基于专利数据挖掘的技术融合识别与技术机会预测研究——以电动汽车产业为例
发布时间：2022-01-25 14:09
从技术融合的角度识别产业未来的技术机会可以帮助企业及时调整研发战略,更加高效地开展研发工作。因此,本文基于专利数据挖掘技术构建了一种技术融合识别预测模型。模型通过Apriori算法构造IPC共现网络,应用Louvain聚类算法将网络划分为不同的技术社群,并基于LDA主题模型发掘各社群的技术主题,通过构建"社群融合潜能"和"技术融合价值"两项指标评估了社群弱关系的融合价值,并将融合价值较高的弱关系组成技术融合预测网络,通过提取主题词来发掘未来的技术机会。本文以电动汽车产业为例对该模型进行了实证。
【文章来源】：图书馆杂志. 2019,38(10)北大核心CSSCI
【文章页数】：12 页
【部分图文】：
电动汽车IPC共现网络
槎萉等于0.3083，Q值大于0.3，表明该社群结构是显著的。从图中可以看到，所有节点被划分成了3个不同的社群，分别用蓝、黄、绿3种颜色标识，各社群的具体节点见表5。2.2基于LDA的社群技术主题挖掘在得到IPC共现网络的各个技术社群后，笔者利用LDA模型识别每个技术社群所隐含的技术主题。LDA模型即隐含狄利克雷模型，是一种效果较好的概率主题分布模型，在2003年由Blei等人提出[19]。在识别各技术社群所隐含的技术主题时，首先要遍历专利数据集，将各篇专利文献归入不同的技术社群，分配依据为：若一篇文献图3电动汽车IPC社群网络慎金花闫倩倩孙乔宣万召侗：基于专利数据挖掘的技术融合识别与技术机会预测研究——以电动汽车产业为例ShenJinhua,YanQianqian,SunQiaoxuan,WanZhaodong:ResearchonTechnologyFusionRecognitionandTechnologyOpportunityPredictionBasedonPatentDataMining99
00521*0.500.50*0.42080.6753=0.6231。3.4未来技术机会发现为发掘多技术融合所蕴含的技术机会，在计算完毕各弱关系的技术融合价值后，取排名靠前的弱关系组成技术融合预测网络。该预测网络可能由一个或多个相对独立的子网络所组成，以各个子网络为研究对象，分析其网络结构，并再次应用LDA算法对子网络所对应的专利文献进行主题挖掘，即可发现多技术融合所带来的技术机会。将表8所示的4条弱关系，即G05D003-B60L011、G05D001-B60L011、G06F007-B60L011和G06F017-B60L011组成融合预测网络，得到图5所示的结果，该网络中不包含独立的子网络，由B60L011连接其他四个节点形成一个整体。对预测网络所对应的39篇专利文献应用LDA进行主题词提取，将主题数设为1，排除一些通用词后，最终得到30个主题词如表9所示。图5融合预测网络结合主题词及主题词对应的专利文献来看，所预测技术融合的主题主要涉及：通过对监测（monitoring、measurement）得到的数据信号（value、data、signal/signals）的计算或预测处理（threshold、limit、receiving、input、output、determined、point、feed、difference、calculated、forecast），基于用户（user、driver）请求（demand、required、request）或其他目标指令（target、instruction、command），根据不同的条件因素（condition、factor），如位置、路线（position、route）等因素，执行不同的响应或控制（response、control）操作，如超驰控制（override）、换挡（shif）、减速/刹车（deceleration、breaking）、充电控制（charge）、牵引力控制（traction）、启动/停止控制（start/starting、stop）、语音提醒（sound、artificial）等。其具体应用包括，电动车辆行
【参考文献】：
期刊论文
[1]技术融合视角下新兴技术识别研究[J]. 周磊,杨威,王芮. 科技进步与对策. 2018(15)
[2]基于专利挖掘的突破性创新识别框架研究[J]. 周磊,杨威,张玉峰. 情报理论与实践. 2016(09)
[3]竞争情报视角下突破性创新的识别思路[J]. 周磊,杨威. 情报杂志. 2015(01)
[4]IPC聚类分析与TRIZ相结合的专利群规避设计方法与应用[J]. 江屏,王川,孙建广,檀润华. 机械工程学报. 2015(07)
[5]基于专利共类的信息与生物技术融合趋势分析[J]. 黄鲁成,黄斌,吴菲菲,苗红. 情报杂志. 2014(08)
