基于专利文本深度语义信息挖掘的颠覆性技术识别及预测研究

doi:10.3772/j.issn.1000-0135.2025.12.006

情报学报

2025, Vol. 44

Issue (12): 1566-1579 DOI: 10.3772/j.issn.1000-0135.2025.12.006

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

基于专利文本深度语义信息挖掘的颠覆性技术识别及预测研究

吴雷, 周书发, 林超然

哈尔滨工程大学经济管理学院，哈尔滨 150001

Research on Disruptive Technology Identification and Prediction Based on Deep Semantic Information Mining of Patent Texts

Wu Lei, Zhou Shufa, Lin Chaoran

School of Economics and Management, Harbin Engineering University, Harbin 150001

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (5760 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要颠覆性技术是推动经济发展和科技创新的关键力量，准确识别颠覆性技术对制定政策、突破技术封锁具有重要意义。然而，当前颠覆性技术识别研究存在两点不足，一是，忽视了技术主题在专利数据中的活跃度与发展趋势，即“主题强度”的量化分析；二是，缺乏基于专利文本语义的深度挖掘分析与潜在颠覆性特征的有效识别。本文提出一种组合方法，使用BERTopic算法进行主题聚类，并计算主题强度，测度技术主题的突变性；使用DTM（dynamic topic model）得到各个主题在不同年份的分布情况，运用BERT（bidirectional encoder representations from transformers）大语言模型计算技术主题间相似度，结合Otsu法和分位数法计算阈值，测度技术主题的新颖性。最后，以集成电路产业为例，应用上述组合方法分析集成电路产业中的颠覆性技术，并结合Attention-based LSTM（long short-term memory）模型进行预测。对比实验结果表明，本文提出的方法因充分考虑了深度语义信息，能更有效地识别近期涌现的颠覆性技术，而且预测模型的准确性与适用性均有显著提升，可为相关领域的科技决策提供更为可靠的情报支持。

	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
	吴雷
	周书发
	林超然

关键词 ：颠覆性技术, 突变性, 新颖性, 专利语义信息, 技术识别

收稿日期: 2025-03-31

基金资助:国家社会科学基金一般项目“‘双链融合’视角下IC产业关键核心技术甄别及突破研究”（23BGL076）。

作者简介: 吴雷，1980年生，博士，副研究员，硕士生导师，研究方向为技术创新与知识产权管理；周书发，2001年生，硕士，研究方向为技术创新与知识产权管理；林超然，通信作者，1987年生，博士，副教授，硕士生导师，研究方向为技术创新与知识产权管理，E-mail：linchaoran@hrbeu.edu.cn；

引用本文:

吴雷, 周书发, 林超然. 基于专利文本深度语义信息挖掘的颠覆性技术识别及预测研究[J]. 情报学报, 2025, 44(12): 1566-1579.
Wu Lei, Zhou Shufa, Lin Chaoran. Research on Disruptive Technology Identification and Prediction Based on Deep Semantic Information Mining of Patent Texts. 情报学报, 2025, 44(12): 1566-1579.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2025.12.006 或 https://qbxb.istic.ac.cn/CN/Y2025/V44/I12/1566

