HistCite使用

将wos导出的文件放入TXT文件夹中

自动打开浏览器，并加载数据

分析数据：点击工具栏的Graph Maker 选项

在弹出的页面上点击 Make Graph 即可得到一张引文关系图，包含了最有价值的前 30 篇文章的完整引文关系，这个数字 30 是可以自行修改的

修改为50

在左边的Size选项中选择 Full 模式，重新绘制一张高清图，然后右击图片“另存为”一张图片即可。

图上有 30 个圆圈，每个圆圈表示一篇文献，中间的数字是这篇文献在数据库中的序号。圆圈越大，表示被引用次数越多。不同圆圈之间有箭头相连，箭头表示文献之间的引用关系。多数情况下，你会看到最上面有一个圆圈较大，并有很多箭头指向这篇文章。那么这篇文章很可能就是这个领域的开山之作。

通过我绘制出的这张关系图，我们发现标号为29、49、56、60的四个大圆圈非常显眼，可见这四篇文献的被引次数都是非常高的，我们对全部文献进行按照 LCS 排序，发现前四位刚好就是这 4 篇文献。

从网上搜索可以知道，LCS（local citation score）是指某一文献在本地数据集（WOS中输入关键词搜索后导出的所有文献）中的被引用次数。因为你导入Histcite的文章都是和你检索词有关系的，可以认为这些文章是你的研究同行，因此如果某一篇文献的LCS值很高，就意味着它是你研究领域内的重要文献，很有可能是你领域内的开创性文章，

于是从LCS最高的前50篇文献进行研究。

从圆圈箭头关系图可以看到，对语音情感识别的研究在2000年之后兴起，从本地被引次数最多的230号文献可以看出在2006年，语音情感识别技术框架已经成型，该领域主要有三个方面的研究内容，首先语音情感数据库的收集，其次是声学特征的选取，最后是语音情感识别算法的设计。从本地被引数目最多的50篇文章中，中国学者发表的文章超过了14篇，可见中国学者对于这个领域非常感兴趣，并且取得不错的成绩。在语音情感数据库方面，从419 537 795 号文章可以看出离散情感数据库主要有德语的Emo-DB、英语的Belfast、瑞士的RECOLA、汉语的CASIA等。在语音特征选取方面，韵律学特征（例如语调、音高、音长和节）和基于谱的相关特征（例如MFCC)被广泛采用，从1331号文献可以看到，利用深度学习算法实现End TO End 的语音情感识别可以有效解决人工提取特征不够充分全面的问题。在语音情感识别算法方面，基于HMM各种各种改进模型在研究初期因为性能表现优异在大量研究中被采用，除此之外，其他传统的机器学习算法也在这个领域也得到采用。随着深度学习算法发展和计算机算力的不断提高，从2010年之后科研人员将更多的注意力转移到直接从原始数据中自动学习最佳特征的研究中，其典型代表算法有深度神经网络967号文章Deep Neural Network,DNN、1331号文章Convolutional Neural Network,和1484号文章Recurrent Neural Network等。

语音情感识别经过几十年的发展已经取得了长足的发展，但距离真正的自然人机交互还有很长的路要走。首先是高质量情感语料库的缺乏。截止目前虽有不少语料库被建立，但它们往往局限于某种单一语言且数量较少，并且由于并且由于情感本身的复杂性，这些语料往往质量不高。其次是情感识别建模的问题。由于语言符号和语言思维之间具有一种天然的不对称性，建立一个高效合理的语言情感识别模型是研究的重点。这个模型以语料库为基础进行大数据式的训练，建立一种联通声学特征和情感状态的映通路，进而实现对语料情感状态的判断和识别。但是由于情感的复杂性，人类对大脑的情感处理机制认识有限，尚未有一种高效可靠的情感识别模型被建立。总之，建立系统高质量的语料库和可靠的情感识别模式是未来语音情感识别发展的必然方向。

230 Ververidis D, Kotropoulos C

Emotional speech recognition: Resources, features, and methods

SPEECH COMMUNICATION. 2006 SEP; 48 (9): 1162-1181

419 Koolagudi SG, Maity S, Kumar VA, Chakrabarti S, Rao KS

IITKGP-SESC: Speech Database for Emotion Analysis

CONTEMPORARY COMPUTING, PROCEEDINGS. 2009; 40: 485-+

537 Lefter I, Rothkrantz LJM, Wiggers P, van Leeuwen DA

Emotion Recognition from Speech by Combining Databases and Fusion of Classifiers

TEXT, SPEECH AND DIALOGUE. 2010; 6231: 353-+

795 Liu P, Pell MD