資料中元素的檢測與識別有關，從突現詞分布來看，目標檢測也是近年來較為熱門的研究趨勢。此外，遷移學習也是文化遺產與人工智能技術新的結合趨勢。遷移學習是運用已存有的知識對不同但相關領域問題進行求解的一種新的機器學習方法[66]。由于現有的深度學習模型已趨成熟，且近年來模型參數量劇增，部分學者開始探索遷移學習方法，以期降低研究中的模型訓練成本。

3.2.2.2 關鍵詞時間聚類

對國內文獻進行關鍵詞聚類，并繪制2006年至2022年的關鍵詞共現時間線圖譜，結果見圖16。由于CiteSpace軟件默認設置過濾器為僅顯示包含文獻數量大于10的類別，因此圖譜中僅顯示了8個類別，且跳過了包含文獻數量不足10的第7類別。圖譜中8個聚類的主題詞分別為“知識圖譜”“人工智能”“特征提取”“圖像修復”“圖像分割”“目標檢測”“多尺度”“主題演化”。

“知識圖譜”是包含關鍵詞最多的聚類主題，說明國內對知識圖譜技術在文化遺產領域的應用研究較廣泛?！疤卣魈崛　笔浅霈F最早的聚類主題，首次出現于2006年，“圖像”“特征提取”等都是該主題中早期出現的熱門關鍵詞。這說明，該領域研究的早期，采用人工智能技術對文化遺產進行圖像相關的特征提取是較為熱門的研究方向。2018年后，領域中“特征提取”主題相關的研究幾乎停止。

圖15 CNKI數據庫突現詞列表

圖16 CNKI數據庫關鍵詞聚類時間軸圖譜

“人工智能”是出現最晚且一直延續至今的聚類主題。始于2018年，出現最早的高頻次關鍵詞為“深度學習”，說明在文化遺產領域，人工智能技術的研究熱度是伴隨著深度學習算法的高研究熱度而出現的。近年來，“遷移學習”“神經網絡”等關鍵詞熱度較高，說明部分學者嘗試將現有模型遷移至文化遺產的細分領域，優化現有模型，降低模型訓練成本。此外，觀察圖譜可知，截至2022年，“圖像修復”“圖像分割”“目標檢測”仍是較熱門的研究主題。在“圖像修復”聚類，2020年至2022年出現了“唐卡圖像”“唐卡”“古代繪畫”等關鍵詞，說明近年來國內人工智能與文化遺產領域在圖像修復方向更多關注于對古代繪畫的修復。在“圖像分割”聚類中，2020年至2022年出現了關鍵詞“機器學習”，說明在圖像分割方面機器學習仍是主要的應用技術。在“目標檢測”聚類中，2020年至2022年間出現了“圖像識別”“中國書法”“絲綢文物”等關鍵詞，說明目標檢測與圖像識別技術存在較大關聯，且研究對象與非遺中的書法藝術、文物有關。

4 研究結論

本文采用文獻計量的方法，使用CiteSpace軟件對Web of Science和CNKI數據庫中2003年1月1日至2022年12月31日“人工智能”+“文化遺產”文獻進行統計，從國內外基本情況、研究熱點與趨勢兩個角度對該領域文獻進行分析，得出結論如下。

1）從領域內文獻發表數量來看，2003年至2022年國內外文獻發表數量趨勢基本一致，皆呈增長趨勢，于2017年起激增。國內外對人工智能與文化遺產的交叉研究更依賴于人工智能技術的發展。未來，人工智能技術相關研究熱度將持續，在各國對人工智能領域的重視下，人工智能技術的應用研究熱度也將隨之升溫。

2）從領域研究的學科分布情況來看，國內外對該領域的研究大多在計算機學科下開展，且學科涉及的范圍都較為廣泛，涵蓋如工程學、自動化、考古、化學、材料科學、地理、建筑、藝術、文學等多個學科。計算機科學是人工智能技術發展的學科基礎，工程學、自動化等都是人工智能發展的支持學科；化學、材料科學、建筑、地理等學科則與物質文化遺產密切相關；藝術、文學等學科則與非物質文化遺產密切相關。

