基于专利IPC分类与文本信息的前沿技术演进分析——以人工智能领域为例

发布时间：2021-07-23 03:09

　　文章采用技术生命周期曲线判断技术发展阶段,通过多维尺度分析法结合K-means算法,以专利IPC号为基础,结合Pearson相关系数,对专利差异性矩阵进行专利技术聚类;对技术集群从技术影响力、技术范围、技术保护、扩散指数、专利家族数量5个维度进行技术评价;综合孔多塞投票法和文本挖掘技术,进行前沿技术集群的命名与比较;引入时间维度,最终得到前沿技术演进图。通过对人工智能领域进行实证分析,验证了方法的可行性和有效性,并最终得到近5年的10类前沿技术,包括神经网络、语音识别与自然语言处理、计算机视觉与图像识别、机器人、智能系统、人机交互、虚拟现实、汽车自动驾驶、生物特征识别、智能制造。 

【文章来源】：情报理论与实践. 2020,43(04)北大核心CSSCI

【文章页数】：7 页

【部分图文】：

研究框架

3)快速成长阶段(2011年至今),人工智能领域专利申请人数和专利申请数量均增长迅速,说明相关技术有了较大突破,隐含的经济价值开始显现,参与的研究机构不断增多,相应的专利产出也提高了。受益于移动互联网、大数据、云计算、深度神经网络等技术的繁荣,极大提高了数据量和计算能力,推动人工智能研究迎来第三次发展浪潮。很显然,近5年人工智能领域处于快速成长阶段,符合本文对研究领域的要求。3.2 专利技术聚类

图3是2014年多维尺度分析结果,其正态化原始应力=0.8052<0.1,离散所占百分比=0.91948>0.8,说明多维尺度分析结果显著有效。从图3可见,2014年人工智能领域专利技术可划分为7类。同理,依次得到2015年、2016年、2017年、2018年的多维尺度分析结果,并确定各年的技术类别数量分别为6、7、8、7。根据各年所得的技术类别数,来设置K-means聚类中的K值,分别得到各年份的专利技术集群。3.3 专利技术评价


本文编号：3298467