融合<bold>SVM-LDA</bold>与加权相似度的潜在新兴技术识别研究——以人工智能领域为例

doi:10.3772/j.issn.1000-0135.2024.05.006

情报学报

2024, Vol. 43

Issue (5): 563-574 DOI: 10.3772/j.issn.1000-0135.2024.05.006

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

融合SVM-LDA与加权相似度的潜在新兴技术识别研究——以人工智能领域为例

冉从敬, 田文芳

武汉大学信息管理学院，武汉 430072

Identification of Potential Emerging Technologies by Fusing SVM-LDA and Weighted Similarity: Taking the Field of Artificial Intelligence as an Example

Ran Congjing, Tian Wenfang

School of Information Management, Wuhan University, Wuhan 430072

摘要
图/表
参考文献
相关文章 (10)

全文: PDF (2511 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要在新一轮科技革命和产业变革加速发展的大背景下，如何在新技术不断涌现的技术大海中精准找到和识别出有颠覆性潜力的新兴技术，对于国家、企业参与主体和相关商业投资机构把握科技创新发展趋势和方向、合理配置科技资源、提前进行科技战略规划与技术布局具有重要的意义。本文提出一种基于知识增强SVM-LDA（Support Vector Machine - Latent Dirichlet Allocation）的新兴技术主题识别模型。首先，基于专家小组的先验知识，制定基础技术类别划分标准；其次，将技术类别划分标准作为先验知识输入SVM-LDA模型，得到技术主题聚类结果；再其次，基于类别主题词的加权相似度计算，确定潜在新兴关键技术；最后，以人工智能领域为例进行实证研究。采用本文模型共得到24项潜在新兴技术，主要分布在特种机器人技术、监测预警技术、视频图像处理技术、语音识别技术、自动规划和决策技术以及自然语言处理技术6个大类方向。

	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
	冉从敬
	田文芳

关键词 ：新兴技术, 知识增强, SVM-LDA模型, 加权相似度, 人工智能领域

收稿日期: 2023-10-07

基金资助:国家自然科学基金面上项目“基于图卷积神经网络的新兴技术领域高质量专利识别及其演化研究”（72274084）。

作者简介: 冉从敬，男，1978年生，博士，教授，博士生导师，主要研究领域为大数据治理、知识产权；田文芳，通信作者，女，1989年生，博士研究生，主要研究领域为大数据治理、知识产权，E-mail：18627035850@163.com；

引用本文:

冉从敬, 田文芳. 融合SVM-LDA与加权相似度的潜在新兴技术识别研究——以人工智能领域为例[J]. 情报学报, 2024, 43(5): 563-574.
Ran Congjing, Tian Wenfang. Identification of Potential Emerging Technologies by Fusing SVM-LDA and Weighted Similarity: Taking the Field of Artificial Intelligence as an Example. 情报学报, 2024, 43(5): 563-574.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2024.05.006 或 https://qbxb.istic.ac.cn/CN/Y2024/V43/I5/563