3）從核心作者與研究機構情況來看，國內外該領域研究的主陣地為各大高校，多數研究在高校的支持下進行。然而由于調研樣本為交叉學科等，文獻數量較少，發表該領域內文獻的機構之間、作者之間關聯性不高，尚未建立較為緊密的合作聯系。因此，該領域的研究機構與研究人員應該進一步加強合作關系，重視跨學科的交流與合作，并積極與博物館、文化遺產機構建立合作關系，廣泛應用文化遺產資源開展研究。

4）從各國對該領域的研究情況來看，中國是國際上在該領域內發表文獻最多的國家，且是中介中心性最高的國家，體現了我國對該領域的研究十分重視，學者們發表了較多文章，具有較強的國際影響力。意大利的發文量與中介中心性僅次于中國，是最早在該領域開展研究的國家。意大利作為擁有悠久歷史文化的發達國家，其文化遺產資源較多，在國際上率先開展研究且擁有較大影響力。研究發現，在領域內影響力較高的國家與其文化遺產豐富度密切相關。

5）從研究熱點上來看，在技術方面，深度學習、知識圖譜是該領域內應用較為熱門的技術，二者也是人工智能的重要分支技術。在文化遺產視角，對文本、圖像、建筑、文物等進行了廣泛的研究。從研究范疇上來看，國內外的研究熱點均包含對文化遺產的數字化處理，包括識別、分類、特征提取等，通過人工智能算法輔助減輕文化遺產工作者的工作負擔，提高研究效率。此外，對文化遺產的虛擬修復也是熱門研究范疇，虛擬修復主要包含對圖像的整體修復、顏色修復，以及對石刻、雕塑、建筑的3D虛擬修復，進而提高研究人員修復文物的效率，使數字化的文化遺產呈現較高的質量。

6）從整體研究趨勢上看，對人工智能技術賦能文化遺產的研究領域，知識圖譜、深度學習等技術應用較多，計算機視覺技術與文化遺產圖像相關的研究存在較多結合方式。深度學習與計算機視覺應用于文化遺產領域，其中卷積神經網絡是熱門的應用算法。文化遺產數字化是為更好地保存、轉化、傳播文化遺產，通過人工智能技術輔助完成文化遺產數字化工作后，文化遺產數據信息的創新應用和創意傳播是學者們后續研究需重點考慮的方向。隨著圖像生成、文本生成等AIGC技術日趨成熟，智能生成將為文化遺產領域帶來新的變革?；跀底只奈幕z產信息，AIGC技術能夠生成多種創新方案，幫助人類探索文化遺產創新轉化方式，為文化遺產傳承提供新的思路。人工智能與人類共同生產內容，對文化遺產進行創造性轉化，以文化創新的視角助力文化遺產的保護、傳播，將成為新的熱門研究趨勢。

5 結語

目前，人工智能在文化遺產領域的研究已經取得了一定的成果。通過人工智能技術，我們能夠更好地保護、傳承和發展各類文化遺產，同時也能夠提供更多創新的方式和手段來激發大眾的興趣，吸引大眾學習、了解、參與到文化遺產的創新實踐中。本文分析了當前人工智能賦能文化遺產領域的研究熱點，例如深度學習、知識圖譜、自然語言處理技術等在文化遺產研究、文物保護和修復中的應用等。本文論述內容與技術發展趨勢相結合，展示了人工智能在文化遺產領域的廣泛應用前景。對非物質文化遺產，通過人工智能技術對其進行轉化、存儲、傳播，是人類保存共同文化記憶的有效手段。對物質文化遺產，從建筑、文物的角度，運用人工智能技術將其數字化，對其進行研究分析、虛擬修復，能夠提高對物質文化遺產管理與保護的效率，對文化遺產的研究、修復與保存具有重要意義。未來，隨著人工智能技術的發展及對文化遺產關注度的提升，人工智能技術將更多地應用在文化遺產的傳承中，文化遺產領域的研究將更加深入和廣泛。文化遺產將會跨越時空的限制，以數字化的方式轉化為多種形態而存在，成為人類永久的文化記憶。

[1] 保護世界文化和自然遺產公約[J]. 文明, 2015(S1): 332-335. Convention Concerning the Protection of the World Cultural and Natural Heritage[J]. Civilization, 2015(S1): 332-335.

