融合知识图谱和深度神经网络的产业新兴技术预测模型研究

doi:10.3772/j.issn.1000-0135.2022.11.003

情报学报

2022, Vol. 41

Issue (11): 1134-1148 DOI: 10.3772/j.issn.1000-0135.2022.11.003

情报理论与方法

本期目录 | 过刊浏览 | 高级检索

融合知识图谱和深度神经网络的产业新兴技术预测模型研究

魏明珠¹, 郑荣^1,2, 高志豪¹, 王晓宇¹

1.吉林大学商学与管理学院，长春 130012
2.吉林大学信息资源研究中心，长春 130012

Research on Industry Emerging Technology Forecast Modeling Based on Knowledge Graph and Deep Neural Networks

Wei Mingzhu¹, Zheng Rong^1,2, Gao Zhihao¹, Wang Xiaoyu¹

1.School of Business and Management, Jilin University, Changchun 130012
2.Information Resources Research Center, Jilin University, Changchun 130012

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (5455 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要实现产业新兴技术精准预测，有助于产业发展超前布局，抢占技术制高点，赋能高水平科技自立自强。本研究在基于知识图谱技术，定义产业技术专利概念、关系及属性，构建产业技术专利知识图谱的基础上，围绕新兴技术的新颖性、社会影响性、根本创新性三个主要特征，以“新颖度-应用范围-发展能力”构建完整的可量化的产业新兴技术指标体系，并利用技术专利知识图谱复杂语义信息，映射图谱查询语句提取各指标特征值，依托深度神经网络算法，训练产业新兴技术预测模型，实现产业新兴技术精准预测；最后，以新能源汽车产业为例，验证模型有效性。本研究能够为各产业领域的新兴技术预测提供有价值的参考，为产业发展决策提供支持。

	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
	魏明珠
	郑荣
	高志豪
	王晓宇

关键词 ：技术预测, 知识图谱, 深度学习, 神经网络, 新能源汽车产业

收稿日期: 2022-01-04

作者简介: 魏明珠，女，1994年生，博士研究生，主要研究方向为竞争情报、技术预测；郑荣，女，1970年生，教授，博士生导师，主要研究方向为竞争情报、信息资源管理，E-mail：jluinfo@163.com；高志豪，男，1995年生，博士研究生，主要研究方向为产业数据治理；王晓宇，女，1997年生，硕士研究生，主要研究方向为竞争情报；

引用本文:

魏明珠, 郑荣, 高志豪, 王晓宇. 融合知识图谱和深度神经网络的产业新兴技术预测模型研究[J]. 情报学报, 2022, 41(11): 1134-1148.
Wei Mingzhu, Zheng Rong, Gao Zhihao, Wang Xiaoyu. Research on Industry Emerging Technology Forecast Modeling Based on Knowledge Graph and Deep Neural Networks. 情报学报, 2022, 41(11): 1134-1148.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2022.11.003 或 https://qbxb.istic.ac.cn/CN/Y2022/V41/I11/1134

