融合语义与引文特征的潜在颠覆性技术识别研究

doi:10.3772/j.issn.1000-0135.2026.05.003

情报学报

2026, Vol. 45

Issue (5): 643-662 DOI: 10.3772/j.issn.1000-0135.2026.05.003

情报理论与方法

本期目录 | 过刊浏览 | 高级检索

融合语义与引文特征的潜在颠覆性技术识别研究

秦浩^1,2, 赵一鸣^1,2,3,4, 马亚坤⁵, 张芷芯⁶, 王启港⁷

1.武汉大学信息资源研究中心，武汉 430072
2.武汉大学信息管理学院，武汉 430072
3.武汉大学大数据研究院，武汉 430072
4.武汉大学苏州研究院，苏州 215009
5.南京大学信息管理学院，南京 210023
6.清华大学公共管理学院，北京 100084
7.陕西农津信息技术服务有限公司，西安 710000

Identification of Potentially Disruptive Technologies by Integrating Semantic and Citation Features

Qin Hao^1,2, Zhao Yiming^1,2,3,4, Ma Yakun⁵, Zhang Zhixin⁶, Wang Qigang⁷

1.Center for Studies of Information Resources, Wuhan University, Wuhan 430072
2.School of Information Management, Wuhan University, Wuhan 430072
3.Big Data Institute, Wuhan University, Wuhan 430072
4.Suzhou Institute of Wuhan University, Suzhou 215009
5.School of Information Management, Nanjing University, Nanjing 210023
6.School of Public Policy & Management, Tsinghua University, Beijing 100084
7.Shaanxi Nongjin Information Technology Service Co., Ltd., Xi’an 710000

摘要
图/表
参考文献
相关文章 (5)

全文: PDF (4470 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要颠覆性技术作为重构产业格局的核心驱动力，其识别对国家科技战略布局具有重大意义。针对现有研究依赖单一维度特征导致的识别偏差问题，本文提出一种融合语义与引文特征的潜在颠覆性技术识别框架。首先，采用PatentSBERTa编码专利摘要文本提取语义特征，利用图注意力网络（graph attention network，GAT）挖掘引文网络结构特征；其次，设计双向注意力机制与门控动态融合模块，结合Bi-LSTM（bidirectional long short-term memory）模型构建监督式二分类任务识别潜在颠覆性技术，并引入SHAP（shapley additive explanations）模型解析语义与引文特征贡献度；最后，以碳捕集利用与封存（carbon capture, utilization, and storage，CCUS）领域为例开展实证分析，阐述该识别方法的应用过程，并识别出该领域5个潜在颠覆性技术方向和15个潜在颠覆性技术主题。研究结果表明，语义特征是判断技术内核创新性的基石，而引文特征则为评估技术扩散潜力提供了关键的外部验证，两者共同构成了“内在突破-外部扩散”相辅相成的双重验证机制。在技术创新管理实践中，当面临资源约束时，应优先关注技术的内在突破性。在此基础上，利用引文特征评估其网络生态位。本文为潜在颠覆性技术识别提供了融合分析范式，识别出碳捕集利用与封存领域中的潜在颠覆性技术，能够为国家相关政策制定与相关产业布局提供借鉴与参考。

	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
	秦浩
	赵一鸣
	马亚坤
	张芷芯
	王启港

关键词 ：潜在颠覆性技术识别, 专利数据, 语义特征, 引文特征, 碳捕集利用与封存

收稿日期: 2025-03-20

基金资助:国家重点研发计划青年科学家项目“工业软件价值链及数字化生态资源体系”（2024YFB3310100）；教育部人文社会科学重点研究基地重大项目“面向国家科技自立自强的颠覆性技术识别方法与创新机制研究”（22JJD870004）；国家自然科学基金面上项目“‘搜索即学习’视角下的用户学习状态感知与智能响应研究”（72274146）；中央高校基本科研业务费项目“面向国家科技安全的颠覆性技术识别研究”（2042025kf0075）。