[2] 保護非物質文化遺產公約[J]. 中華人民共和國全國人民代表大會常務委員會公報, 2006(2): 138-145. Convention for the Protection of Intangible Cultural Heritage[J]. Gazette of the Standing Committee of the National People's Congress of the People's Republic of China, 2006(2): 138-145.

[3] 譚鐵牛. 人工智能的歷史、現狀和未來[J]. 智慧中國, 2019(S1): 87-91. TAN Tie-niu. The History, Present Situation and Future of Artificial Intelligence[J]. Wisdom China, 2019(S1): 87-91.

[4] 盛云夢, 劉倩. 基于CiteSpace的國際人工智能研究熱點與趨勢分析[J]. 軟件工程, 2022, 25(11): 35-38. SHENG Yun-meng, LIU Qian. Research Hotspots and Trend Analysis of International Artificial Intelligence Based on CiteSpace[J]. Software Engineering, 2022, 25(11): 35-38.

[5] 王友發, 陳輝, 羅建強. 國內外人工智能的研究熱點對比與前沿挖掘[J]. 計算機工程與應用, 2021, 57(12): 46-53. WANG You-fa, CHEN Hui, LUO Jian-qiang. Research Hotspots and Cutting-Edge Mining of Artificial Intelligence[J]. Computer Engineering and Applications, 2021, 57(12): 46-53.

[6] 牛美英, 渠基磊, 吳志鵬. 人工智能在電氣工程自動化中的應用[J]. 價值工程, 2013, 32(23): 27-28.NIU Mei-ying, QU Ji-lei, WU Zhi-peng. Application of Artificial Intelligence in Electrical Engineering Automation[J]. Value Engineering, 2013, 32(23): 27-28.

[7] 姜春林. 普賴斯與科學計量學[J]. 科學學與科學技術管理, 2001, 22(9): 20-22. JIANG Chun-lin. Price and Scientometrics[J]. Science of Science and Management of S & T, 2001, 22(9): 20-22.

[8] PIERDICCA R, PAOLANTI M, QUATTRINI R, et al. A Visual Attentive Model for Discovering Patterns in Eye-Tracking Data-a Proposal in Cultural Heritage[J]. Sensors, 2020, 20(7): 2101.

[9] PIERDICCA R, PAOLANTI M, MATRONE F, et al. Point Cloud Semantic Segmentation Using a Deep Learning Framework for Cultural Heritage[J]. Remote Sensing, 2020, 12(6): 1005.

[10] BELHI A, AL-ALI A K, BOURAS A, et al. Investigating Low-Delay Deep Learning-Based Cultural Image Reconstruction[J]. Journal of Real-Time Image Processing, 2020, 17(6): 1911-1926.

[11] BELHI A, BOURAS A, FOUFOU S. Leveraging Known Data for Missing Label Prediction in Cultural Heritage Context[J]. Applied Sciences, 2018, 8(10): 1768.

[12] BELHI A, BOURAS A, ALFAQHERI T, et al. Investigating 3D Holoscopic Visual Content Upsampling Using Super-Resolution for Cultural Heritage Digitization[J]. Signal Processing: Image Communication, 2019, 75: 188-198.

[13] GENG Guo-hua, LIU Jie, CAO Xin, et al. Simplification Method for 3D Terracotta Warrior Fragments Based on Local Structure and Deep Neural Networks[J]. Journal of the Optical Society of America A, 2020, 37(11): 1711-1720.

