基于动态图神经网络的技术机会识别研究

doi:10.3772/j.issn.1000-0135.2026.02.009

情报学报

2026, Vol. 45

Issue (2): 291-302 DOI: 10.3772/j.issn.1000-0135.2026.02.009

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

基于动态图神经网络的技术机会识别研究

杜先进^1,2, 许彧祥¹, 车子璠², 付红^1,3, 吴根²

1.合肥工业大学管理学院，合肥 230009
2.国家自然科学基金委员会高技术研究发展中心，北京 100044
3.科学技术部二司，北京 100862

Technology Opportunity Identification Based on Dynamic Graph Neural Networks

Du Xianjin^1,2, Xu Yuxiang¹, Che Zifan², Fu Hong^1,3, Wu Gen²

1.School of Management, Hefei University of Technology, Hefei 230009
2.High Technology Research and Development Center, National Natural Science Foundation of China, Beijing 100044
3.Second Department, Ministry of Science and Technology, Beijing 100862

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (0 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要技术机会识别是推动科技创新的重要方法之一。为提升技术机会识别的准确性和时效性，本文提出一种基于动态图神经网络（dynamic graph neural networks，DGNN）的识别方法。该方法通过构建历年IPC（International Patent Classification）共现网络，利用特征学习方法获取节点拓扑属性、文本属性和层级语义属性，基于多模态融合方法和注意力机制进行加权融合。通过训练动态图神经网络模型，使用LSTM（long short-term memory network）对网络结构与节点属性演化过程进行建模，对未来可能出现的IPC组合开展链路预测，并结合中心度指标和Louvain算法评估技术机会。在新能源汽车制造领域的技术机会识别任务中，本文模型的各项指标均显著优于基线模型，其中AUC（area under the curve）值达到0.875，F1值达到0.823，较次优模型EvolveGCN（evolving graph convolutional network）分别提升了6.45%和6.74%。技术机会识别结果能够有效揭示技术热点趋势和发展方向，为技术创新提供参考和指导。

	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
	杜先进
	许彧祥
	车子璠
	付红
	吴根

关键词 ：技术机会识别, 动态图神经网络, 链路预测, 多模态融合, 注意力机制

收稿日期: 2025-03-01

作者简介: 杜先进，1979年生，博士，副教授，博士生导师，主要研究领域为创新管理；许彧祥，2001年生，硕士，主要研究领域为专利挖掘和机器学习；车子璠，1989年生，博士，副研究员，主要研究领域为科技项目管理；付红，1986年生，博士，副教授，硕士生导师，主要研究领域为创新管理；吴根，通信作者，1970年生，博士，研究员，主要研究领域为科技项目管理，E-mail：wugen@nsfc.gov.cn；

引用本文:

杜先进, 许彧祥, 车子璠, 付红, 吴根. 基于动态图神经网络的技术机会识别研究[J]. 情报学报, 2026, 45(2): 291-302.
Du Xianjin, Xu Yuxiang, Che Zifan, Fu Hong, Wu Gen. Technology Opportunity Identification Based on Dynamic Graph Neural Networks. 情报学报, 2026, 45(2): 291-302.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2026.02.009 或 https://qbxb.istic.ac.cn/CN/Y2026/V45/I2/291

