基于專利文本挖掘的細(xì)粒度技術(shù)機(jī)會(huì)分析

吳柯燁，孫建軍，謝紫悅

（1. 南京大學(xué)信息管理學(xué)院，南京 210023；2. 南京大學(xué)數(shù)據(jù)智能與交叉創(chuàng)新實(shí)驗(yàn)室，南京 210023）

0 引 言

隨著新一輪的科技革命與產(chǎn)業(yè)變革席卷全球，科技已逐漸成為評(píng)估國(guó)家綜合實(shí)力、促進(jìn)社會(huì)經(jīng)濟(jì)轉(zhuǎn)型、提升企業(yè)競(jìng)爭(zhēng)優(yōu)勢(shì)的關(guān)鍵變量。及時(shí)洞悉技術(shù)發(fā)展變化并快速識(shí)別潛在機(jī)會(huì)，不僅是各級(jí)科研單位實(shí)現(xiàn)自主創(chuàng)新，攻克核心技術(shù)壁壘，國(guó)家提升科技競(jìng)爭(zhēng)力的必經(jīng)之路；更是技術(shù)密集型企業(yè)高效管理生產(chǎn)活動(dòng)，合理調(diào)配研發(fā)資源，提高科技成果轉(zhuǎn)化率的先決條件。因此，技術(shù)機(jī)會(huì)分析對(duì)于技術(shù)創(chuàng)新活動(dòng)的開展，具有重大的戰(zhàn)略指導(dǎo)意義。

為清晰識(shí)別不同場(chǎng)景下的技術(shù)機(jī)會(huì)，滿足企業(yè)的異質(zhì)性需求，技術(shù)機(jī)會(huì)分析需要對(duì)于復(fù)雜技術(shù)創(chuàng)新系統(tǒng)進(jìn)行細(xì)粒度拆解。鑒于此，現(xiàn)有研究通常以關(guān)鍵詞形式細(xì)粒度地表征領(lǐng)域知識(shí)，并采用技術(shù)主題或SAO （subject-action-object） 語義結(jié)構(gòu)表示技術(shù)機(jī)會(huì)[1]。然而，此類方法主要依賴于專家預(yù)先定義的領(lǐng)域?qū)I(yè)詞表來確定領(lǐng)域關(guān)鍵詞[2]，知識(shí)體系較為固化，難以匹配技術(shù)的動(dòng)態(tài)發(fā)展；而技術(shù)機(jī)會(huì)又具備較強(qiáng)的時(shí)效性，應(yīng)精準(zhǔn)適配當(dāng)下的環(huán)境變遷與技術(shù)發(fā)展。因此，技術(shù)機(jī)會(huì)分析的前提工作是實(shí)現(xiàn)自動(dòng)化構(gòu)建細(xì)粒度領(lǐng)域知識(shí)網(wǎng)絡(luò)并探究其演化路徑。只有在清晰掌握領(lǐng)域知識(shí)全貌、明確技術(shù)生命周期的基礎(chǔ)上，才能精準(zhǔn)且高效地開展技術(shù)機(jī)會(huì)識(shí)別和分析。

另外，在學(xué)科交叉與技術(shù)融合的大背景下，知識(shí)重組儼然成為了技術(shù)機(jī)會(huì)的核心特征[3]。通過整合來自不同領(lǐng)域的知識(shí)，可以有效解決復(fù)雜技術(shù)難題，推動(dòng)技術(shù)發(fā)展。組合性和遞歸性作為技術(shù)的本質(zhì)特征，使得技術(shù)需依賴于自身結(jié)構(gòu)完成自循環(huán)式的進(jìn)化[4]，因此，現(xiàn)有研究通常從知識(shí)挖掘與組合的角度開展定量化技術(shù)機(jī)會(huì)分析[5]。鏈路預(yù)測(cè)法通過測(cè)算網(wǎng)絡(luò)中每一對(duì)節(jié)點(diǎn)產(chǎn)生鏈接可能性的鏈路預(yù)測(cè)法，不僅能夠最細(xì)粒度地直觀體現(xiàn)知識(shí)元素間關(guān)聯(lián)性，還可以靈活地應(yīng)用于大規(guī)模的圖結(jié)構(gòu)數(shù)據(jù)，是技術(shù)機(jī)會(huì)分析的主流方法之一。然而，該類研究中所采用的鏈路預(yù)測(cè)指標(biāo)較為傳統(tǒng)，一方面對(duì)圖結(jié)構(gòu)信息的捕獲能力有限，另一方面又依賴于固定的前提假設(shè)，只抽取片面的節(jié)點(diǎn)或圖結(jié)構(gòu)特征，難以整合技術(shù)機(jī)會(huì)分析所需要的多方面信息，預(yù)測(cè)精度已達(dá)瓶頸。

