数智赋能下技术挖掘的新理论与新方法研究

　　数智赋能技术挖掘将大数据、人工智能、深度学习、自然语言处理等一系列“数智技术”拓展、应用和改进到技术挖掘中，提高多种技术挖掘任务的准确性、可解释性和多样性，创新技术挖掘的研究理论和方法，支撑需求驱动的管理决策向数智驱动的管理决策转变。目前，技术挖掘的方法和技术已经取得一定进展，但仍存在一些问题需要通过数智赋能形成新理论与新方法来解决，以提升技术挖掘的效果，使技术挖掘更加准确，更能适应时代需求，更好地提供决策支持服务。这些问题主要包括：对文本信息利用不够全面，不能从细粒度的角度挖掘文本中知识单元及知识间的语义关联；挖掘方法准确性尚需提高，需要结合人工来分析，自动化程度不够，分析效率还需提升；使用的数据源及方法分析维度较为单一，尚未将多源数据与多种方法结合以进行全面分析。因此，如何将数智赋能新理论和方法与传统技术挖掘方法相结合，形成新的研究视角、研究方法及研究框架，从不同层面深度挖掘潜在知识，从而促进技术创新，辅助管理决策，是当前研究亟待解决的重要问题。基于此，本书引入多种数智技术赋能技术挖掘，形成一系列新理论和新方法，从技术主题演化路径识别、技术主题演化语义关联发现、技术融合关系预测、技术融合价值评估和新兴技术识别等方面开展系列研究，主要包括以下内容。①实体语义表示技术挖掘：数智赋能下的技术主题演化路径识别（第3 章）。数智赋能下，知识单元抽取和表示已经从词汇粒度转向更具体的实体粒度，从浅层语义表示转向深层语义表示。首先，该部分总结“实体语义表示”赋能技术主题演化路径识别的理论、方法和技术。其次，综述研究基础，发现实体语义表示能更准确地识别技术主题演化路径，其结果更具可解释性。最后，设计BiLSTM-CRF 模型抽取专利技术实体，提出基于专利实体语义表示的主题演化路径识别方法，合并表示形式不同但语义相同的实体，识别主题之间的消亡、新生、合并、分化和发展等主题演化关系，并在无人机领域进行实证和可视化分析。数智技术“实体语义表示”赋能技术主题演化路径识别，能够更准确地识别技术主题演化路径，使结果更具可解释性，有利于管理人员和科研工作者准确掌握技术更迭演进过程，做出科学决策。②实体关系抽取技术挖掘：数智赋能下的技术主题演化语义关联发现（第4 章）。数智赋能下，知识关联发现逐渐从词汇外层配对转向词义内层匹配，从比较笼统的共现关系分析转向更加具体微观的细粒度语义关联发现。首先，该部分总结“实体关系抽取”赋能技术主题演化语义关联发现的理论、方法和技术。其次，综述研究基础，发现实体关系抽取能更细粒度地发现技术主题之间的语义关联，更利于解释演化发生的成因。最后，设计实体关系抽取方法，研究主题演化语义关系判别指标，提出基于实体关系抽取的技术主题演化语义关联发现方法，并在无人机领域进行可视化分析，对演化成因进行解读。数智技术“实体关系抽取”赋能技术主题演化语义关联发现，深化了主题演化路径研究，有助于发掘技术演化成因，有利于把握技术演化规律和发展态势，选准优势发展方向。③复杂网络技术挖掘：数智赋能下的技术融合关系预测（第5 章）。数智赋能下，复杂网络能有效融合网络结构与文本内容，使技术融合关系预测更加全面准确。首先，该部分总结“复杂网络”赋能技术融合关系预测的理论、方法和技术。其次，综述研究基础，发现复杂网络有利于计算专利分类间的关联强度，据此能够将专利文本内容更精确地分配给对应的专利分类，实现更准确的技术融合关系预测。最后，融合多种网络结构和文本特征，形成多种相似性指标，提出基于复杂网络的技术融合关系预测方法，并在物联网领域进行了实证分析。数智技术“复杂网络”赋能技术融合关系预测，能更准确、更全面地预测技术融合可能发生的领域、方向和主题，并使结果更具可解释性，有利于科研管理人员把握科研领域前沿动态。④机器学习技术挖掘：数智赋能下的技术融合价值评估（第6 章）。技术融合价值评估逐渐从定性评估转向流程化、规范化的智能化定量评估。首先，该部分总结“机器学习”赋能技术融合价值评估的理论、方法和技术。其次，综述研究基础，发现机器学习能够融合多种指标，不仅能够判断哪些技术融合具有价值，还能定量评估价值是多少。最后，构建技术知识流动网络，设计影响力和成长潜力等指标，提出基于机器学习的技术融合价值评估方法，并在物联网领域定量评估技术融合价值，对结果进行分析解释。数智技术“机器学习”赋能技术融合价值评估，能够从多角度出发，综合、定量地对技术融合价值进行计算，有利于行业研究者综合考量技术融合的经济价值与技术价值，准确把握研发重点。⑤深度学习多源数据技术挖掘：数智赋能下的新兴技术识别（第7章）。数智赋能下，深度学习能够有效融合多源异构数据并进行深层次语义表示，使得新兴技术识别和预测更加全面准确。首先，该部分总结“深度学习”赋能新兴技术识别的理论、方法和技术。其次，综述研究基础，发现对不同来源、不同类型的数据资源进行融合分析，能更全面地揭示新兴技术的发展现状及趋势，提高新兴技术识别效果。最后，综合利用论文、专利和行业报告等多源数据，引入和改进LSTM 深度学习模型预测相关技术的新兴分数，提出基于深度学习的新兴技术识别方法，并在人工智能领域进行实证，揭示不同数据源的影响，分析和解释识别结果。数智技术“深度学习”赋能新兴技术识别，综合考虑多源异构数据，自动学习特征间复杂非线性关联，形成新兴技术识别方法，能够更准确、更高效地识别新兴技术方向，支撑科研布局。

