基于“问题-方案”句的技术机会发现

doi:10.3772/j.issn.1000-0135.2026.05.008

情报学报

2026, Vol. 45

Issue (5): 724-739 DOI: 10.3772/j.issn.1000-0135.2026.05.008

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

基于“问题-方案”句的技术机会发现

朱建新^1,2, 白文涛^1,2, 刘瑞楠^1,2, 林超然^1,2

1.哈尔滨工程大学经济管理学院，哈尔滨 150001
2.大数据与商务智能技术工业和信息化部重点实验室（哈尔滨工程大学），哈尔滨 150001

Technical Opportunity Discovery Based on “Problem-Solution”Statements

Zhu Jianxin^1,2, Bai Wentao^1,2, Liu Ruinan^1,2, Lin Chaoran^1,2

1.School of Economics and Management, Harbin Engineering University, Harbin 150001
2.Key Laboratory of Big Data and Business Intelligence Technology, Ministry of Industry and Information Technology (Harbin Engineering University), Harbin 150001

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (8382 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要在新一轮国家技术竞争背景下，清晰、完整的技术机会发现成为抢占技术竞争主动权的关键。从发明问题解决理论（theory of inventive problem solving，TRIZ）来看，技术机会发现的核心在于精准定位技术问题及适配的技术方案，但现有方法存在全局语义解析不足、提示词设计缺乏系统迭代优化、链接预测法对完整语义单元挖掘不深等局限。为此，本文提出结果语义清晰、逻辑链条完整的技术机会发现框架。一是依托大语言模型全局语义整合能力，提取兼具精准性、概括性与语义丰富性的技术对象句、问题句与方案句。二是提出“多轮迭代+多维度评估”的提示词优化方法，提升提示词的领域适配性。三是融合TextRank与链接关系统计，通过TextRank筛选技术方案句中的高价值语义单元，并结合链接关系统计，实现技术对象存在的问题句与方案句的精准匹配。同时，将BERT（bidirectional encoder representations from transformers）、GraphSAGE（graph sample and aggregate）与TPE（tree-structured parzen estimator）算法有机结合，以确保链接关系的精准预测。针对飞机发动机领域专利的实证研究结果表明，该框架可有效完善技术机会发现的语义关联与逻辑链条，为创新工作者把握技术前沿、开展创新实践提供方法论指导。

	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
	朱建新
	白文涛
	刘瑞楠
	林超然

关键词 ：技术机会发现, 发明问题解决理论, 大语言模型, 提示词优化, 链接关系

收稿日期: 2025-09-08

基金资助:国家自然科学基金面上项目“数字经济背景下创业投资引导基金赋能科技型中小企业商业模式创新的机制、路径和提升策略研究”（72372039）；国家自然科学基金青年科学基金项目“基于专利数据挖掘的我国芯片产业关键技术研发路径选择研究”（72104064）；海南省重点研发项目“基于大数据与大模型的海南省信用风险预测关键技术与原型系统开发示范”（ZDYF2025SHFZ015）。

作者简介: 朱建新，1971年生，博士，教授，博士生导师，研究方向为技术机会发现；白文涛，1998年生，博士研究生，研究方向为技术机会发现；刘瑞楠，1999年生，博士研究生，研究方向为技术机会发现；林超然，通信作者，1987年生，博士，讲师，硕士生导师，研究方向为技术机会发现，E-mail：linchaoran@hrbeu.edu.cn；

引用本文:

朱建新, 白文涛, 刘瑞楠, 林超然. 基于“问题-方案”句的技术机会发现[J]. 情报学报, 2026, 45(5): 724-739.
Zhu Jianxin, Bai Wentao, Liu Ruinan, Lin Chaoran. Technical Opportunity Discovery Based on “Problem-Solution”Statements. 情报学报, 2026, 45(5): 724-739.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2026.05.008 或 https://qbxb.istic.ac.cn/CN/Y2026/V45/I5/724

