基于融合数据和生命周期的技术预测方法：以病毒核酸检测技术为例

doi:10.3772/j.issn.1000-0135.2021.05.003

情报学报

2021, Vol. 40

Issue (5): 462-470 DOI: 10.3772/j.issn.1000-0135.2021.05.003

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

基于融合数据和生命周期的技术预测方法：以病毒核酸检测技术为例

张洋, 林宇航, 侯剑华

中山大学信息管理学院，广州 510006

Technology Prediction Method Based on Data Fusion and Life Cycle: Empirical Analysis of Virus Nucleic Acid Detection

Zhang Yang, Lin Yuhang, Hou Jianhua

School of Information Management, Sun Yat-sen University, Guangzhou 510006

摘要
图/表
参考文献
相关文章 (5)

全文: PDF (2176 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要针对性地选取基础数据，对于构建一个高效的预测模型有着重要意义。针对病毒核酸检测技术的特征，以及已有研究多数考虑单一数据源、忽视技术生命周期影响等缺点，本文提出了一种基于链路预测算法的技术预测改进方法。通过融合专利与论文数据源，本文构建了技术主题字段的加权共现网络，并结合技术生命周期理论选定基础数据集，进行了多层次和不同阶段的预测对比。实验结果证明，在加权链路预测指标下，融合数据的预测效果在单一数据源的基础上有较明显的提升。同时，结合技术演化发展规律和生命周期理论，本文为基础数据的时间范围划定提供了有价值的参考依据，能够进一步提高预测效率和准确度。

	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
	张洋
	林宇航
	侯剑华

关键词 ：技术预测, 技术生命周期, 链路预测, 融合数据, 病毒核酸检测技术

收稿日期: 2020-03-23

基金资助:广东省自然科学基金面上项目“面向粤港澳大湾区的基础科学研究中心转移规律及其应用研究”（2021A1515012291）；广东省科技计划软科学重点项目“基于科学大数据的新能源领域前沿技术预测研究”（2019B101001024）；广东省软科学研究计划项目“面向粤港澳大湾区的科技评价机制、方法与应用研究”（2018A070712016）。

作者简介: 张洋，男，1975年生，博士，教授，博士生导师，主要研究领域为网络信息计量学、科学评价；林宇航，男，1992年生，硕士研究生，主要研究领域为科学计量与科技评价；侯剑华，男，1980年生，博士，教授，博士生导师，主要研究领域为科学计量学、科技信息管理，E-mail：houjh5@mail.sysu.edu.c；

引用本文:

张洋, 林宇航, 侯剑华. 基于融合数据和生命周期的技术预测方法：以病毒核酸检测技术为例[J]. 情报学报, 2021, 40(5): 462-470.
Zhang Yang, Lin Yuhang, Hou Jianhua. Technology Prediction Method Based on Data Fusion and Life Cycle: Empirical Analysis of Virus Nucleic Acid Detection. 情报学报, 2021, 40(5): 462-470.

链接本文:

http://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2021.05.003 或 http://qbxb.istic.ac.cn/CN/Y2021/V40/I5/462