[14] YAO Wen-min, CHU Tong, TANG Wen-long, et al. SPPD: A Novel Reassembly Method for 3D Terracotta Warrior Fragments Based on Fracture Surface Information[J]. ISPRS International Journal of Geo-Information, 2021, 10(8): 525.

[15] CHU Tong, YAO Wen-min, LIU Jie, et al. Hole-Filling Framework by Combining Structural and Textural Information for the 3D Terracotta Warriors[J]. Journal of Applied Remote Sensing, 2021, 15(4): 046503.

[16] REN Yong, CHU Tong, JIAO Yi-fei, et al. Multi-Scale Upsampling GAN Based Hole-Filling Framework for High-Quality 3D Cultural Heritage Artifacts[J]. Applied Sciences, 2022, 12(9): 4581.

[17] 任秋彤, 王昊, 熊欣, 等. 融合GCN遠距離約束的非遺戲劇術語抽取模型構建及其應用研究[J]. 數據分析與知識發現, 2021, 5(12): 123-136. REN Qiu-tong, WANG Hao, XIONG Xin, et al. Extracting Drama Terms with GCN Long-Distance Constrain[J]. Data Analysis and Knowledge Discovery, 2021, 5(12): 123-136.

[18] 范濤, 王昊, 張寶隆. 基于遠程監督和深度學習的非物質文化遺產文本屬性抽取研究[J]. 情報理論與實踐, 2021, 44(10): 1-7. FAN Tao, WANG Hao, ZHANG Bao-long. Research of Attribute Extraction in Intangible Cultural Heritage Texts Based on Distant Supervision and Deep Learning[J]. Information Studies (Theory & Application), 2021, 44(10): 1-7.

[19] 張衛, 王昊, 李躍艷, 等. 面向非遺文本的知識組織模式及人文圖譜構建研究[J]. 情報資料工作, 2021, 42(6): 91-101. ZHANG Wei, WANG Hao, LI Yue-yan, et al. Research on Intangible Cultural Heritage Text-Oriented Knowledge Organization Model and Humanistic Atlas Construction[J]. Information and Documentation Services, 2021, 42(6): 91-101.

[20] 周澤聿, 王昊, 張小琴, 等. 基于Xception-TD的中華傳統刺繡分類模型構建[J]. 數據分析與知識發現, 2022, 6(S1): 338-347. ZHOU Ze-yu, WANG Hao, ZHANG Xiao-qin, et al. Classification Model for Chinese Traditional Embroidery Based on Xception-TD[J]. Data Analysis and Knowledge Discovery, 2022, 6(S1): 338-347.

[21] 范濤, 王昊, 李躍艷, 等. 基于多模態融合的非遺圖片分類研究[J]. 數據分析與知識發現, 2022, 6(S1): 329-337. FAN Tao, WANG Hao, LI Yue-yan, et al. Classifying Images of Intangible Cultural Heritages with Multimodal Fusion[J]. Data Analysis and Knowledge Discovery, 2022, 6(S1): 329-337.

[22] 賈小軍, 鄧洪濤, 劉子豪, 等. 基于VGGNet卷積神經網絡的藍印花布紋樣分類[J]. 光電子·激光, 2019, 30(8): 867-875. JIA Xiao-jun, DENG Hong-tao, LIU Zi-hao, et al. Vein Pattern Classification Based on VGGNet Convolutional Neural Network for Blue Calico[J]. Journal of Optoelectronics·Laser, 2019, 30(8): 867-875.

[23] 賈小軍, 葉利華, 鄧洪濤, 等. 基于卷積神經網絡的藍印花布紋樣基元分類[J]. 紡織學報, 2020, 41(1): 110-117. JIA Xiao-jun, YE Li-hua, DENG Hong-tao, et al. Elements Classification of Vein Patterns Using Convolutional Neural Networks for Blue Calico[J]. Journal of Textile Research, 2020, 41(1): 110-117.

[24] 付堯, 劉紅麗. 社會網絡結構與互動對知識轉移的影響[J]. 商場現代化, 2009(1): 394-395.FU Yao, LIU Hong-li. Influence of Social Network Structure and Interaction on Knowledge Transfer[J]. Market Modernization, 2009(1): 394-395.