作者简介: 秦浩，1997年生，博士研究生，研究方向为数据挖掘与知识发现；赵一鸣，通信作者，1986年生，博士，教授，博士生导师，研究方向为用户信息行为、数据分析与可视化、信息组织与检索，E-mail：zhaoyiming@whu.edu.cn；马亚坤，1995年生，博士研究生，研究方向为医疗大数据、政务智能；张芷芯，1995年生，博士研究生，研究方向为公共政策分析、可再生能源技术创新；王启港，1998年生，硕士，研究方向为智慧农业；

引用本文:

秦浩, 赵一鸣, 马亚坤, 张芷芯, 王启港. 融合语义与引文特征的潜在颠覆性技术识别研究[J]. 情报学报, 2026, 45(5): 643-662.
Qin Hao, Zhao Yiming, Ma Yakun, Zhang Zhixin, Wang Qigang. Identification of Potentially Disruptive Technologies by Integrating Semantic and Citation Features. 情报学报, 2026, 45(5): 643-662.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2026.05.003 或 https://qbxb.istic.ac.cn/CN/Y2026/V45/I5/643

1 王康, 陈悦, 宋超, 等. 颠覆性技术: 概念辨析与特征分析[J]. 科学学研究, 2022, 40(11): 1937-1946.
2 Bower J L, Christensen C M. Disruptive technologies: catching the wave[J]. Harvard Business Review, 1995, 73(1): 43-53.
3 Christensen C M. The innovator’s dilemma: when new technologies cause great firms to fail[M]. Cambridge: Harvard Business Review Press, 2015.
4 Govindarajan V, Kopalle P K. The usefulness of measuring disruptiveness of innovations ex post in making ex ante predictions[J]. Journal of Product Innovation Management, 2006, 23(1): 12-18.
5 Sood A, Tellis G J. Demystifying disruption: a new model for understanding and predicting disruptive technologies[J]. Marketing Science, 2011, 30(2): 339-354.
6 Guo J F, Pan J F, Guo J X, et al. Measurement framework for assessing disruptive innovations[J]. Technological Forecasting and Social Change, 2019, 139: 250-265.
7 Christensen C M, Bower J L. Customer power, strategic investment, and the failure of leading firms[J]. Strategic Management Journal, 1996, 17(3): 197-218.
8 Christensen C M, McDonald R, Altman E J, et al. Disruptive innovation: an intellectual history and directions for future research[J]. Journal of Management Studies, 2018, 55(7): 1043-1078.
9 王嘉杰, 侯万方, 马亚雪, 等. 融合文本和引用特征的科学技术互动社区识别研究[J]. 信息资源管理学报, 2024, 14(6): 116-130.
10 孙永福, 王礼恒, 孙棕檀, 等. 引发产业变革的颠覆性技术内涵与遴选研究[J]. 中国工程科学, 2017, 19(5): 9-16.
11 Zhang Y, Robinson D K R, Porter A L, et al. Technology roadmapping for competitive technical intelligence[J]. Technological Forecasting and Social Change, 2016, 110: 175-186.
12 Ganguly A, Nilchiani R, Farr J V. Defining a set of metrics to evaluate the potential disruptiveness of a technology[J]. Engineering Management Journal, 2010, 22(1): 34-44.
13 周波, 冷伏海. 演绎逻辑与归纳逻辑视角下的颠覆性技术识别方法研究述评[J]. 情报学报, 2022, 41(9): 980-990.
14 Qiao Y L, Wang X F, Huang Y, et al. Tech mining approach for identifying potentially disruptive technologies: from the perspective of technological alternatives[J]. IEEE Transactions on Engineering Management, 2024, 71: 5921-5938.
15 刘俊婉, 庞博, 徐硕. 基于弱信号的颠覆性技术早期识别研究[J]. 情报学报, 2023, 42(12): 1395-1411.
16 马铭, 王超, 张伟然, 等. 突变视角下潜在颠覆性技术识别与分析方法研究[J]. 情报理论与实践, 2022, 45(3): 157-164, 156.