1 张韵君, 柳飞红. 基于专利分析的技术预测概念模型[J]. 情报杂志, 2014, 33(3): 22-27.
2 Kim G, Bae J. A novel approach to forecast promising technology through patent analysis[J]. Technological Forecasting and Social Change, 2017, 117: 228-237.
3 王兴旺, 董珏, 余婷婷, 等. 基于多种类型信息计量分析的前沿技术预测方法研究[J]. 情报杂志, 2018, 37(10): 70-75, 89.
4 You H L, Li M J, Hipel K W, et al. Development trend forecasting for coherent light generator technology based on patent citation network analysis[J]. Scientometrics, 2017, 111(1): 297-315.
5 Wang B C, Liu Y F, Zhou Y, et al. Emerging nanogenerator technology in China: a review and forecast using integrating bibliometrics, patent analysis and technology roadmapping methods[J]. Nano Energy, 2018, 46: 322-330.
6 周源, 刘宇飞, 薛澜. 一种基于机器学习的新兴技术识别方法: 以机器人技术为例[J]. 情报学报, 2018, 37(9): 939-955.
7 Li X, Xie Q Q, Jiang J J, et al. Identifying and monitoring the development trends of emerging technologies using patent analysis and Twitter data mining: the case of perovskite solar cell technology[J]. Technological Forecasting and Social Change, 2019, 146: 687-705.
8 任海英, 赵育慧, 于立婷. 基于知识网络的科学研究机会发现的机理和应用[J]. 情报理论与实践, 2018, 41(11): 89-95.
9 傅颖斌, 陈羽中. 基于链路预测的微博用户关系分析[J]. 计算机科学, 2014, 41(2): 201-205, 244.
10 张军, 夏昊翔. 基于粗糙相似度的有向网络链路预测[J]. 系统工程, 2015, 33(11): 146-152.
11 Liben-Nowell D, Kleinberg J. The link-prediction problem for social networks[J]. Journal of the American Society for Information Science and Technology, 2007, 58(7): 1019-1031.
12 Yan E J, Guns R. Predicting and recommending collaborations: an author-, institution-, and country-level analysis[J]. Journal of Informetrics, 2014, 8(2): 295-309.
13 Swanson D R. Undiscovered public knowledge[J]. The Library Quarterly, 1986, 56(2): 103-118.
14 Caviggioli F. Technology fusion: identification and analysis of the drivers of technology convergence using patent data[J]. Technovation, 2016, 55/56: 22-32.
15 慎金花, 闫倩倩, 孙乔宣, 等. 基于专利数据挖掘的技术融合识别与技术机会预测研究——以电动汽车产业为例[J]. 图书馆杂志, 2019, 38(10): 95-106.
16 梁永霞, 刘则渊, 杨中楷. 引文分析学的知识流动理论探析[J]. 科学学研究, 2010, 28(5): 668-674.
17 任海英, 于立婷, 黄鲁成. 基于链接预测的科学研究机会发现方法研究[J]. 情报杂志, 2016, 35(10): 53-58, 36.
18 魏红芹, 周成. 专利间知识流动与技术融合趋势研究[J]. 科技进步与对策, 2018, 35(22): 17-22.
19 Wen F F. Technological relatedness based on co-classification network analysis: a case study on electricity sector[J]. Journal of Digital Information Management, 2016, 14(1): 26-32.
20 武玉英, 张博闻, 何喜军, 等. 新能源领域专利转让网络中技术供需主体间交易机会预测[J].情报杂志, 2018, 37(5): 79-84, 96.
21 张瑜, 菅利荣, 于菡子. 基于GERT网络的产学研知识流动效应度量[J]. 运筹与管理, 2016, 25(2): 282-287.
22 刘宏鲲, 吕琳媛, 周涛. 利用链路预测推断网络演化机制[J]. 中国科学: 物理学力学天文学, 2011, 41(7): 816-823.
23 吕琳媛. 复杂网络链路预测[J]. 电子科技大学学报, 2010, 39(5): 651-661.
24 翟东升, 刘鹤, 张杰, 等. 一种基于链路预测的技术机会挖掘方法[J]. 情报学报, 2016, 35(10): 1090-1100.
25 黄璐, 朱一鹤, 张嶷. 基于加权网络链路预测的新兴技术主题识别研究[J]. 情报学报, 2019, 38(4): 335-341.
26 尹忠博, 罗威, 罗准辰. 数据驱动的技术预测: 现状、技术与趋势[J]. 情报理论与实践, 2018, 41(12): 35-40.
27 高楠, 彭鼎原, 傅俊英, 等. 基于专利IPC分类与文本信息的前沿技术演进分析——以人工智能领域为例[J]. 情报理论与实践, 2020, 43(4): 123-129.
28 Zhang M H, Chen Y X. Link prediction based on graph neural networks[C]// Proceedings of the 32nd International Conference on Neural Information Processing Systems. Red Hook: Curran Associates, 2018: 5171-5181.
29 苏晨, 吉邢虎, 何治柯. 核酸工具酶辅助的信号放大技术在生物分子检测中的应用[J]. 分析科学学报, 2016, 32(2): 273-281.
30 丁雄, 牟颖. 数字核酸扩增检测技术的研究与应用进展[J]. 分析化学, 2016, 44(4): 512-521.
31 Zhao J, Miao L L, Yang J, et al. Prediction of links and weights in networks by reliable routes[J]. Scientific Reports, 2015, 5: 12261.
32 Lu W S, Peng Y, Chen X, et al. The S-curve for forecasting waste generation in construction projects[J]. Waste Management, 2016, 56: 23-34.
33 邹乐乐, 吴怡, 陈佩佩. 清洁技术研发选择及其演化规律研究[J]. 科研管理, 2019, 40(6): 100-110.
34 Shi Y, Guan J C. Small-world network effects on innovation: evidences from nanotechnology patenting[J]. Journal of Nanoparticle Research, 2016, 18(11): 329.