[25] 陳超美, 陳悅, 侯劍華, 等. CiteSpace Ⅱ: 科學文獻中新趨勢與新動態的識別與可視化[J]. 情報學報, 2009, 28(3): 401-421. CHEN Chao-mei, CHEN Yue, HOU Jian-hua, et al. CiteSpace Ⅱ: Detecting and Visualizing Emerging Trends and Transient Patterns in Scientific Literature[J]. Journal of the China Society for Scientific Andtechnical Information, 2009, 28(3): 401-421.

[26] 平亮, 宗利永. 基于社會網絡中心性分析的微博信息傳播研究——以Sina微博為例[J]. 圖書情報知識, 2010(6): 92-97. PING Liang, ZONG Li-yong. Research on Microblog Information Dissemination Based on SNA Centrality Analysis—A Case Study with Sina Microblog[J]. Docu-ment, Information & Knowledge, 2010(6): 92-97.

[27] 吳玨, 俞佳楠, 陳絮菲. 沉浸式虛擬技術在文化遺產領域的研究現狀與熱點分析[J]. 創意與設計, 2022(3): 71-80. WU Jue, YU Jia-nan, CHEN Xu-fei. Research Status and Hotspot Analysis of Immersive Virtual Technology in the Field of Cultural Heritage[J]. Creation and Design, 2022(3): 71-80.

[28] 陳凱, 朱鈺. 機器學習及其相關算法綜述[J]. 統計與信息論壇, 2007, 22(5): 105-112. CHEN Kai, ZHU Yu. A Summary of Machine Learning and Related Algorithms[J]. Statistics & Information Forum, 2007, 22(5): 105-112.

[29] ATIQUR RAHAMAN G M, PARKKINEN J, HAUTA- KASARI M. A Novel Approach to Using Spectral Imaging to Classify Dyes in Colored Fibers[J]. Sensors, 2020, 20(16): 4379.

[30] STOVER J A, WINTER Y, KOPPEL M, et al. Computational Authorship Verification Method Attributes a New Work to a Major 2nd Century African Author[J]. Journal of the Association for Information Science and Technology, 2016, 67(1): 239-242.

[31] GRANATA F, DI NUNNO F. Artificial Intelligence Models for Prediction of the Tide Level in Venice[J]. Stochastic Environmental Research and Risk Assessment, 2021, 35(12): 2537-2548.

[32] MATRONE F, GRILLI E, MARTINI M, et al. Comparing Machine and Deep Learning Methods for Large 3D Heritage Semantic Segmentation[J]. ISPRS International Journal of Geo-Information, 2020, 9(9): 535.

[33] HINTON G E, OSINDERO S, TEH Y W. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural Computation, 2006, 18(7): 1527-1554.

[34] 尹寶才, 王文通, 王立春. 深度學習研究綜述[J]. 北京工業大學學報, 2015, 41(1): 48-59. YIN Bao-cai, WANG Wen-tong, WANG Li-chun. Review of Deep Learning[J]. Journal of Beijing University of Technology, 2015, 41(1): 48-59.

[35] 劉建偉, 劉媛, 羅雄麟. 深度學習研究進展[J]. 計算機應用研究, 2014, 31(7): 1921-1930. LIU Jian-wei, LIU Yuan, LUO Xiong-lin. Research and Development on Deep Learning[J]. Application Research of Computers, 2014, 31(7): 1921-1930.

[36] 周飛燕, 金林鵬, 董軍. 卷積神經網絡研究綜述[J]. 計算機學報, 2017, 40(6): 1229-1251. ZHOU Fei-yan, JIN Lin-peng, DONG Jun. Review of Convolutional Neural Network[J]. Chinese Journal of Computers, 2017, 40(6): 1229-1251.