1 伊惠芳, 刘细文, 龙艺璇. 技术创新全视角下技术机会发现研究进展[J]. 图书情报工作, 2021, 65(7): 132-142.
2 Song K, Kim K S, Lee S. Discovering new technology opportunities based on patents: text-mining and F-term analysis[J]. Technovation, 2017, 60: 1-14.
3 吴颖文, 纪杨建, 顾新建. 基于专利动态复杂网络的产业共性技术预测[J]. 计算机集成制造系统, 2020, 26(12): 3185-3194.
4 李慧, 孟玮, 徐存真. 基于专利知识流网络的技术融合分析——以石墨烯领域为例[J]. 现代情报, 2021, 41(5): 121-130.
5 许鑫, 李倩, 姚占雷. 基于图神经网络的技术识别链接预测方法研究[J]. 数据分析与知识发现, 2023, 7(6): 15-25.
6 岳俊举, 冯立杰, 冯奕程, 等. 基于多维技术创新地图与关联规则挖掘的技术机会识别方法研究[J]. 情报学报, 2017, 36(8): 798-808.
7 Porter A L, Detampel M J. Technology opportunities analysis[J]. Technological Forecasting and Social Change, 1995, 49(3): 237-255.
8 Hwang M N, Cho M H, Hwang M G, et al. Application of trend detection of technical terms to technology opportunity discovery[C]// Proceedings of the International Conference on U- and E-Service, Science and Technology. Heidelberg: Springer, 2011: 258-262.
9 张金柱, 李溢峰. 专利分类序列和文本语义表示视角下的技术融合预测研究[J]. 情报学报, 2022, 41(6): 609-624.
10 Kim B, Gazzola G, Yang J, et al. Two-phase edge outlier detection method for technology opportunity discovery[J]. Scientometrics, 2017, 113(1): 1-16.
11 Park I, Yoon B. Technological opportunity discovery for technological convergence based on the prediction of technology knowledge flow in a citation network[J]. Journal of Informetrics, 2018, 12(4): 1199-1222.
12 Cho J H, Lee J, Sohn S Y. Predicting future technological convergence patterns based on machine learning using link prediction[J]. Scientometrics, 2021, 126(7): 5413-5429.
13 曹兴, 朱晶莹, 杨春白雪. 新兴技术创新网络“液态化”机理及实证分析[J]. 科研管理, 2022, 43(2): 55-64.
14 Ren H Y, Zhao Y H. Technology opportunity discovery based on constructing, evaluating, and searching knowledge networks[J]. Technovation, 2021, 101: 102196.
15 冯立杰, 王清华, 王金凤, 等. 基于SAO语义分析与多维技术创新地图的技术创新机会识别研究[J]. 科技管理研究, 2022, 42(23): 11-20.
16 Eilers K, Frischkorn J, Eppinger E, et al. Patent-based semantic measurement of one-way and two-way technology convergence: the case of ultraviolet light emitting diodes (UV-LEDs)[J]. Technological Forecasting and Social Change, 2019, 140: 341-353.
17 张晓黎, 匡衡. 基于动态专利嵌入表示的AI产业技术融合预测研究[J]. 数据分析与知识发现, 2025, 9(3): 96-105.
18 Zhou T, Lü L Y, Zhang Y C. Predicting missing links via local information[J]. The European Physical Journal B, 2009, 71(4): 623-630.
19 Yoon B, Magee C L. Exploring technology opportunities by visualizing patent information based on generative topographic mapping and link prediction[J]. Technological Forecasting and Social Change, 2018, 132: 105-117.
20 金可怡, 周立军, 杨静. 基于SAO结构的颠覆性技术关联机会发现路径研究[J]. 情报杂志, 2024, 43(9): 84-91, 111.
21 Perozzi B, Al-Rfou R, Skiena S. DeepWalk: online learning of social representations[C]// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM Press, 2014: 701-710.
22 Grover A, Leskovec J. Node2Vec: scalable feature learning for networks[C]// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM Press, 2016: 855-864.
23 Kipf T N, Welling M. Semi-supervised classification with graph convolutional networks[OL]. (2017-02-22). https://arxiv.org/pdf/1609.02907.