硕士论文
[1]基于LDA模型的专利文本分类及演化研究[D]. 勒孚刚.江西理工大学 2017
[2]复杂网络中社团发现算法的研究[D]. 马瑞琼.电子科技大学 2015
本文编号：3608676
【文章来源】：图书馆杂志. 2019,38(10)北大核心CSSCI
【文章页数】：12 页
【部分图文】：
电动汽车IPC共现网络
槎萉等于0.3083，Q值大于0.3，表明该社群结构是显著的。从图中可以看到，所有节点被划分成了3个不同的社群，分别用蓝、黄、绿3种颜色标识，各社群的具体节点见表5。2.2基于LDA的社群技术主题挖掘在得到IPC共现网络的各个技术社群后，笔者利用LDA模型识别每个技术社群所隐含的技术主题。LDA模型即隐含狄利克雷模型，是一种效果较好的概率主题分布模型，在2003年由Blei等人提出[19]。在识别各技术社群所隐含的技术主题时，首先要遍历专利数据集，将各篇专利文献归入不同的技术社群，分配依据为：若一篇文献图3电动汽车IPC社群网络慎金花闫倩倩孙乔宣万召侗：基于专利数据挖掘的技术融合识别与技术机会预测研究——以电动汽车产业为例ShenJinhua,YanQianqian,SunQiaoxuan,WanZhaodong:ResearchonTechnologyFusionRecognitionandTechnologyOpportunityPredictionBasedonPatentDataMining99
00521*0.500.50*0.42080.6753=0.6231。3.4未来技术机会发现为发掘多技术融合所蕴含的技术机会，在计算完毕各弱关系的技术融合价值后，取排名靠前的弱关系组成技术融合预测网络。该预测网络可能由一个或多个相对独立的子网络所组成，以各个子网络为研究对象，分析其网络结构，并再次应用LDA算法对子网络所对应的专利文献进行主题挖掘，即可发现多技术融合所带来的技术机会。将表8所示的4条弱关系，即G05D003-B60L011、G05D001-B60L011、G06F007-B60L011和G06F017-B60L011组成融合预测网络，得到图5所示的结果，该网络中不包含独立的子网络，由B60L011连接其他四个节点形成一个整体。对预测网络所对应的39篇专利文献应用LDA进行主题词提取，将主题数设为1，排除一些通用词后，最终得到30个主题词如表9所示。图5融合预测网络结合主题词及主题词对应的专利文献来看，所预测技术融合的主题主要涉及：通过对监测（monitoring、measurement）得到的数据信号（value、data、signal/signals）的计算或预测处理（threshold、limit、receiving、input、output、determined、point、feed、difference、calculated、forecast），基于用户（user、driver）请求（demand、required、request）或其他目标指令（target、instruction、command），根据不同的条件因素（condition、factor），如位置、路线（position、route）等因素，执行不同的响应或控制（response、control）操作，如超驰控制（override）、换挡（shif）、减速/刹车（deceleration、breaking）、充电控制（charge）、牵引力控制（traction）、启动/停止控制（start/starting、stop）、语音提醒（sound、artificial）等。其具体应用包括，电动车辆行
【参考文献】：
期刊论文
[1]技术融合视角下新兴技术识别研究[J]. 周磊,杨威,王芮. 科技进步与对策. 2018(15)
[2]基于专利挖掘的突破性创新识别框架研究[J]. 周磊,杨威,张玉峰. 情报理论与实践. 2016(09)
[3]竞争情报视角下突破性创新的识别思路[J]. 周磊,杨威. 情报杂志. 2015(01)
[4]IPC聚类分析与TRIZ相结合的专利群规避设计方法与应用[J]. 江屏,王川,孙建广,檀润华. 机械工程学报. 2015(07)
[5]基于专利共类的信息与生物技术融合趋势分析[J]. 黄鲁成,黄斌,吴菲菲,苗红. 情报杂志. 2014(08)
硕士论文
[1]基于LDA模型的专利文本分类及演化研究[D]. 勒孚刚.江西理工大学 2017
[2]复杂网络中社团发现算法的研究[D]. 马瑞琼.电子科技大学 2015
本文编号：3608676
本文链接：https://www.wllwen.com/jingjilunwen/chanyejingjilunwen/3608676.html