1 全球技术地图. 美国CSIS发布《 2030年全球网络: 发展中经济体和新兴技术》报告[EB/OL]. (2021-03-30) [2022-10-26]. https://baijiahao.baidu.com/s?id=1695659567092292914&wfr=spider&for=pc.
2 中国科学院科技战略咨询研究院. 欧盟提出工业5.0发展方向及支持措施[EB/OL]. (2021-05-21) [2022-10-26]. http://www.casisd.cn/zkcg/ydkb/kjzcyzxkb/kjzczxkb2021/zczxkb202103/202105/t20210521_6036091.html.
3 中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要[EB/OL]. (2021-03-13) [2022-10-26]. http://www.gov.cn/xinwen/2021-03/13/content_5592681.htm.
4 乔治·戴, 保罗·休梅克. 沃顿论新兴技术管理[M]. 石莹, 等译. 北京: 华夏出版社, 2002.
5 周萌, 朱相丽. 新兴技术概念辨析及其识别方法研究进展[J]. 情报理论与实践, 2019, 42(10): 162-169.
6 桂美增, 许学国. 基于深度学习的技术机会预测研究——以新能源汽车为例[J]. 图书情报工作, 2021, 65(19): 130-141.
7 Cho Y Y, Jeong G H, Kim S H. A Delphi technology forecasting approach using a semi-Markov concept[J]. Technological Forecasting and Social Change, 1991, 40(3): 273-287.
8 Lee S, Kim W, Kim Y M, et al. The prioritization and verification of IT emerging technologies using an analytic hierarchy process and cluster analysis[J]. Technological Forecasting and Social Change, 2014, 87: 292-304.
9 Geum Y, Lee S, Yoon B, et al. Identifying and evaluating strategic partners for collaborative R&D: index-based approach using patents and publications[J]. Technovation, 2013, 33(6/7): 211-224.
10 Song B M, Seol H, Park Y. A patent portfolio-based approach for assessing potential R&D partners: an application of the Shapley value[J]. Technological Forecasting and Social Change, 2016, 103: 156-165.
11 Lanjouw J O, Schankerman M. Stylized facts of patent litigation: value, scope and ownership[R]. NBER Working Papers. Cambridge: National Bureau of Economic Research, 1997: No.6297.
12 Narin F, Noma E, Perry R. Patents as indicators of corporate technological strength[J]. Research Policy, 1987, 16(2-4): 143-155.
13 黄鲁成, 卢文光. 基于属性综合评价系统的新兴技术识别研究[J]. 科研管理, 2009, 30(4): 190-194.
14 宋欣娜, 郭颖, 席笑文. 基于专利文献的多指标新兴技术识别研究[J]. 情报杂志, 2020, 39(6): 76-81, 88.
15 马瑞敏, 尉心渊. 技术领域细分视角下核心专利预测研究[J]. 情报学报, 2017, 36(12): 1279-1289.
16 Fujita K, Kajikawa Y, Mori J, et al. Detecting research fronts using different types of weighted citation networks[J]. Journal of Engineering and Technology Management, 2014, 32: 129-146.
17 曹艺文, 许海云, 武华维, 等. 基于引文曲线拟合的新兴技术主题的突破性预测——以干细胞领域为例[J]. 图书情报工作, 2020, 64(5): 100-113.
18 罗建, 蔡丽君, 史敏. 基于专利的两阶段新兴技术识别研究——以图像识别技术为例[J]. 情报科学, 2019, 37(12): 57-62.
19 董放, 刘宇飞, 周源. 基于LDA-SVM论文摘要多分类新兴技术预测[J]. 情报杂志, 2017, 36(7): 40-45, 133.
20 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.
21 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.
22 王燕鹏, 韩涛, 陈芳. 融合文献知识聚类和复杂网络的关键技术识别方法研究[J]. 图书情报工作, 2020, 64(16): 105-113.
23 Kong D J, Zhou Y, Liu Y F, et al. Using the data mining method to assess the innovation gap: a case of industrial robotics in a catching-up country[J]. Technological Forecasting and Social Change, 2017, 119: 80-97.
24 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.
25 Song K, Kim K, Lee S. Identifying promising technologies using patents: a retrospective feature analysis and a prospective needs analysis on outlier patents[J]. Technological Forecasting and Social Change, 2018, 128: 118-132.
26 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.
27 王玏, 吴新年. 新兴技术识别方法研究综述[J]. 图书情报工作, 2020, 64(4): 125-135.
28 魏明珠, 郑荣, 杨竞雄. 基于深度学习的图像检索研究进展[J]. 情报科学, 2021, 39(5): 184-192.
29 李永卉, 周树斌, 周宇婷, 等. 基于图数据库Neo4j的宋代镇江诗词知识图谱构建研究[J]. 大学图书馆学报, 2021, 39(2): 52-61.
30 王红, 张青青, 蔡伟伟, 等. 基于Neo4j的领域本体存储方法研究[J]. 计算机应用研究, 2017, 34(8): 2404-2407.
31 康杰华, 罗章璇. 基于图形数据库Neo4j的RDF数据存储研究[J]. 信息技术, 2015, 39(6): 115-117.
32 Gartner中国. Gartner发布2021年新兴技术成熟度曲线[EB/OL]. (2021-08-26) [2022-10-26]. https://jishuin.proginn.com/p/763bfbd64100.
33 孔德婧, 董放, 陈子婧, 等. 离群专利视角下的新兴技术预测——基于BERT模型和深度神经网络[J]. 图书情报工作, 2021, 65(17): 131-141.
34 汪江桦, 冷伏海, 汤建国. 基于专利的新兴技术未来产业影响力评价研究[J]. 情报杂志, 2014, 33(5): 44-48.
35 Joung J, Kim K. Monitoring emerging technologies for technology planning using technical keyword based analysis from patent data[J]. Technological Forecasting and Social Change, 2017, 114: 281-292.
36 汪涛, 王璐玮, 张晗. 中国城市新兴技术的双元创新路径与发生机制——以生物医药技术为例[J]. 科技进步与对策, 2022, 39(6): 29-39.
37 Porter A L, Garner J, Carley S F, et al. Emergence scoring to identify frontier R&D topics and key players[J]. Technological Forecasting and Social Change, 2019, 146: 628-643.