17 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.
18 Dotsika F, Watkins A. Identifying potentially disruptive trends by means of keyword network analysis[J]. Technological Forecasting and Social Change, 2017, 119: 114-127.
19 窦永香, 开庆, 王佳敏. 一种基于图表示学习的潜在颠覆性技术识别方法[J]. 情报学报, 2023, 42(6): 637-648.
20 Jia W F, Xie Y P, Zhao Y N, et al. Research on disruptive technology recognition of China’s electronic information and communication industry based on patent influence[J]. Journal of Global Information Management, 2021, 29(2): 148-165.
21 唐虎林, 苏成, 李曼迪, 等. 基于弱信号的颠覆性技术早期识别方法研究[J]. 图书情报工作, 2025, 69(10): 42-61.
22 侯艳辉, 陈荣, 王家坤. 技术生命周期视角下颠覆性技术早期识别方法研究[J]. 情报学报, 2025, 44(2): 157-170.
23 岳丽欣, 刘自强, 刘春江, 等. 融合引用和文本特征的技术创新路径识别研究[J]. 图书情报工作, 2023, 67(3): 49-60.
24 Funk R J, Owen-Smith J. A dynamic network measure of technological change[J]. Management Science, 2017, 63(3): 791-817.
25 Wu L F, Wang D S, Evans J A. Large teams develop and small teams disrupt science and technology[J]. Nature, 2019, 566(7744): 378-382.
26 Xu X M, Li J C, Jiang J, et al. A disruptive technology identification method based on multisource data: take unmanned aerial vehicle systems as an example[C]// Proceedings of the 7th International Conference on Big Data and Information Analytics. Piscataway: IEEE, 2021: 428-435.
27 Zhang Z Y, Zhang J Y, Wang P S. Measurement of disruptive innovation and its validity based on improved disruption index[J]. Scientometrics, 2024, 129(11): 6477-6531.
28 Wang X L, Liang W T, Ye X T, et al. Disruptive development path measurement for emerging technologies based on the patent citation network[J]. Journal of Informetrics, 2024, 18(1): 101493.
29 逯万辉. 基于专利引文网络挖掘的技术研发路径识别与颠覆性创新信号探测研究[J]. 情报学报, 2024, 43(9): 1059-1069.
30 于光辉, 宁钟, 李昊夫. 基于专利和Bass模型的颠覆性技术识别方法研究[J]. 科学学研究, 2021, 39(8): 1467-1473, 1536.
31 吴可凡, 王伟, 张世玉, 等. 技术不连续性视角下颠覆性技术识别方法研究[J]. 情报理论与实践, 2022, 45(10): 125-131.
32 王丹, 周潇, 赵捧未, 等. 基于离群点视角的颠覆性专利预测研究[J]. 图书情报工作, 2024, 68(5): 74-86.
33 周潇, 王博, 胡玉琳, 等. 基于时序图神经网络的潜在高价值专利识别研究[J]. 情报学报, 2024, 43(6): 697-711.
34 张彪, 吴红, 高道斌, 等. 基于特征融合的高校可转移专利识别研究[J]. 情报杂志, 2022, 41(9): 159-165.
35 王康, 陈悦, 王玉奇, 等. 颠覆性技术识别与扩散趋势预测: 概念模型与实证分析[J]. 情报学报, 2024, 43(8): 899-913.
36 Bekamiri H, Hain D S, Jurowetzki R. PatentSBERTa: a deep NLP based hybrid model for patent distance and classification using augmented SBERT[J]. Technological Forecasting and Social Change, 2024, 206: 123536.
37 赵浩钧, 邹德清, 薛文杰, 等. 基于BERT与自编码器的概念漂移恶意软件分类优化[J]. 软件学报, 2025, 36(8): 3709-3725.
38 郑素丽, 杨璐琦, 黄群慧, 等. 标准驱动技术轨道演进的过程和机制研究——基于V2X技术的实证分析[J]. 科学学研究, 2022, 40(10): 1798-1810.
39 Veli?kovi? P, Cucurull G, Casanova A, et al. Graph attention networks[C]// Proceedings of the 6th International Conference on Learning Representations. OpenReview.net, 2018. DOI: 10.17863/CAM.48429.