1 黄先海, 孙涌铭, 陈梦涛. 企业数字化转型与颠覆性技术创新——来自专利网络与SBERT模型的微观证据[J]. 中国工业经济, 2024(10): 137-154.
2 刘阳, 冯阔, 俞峰. 新发展格局下中国产业链高质量发展面临的困境及对策[J]. 国际贸易, 2022(9): 20-29, 40.
3 李莉, 彭现科, 曹晓阳, 等. 颠覆性技术形成产业的创新生态系统——以石墨烯产业为例[J]. 科技管理研究, 2024, 44(21): 11-19.
4 Sommarberg M, M?kinen S J. A method for anticipating the disruptive nature of digitalization in the machine-building industry[J]. Technological Forecasting and Social Change, 2019, 146: 808-819.
5 刘志辉, 张均胜, 林毅, 等. 基于隐性知识的潜在颠覆性技术评估方法研究[J]. 情报学报, 2021, 40(12): 1271-1278.
6 Kim J, Park Y, Lee Y. A visual scanning of potential disruptive signals for technology roadmapping: investigating keyword cluster, intensity, and relationship in futuristic data[J]. Technology Analysis & Strategic Management, 2016, 28(10): 1225-1246.
7 白光祖, 郑玉荣, 吴新年, 等. 基于文献知识关联的颠覆性技术预见方法研究与实证[J]. 情报杂志, 2017, 36(9): 38-44.
8 王知津, 周鹏, 韩正彪. 基于情景分析法的技术预测研究[J]. 图书情报知识, 2013(5): 115-122.
9 Liu X W, Wang X Z, Lyu L C, et al. Identifying disruptive technologies by integrating multi-source data[J]. Scientometrics, 2022, 127(9): 5325-5351.
10 李乾瑞, 郭俊芳, 黄颖, 等. 基于突变-融合视角的颠覆性技术主题演化研究[J]. 科学学研究, 2021, 39(12): 2129-2139.
11 宋永辉, 马廷灿, 岳名亮, 等. 基于文献计量的负责任研究与创新领域国际研究现状、演化路径及关键内容分析[J]. 科技管理研究, 2023, 43(8): 82-92.
12 季丹, 郭政. 破坏性创新: 概念、比较与识别[J]. 经济与管理, 2009, 23(5): 16-20.
13 Hang C C, Chen J, Yu D. An assessment framework for disruptive innovation[J]. Foresight, 2011, 13(5): 4-13.
14 Martino J P. A review of selected recent advances in technological forecasting[J]. Technological Forecasting and Social Change, 2003, 70(8): 719-733.
15 Momeni A, Rost K. Identification and monitoring of possible disruptive technologies by patent-development paths and topic modeling[J]. Technological Forecasting and Social Change, 2016, 104: 16-29.
16 苏敬勤, 刘建华, 王智琦, 等. 颠覆性技术的演化轨迹及早期识别——以智能手机等技术为例[J]. 科研管理, 2016, 37(3): 13-20.
17 马永红, 孔令凯, 林超然, 等. 基于异构数据的颠覆性技术识别研究——以智能制造装备领域为例[J]. 现代情报, 2022, 42(7): 92-104.
18 单晓红, 韩晟熙, 刘晓燕. 基于技术主题演化的颠覆性技术识别研究[J]. 情报理论与实践, 2023, 46(8): 113-123.
19 许佳琪, 汪雪锋, 陈虹枢, 等. 跨领域颠覆性技术主题识别研究——以脑科学技术为例[J]. 图书情报工作, 2024, 68(15): 44-57.
20 李乾瑞, 郭俊芳, 黄颖, 等. 基于专利计量的颠覆性技术识别方法研究[J]. 科学学研究, 2021, 39(7): 1166-1175.
21 马荣康, 王艺棠. 基于专利相似度的突破性技术发明识别研究——以纳米技术为例[J]. 科研管理, 2021, 42(5): 153-160.
22 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.
23 Christensen C M. The innovator’s dilemma: when new technologies cause great firms to fail[M]. Boston: Harvard Business School Press, 1997.
24 Danneels E. Disruptive technology reconsidered: a critique and research agenda[J]. Journal of Product Innovation Management, 2004, 21(4): 246-258.
25 Nagy D, Schuessler J, Dubinsky A. Defining and identifying disruptive innovations[J]. Industrial Marketing Management, 2016, 57: 119-126.
26 黄鲁成, 蒋林杉, 吴菲菲. 萌芽期颠覆性技术识别研究[J]. 科技进步与对策, 2019, 36(1): 10-17.
27 王超, 许海云, 方曙. 颠覆性技术识别与预测方法研究进展[J]. 科技进步与对策, 2018, 35(9): 152-160.
28 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.
29 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.
30 Sun X L, Chen N, Ding K. Measuring latent combinational novelty of technology[J]. Expert Systems with Applications, 2022, 210: 118564.
31 Koc T, Bozdag E. Measuring the degree of novelty of innovation based on Porter’s value chain approach[J]. European Journal of Operational Research, 2017, 257(2): 559-567.
32 Ama?zo Y E. Technology breakthrough and mutability management: market disruption with disruptive innovation[M]// Disruptive Technologies, Innovation and Global Redesign: Emerging Implications. Hershey: Idea Group, 2012: 81-106.
33 Xu H Y, Winnink J, Wu H W, et al. Using the catastrophe theory to discover transformative research topics[J]. Research Evaluation, 2022, 31(1): 61-79.