1 Rotolo D, Hicks D, Martin B R. What is an emerging technology?[J]. Research Policy, 2015, 44(10): 1827-1843.
2 Meeting summary[C/OL]// Proceedings of the Global Infrastructure/Standards Working Group, December 17-19, 2002, Atlanta, Georgia. [2024-04-20]. https://docsbay.net/doc/139866/global-infrastructure-standards-working-group.
3 宋凯, 朱彦君. 专利前沿技术主题识别及趋势预测方法——以人工智能领域为例[J]. 情报杂志, 2021, 40(1): 33-38.
4 Christensen C M. The innovator’s dilemma: when new technologies cause great firms to fail[M]. Boston: Harvard Business Review Press, 2013.
5 苏成, 赵志耘, 赵筱媛, 等. 颠覆性技术新阐释: 概念、内涵及特征[J]. 情报学报, 2021, 40(12): 1253-1262.
6 Shen Y C, Chang S H, Lin G T R, et al. A hybrid selection model for emerging technology[J]. Technological Forecasting and Social Change, 2010, 77(1): 151-166.
7 魏国平. 新兴技术管理策略研究——基于新兴技术特征的分类分析[D]. 杭州: 浙江大学, 2006.
8 谈毅, 黄燕丽. 基于过程的新兴技术规划与选择模型研究[J]. 科技管理研究, 2007, 27(8): 5-8.
9 Small H, Boyack K W, Klavans R. Identifying emerging topics in science and technology[J]. Research Policy, 2014, 43(8): 1450-1467.
10 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.
11 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.
12 Wang Q. A bibliometric model for identifying emerging research topics[J]. Journal of the Association for Information Science and Technology, 2018, 69(2): 290-304.
13 李昌, 杨中楷, 董坤. 基于多维属性动态变化特征的新兴技术识别研究[J]. 情报学报, 2022, 41(5): 463-474.
14 周海炜, 吴成凤. 基于专利SAO结构和多指标评价的新兴技术识别研究——以手机芯片领域为例[J]. 情报杂志, 2022, 41(2): 86-94, 48.
15 高楠, 高嘉骐, 陈洪璞. 新兴技术识别与演化路径分析方法研究——以集成电路领域为例[J]. 情报科学, 2023, 41(3): 127-135, 172.
16 魏明珠, 郑荣, 高志豪, 等. 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.
17 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.
18 王秀红, 高敏. 基于BERT-LDA的关键技术识别方法及其实证研究——以农业机器人为例[J]. 图书情报工作, 2021, 65(22): 114-125.
19 罗恺, 袁晓东. 基于LDA主题模型与社会网络的专利技术融合趋势研究——以关节机器人为例[J]. 情报杂志, 2021, 40(3): 89-97.
20 苗红, 赵润博, 黄鲁成, 等. 基于LDA-SVM分类算法的技术融合测度研究[J]. 科学学与科学技术管理, 2018, 39(10): 13-29.
21 Kyebambe M N, Cheng G, Huang Y Q, et al. Forecasting emerging technologies: a supervised learning approach through patent analysis[J]. Technological Forecasting and Social Change, 2017, 125: 236-244.
22 刘红光, 马双刚, 刘桂锋. 基于机器学习的专利文本分类算法研究综述[J]. 图书情报研究, 2016, 9(3): 79-86.
23 Zhou Y, Dong F, Liu Y F, et al. A deep learning framework to early identify emerging technologies in large-scale outlier patents: an empirical study of CNC machine tool[J]. Scientometrics, 2021, 126(2): 969-994.
24 Schiebel E, H?rlesberger M, Roche I, et al. An advanced diffusion model to identify emergent research issues: the case of optoelectronic devices[J]. Scientometrics, 2010, 83(3): 765-781.
25 Lee C, Kwon O, Kim M, et al. Early identification of emerging technologies: a machine learning approach using multiple patent indicators[J]. Technological Forecasting and Social Change, 2018, 127: 291-303.
26 宋博文, 栾春娟, 梁丹妮. 机器学习视域下新兴技术主题识别研究——基于技术特征相似性[J]. 现代情报, 2022, 42(9): 49-57.
27 Yun J, Geum Y. Automated classification of patents: a topic modeling approach[J]. Computers & Industrial Engineering, 2020, 147: 106636.
28 佟昕瑀, 赵蕊洁, 路永和. 基于预训练模型的多标签专利分类研究[J]. 数据分析与知识发现, 2022, 6(2/3): 129-137.
29 龚圣杰. 基于关键词提取与余弦相似度算法的智能广告推荐软件[J]. 信息技术与信息化, 2022(2): 210-213.
30 Huang Z, Zhao W. A semantic matching approach addressing multidimensional representations for web service discovery[J]. Expert Systems with Applications, 2022, 210: 118468.