[37] 盧宏濤, 張秦川. 深度卷積神經網絡在計算機視覺中的應用研究綜述[J]. 數據采集與處理, 2016, 31(1): 1-17. LU Hong-tao, ZHANG Qin-chuan. Applications of Deep Convolutional Neural Network in Computer Vision[J]. Journal of Data Acquisition and Processing, 2016, 31(1): 1-17.

[38] BHUYAN H, KILLI J, DASH J K, et al. Motion Recognition in Bharatanatyam Dance[J]. IEEE Access, 2022, 10: 67128-67139.

[39] TANG Min-li, XIE Shao-min, HE Mu, et al. Character Recognition in Endangered Archives: Shui Manuscripts Dataset, Detection and Application Realization[J]. Applied Sciences, 2022, 12(11): 5361.

[40] JONES C, DALY N S, HIGGITT C, et al. Neural Network-Based Classification of X-Ray Fluorescence Spectra of Artists' Pigments: An Approach Leveraging a Synthetic Dataset Created Using the Fundamental Parameters Method[J]. Heritage Science, 2022, 10(1): 1-14.

[41] ZHANG Jiu-long, GUO Ming-tao, FAN Jian-ping. A Novel CNN Structure for Fine-Grained Classification of Chinese Calligraphy Styles[J]. International Journal on Document Analysis and Recognition (IJDAR), 2019, 22(2): 177-188.

[42] CONDORELLI F, RINAUDO F, SALVADORE F, et al. A Neural Networks Approach to Detecting Lost Heritage in Historical Video[J]. ISPRS International Journal of Geo-Information, 2020, 9(5): 297.

[43] YU Tong, LI Jing-hua, YU Qi, et al. Knowledge Graph for TCM Health Preservation: Design, Construction, and Applications[J]. Artificial Intelligence in Medicine, 2017, 77: 48-52.

[44] FIORUCCI M, KHOROSHILTSEVA M, PONTIL M, et al. Machine Learning for Cultural Heritage: A Sur-vey[J]. Pattern Recognition Letters, 2020, 133: 102-108.

[45] LLAMAS J, LERONES P M, MEDINA R, et al. Classification of Architectural Heritage Images Using Deep Learning Techniques[J]. Applied Sciences, 2017, 7(10): 992.

[46] GRILLI E, REMONDINO F. Classification of 3D Digital Heritage[J]. Remote Sensing, 2019, 11(7): 847.

[47] PROIETTI A, PANELLA M, LECCESE F, et al. Dust Detection and Analysis in Museum Environment Based on Pattern Recognition[J]. Measurement, 2015, 66: 62-72.

[48] DOU Jin-hua, QIN Jing-yan, JIN Zan-xia, et al. Know-ledge Graph Based on Domain Ontology and Natural Language Processing Technology for Chinese Intangible Cultural Heritage[J]. Journal of Visual Languages & Computing, 2018, 48: 19-28.

[49] 劉嶠, 李楊, 段宏, 等. 知識圖譜構建技術綜述[J]. 計算機研究與發展, 2016, 53(3): 582-600.LIU Qiao, LI Yang, DUAN Hong, et al. Knowledge Graph Construction Techniques[J]. Journal of Computer Research and Development, 2016, 53(3): 582-600.

[50] 徐增林, 盛泳潘, 賀麗榮, 等. 知識圖譜技術綜述[J]. 電子科技大學學報, 2016, 45(4): 589-606. XU Zeng-lin, SHENG Yong-pan, HE Li-rong, et al. Review on Knowledge Graph Techniques[J]. Journal of University of Electronic Science and Technology of China, 2016, 45(4): 589-606.

[51] 劉紹南, 楊鴻波, 侯霞. 文物知識圖譜的構建與應用探討[J]. 中國博物館, 2019, 36(4): 118-125. LIU Shao-nan, YANG Hong-bo, HOU Xia. Discussion on the Construction and Application of Cultural Relics Knowledge Graph[J]. Chinese Museum, 2019, 36(4): 118-125.