34 陈育新, 李健, 韩毅. 核心—边缘理论视角下的颠覆性技术识别研究[J]. 情报理论与实践, 2022, 45(8): 121-129.
35 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.
36 李晓龙, 鲁平, 李存斌. 基于Delphi和DEMATEL法影响国网的颠覆性创新技术影响因素综合排序分析[J]. 科技管理研究, 2017, 37(6): 127-133.
37 Walsh S T, Boylan R L, McDermott C, et al. The semiconductor silicon industry roadmap: epochs driven by the dynamics between disruptive technologies and core competencies[J]. Technological Forecasting and Social Change, 2005, 72(2): 213-236.
38 陈育新, 卢俊, 韩毅. 基于专利文献的颠覆性技术识别研究——以人工智能为例[J]. 情报学报, 2022, 41(11): 1124-1133.
39 冯立杰, 秦浩, 王金凤, 等. 融合专利数据与社交媒体数据的潜在颠覆性技术识别——基于深度学习模型[J]. 情报学报, 2024, 43(2): 181-197.
40 Dotsika F, Watkins A. Identifying potentially disruptive trends by means of keyword network analysis[J]. Technological Forecasting and Social Change, 2017, 119: 114-127.
41 谭晓, 西桂权, 苏娜, 等. 科学—技术—项目联动视角下颠覆性技术识别研究[J]. 情报杂志, 2023, 42(2): 82-91.
42 袭希, 王策, 余乐安, 等. 技术融合视角下颠覆性技术的动态预测——以虚拟现实专利为例[J]. 系统管理学报, 2025, 34(3): 682-696.
43 王萌萌, 吴艾晗, 邓琨升, 等. 基于学科交叉驱动的颠覆性技术预测研究[J]. 情报杂志, 2025, 44(3): 72-80, 138.
44 李牧南, 赖华鹏, 王良, 等. 基于主题强度突变检测的颠覆性技术识别[J]. 情报杂志, 2023, 42(12): 111-118.
45 Killick R, Eckley I A. changepoint: an R package for changepoint analysis[J]. Journal of Statistical Software, 2014, 58(3):1-19.
46 杨思洛, 江曼, 高强. 基于知识重组和变异的技术新颖性评估——以数字医疗技术为例[J]. 数据分析与知识发现, 2023, 7(12): 52-63.
47 Devlin J, Chang M W, Lee K, et al. BERT: pre-training of deep bidirectional transformers for language understanding[C]// Proceedings of the 2019 Conference on the North American Chapter of the Association for Computational Linguistics. Stroudsburg: Association for Computational Linguistics, 2019: 4171-4186.
48 胡泽文, 王梦雅, 韩雅蓉. 基于LDA2Vec-BERT的新兴技术主题多维指标识别与演化分析研究——以颠覆性技术领域: 区块链为例[J]. 现代情报, 2024, 44(9): 42-58.
49 Ng H F, Kheng C W, Lin J M. A weighting scheme for improving Otsu method for threshold selection[J]. Journal of Computers, 2016, 27(2): 12-21.
50 Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.
51 Bahdanau D, Cho K, Bengio Y. Neural machine translation by jointly learning to align and translate[OL]. (2016-05-19). https://arxiv.org/pdf/1409.0473.
52 Stegner J, Fischer M, Gropp S, et al. A multi-frequency MEMS-based RF oscillator covering the range from 11.7 MHz to 1.9 GHz[C]// Proceedings of the 2018 IEEE/MTT-S International Microwave Symposium. Piscataway: IEEE, 2018: 575-578.
53 Stegner J, Gropp S, Podoskin D, et al. An analytical temperature-dependent design model for contour-mode MEMS resonators and oscillators verified by measurements[J]. Sensors, 2018, 18(7): 2159.
54 Balaji G N, Shanmugavadivu P, Malini P, et al. 16nm CMOS technology based fast ring oscillator for fast computing and mathematical applications[C]// Proceedings of the 3rd International Conference on Computing Methodologies and Communication. Piscataway: IEEE, 2019: 1186-1190.
55 Palmer R, Whelan D, Bodine D, et al. The need for spectrum and the impact on weather observations[J]. Bulletin of the American Meteorological Society, 2021, 102(7): E1402-E1407.
56 ?engül M, Trabert J, Blau K, et al. Power transfer networks at RF frequencies “new design procedures with implementation roadmap”[C]// Proceedings of the 2006 IEEE International Symposium on Circuits and Systems. Piscataway: IEEE, 2006: 1768-1771.
57 Avramouli M, Savvas I, Garani G, et al. Quantum machine learning: current state and challenges[C]// Proceedings of the 25th Pan-Hellenic Conference on Informatics. New York: ACM Press, 2021: 397-402.
58 Barnes P W. MEMS device sealing in a high vacuum atmosphere achieving long term reliable vacuum levels[C]// Proceedings of the 43rd International Symposium on Microelectronics. Pittsburgh: IMAPS, 2010: 715-719.