语义分析是基于自然语言进行语义信息分析的方法之一,旨在通过句子的语义结构表示语言的结构。语义分析属于人工智能领域内的一个分支,是自然语言处理的基础核心任务之一,也是实现各种智能系统的关键技术,为知识图谱、智能问答、自动驾驶等应用提供了基础。近年来,随着互联网、信息行业的高速发展,各行各业开始建设以“大数据”为导向的数据中台信息管理系统。同样,在学术界,“大数据”已经成为各个学术领域研究的热点。经统计,在现实世界中,80%的数据是以文本的形式存在,而只有20%的数据是数值型数据。特别是以电子形式存储的期刊文献数据,相较于普通Web文本数据,蕴含了更加丰富的价值。但随着网络化进程的加快,每天数以万计的电子文献资源被收录在各大期刊网站上,如何快速挖掘理解期刊文献资源就显得尤为重要。基于以上原因,本文以《Journal of the American Statistical Association（JASA）》网络期刊作为研究对象,先后以LDA主题模型和深层语义角色标注模型（DB-LSTM-SRL）对学术期刊文献进行由浅入深的挖掘研究。本文主要工作包括:（1）利用网络爬虫技术在文献网站上获取《JASA》期刊从2000年1月至2020年12月刊登的全部文献数据,包括期刊文章的发表年份、卷号、期号、标题、作者、关键词以及摘要。并对获取的期刊文献数据进行文本数据预处理,包括去除特殊文本符号、英文分词、大小写转换、去停止词、词根还原等操作。（2）对《JASA》期刊进行描述性分析,通过描述性分析了解期刊文献发文的基本情况,主要包括科研年产出分析、作者发文量分析、高频关键词及趋势分析。利用LDA主题模型对《JASA》期刊进行主题建模,挖掘《JASA》期刊的主题以及主题空间和时间分布情况。（3）利用CONLL 2012共享数据集构建深度神经语义角色标注模型（DB-LSTM-SRL）。对模型中batch size、dropout rate以及激活函数参数进行调整并且引入ELMo词向量对模型进行优化。运用构建的最佳模型对《JASA》统计期刊文献进行语义分析,深入挖掘文献语义知识结构,并以知识图的形式呈现出来。首先通过对《JASA》期刊文献作者、关键词以及摘要进行描述性分析发现:从文章年产量来看,2000-2020年期间,《JASA》期刊文章产量局部有所波动,总体上缓慢上升;从作者发文量来看,76.05%的作者发文量为1篇,而4.19%的作者发文量在5篇以上,文章高产作者较少,低产作者较多;从关键词频次来看,频次前三的关键词依次是“MCMC”、“Variable selection”、“Causal inference”,期刊收录文章整体偏数理统计方向。其次通过对《JASA》期刊文献标题进行主题建模发现:《JASA》期刊文献共包含8个研究主题,从空间上来看,统计优化方法,占比21.07%、变量选择方法,占比18.78%、统计回归问题,占比14.74%、统计模型理论,占比13.26%、统计应用,占比9.85%、统计分布问题,占比7.81%、统计预测问题,占比5.81%以及其他,占比8.69%;从时间上来看,2000-2008年期间,《JASA》期刊研究热点主要集中在统计优化;2008-2017年期间,其研究热点主题主要集中在变量选择方法上;2017-2020年期间其研究热点主要集在统计优化和变量选择上,直至2020年,回归问题开始成为主要研究主题。最后本文构建的基于ELMo词向量的深度语义角色标注模型（DB-LSTM-SRL）相较于基于GloVe词向量模型,F1值提升3.2%。另外,通过两篇文献摘要的语义分析结果,借助neo4j图形数据库,成功构建文献摘要知识结构图,并能将其成功连接。