多源数据融合的关键共性技术识别——基于知识图谱和深度学习模型

doi:10.3772/j.issn.1000-0135.2025.12.009

情报学报

2025, Vol. 44

Issue (12): 1610-1620 DOI: 10.3772/j.issn.1000-0135.2025.12.009

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

多源数据融合的关键共性技术识别——基于知识图谱和深度学习模型

仲雨乐¹, 姚占雷^1,2, 许鑫^1,2

1.华东师范大学经济与管理学院，上海 200062
2.商业分析上海市级实验教学示范中心，上海 200062

Multi-Source Data Fusion for Identification of Key Generic Technology: A Knowledge Graph and Deep Learning-Based Approach

Zhong Yule¹, Yao Zhanlei^1,2, Xu Xin^1,2

1.School of Economics and Management, East China Normal University, Shanghai 200062
2.Shanghai Municipal Experimental Teaching Demonstration Center for Business Analytics, Shanghai 200062

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (2083 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要关键共性技术的精准识别是技术创新与发展的关键环节，对产业技术布局和投资决策具有重要意义。本文构建了一套融合多源数据的新型关键共性技术识别方法。首先，围绕关键共性技术的基础特性与关键特征，从通用性、关联性、效益性、基础性和关键性5个维度构建可量化的关键共性技术识别指标体系；其次，整合知识图谱语义表征和检索优势，依托BiLSTM-Attention（bidirectional long short-term memory attention）训练关键共性技术识别模型，采用BERTopic主题聚类归纳形成候选关键共性技术主题清单，进而借助新闻资讯、社交媒体等多源异构数据，引入技术与社会交互影响因素，科学确定关键共性技术；最后，选取电化学储能领域进行实证研究，验证本文方法的有效性。实验结果表明，本文方法能够为各领域的关键共性技术识别提供更具价值的参考，由此进一步科学推动产业战略制定和决策，促进新质生产力形成与发展。

	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
	仲雨乐
	姚占雷
	许鑫

关键词 ：关键共性技术, 技术识别, 知识图谱, 多源数据融合, 深度学习

收稿日期: 2024-12-12

基金资助:上海市人民政府决策咨询华东师范大学研究基地课题“上海推动未来产业高质量发展的创新服务研究”（2023-JD-D04）。

作者简介: 仲雨乐，2001年生，硕士研究生，主要研究方向为科技情报；姚占雷，通信作者，1987年生，硕士，工程师，主要研究方向为科技情报、数智治理，E-mail：zlyao@infor.ecnu.edu.cn；许鑫，1976年生，博士，教授，博士生导师，主要研究方向为信息分析、情报技术；

引用本文:

仲雨乐, 姚占雷, 许鑫. 多源数据融合的关键共性技术识别——基于知识图谱和深度学习模型[J]. 情报学报, 2025, 44(12): 1610-1620.
Zhong Yule, Yao Zhanlei, Xu Xin. Multi-Source Data Fusion for Identification of Key Generic Technology: A Knowledge Graph and Deep Learning-Based Approach. 情报学报, 2025, 44(12): 1610-1620.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2025.12.009 或 https://qbxb.istic.ac.cn/CN/Y2025/V44/I12/1610