1 蔡跃洲. 中国共产党领导的科技创新治理及其数字化转型——数据驱动的新型举国体制构建完善视角[J]. 管理世界, 2021, 37(8): 30-45.
2 Klevorick A K, Levin R C, Nelson R R, et al. On the sources and significance of interindustry differences in technological opportunities[J]. Research Policy, 1995, 24(2): 185-205.
3 任海英, 王倩. 技术机会发现方法的研究现状、趋势和问题[J]. 情报杂志, 2020, 39(4): 51-59.
4 伊惠芳, 刘细文, 陆婕, 等. 基于问题—解决方案(P-S)的技术机会发现研究[J]. 图书情报工作, 2023, 67(17): 102-117.
5 Liang Y H, Tan R H. A text-mining-based patent analysis in product innovative process[C]// Proceedings of the 2nd IFIP International Federation for Information Processing. Boston: Springer, 2008: 89-96.
6 Zhang Y, Zhou X, Porter A L, et al. How to combine term clumping and technology roadmapping for newly emerging science & technology competitive intelligence: “problem & solution” pattern based semantic TRIZ tool and case study[J]. Scientometrics, 2014, 101(2): 1375-1389.
7 Guarino G, Samet A, Cavallucci D. PaTRIZ: a framework for mining TRIZ contradictions in patents[J]. Expert Systems with Applications, 2022, 207: 117942.
8 白如江, 陈启明, 张玉洁, 等. 基于ChatGPT+Prompt的专利技术功效实体自动生成研究[J]. 数据分析与知识发现, 2024, 8(4): 14-25.
9 吴柯烨, 孙建军, 谢紫悦. 基于专利文本挖掘的细粒度技术机会分析[J]. 情报学报, 2023, 42(10): 1199-1212.
10 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.
11 Tiwana S, Horowitz E. Extracting problem solved concepts from patent documents[C]// Proceedings of the 2nd International Workshop on Patent Information Retrieval. New York: ACM Press, 2009: 43-48.
12 Kim K, Park K, Lee S. Investigating technology opportunities: the use of SAOx analysis[J]. Scientometrics, 2019, 118(1): 45-70.
13 杨超, 朱东华, 汪雪锋, 等. 专利技术主题分析: 基于SAO结构的LDA主题模型方法[J]. 图书情报工作, 2017, 61(3): 86-96.
14 李乾瑞, 郭俊芳, 朱东华. 新兴技术创新机会识别方法研究[J]. 中国软科学, 2018(11): 138-147.
15 付芸, 汪雪锋, 李佳, 等. 基于SAO结构的创新解决方案遴选研究——以空气净化技术为例[J]. 图书情报工作, 2019, 63(6): 75-84.
16 冯立杰, 周炜, 王金凤, 等. 基于SAO语义分析的多维技术演化路径与技术创新机会识别研究[J]. 情报学报, 2022, 41(11): 1149-1160.
17 Giordano V, Puccetti G, Chiarello F, et al. Unveiling the inventive process from patents by extracting problems, solutions and advantages with natural language processing[J]. Expert Systems with Applications, 2023, 229: 120499.
18 张玲玲, 黄务兰. 基于ChatGPT API和提示词工程的专利知识图谱构建[J]. 情报杂志, 2025, 44(3): 180-187.
19 景浩, 吴新年, 李慧佳, 等. 基于大语言模型知识蒸馏的领域科学文献多标签自动分类研究[J]. 数据分析与知识发现, 2025, 9(12): 41-52.
20 吴金红, 任晓露, 张欣妍, 等. 基于大语言模型与知识图谱的专利SAO三元组提取方法研究[J]. 情报杂志, 2025, 44(12): 179-186, 178.
21 周贞云, 黄昭昭, 邱均平. 基于LLM与可视化的图数据库专利知识图谱构建及分析[J]. 情报杂志, 2025, 44(10): 155-162, 154.
22 Han X T, Zhu D H, Wang X F, et al. Technology opportunity analysis: combining SAO networks and link prediction[J]. IEEE Transactions on Engineering Management, 2021, 68(5): 1288-1298.
23 Yoon B, Kim S, Kim S, et al. Doc2Vec-based link prediction approach using SAO structures: application to patent network[J]. Scientometrics, 2022, 127(9): 5385-5414.
24 Liu Z F, Feng J, Uden L. Technology opportunity analysis using hierarchical semantic networks and dual link prediction[J]. Technovation, 2023, 128: 102872.
25 Qiao Y L, Zhang S, Chen L. Discovering potential application areas for technologies using function-based SAO semantic analysis: a systematic framework[J]. IEEE Transactions on Engineering Management, 2025, 72: 855-872.
26 童明. 西方文论关键词解构[J]. 外国文学, 2012(5): 90-119, 159.
27 朱丹浩, 黄肖宇, 李堯霖, 等. 基于大语言模型的法律文本的自动摘要方法[J]. 数据分析与知识发现, 2025, 9(6): 35-46.
28 张乐, 许央科, 陈岩松, 等. 大模型主旨增强的图文多模态句子摘要生成方法[J]. 数据分析与知识发现, 2025, 9(9): 60-73.
29 王伟正, 乔鸿, 李肖俊, 等. 大语言模型生成与学者撰写摘要的对比研究——以情报学领域为例[J]. 情报杂志, 2025, 44(8): 180-189.
30 赵又霖, 顾陈娅, 王嘉杰, 等. 技术融合机会识别研究: 关系嵌入和结构嵌入的综合考量[J]. 情报学报, 2025, 44(10): 1315-1328.
31 张金柱, 叶晓宇. 基于结构-功能语义关联的技术机会识别研究[J]. 情报科学, 2024, 42(8): 164-173.
32 夏天. 词向量聚类加权TextRank的关键词抽取[J]. 数据分析与知识发现, 2017, 1(2): 28-34.
33 李旭晖, 周怡. 基于语义聚类的关键词抽取方法[J]. 情报科学, 2022, 40(3): 99-108.
34 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.
35 Ren H X, Kokai G F, Turner W J, et al. ParaGraph: layout parasitics and device parameter prediction using graph neural networks[C]// Proceedings of the 57th ACM/EDAC/IEEE Design Automation Conference. Piscataway: IEEE, 2020: Article No.124.
36 Liu Z F, Feng J, Uden L. From technology opportunities to ideas generation via cross-cutting patent analysis: application of generative topographic mapping and link prediction[J]. Technological Forecasting and Social Change, 2023, 192: 122565.
37 郭永辉, 冯媛, 陈薪宇, 等. 航空发动机关键核心技术突破的能力重构路径研究[J]. 科研管理, 2025, 46(3): 81-90.
38 陈伟, 林超然, 李金秋, 等. 基于LDA-HMM的专利技术主题演化趋势分析——以船用柴油机技术为例[J]. 情报学报, 2018, 37(7): 732-741.
39 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.
40 陈旭, 江瑶, 熊焰, 等. 基于专利维度的关键核心技术“卡脖子”问题识别与分析——以集成电路产业为例[J]. 情报杂志, 2023, 42(8): 83-89, 19.
41 胡忠义, 税典程, 吴江. 基于大模型微调的生成式文献层次分类标引[J]. 情报学报, 2025, 44(4): 425-437.
42 张彪, 陈云伟, 董坤. 基于链路预测与多维指标的企业技术机会发现方法研究[J]. 数据分析与知识发现, 2024, 8(7): 137-148.