40 Newman M E J. A measure of betweenness centrality based on random walks[J]. Social Networks, 2005, 27(1): 39-54.
41 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.
42 Bianchini M, Gori M, Scarselli F. Inside PageRank[J]. ACM Transactions on Internet Technology, 2005, 5(1): 92-128.
43 Zhou Y B, Xu X L, Yang X H, et al. The influence of disruption on evaluating the scientific significance of papers[J]. Scientometrics, 2022, 127(10): 5931-5945.
44 Li X, Wang Y, Huang L C, et al. A novel integrated approach for roadmapping disruptive technologies from a technology convergence perspective[J]. IEEE Transactions on Engineering Management, 2024, 71: 8651-8670.
45 Burt R S. Structural holes and good ideas[J]. American Journal of Sociology, 2004, 110(2): 349-399.
46 王雪冰. 复杂网络视角下颠覆性技术创新扩散机制研究[D]. 长春: 吉林大学, 2022.
47 吕鲲, 张未旭, 靖继鹏. 基于CLIP-LDAGV多模态信息融合的颠覆性技术主题识别研究——以新能源领域为例[J]. 情报学报, 2025, 44(3): 353-368.
48 王超, 许海云, 武华维, 等. 基于动态结构熵的颠覆性技术知识网络扩散特征识别方法研究[J]. 图书情报工作, 2023, 67(24): 54-71.
49 Gu Y B, Chen S T, Sun X S, et al. Optical remote sensing image salient object detection via bidirectional cross-attention and attention restoration[J]. Pattern Recognition, 2025, 164: 111478.
50 Liu Z F, Chen X R, Huang Y H, et al. A novel bimodal feature fusion network-based deep learning model with intelligent fusion gate mechanism for short-term photovoltaic power point-interval forecasting[J]. Energy, 2024, 303: 131947.
51 王康, 陈悦. 基于异质性专利的颠覆性技术早期识别研究[J]. 科学学研究, 2023, 41(8): 1364-1375.
52 黄鲁成, 刘春文, 吴菲菲, 等. 基于NPCIA的核心技术识别模型及应用研究[J]. 科学学研究, 2020, 38(11): 1998-2007.
53 Ali Khan S, Ali Rana Z. Evaluating performance of software defect prediction models using area under precision–recall curve (AUC-PR)[C]// Proceedings of the 2nd International Conference on Advancements in Computational Sciences. Piscataway: IEEE, 2019: 1-6.
54 Santamaría D, Sánchez A, Martín M. Scaling down analysis of e-methane production: advancing towards distributed manufacturing[J]. Renewable Energy, 2025, 245: 122792.
55 Hanson E, Nwakile C, Hammed V O. Carbon capture, utilization, and storage (CCUS) technologies: evaluating the effectiveness of advanced CCUS solutions for reducing CO2 emissions[J]. Results in Surfaces and Interfaces, 2025, 18: 100381.
56 陈文杰, 曲建升, 黄珂敏. 基于超网络的核心技术识别方法[J]. 图书情报工作, 2024, 68(9): 65-75.
57 肖涵彬, 李明, 田世杰, 等. 碳中和背景下碳捕集、利用与封存技术专利发展研究——基于知识图谱的可视化分析[J]. 热力发电, 2021, 50(12): 122-131.
58 彭雪婷, 吕昊东, 张贤. IPCC AR6报告解读: 全球碳捕集利用与封存(CCUS)技术发展评估[J]. 气候变化研究进展, 2022, 18(5): 580-590.
59 Mohammed R, Rawashdeh J, Abdullah M. Machine learning with oversampling and undersampling techniques: overview study and experimental results[C]// Proceedings of the 11th International Conference on Information and Communication Systems. Piscataway: IEEE, 2020: 243-248.