暂缺《数智赋能下技术挖掘的新理论与新方法研究》作者简介

第1 章 绪 论 001
11 研究背景  002
111 数智技术赋能多学科新的增长点  002
112 技术挖掘是推动科技创新的重要力量  003
113 数智赋能技术挖掘新的机遇  006
12 相关概念界定  007
121 数智赋能  007
122 专利信息  008
123 技术知识单元  009
124 技术主题演化  011
125 技术融合  012
126 技术融合关系价值  013
127 多源异构数据融合  014
128 新兴技术  015
13 研究意义和研究问题  016
131 研究意义  016
132 研究问题  019
133 研究内容  022
14 研究方法和研究框架  024
141 研究方法  024
142 研究框架  027
第2 章  数智赋能技术挖掘 030
21 数智赋能的基本理论和方法  030
211 数智赋能基本理论  031
212 数智赋能基本方法  033
22 技术挖掘的基本理论和方法  038
221 专利技术挖掘的基本流程  038
222 专利技术挖掘的应用范畴  039
223 专利技术挖掘的基本方法  040
23 数智赋能技术挖掘的基本理论和方法  045
231 知识单元挖掘视角  046
232 技术整体挖掘视角  050
第3 章 实体语义表示 技术挖掘：数智赋能下的技术主题演化路径识别 056
31 实体语义表示赋能技术挖掘  056
311 知识语义表示视角下的数智赋能  058
312 实体抽取及其语义表示视角下的数智赋能  061
32 技术主题演化路径识别的研究基础  063
321 技术演化理论基础  064
322 技术演化路径识别方法  065
33 基于实体语义表示的技术主题演化路径识别  068
331 专利技术实体抽取  069
332 专利技术实体语义表示  073
333 基于K-means 聚类的技术主题识别  074
334 基于知识流动的主题演化路径识别  074
34 无人机领域的技术主题演化路径识别应用  077
341 无人机领域的专利技术实体抽取  077
342 无人机领域的专利技术实体语义表示  082
343 基于K-means 聚类的无人机领域技术主题识别  082
344 基于知识流动的无人机领域主题演化路径识别  084
345 无人机领域主题演化路径识别结果可视化  089
第4 章 实体关系抽取 技术挖掘：数智赋能下的技术主题演化语义关联发现 091
41 语义关系抽取赋能技术挖掘  091
411 语义关联发现视角下的数智赋能  092
412 实体关系抽取视角下的数智赋能  092
413 数智赋能下的主题实体间演化关系抽取  093
42 技术主题演化路径语义关联发现的研究基础  094
421 基于特征指标的主题演化关联发现  094
422 基于结构化信息的语义关联发现  095
423 融合语义关系的技术主题演化关联发现  096
43 基于实体关系抽取的技术主题演化语义关联发现方法  097
431 专利实体间关系预定义  097
432 专利实体间关系抽取  098
433 技术主题演化语义关联发现方法  101
44 无人机领域的技术主题演化语义关联发现应用  103
441 无人机领域的专利实体间语义关系抽取  104
442 无人机领域的技术主题之间语义关系发现  107
443 无人机领域主题演化语义关联结果可视化  109
第5 章 复杂网络 技术挖掘：数智赋能下的技术融合关系预测 112
51 复杂网络赋能技术挖掘  112
511 技术融合预测  113
512 复杂网络的基本理论与方法  113
513 复杂网络视角下的技术融合关系预测  116
52 技术融合关系预测的研究基础  117
521 基于复杂网络的技术融合关系预测  117
522 基于机器学习的技术融合关系预测  118
53 基于复杂网络的技术融合关系预测方法  119
531 技术融合关系预测的特征构建  119
532 基于复杂网络的技术融合关系预测  122
54 技术融合关系预测应用  122
541 技术融合关系预测的特征构建结果  122
542 技术融合关系预测结果  125
第6 章 机器学习 技术挖掘：数智赋能下的技术融合价值评估 128
61 机器学习赋能技术挖掘  128
611 技术融合价值评估  129
612 机器学习的基本理论与方法  130
613 机器学习视角下的技术融合价值评估  134
62 技术融合价值评估的研究基础  135
621 技术融合价值评估理论基础  135
622 技术融合价值评估方法  136
63 基于机器学习的技术融合价值评估方法  136
631 专利分类引用网络构建  136
632 技术融合价值的评价指标构建  137
633 技术融合价值评估  138
64 技术融合价值评估应用  139
641 技术融合价值评估方程获取  139
642 技术融合价值评估结果  140
第7 章 深度学习 多源数据技术挖掘：数智赋能下的新兴技术识别 142
71 深度学习和多源数据赋能技术挖掘  143
711 多源异构数据的定义  143
712 数智赋能视角下的数据融合方法  145
713 数智赋能视角下的多源数据融合应用  146
72 新兴技术识别的研究基础  146
721 新兴技术的概念与属性  147
722 新兴技术识别指标  148
723 新兴技术识别方法  150
73 基于多源数据及深度学习的新兴技术识别方法  153
731 基于技术属性的特征分类  153
732 基于数据融合的新兴分数指标  155
733 基于多源数据的特征提取  156
734 基于深度学习的新兴分数预测  157
74 新兴技术识别应用  158
741 数据准备  158
742 基于多源数据的对比设计  159
743 基于深度学习的新兴分数预测结果  160
744 实证结果对比与分析  162
第8 章 结论与展望 167
81 本书研究总结  167
82 贡献与创新之处  171
83 不足与后续研究  172
参考文献 174