基于技术匹配与分型优化的企业研发合作伙伴推荐方法研究

doi:10.3772/j.issn.1000-0135.2025.01.005

情报学报

2025, Vol. 44

Issue (1): 48-60 DOI: 10.3772/j.issn.1000-0135.2025.01.005

情报理论与方法

本期目录 | 过刊浏览 | 高级检索

基于技术匹配与分型优化的企业研发合作伙伴推荐方法研究

赵展一^1,2, 钟永恒^2,3,4, 李贞贞^3,4, 刘佳^2,3,4, 席崇俊^1,2

1.中国科学院文献情报中心，北京 100190
2.中国科学院大学经济与管理学院信息资源管理系，北京 100190
3.中国科学院武汉文献情报中心，武汉 430071
4.科技大数据湖北省重点实验室，武汉 430071

Recommendation Method for Enterprise R&D Partners Using Technology Matching and Typological Optimization

Zhao Zhanyi^1,2, Zhong Yongheng^2,3,4, Li Zhenzhen^3,4, Liu Jia^2,3,4, Xi Chongjun^1,2

1.National Science Library, Chinese Academy of Sciences, Beijing 100190
2.Department of Information Resources Management, School of Economics and Management, University of Chinese Academy of Sciences, Beijing 100190
3.National Science Library (Wuhan), Chinese Academy of Sciences, Wuhan 430071
4.Hubei Key Laboratory of Big Data in Science and Technology, Wuhan 430071

摘要
图/表
参考文献
相关文章 (4)

全文: PDF (2760 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要从众多创新主体中为企业精准推荐与其需求相匹配的合作伙伴，有利于降低创新风险、攻克关键核心技术。为提高研发合作伙伴推荐结果的精准性和可解释性，本文提出一种基于技术匹配与分型优化的企业研发合作伙伴推荐方法。该方法以技术匹配度（包括技术相似度和互补度）为依据，通过机器学习算法识别大规模潜在合作组对，利用波士顿矩阵从技术相似度和互补度两个维度对伙伴类型进行细分，并结合创新实力、合作偏好、邻近程度和品牌效应等指标，对分型结果进行评价，最终筛选出最佳伙伴。以燃料电池领域为例进行实证应用，结果表明，类别-语义维度的识别算法F1值为93%，比基于类别维度、语义维度的识别算法F1值分别高出2个和4个百分点，可以准确反映创新主体间的技术匹配程度；支持将合作伙伴细分为优先合作型、重点关注型、变革补充型和多元扩张型4类；优化后的结果可为企业提供并有效区分多样化的选择，提升合作成功概率。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	赵展一
	钟永恒
	李贞贞
	刘佳
	席崇俊

关键词 ：研发合作, 技术匹配, 技术相似, 技术互补, 分型优化

收稿日期: 2023-11-20

基金资助:国家社会科学基金青年项目“市场导向下的存量专利优选与智能供需匹配模型研究”（24CTQ058）。

作者简介: 赵展一，女，1997年生，博士，助理研究员，研究领域为技术研发合作与供需对接；钟永恒，通信作者，男，1965年生，博士，研究员，博士生导师，研究领域为区域与产业情报挖掘，E-mail：zyh@mail.whlib.ac.cn；李贞贞，女，1987年生，硕士，助理研究员，研究领域为自然语言处理；刘佳，女，1986年生，博士，副研究员，研究领域为区域与产业情报挖掘；席崇俊，男，1996年生，博士研究生，研究领域为技术识别与情报挖掘；

引用本文:

赵展一, 钟永恒, 李贞贞, 刘佳, 席崇俊. 基于技术匹配与分型优化的企业研发合作伙伴推荐方法研究[J]. 情报学报, 2025, 44(1): 48-60.
Zhao Zhanyi, Zhong Yongheng, Li Zhenzhen, Liu Jia, Xi Chongjun. Recommendation Method for Enterprise R&D Partners Using Technology Matching and Typological Optimization. 情报学报, 2025, 44(1): 48-60.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2025.01.005 或 https://qbxb.istic.ac.cn/CN/Y2025/V44/I1/48

