基于专利文本挖掘的细粒度技术机会分析

doi:10.3772/j.issn.1000-0135.2023.10.006

情报学报

2023, Vol. 42

Issue (10): 1199-1212 DOI: 10.3772/j.issn.1000-0135.2023.10.006

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

基于专利文本挖掘的细粒度技术机会分析

吴柯烨^1,2, 孙建军^1,2, 谢紫悦¹

1.南京大学信息管理学院，南京 210023
2.南京大学数据智能与交叉创新实验室，南京 210023

Research on Fine-Grained Technology Opportunity Analysis Based on Patent Text Mining

Wu Keye^1,2, Sun Jianjun^1,2, Xie Ziyue¹

1.School of Information Management, Nanjing University, Nanjing 210023
2.Laboratory for Data Intelligence and Cross-Innovation of Nanjing University, Nanjing 210023

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (5336 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要新一轮科技革命和产业变革中，技术机会分析在研发管理、企业决策中的战略地位不断攀升。然而，利用传统链路预测指标开展的技术机会分析精度已达到瓶颈，且固有的专家知识无法应对技术创新的动态性和复杂性，难以实现细粒度技术机会识别与分析。鉴于此，本文提出了基于专利文本挖掘的细粒度技术机会分析框架，该框架将专利文本挖掘和图神经网络链路预测法有机结合，将技术机会分析拆分为知识网络构建及演化分析、知识元素链路预测以及技术机会评估与筛选3个研究子任务。实证研究结果表明，利用多维关键词特征构建的知识网络能够完整呈现交叉领域的知识全貌，结合复杂网络指标和时间序列能进一步揭示技术发展脉络，为后续技术机会分析提供方向指引。BERT（bidirectional encoder representations from transformers）模型配合图神经网络方法适用于各技术生命周期的知识元素链路预测任务，相较于传统预测指标，BERT表现出更高的准确率和鲁棒性。经过与多源技术报告的对比评估，证实了基于该框架所析出的9个技术机会与计算机视觉技术发展实际情况相吻合，具备实际研发价值。

	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
	吴柯烨
	孙建军
	谢紫悦

关键词 ：技术机会分析, 文本挖掘, 图神经网络, 链路预测, 多源数据互证

收稿日期: 2022-09-16

基金资助:国家自然科学基金项目“引文扩散理论及实证研究”（18ZDA326）。

作者简介: 吴柯烨，男，1996年生，博士研究生，研究领域为科学计量、技术预测；孙建军，通信作者，男，1962年生，教授，博士生导师，研究领域为网络信息资源管理、大数据分析，E-mail：sjj@nju.edu.cn；谢紫悦，女，1997年生，博士研究生，研究领域为政策计量、文本挖掘；

引用本文:

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.
Wu Keye, Sun Jianjun, Xie Ziyue. Research on Fine-Grained Technology Opportunity Analysis Based on Patent Text Mining. 情报学报, 2023, 42(10): 1199-1212.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2023.10.006 或 https://qbxb.istic.ac.cn/CN/Y2023/V42/I10/1199

