基于<bold>word2vec</bold>与<bold>LDA</bold>主题模型的技术相似性可视化研究

doi:10.3772/j.issn.1000-0135.2021.09.007

情报学报

2021, Vol. 40

Issue (9): 974-983 DOI: 10.3772/j.issn.1000-0135.2021.09.007

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

基于word2vec与LDA主题模型的技术相似性可视化研究

席笑文¹, 郭颖², 宋欣娜³, 王瑾³

1.中国科学院档案馆，北京 100190
2.中国政法大学商学院，北京 100088
3.北京理工大学管理与经济学院，北京 100081

Research on the Technical Similarity Visualization Based on word2vec and LDA Topic Model

Xi Xiaowen¹, Guo Ying², Song Xinna³, Wang Jin³

1.Archives of Chinese Academy of Sciences, Beijing 100190
2.Business School, China University of Political Science and Law, Beijing 100088
3.School of Management & Economics, Beijing Institute of Technology, Beijing 100081

摘要
图/表
参考文献
相关文章 (8)

全文: PDF (2573 KB) HTML (121 KB)
输出: BibTeX | EndNote (RIS)

摘要技术相似性是企业、组织或国家进行技术情报分析的重要内容，能为其识别潜在竞争关系和合作伙伴提供准确、有效的信息支持。本文针对传统LDA（latent Dirichlet allocation）主题模型忽略专利文本上下文间语义关联的问题，提出了基于word2vec和LDA主题模型的技术相似性可视化研究方法。首先，基于word2vec模型学习特征词在专利文档集合中的上下文语境信息；其次，基于LDA主题模型构建专利权人-专利-技术主题三层概率分布，并将两者融合生成“词粒度”层面的主题向量、专利文档向量及专利权人向量；再次，利用向量相似性指标计算专利权人间的语义相似度，并在此基础上构建能够直观反映专利权人与技术主题关系的二模网络；最后，以NEDD（nano enabled drug delivery）领域为例进行实证研究，证明了该模型在技术相似性测度分析中具有较好的效果。

	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
	席笑文
	郭颖
	宋欣娜
	王瑾

关键词 ： word2vec, LDA主题模型, 技术相似性测度

收稿日期: 2019-06-04

基金资助:国家自然科学基金面上项目“跨越‘死亡之谷’：产学研合作多层复杂网络测度方法与演化预测研究”（71874013）；中国政法大学钱端升杰出学者支持计划资助项目。

作者简介: 席笑文，女，1996年生，硕士，助理馆员，研究方向为技术创新管理；郭颖，女，1984年生，博士，教授，博士生导师，研究方向为技术创新管理、技术评价，E-mail：guoying_bit@163.com；宋欣娜，女，1997年生，硕士研究生，研究方向为技术创新管理；王瑾，女，1996年生，硕士研究生，研究方向为技术创新管；

引用本文:

席笑文, 郭颖, 宋欣娜, 王瑾. 基于word2vec与LDA主题模型的技术相似性可视化研究[J]. 情报学报, 2021, 40(9): 974-983.
Xi Xiaowen, Guo Ying, Song Xinna, Wang Jin. Research on the Technical Similarity Visualization Based on word2vec and LDA Topic Model. 情报学报, 2021, 40(9): 974-983.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2021.09.007 或 https://qbxb.istic.ac.cn/CN/Y2021/V40/I9/974

1 Cloodt M, Hagedoorn J, van Kranenburg H. Mergers and acquisitions: their effect on the innovative performance of companies in high-tech industries[J]. Research Policy, 2006, 35(5): 642-654.
2 Arts S, Cassiman B, Gomez J C. Text matching to measure patent similarity[J]. Strategic Management Journal, 2018, 39(1): 62-84.
3 Jaffe A B. Technological opportunity and spillovers of R&D: evidence from firms' patents, profits and market value[J]. The American Economic Review, 1986, 76(5): 984-1001.
4 Jaffe A B, Trajtenberg M. International knowledge flows: evidence from patent citations[J]. Economics of Innovation and New Technology, 1999, 8(1/2): 105-136.
5 蔡虹, 孙顺成, 陈蓉. 我国与主要创新型国家(地区)技术相似度的测算分析[J]. 西安交通大学学报(社会科学版), 2009, 29(5): 1-6.
6 Kogler D F, Rigby D L, Tucker I. Mapping knowledge space and technological relatedness in US cities[J]. European Planning Studies, 2013, 21(9): 1374-1391.
7 Lai K K, Wu S J. Using the patent co-citation approach to establish a new patent classification system[J]. Information Processing & Management, 2005, 41(2): 313-330.
8 张曦, 王贤文, 刘则渊, 等. 基于专利计量的企业技术相似性网络测度研究[J]. 情报杂志, 2011, 30(1): 90-93.
9 Huang M H, Chiang L Y, Chen D Z. Constructing a patent citation map using bibliographic coupling: a study of Taiwan's high-tech companies[J]. Scientometrics, 2003, 58(3): 489-506.
10 Lo S C. Patent coupling analysis of primary organizations in genetic engineering research[J]. Scientometrics, 2008, 74(1): 143-151.
11 洪勇, 李英敏. 基于专利耦合的企业间技术相似性可视化研究[J]. 科学学研究, 2013, 31(7): 1013-1021.
12 Yoon B, Park Y. A systematic approach for identifying technology opportunities: keyword-based morphology analysis[J]. Technological Forecasting and Social Change, 2005, 72(2): 145-160.
13 彭继东, 谭宗颖. 一种基于文本挖掘的专利相似度测量方法及其应用[J]. 情报理论与实践, 2010, 33(12): 114-118.
14 张端阳, 肖国华, 李文燕. 面向专利集成的专利技术相关性测度方法研究[J]. 情报杂志, 2014, 33(11): 54-61.
15 Li C Z, Guo J Y, Lu Y, et al. LDA meets Word2Vec: a novel model for academic abstract clustering[C]// Companion Proceedings of the Web Conference 2018. Geneva: International World Wide Web Conferences Steering Committee, 2018: 1699-1706.
16 Xu Y H, Guo X T, Hao J X, et al. Combining social network and semantic concept analysis for personalized academic researcher recommendation[J]. Decision Support Systems, 2012, 54(1): 564-573.
17 徐红姣, 曾文, 张运良. 基于Word2vec的论文和专利主题关联演化分析方法研究[J]. 情报杂志, 2018, 37(12): 36-42.
18 张金柱, 于文倩, 刘菁婕, 等. 基于网络表示学习的科研合作预测研究[J]. 情报学报, 2018, 37(2): 132-139.
19 Zhou X, Porter A L, Robinson D K R, et al. Nano-enabled drug delivery: a research profile[J]. Nanomedicine: Nanotechnology, Biology and Medicine, 2014, 10(5): e889-e896.
20 Shrestha S, Wu J, Sah B, et al. X-ray induced photodynamic therapy with copper-cysteamine nanoparticles in mice tumors[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(34): 16823-16828.