1 Banerjee T, Siebert R. Dynamic impact of uncertainty on R&D cooperation formation and research performance: evidence from the bio-pharmaceutical industry[J]. Research Policy, 2017, 46(7): 1255-1271.
2 余辉, 夏文蕾, 黄炜, 等. 基于文本匹配-组态优化的两阶段技术供需匹配方法研究[J]. 情报学报, 2024, 43(3): 261-273.
3 翟东升, 郭程, 张杰, 等. 基于专利的企业潜在研发伙伴推荐方法研究[J]. 数据分析与知识发现, 2017, 1(3): 10-20.
4 刘晓燕, 张淑伟, 单晓红. 面向技术融合的合作伙伴识别研究[J]. 科学学研究, 2023, 41(12): 2164-2174.
5 Ahn J M, Lee W, Mortara L. Do government R&D subsidies stimulate collaboration initiatives in private firms?[J]. Technological Forecasting and Social Change, 2020, 151: 119840.
6 Pommerening S, Al Wawi B, Dahlqvist J. Factors and drivers of partner selection and formation within open innovation in SMEs[R/OL]. [2021-11-18]. http://www.diva-portal.org/smash/get/diva2:1106208/FULLTEXT01.pdf.
7 赵展一, 钟永恒, 王辉, 等. 基于技术关联关系的企业研发潜在合作伙伴识别方法研究综述[J]. 现代情报, 2023, 43(10): 152-163, 177.
8 吴菲菲, 李睿毓, 黄鲁成. 企业跨产业研发合作伙伴识别与选择[J]. 情报杂志, 2019, 38(9): 42-48, 29.
9 张金柱, 施佳璐, 章成志. 专利技术互补性研究综述: 概念、测度及应用[J]. 情报学报, 2023, 42(10): 1251-1264.
10 何喜军, 董艳波, 武玉英, 等. 基于异构信息网络嵌入的专利技术主体间交易推荐模型[J]. 情报学报, 2020, 39(1): 57-67.
11 李冰, 丁堃, 孙晓玲. 企业潜在技术合作伙伴及竞争者预测研究——以燃料电池技术为例[J]. 情报学报, 2021, 40(10): 1043-1051.
12 汪志兵, 韩文民, 孙竹梅, 等. 基于网络结构特征的技术创新合作网络链路可预测性研究[J]. 情报理论与实践, 2022, 45(3): 165-172.
13 温芳芳. 专利分类号耦合分析在企业潜在合作关系识别中的应用[J]. 现代情报, 2018, 38(7): 142-147.
14 傅俊英, 彭喆, 郑佳, 等. 基于专利异构网络的中小企业潜在合作伙伴研究——以石墨烯领域为例[J]. 情报学报, 2019, 38(4): 391-401.
15 席笑文, 郭颖, 宋欣娜, 等. 基于word2vec与LDA主题模型的技术相似性可视化研究[J]. 情报学报, 2021, 40(9): 974-983.
16 Zhou J H, Liu Z X, Li J Z, et al. Technology complementarity and collaborative innovation: the moderating effects of IT adoption[C]// Proceedings of the 2019 IEEE International Symposium on Innovation and Entrepreneurship. Piscataway: IEEE, 2019: 1-7.
17 伊惠芳, 刘细文, 陆婕, 等. 基于问题—解决方案(P-S)的技术机会发现研究[J]. 图书情报工作, 2023, 67(17): 102-117.
18 Wang X F, Li R R, Liu Y Q, et al. A morphology-driven method for measuring technology complementarity: empirical study involving Alzheimer’s disease[J]. Journal of Data and Information Science, 2022, 7(3): 20-48.
19 Sun L, Xu W Z. Enterprise complementarity based on patent information[J]. Wireless Communications and Mobile Computing, 2022, 2022: 5797285.
20 茹丽洁, 张娴, 许海云, 等. 面向技术转移的专利组合技术关联性测度研究[J]. 情报杂志, 2017, 36(2): 73-78.
21 赵展一, 李贞贞, 钟永恒, 等. 融合专利类别与语义信息的企业潜在技术关系测算方法研究[J]. 情报理论与实践, 2023, 46(3): 200-208.
22 赵健宇, 董振杰, 余乐安, 等. 基于知识—合作相依网络的技术融合预测与潜在合作伙伴识别研究[J/OL]. 系统工程理论与实践, (2024-05-15) [2024-06-25]. https://kns.cnki.net/kcms/detail/11.2267.N.20240515.1251.021.html.
23 向姝璇, 李睿. 基于专利文献整体相似度计算的竞争对手发现——以5G领域为例[J]. 情报理论与实践, 2021, 44(5): 100-105.
24 万冬. 基于技术互补性的潜在技术合作伙伴选择研究[D]. 北京: 北京理工大学, 2021.
25 Wang X F, Qiao Y L, Hou Y J, et al. Measuring technology complementarity between enterprises with an hLDA topic model[J]. IEEE Transactions on Engineering Management, 2021, 68(5): 1309-1320.
26 冉从敬, 宋凯, 赵倩蓉, 等. 合作什么, 去哪合作, 与谁合作?——专利视角下的校企合作对象选择系统构建[J]. 图书馆论坛, 2020, 40(8): 113-121.
27 吴菲菲, 苍思吉, 苗红, 等. 研发合作研究现状述评与展望——基于管理全过程视角[J]. 科技进步与对策, 2021, 38(19): 152-160.
28 Das T K, Teng B S. A resource-based theory of strategic alliances[J]. Journal of Management, 2000, 26(1): 31-61.
29 Vaez-Alaei M, Deniaud I, Marmier F, et al. A decision-making framework based on knowledge criteria for network partner selection[C]// Proceedings of the 2019 International Conference on Industrial Engineering and Systems Management. Piscataway: IEEE, 2019: 377-382.
30 崔晶, 丁文晴, 马俊红, 等. 基于技术同心多元化的企业研发合作伙伴识别与选择——以中药企业为例[J]. 科技管理研究, 2021, 41(4): 133-139.
31 Turner P. Complementarity and competence-knowledge, skills, attitudes, and behaviours[M]// Complementarity in Organizations. Cham: Palgrave Macmillan, 2022: 203-231.
32 王超, 许海云, 方曙. 产学研潜在合作对象识别方法研究[J]. 科学学研究, 2018, 36(1): 101-113.