1 郭俊芳. 基于语义挖掘的技术创新路径分析与评价方法研究[D]. 北京: 北京理工大学, 2016.
2 Feng L J, Niu Y X, Liu Z F, et al. Discovering technology opportunity by keyword-based patent analysis: a hybrid approach of morphology analysis and USIT[J]. Sustainability, 2020, 12(1): 136.
3 任海英, 赵育慧, 于立婷. 基于知识网络的科学研究机会发现的机理和应用[J]. 情报理论与实践, 2018, 41(11): 89-95.
4 Arthur W B. The nature of technology: what it is and how it evolves[M]. New York: Free Press, 2009.
5 张振刚, 罗泰晔. 基于知识组合理论的技术机会发现[J]. 科研管理, 2020, 41(8): 220-228.
6 Lee C Y. A review of data analytics in technological forecasting[J]. Technological Forecasting and Social Change, 2021, 166: 120646.
7 Cho Y, Han Y J, Hwang J, et al. Identifying technology opportunities for electric motors of railway vehicles with patent analysis[J]. Sustainability, 2021, 13(5): 2424.
8 Ren H Y, Zhao Y H. Technology opportunity discovery based on constructing, evaluating, and searching knowledge networks[J]. Technovation, 2021, 101: 102196.
9 韩晓彤, 朱东华, 汪雪锋. 科学推动下技术机会发现方法研究[J]. 图书情报工作, 2022, 66(10): 19-32.
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 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.
12 Tshitoyan V, Dagdelen J, Weston L, et al. Unsupervised word embeddings capture latent knowledge from materials science literature[J]. Nature, 2019, 571(7763): 95-98.
13 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.
14 苏娜平, 谭宗颖. 技术机会分析方法研究综述与展望[J]. 情报理论与实践, 2020, 43(11): 179-186.
15 Han X T, Zhu D H, Wang X F, et al. Discovering technology opportunities based on the linkage between technology and business areas: matching patents and trademarks[J]. Technology Analysis & Strategic Management, 2023, 35(10): 1324-1340.
16 龚惠群, 刘琼泽, 黄超. 机器人产业技术机会发现研究——基于专利文本挖掘[J]. 科技进步与对策, 2014, 31(5): 70-74.
17 Lee S, Yoon B, Park Y. An approach to discovering new technology opportunities: keyword-based patent map approach[J]. Technovation, 2009, 29(6/7): 481-497.
18 Rodriguez A, Tosyali A, Kim B, et al. Patent clustering and outlier ranking methodologies for attributed patent citation networks for technology opportunity discovery[J]. IEEE Transactions on Engineering Management, 2016, 63(4): 426-437.
19 翟东升, 郭程, 张杰, 等. 采用异常检测的技术机会识别方法研究[J]. 现代图书情报技术, 2016(10): 81-90.
20 Ena O, Mikova N, Saritas O, et al. A methodology for technology trend monitoring: the case of semantic technologies[J]. Scientometrics, 2016, 108(3): 1013-1041.
21 Shibata N, Kajikawa Y, Sakata I. Extracting the commercialization gap between science and technology—case study of a solar cell[J]. Technological Forecasting and Social Change, 2010, 77(7): 1147-1155.
22 黄鲁成, 王静静, 李欣, 等. 基于论文和专利的钙钛矿太阳能电池的技术机会分析[J]. 情报学报, 2016, 35(7): 686-695.
23 Lee J, Ko N, Yoon J, et al. An approach for discovering firm-specific technology opportunities: application of link prediction to F-term networks[J]. Technological Forecasting and Social Change, 2021, 168: 120746.
24 翟东升, 刘鹤, 张杰, 等. 一种基于链路预测的技术机会挖掘方法[J]. 情报学报, 2016, 35(10): 1090-1100.
25 Wu Y W, Ji Y J, Gu F. Identifying firm-specific technology opportunities in a supply chain: link prediction analysis in multilayer networks[J]. Expert Systems with Applications, 2023, 213: 119053.
26 Adamic L A, Adar E. Friends and neighbors on the web[J]. Social Networks, 2003, 25(3): 211-230.
27 Kipf T N, Welling M. Variational graph auto-encoders[OL]. (2016-11-21). https://browse.arxiv.org/pdf/1611.07308.pdf.
28 李晓, 马洁, 贺福初, 等. 神经网络自编码器算法在癌症信息学研究中的应用[J]. 生物工程学报, 2021, 37(7): 2393-2404.
29 巨秉熠. 基于图神经网络预测miRNA-疾病关联关系[D]. 西安: 西安电子科技大学, 2021.
30 李方, 吴国栋, 涂立静, 等. 图自编码器推荐研究综述[J]. 计算机工程与科学, 2022, 44(2): 335-344.
31 张伟斌, 张蒲璘, 苏子毅, 等. 基于自注意力机制与图自编码器的路网交通流数据修复模型[J]. 交通运输系统工程与信息, 2021, 21(4): 90-98.
32 赵超, 谢天, 辛国容, 等. 基于Seq2Seq自编码器模型的交通事故实时检测与评价[J]. 控制与决策, 2022, 37(8): 2141-2148.
33 王竟成, 张勇, 胡永利, 等. 基于图卷积网络的交通预测综述[J]. 北京工业大学学报, 2021, 47(8): 954-970.
34 Lee P C, Su H N, Chan T Y. Assessment of ontology-based knowledge network formation by vector-space model[J]. Scientometrics, 2010, 85(3): 689-703.
35 Rose S, Engel D, Cramer N, et al. Automatic keyword extraction from individual documents[M]// Text Mining: Applications and Theory. Hoboken: John Wiley & Sons, 2010: 1-20.
36 Sharma P, Li Y B. Self-supervised contextual keyword and keyphrase retrieval with self-labelling[OL]. (2019-08-06). https://doi.org/10.20944/preprints201908.0073.v1.
37 AIIA联盟. AI领域专利检索式[EB/OL]. [2022-09-01]. https://gitee.com/AIIAIP/AIPatentSearch.
38 于俊婷, 何宏业, 刘伍颖, 等. ROUGE-SN: 基于跨越N元语法的机器翻译评测方法[J]. 数码设计, 2017, 6(3): 1-5.
39 梁宏, 黎塔. 基于N元文法的领域语法语料扩展算法[C]// 2016年全国声学学术会议论文集. 北京: 中国声学学会, 2016: 603-606.
40 Smith L N. Cyclical learning rates for training neural networks[C]// Proceedings of the 2017 IEEE Winter Conference on Applications of Computer Vision. Piscataway: IEEE, 2017: 464-472.
41 中国移动研究院. 计算机视觉研究报告[R/OL]. (2021-12-22). https://www.digitalelite.cn/h-nd-1984.html.
42 房建武. 计算机视觉发展报告[R/OL]. (2019-04-28). https://zhuanlan.zhihu.com/p/64104497.
43 CCF计算机视觉专委会. 未来5~10年计算机视觉发展趋势[EB/OL]. (2020-05-21). http://blog.itpub.net/29829936/viewspace-2693424/.
44 中国信息通信研究院, 华为技术有限公司, 京东方科技集团股份有限公司. 虚拟(增强)现实白皮书[R/OL]. (2021-03-01). http://www.caict.ac.cn/kxyj/qwfb/bps/202103/t20210330_372624.htm.
45 中国信息通信研究院. 全球自动驾驶战略与政策观察——自动驾驶开启商业化元年[R/OL]. (2022-01-01). http://www.caict.ac.cn/kxyj/qwfb/ztbg/202201/t20220126_396207.htm. 责任编辑冯家琪）