1 Liang X, Xie X R. Key generic technology research and development decision-making in Stackelberg competition[J]. AIMS Mathematics, 2023, 8(12): 28833-28857.
2 Li Y Z, Wang J C. Technical development of operational in-situ marine monitoring and research on its key generic technologies in China[J]. Acta Oceanologica Sinica, 2023, 42(10): 117-126.
3 姚占雷, 樊亚鑫, 许鑫. 事件驱动的技术产业化阶段智能识别方法研究[J]. 图书情报工作, 2024, 68(9): 76-88.
4 马永红, 孔令凯, 林超然, 等. 基于专利挖掘的关键共性技术识别研究[J]. 情报学报, 2020, 39(10): 1093-1103.
5 韦景竹, 张桐瑞, 马芷晴. 基于科技报告的关键共性技术识别[J]. 情报杂志, 2025, 44(4): 153-159, 199.
6 陈伟, 林超然, 孔令凯, 等. 基于专利文献挖掘的关键共性技术识别研究[J]. 情报理论与实践, 2020, 43(2): 92-99.
7 单晓红, 郝秀艳, 刘晓燕. 融合技术社会影响力的关键共性技术识别研究[J]. 情报理论与实践, 2022, 45(11): 115-125, 97.
8 苗红, 张惠钊, 林昭颍, 等. 基于专利文本语义距离的跨领域关键共性技术识别方法研究[J]. 情报杂志, 2023, 42(8): 90-95.
9 王秀红, 高敏. 基于BERT-LDA的关键技术识别方法及其实证研究——以农业机器人为例[J]. 图书情报工作, 2021, 65(22): 114-125.
10 付振康, 朱庆华, 柳炳祥, 等. 专利视域下“卡脖子”关键技术识别及突破策略——以OLED技术领域为例[J]. 情报杂志, 2024, 43(5): 106-115.
11 单晓红, 郝秀艳, 刘晓燕. 面向技术多维特征的关键共性技术跨界溢出机理研究[J]. 中国科技论坛, 2024(9): 44-56.
12 虞锡君. 产业集群内关键共性技术的选择——以浙江为例[J]. 科研管理, 2006, 27(1): 80-84.
13 曹旭华, 王富忠, 胡华敏. 浙江省新材料行业关键共性技术的技术预见研究[J]. 科技进步与对策, 2010, 27(16): 46-49.
14 浦墨, 郑彦宁, 赵筱媛, 等. 共性技术识别研究进展[J]. 情报理论与实践, 2014, 37(11): 140-144.
15 李国秋, 范晓婷. 基于专利分析的上汽集团新能源汽车关键技术选择[J]. 现代情报, 2017, 37(10): 122-127, 136.
16 袁思达. 技术预见德尔菲调查中共性技术课题识别研究[J]. 科学学与科学技术管理, 2009, 30(10): 21-26.
17 张乔木. 基于德尔菲调查和聚类分析的关键共性技术预见研究——以山西省新材料行业为例[J]. 科技管理研究, 2017, 37(13): 121-124.
18 郑国雄, 李伟, 刘溉, 等. 基于德尔菲法和层次分析法的“卡脖子”关键技术甄选研究——以生物医药领域为例[J]. 世界科技研究与发展, 2021, 43(3): 331-343.
19 刘静, 胥彦玲, 段菲. 基于PCT专利分析的医药健康产业关键共性技术识别研究[J]. 图书情报导刊, 2023, 8(2): 72-79.
20 刘静, 胥彦玲, 张婧. 基于知识网络特征的产业关键共性技术识别模型与实证研究——以新一代信息技术产业为例[J]. 情报工程, 2024, 10(1): 28-41.
21 胡凯, 谢芬, 杨滨瑜, 等. 基于专利文本挖掘的产业关键共性技术识别与应用研究[J]. 科技管理研究, 2023, 43(8): 21-31.
22 Li G T, Siddharth L, Luo J X. Embedding knowledge graph of patent metadata to measure knowledge proximity[J]. Journal of the Association for Information Science and Technology, 2023, 74(4): 476-490.
23 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.
24 范佳颖, 马艳艳. 企业主导产学研合作与关键共性技术创新——结构性权力的调节效应[J]. 中国科技论坛, 2024(2): 61-70, 93.
25 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.
26 栾春娟. 战略性新兴产业共性技术测度指标研究[J]. 科学学与科学技术管理, 2012, 33(2): 11-16.
27 栾春娟, 王贤文, 侯海燕. 国内外共性技术及其测度研究综述[J]. 科学学与科学技术管理, 2011, 32(4): 37-43.
28 黄鲁成, 张静. 基于专利分析的产业共性技术识别方法研究[J]. 科学学与科学技术管理, 2014, 35(4): 80-86.
29 Ma Y H, Yang X M, Qu S, et al. Characteristics and driving factors of the technology cooperation network evolution: a case study of solid waste treatment field in China[J]. Technology Analysis & Strategic Management, 2023, 35(5): 508-522.
30 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.
31 Lee M C, Chang J W, Yeh S C, et al. Applying attention-based BiLSTM and technical indicators in the design and performance analysis of stock trading strategies[J]. Neural Computing and Applications, 2022, 34(16): 13267-13279.
32 郑德俊, 程为. 基于三维主题特征测度的新兴主题识别研究[J]. 情报学报, 2024, 43(2): 167-180.
33 Wang Z Y, Chen J, Chen J P, et al. Identifying interdisciplinary topics and their evolution based on BERTopic[J]. Scientometrics, 2024, 129(11): 7359-7384.
34 王志强, 李宜展, 李云龙, 等. 基于BERTopic的大科学装置科学研究联合基金资助主题挖掘[J]. 图书情报工作, 2024, 68(24): 104-113.