[52] 鐘琳穎, 沈婕, 毛威, 等. 基于時空知識圖譜的古城敘事地圖設計與實現[J]. 遙感學報, 2021, 25(12): 2421-2430. ZHONG Lin-ying, SHEN Jie, MAO Wei, et al. The Design and Realization of the Ancient City Narrative Map Based on Spatiotemporal Knowledge Graph[J]. National Remote Sensing Bulletin, 2021, 25(12): 2421- 2430.

[53] 梁勇奇, 楊瑞霞, 謝一涵, 等. 基于大數據的世界文化遺產屬性深度融合與分析[J]. 遙感學報, 2021, 25(12): 2441-2459. LIANG Yong-qi, YANG Rui-xia, XIE Yi-han, et al. Construction and Analysis of Global World Cultural Heritage Knowledge Graph Based on Big Earth Data[J]. National Remote Sensing Bulletin, 2021, 25(12): 2441- 2459.

[54] 胡昊天, 鄧三鴻, 張逸勤, 等. 數字人文視角下的非物質文化遺產文本自動分詞及應用研究[J]. 圖書館雜志, 2022, 41(8): 76-83. HU Hao-tian, DENG San-hong, ZHANG Yi-qin, et al. Chinese Word Segmentation and Application of Intan-gible Cultural Heritage Texts from the Perspective of Digital Humanities[J]. Library Journal, 2022, 41(8): 76-83.

[55] 史先進, 曹爽, 張重生, 等. 基于錨點的字符級甲骨圖像自動標注算法研究[J]. 電子學報, 2021, 49(10): 2020-2031.SHI Xian-jin, CAO Shuang, ZHANG Chong-sheng, et al. Research on Automatic Annotation Algorithm for Character-Level Oracle-Bone Images Based on Anchor Points[J]. Acta Electronica Sinica, 2021, 49(10): 2020- 2031.

[56] 鄧筱, 徐夢秋, 吳銘, 等. 基于語義分割的織錦類自適應風格遷移算法[J]. 北京郵電大學學報, 2021, 44(1): 117-123. DENG Xiao, XU Meng-qiu, WU Ming, et al. Adaptive Style Transfer Method of Brocade Crafts Based on Semantic Segmentation[J]. Journal of Beijing University of Posts and Telecommunications, 2021, 44(1): 117-123.

[57] 劉潔. 基于深度學習的唐卡圖像修復系統的研究與實現[D]. 銀川: 寧夏大學, 2020. LIU Jie. Research and implementation of thang-ga image inpainting system based on deep learning[D]. Yinchuan: Ningxia University, 2020.

[58] 陳玉紅, 劉曉靜. 基于卷積神經網絡的唐卡尊像自動分類研究[J]. 計算機技術與發展, 2021, 31(12): 167- 174. CHEN Yu-hong, LIU Xiao-jing. Research on Automatic Classification of Thangka Images Based on Convolutio-nal Neural Network[J]. Computer Technology and Development, 2021, 31(12): 167-174.

[59] 劉肖健, 曹愉靜, 趙露唏. 傳統紋樣的色彩網絡模型及配色設計輔助技術[J]. 計算機集成制造系統, 2016, 22(4): 899-907. LIU Xiao-jian, CAO Yu-jing, ZHAO Lu-xi. Color Networks of Traditional Cultural Patterns and Color Design Aiding Technology[J]. Computer Integrated Manufacturing Systems, 2016, 22(4): 899-907.

[60] 黃永林, 余歡. 智能媒體技術在非物質文化遺產傳播中的運用[J]. 華中師范大學學報(人文社會科學版), 2019, 58(6): 122-129. HUANG Yong-lin, YU Huan. Application of Intelligent Media Technology in the Communication of Chinese Intangible Cultural Heritages[J]. Journal of Central China Normal University (Humanities and Social Sciences), 2019, 58(6): 122-129.

[61] 向遙. 古建筑虛擬色彩修復及漫游技術研究[D]. 長沙: 中南大學, 2007. XIANG Yao. Research on virtual color restoration and virtual wandering for ancient architecture[D]. Changsha: Central South University, 2007.

