基于专利文献的多指标新兴技术识别研究

发布时间：2021-10-31 19:45

　　[目的/意义]对新兴技术进行识别,有助于跟踪新兴技术的最新发展动态,为国家、企业、学术界提供最新的情报。[方法/过程]以专利数据为基础,利用文献计量学和文本挖掘方法对纳米载药系统领域进行了新兴技术识别。首先,确定了识别体系中的四个指标:新颖性、持久性、社区性、增长性,并为四个指标设定了相应的筛选条件。与前人研究相比,考虑了主题扩散和不同数据集增长模式的差异,使筛选条件更为完善;通过引入新兴分数和LDA主题模型分别得到了新兴术语和新兴主题,实现了在术语和主题两个层面对新兴技术的识别;使用指标验证法对得到的新兴术语进行了验证,并与前人研究方法进行了对比。[结果/结论]结果表明,该方法优化了现有的新兴技术识别模型。 

【文章来源】：情报杂志. 2020,39(06)北大核心CSSCI

【文章页数】：7 页

【部分图文】：

新兴技术识别模型

本文参考Rotolo[10]提出的新兴属性随时间变化的趋势图,绘出4个指标随时间变化的S形曲线如图2所示。可知,在新兴过程中,持久性和社区性随时间增长越来越明显,新颖性和增长性在前期表现突出,随时间的增长而减弱。1.2 指标筛选条件的确定

本文不只从术语出现记录数的变化进行直接筛选[9],而且考虑术语所在的主题扩散变化来进行筛选。为了方便后续计算,我们首先要得到每年的主题-词语分布以追踪术语的主题扩散情况。本文使用LDA主题模型来得到主题-词语分布结果。LDA(Latent Dirichlet Allocation)是由Blei[21]提出的包含词、主题和文档的三层贝叶斯主题模型;每一篇文档代表了一些主题所构成的一个概率分布,而每一个主题代表了很多单词所构成的一个概率分布。为了确定主题的最佳个数,本文采用困惑度作为评测指标[22],确定本文中每年的文档最佳主题数为K=10。通过将每年的语料库导入LDA主题模型中,可得到每年的10个主题-词语分布情况,进而追踪术语在10年里的主题扩散情况,为筛去不满足增长性标准(公式(6))的术语做准备。得到术语主题扩散情况之后,即可直接对四个属性指标的筛选条件进行计算。

【参考文献】：
期刊论文
[1]国外新兴研究话题发现研究综述[J]. 卢超,侯海燕,Ding Ying,章成志.  情报学报. 2019(01)
[2]基于LDA和战略坐标的专利技术主题分析——以石墨烯领域为例[J]. 伊惠芳,吴红,马永新,冀方燕.  情报杂志. 2018(05)
[3]从文献分析看纳米载药技术领域的发展重点[J]. 姜菁菁,郭超,谭永宜.  山东化工. 2016(05)
[4]新兴技术的扫描监测——美国“科学论述的预测解读”项目综述[J]. 胡开博,陈丽萍.  情报理论与实践. 2015(08)
[5]基于动态LDA主题模型的内容主题挖掘与演化[J]. 胡吉明,陈果.  图书情报工作. 2014(02)
[6]利用专利文献识别新兴技术主题的技术框架研究[J]. 王凌燕,方曙,季培培.  图书情报工作. 2011(18)
[7]基于ANP的新技术产业化潜力评价研究[J]. 黄鲁成,王吉武,卢文光.  科学学与科学技术管理. 2007(04)

硕士论文
[1]新兴技术管理策略研究[D]. 魏国平.浙江大学 2006



本文编号：3468741