24 Veli?kovi? P, Cucurull G, Casanova A, et al. Graph attention networks[C]// Proceedings of the 6th International Conference on Learning Representations. Appleton: ICLR, 2018: 1-12.
25 Hamilton W L, Ying R, Leskovec J. Inductive representation learning on large graphs[C]// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook: Curran Associates, 2017: 1025-1035.
26 冯宁, 郭晟楠, 宋超, 等. 面向交通流量预测的多组件时空图卷积网络[J]. 软件学报, 2019, 30(3): 759-769.
27 刘非凡, 张爽, 罗双玲, 等. 基于深度图神经网络方法的领域知识结构探测[J]. 情报学报, 2021, 40(11): 1209-1220.
28 谢小东, 吴洁, 盛永祥, 等. 基于图卷积网络的发明人跨领域合作伙伴识别方法[J]. 情报杂志, 2024, 43(4): 175-183, 167.
29 施国良, 张丽丽, 张笑笑, 等. 基于专利数据的产业链视角下企业合作目标预测研究——以新能源汽车产业为例[J]. 情报理论与实践, 2024, 47(8): 120-128.
30 谢小东, 吴洁, 盛永祥, 等. 基于动态图卷积网络的发明人潜在合作伙伴识别方法研究[J]. 数据分析与知识发现, 2025, 9(3): 83-95.
31 Pareja A, Domeniconi G, Chen J, et al. EvolveGCN: evolving graph convolutional networks for dynamic graphs[C]// Proceedings of the AAAI Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2020: 5363-5370.
32 Sankar A, Wu Y H, Gou L, et al. DySAT: deep neural representation learning on dynamic graphs via self-attention networks[C]// Proceedings of the 13th International Conference on Web Search and Data Mining. New York: ACM Press, 2020: 519-527.
33 Goyal P, Kamra N, He X R, et al. DynGEM: deep embedding method for dynamic graphs[OL]. (2018-05-29). https://arxiv.org/pdf/1805.11273.
34 Xu D, Ruan C W, Korpeoglu E, et al. Inductive representation learning on temporal graphs[OL]. (2020-02-19). https://arxiv.org/pdf/2002.07962.
35 Wang Q R, Guo B, Ouyang Y, et al. Spatial community-informed evolving graphs for demand prediction[C]// Proceedings of the European Conference on Machine Learning and Knowledge Discovery in Databases. Cham: Springer, 2021: 440-456.
36 Le Q, Mikolov T. Distributed representations of sentences and documents[J]. Proceedings of Machine Learning Research., 2014, 32(2): 1188-1196.
37 慎金花, 陈红艺, 张更平, 等. 基于层次分类器的专利文本分类模型研究[J]. 情报杂志, 2023, 42(8): 157-163, 68.
38 何俊, 张彩庆, 李小珍, 等. 面向深度学习的多模态融合技术研究综述[J]. 计算机工程, 2020, 46(5): 1-11.
39 Cai Z G, Zhou Y, Xu Y, et al. Patent analysis for identifying core technology and forecasting promising technology in medical imaging equipment[J]. IEEE Transactions on Engineering Management, 2024, 71: 14375-14386.
40 Yan E J, Ding Y. Applying centrality measures to impact analysis: a coauthorship network analysis[J]. Journal of the American Society for Information Science and Technology, 2009, 60(10): 2107-2118.
41 陈文杰, 曲建升. 基于超链路预测的多元技术机会发现研究[J]. 情报学报, 2025, 44(7): 892-902.
42 万校基, 赖静, 牟莹禧, 等. 基于矩阵画像和Louvain社区发现算法的关键核心技术识别研究[J]. 情报学报, 2025, 44(7): 903-914.
43 黄山, 陈洲玲. 基于专利计量和技术生命周期预测的新能源汽车全产业链技术竞争态势研究[J]. 中国科技论坛, 2023(10): 62-73.
44 Zhao K, Guo C J, Cheng Y Y, et al. Multiple time series forecasting with dynamic graph modeling[J]. Proceedings of the VLDB Endowment, 2023, 17(4): 753-765.
45 纪亚琨, 余翔, 张奔, 等. 专利网络视角下的潜在颠覆性技术识别——以自动驾驶领域为例[J]. 情报杂志, 2022, 41(12): 46-50, 139.
46 Sun B X, Kolesnikov S, Goldstein A, et al. A dynamic approach for identifying technological breakthroughs with an application in solar photovoltaics[J]. Technological Forecasting and Social Change, 2021, 165: 120534.