[62] 覃京燕, 賈冉. 人工智能在非物質文化遺產中的創新設計研究：以景泰藍為例[J]. 包裝工程, 2020, 41(6): 1-6. QIN Jing-yan, JIA Ran. Innovative Designof Artificial Intelligence in Intangible Cultural Heritage: Take Cloisonné as an Example[J]. Packaging Engineering, 2020, 41(6): 1-6.

[63] 花龍雪, 吳應良. 基于CNKI文獻計量分析的過程挖掘研究評述與展望[J]. 管理學報, 2021, 18(6): 938-948. HUA Long-xue, WU Ying-liang. Review and Prospect of Process Mining Research Based on CNKI Biblio-metric Analysis[J]. Chinese Journal of Management, 2021, 18(6): 938-948.

[64] CHEN Chao-mei. CiteSpace II: Detecting and Visualizing Emerging Trends and Transient Patterns in Scientific Literature[J]. Journal of the American Society for Information Science and Technology, 2006, 57(3): 359- 377.

[65] 胡德華, 種樂熹, 邱均平, 等. 國內外知識檢索研究的進展與趨勢[J]. 圖書情報知識, 2015(3): 93-106. HU De-hua, CHONG Le-xi, QIU Jun-ping, et al. Progress and Trends of Research on Knowledge Retrieval at Home and Abroad[J]. Documentation, Information & Knowledge, 2015(3): 93-106.

[66] 莊福振, 羅平, 何清, 等. 遷移學習研究進展[J]. 軟件學報, 2015, 26(1): 26-39. ZHUANG Fu-zhen, LUO Ping, HE Qing, et al. Survey on Transfer Learning Research[J]. Journal of Software, 2015, 26(1): 26-39.

A Review of AI-empowered Cultural Heritage:Visualization Analysis Based on CiteSpace

DOU Jin-hua, ZHANG Bin-rui, QIAN Xiao-song

(School of Mechanical Engineering, University of Science and Technology Beijing, Beijing 100083, China)

The work aims to systematically sort out and summarize the Chinese and foreign researches of AI-empowered cultural heritage, and analyze the current research hotspots and future trends. With literature of AI-empowered cultural heritage in Web of Science and CNKI database as the research object, CiteSpace was used to visualize the literature and the visualization results and literature topics were analyzed and reviewed by bibliometric methods from six aspects: publication volume, discipline distribution, author and institution distribution, country and region distribution, research hotspots, and research trends.The total amount of research on AI-empowered cultural heritage in China and abroad was small, but the overall number of research was increasing. The field of AI-empowered cultural heritage was greatly affected by the development of artificial intelligence technology, and the research was mostly conducted in computer science. There was less cooperation between core authors and institutions, and cooperation was required to be further strengthened. China, Italy, Spain, and the United Kingdom conducted more research and had a high influence, and the research influence was closely related to the cultural heritage richness of the scholar's country. For research hotspots, deep learning and knowledge graph were popular technologies in this field. The digital processing, information organization and virtual artifact restoration of cultural heritage were popular research fields. In terms of research trend, cultural heritage and AI would be further closely integrated, and the application of AI was of great significance to the protection and inheritance of tangible cultural heritage and intangible cultural heritage.The current situation regarding the integration of cultural heritage and AI technology is summarized and the new directions for the development of the field of cultural heritage are explored to provide more ideas for research on the protection and inheritance of cultural heritage in the path of integrating cultural heritage with technological innovation.

cultural heritage; artificial intelligence; CiteSpace; visualization analysis

TB472

A

1001-3563(2023)14-0001-20

10.19554/j.cnki.1001-3563.2023.14.001

2022–02–14

北京市社會科學基金項目（21YTB019）

竇金花（1978—），女，博士，教授，主要研究方向為人機交互、智慧公共文化服務、人工智能與創新設計、產品服務系統設計、文化遺產的可持續發展與設計創新等。

錢曉松（1983—），男，博士，副教授，主要研究方向為工業設計、交互設計、用戶體驗、設計思維。

責任編輯：陳作