鑒于此，本文以專利文本為數(shù)據(jù)源，利用文本挖掘、網(wǎng)絡(luò)分析、鏈路預(yù)測(cè)、深度學(xué)習(xí)等多種方法構(gòu)建了一套細(xì)粒度技術(shù)機(jī)會(huì)分析框架。該分析框架的優(yōu)勢(shì)主要包括：①基于關(guān)鍵詞的多維度文本特征構(gòu)建了特定領(lǐng)域下的技術(shù)知識(shí)網(wǎng)絡(luò)，克服領(lǐng)域知識(shí)表征不準(zhǔn)確、不全面等問題。在此基礎(chǔ)上開展的技術(shù)演化分析有助于把握技術(shù)發(fā)展脈絡(luò)，為技術(shù)機(jī)會(huì)識(shí)別提供方向指引。②將BERT （bidirectional encoder representations from transformers） 預(yù)訓(xùn)練向量模型與圖自編碼器模型有機(jī)結(jié)合，充分捕獲并融合了詞語間共現(xiàn)關(guān)系特征及自身語義特征，顯著提升知識(shí)網(wǎng)絡(luò)鏈路預(yù)測(cè)精度，為技術(shù)機(jī)會(huì)分析產(chǎn)出高質(zhì)量候選集。③基于產(chǎn)業(yè)鏈結(jié)構(gòu)和鏈路預(yù)測(cè)結(jié)果，佐以多源技術(shù)發(fā)展報(bào)告，模塊化產(chǎn)出并驗(yàn)證細(xì)粒度的技術(shù)機(jī)會(huì)。

1 研究綜述

根據(jù)Lee[6]總結(jié)的技術(shù)預(yù)測(cè)研究框架，現(xiàn)有技術(shù)機(jī)會(huì)分析可大致劃分為4 個(gè)步驟：數(shù)據(jù)收集、技術(shù)知識(shí)測(cè)度、技術(shù)機(jī)會(huì)挖掘以及技術(shù)機(jī)會(huì)評(píng)估。其中，專利作為技術(shù)研發(fā)的成果文件，最直接地反映了技術(shù)本身的發(fā)展現(xiàn)狀和演化過程，是技術(shù)機(jī)會(huì)分析最主要的數(shù)據(jù)來源[7-8]。由于研究對(duì)象和研究場(chǎng)景的差異，各研究在技術(shù)知識(shí)測(cè)度、技術(shù)機(jī)會(huì)挖掘等環(huán)節(jié)存在異同，但也呈現(xiàn)一定的研究特點(diǎn)和趨勢(shì)。

1.1 技術(shù)知識(shí)測(cè)度單元日趨細(xì)化

技術(shù)機(jī)會(huì)被認(rèn)為是“技術(shù)進(jìn)步可能性的集合”，而這種可能性往往蘊(yùn)藏于細(xì)微的技術(shù)變化之中[9]。傳統(tǒng)的技術(shù)機(jī)會(huì)分析方法通常采用粗粒度的IPC（international patent classification） 分類號(hào)或單篇專利表征技術(shù)知識(shí)，無法從微觀層面對(duì)技術(shù)細(xì)節(jié)變化實(shí)施監(jiān)測(cè)。譬如，Kim 等[10]基于異常值檢測(cè)方法在專利引文網(wǎng)絡(luò)中識(shí)別出離群專利，并從中析出未來技術(shù)創(chuàng)新方向。然而，離群專利所涵蓋的技術(shù)知識(shí)十分廣泛，難以表征確切的技術(shù)機(jī)會(huì)方向，可解釋性較弱。

隨著自然語言處理的進(jìn)步和發(fā)展，基于專利文本內(nèi)容的細(xì)粒度技術(shù)知識(shí)挖掘與技術(shù)測(cè)度受到大多數(shù)學(xué)者的青睞。以主題[11]、關(guān)鍵詞[1]和關(guān)鍵詞組[12]等作為技術(shù)知識(shí)的最基本表示單元，為技術(shù)機(jī)會(huì)分析提供語義特征，更精準(zhǔn)地揭示技術(shù)內(nèi)容和細(xì)節(jié)。Tshitoyan 等[12]基于領(lǐng)域關(guān)鍵詞表利用word2vec 模型訓(xùn)練出材料科學(xué)領(lǐng)域的關(guān)鍵詞向量，以達(dá)到超前預(yù)測(cè)材料功能性應(yīng)用的目的；Feng 等[2]利用TF-IDF（term frequency-inverse document frequency） 指標(biāo)并佐以專家知識(shí)識(shí)別特定領(lǐng)域下的技術(shù)創(chuàng)新元素。

然而，此類測(cè)度方式通常初始化于固化的領(lǐng)域知識(shí)，無法匹配技術(shù)的多維度、跨領(lǐng)域發(fā)展與應(yīng)用，難以動(dòng)態(tài)揭示領(lǐng)域全貌，且僅依據(jù)單一的詞語特征，如詞頻或TF-IDF 指標(biāo)，抽取的領(lǐng)域關(guān)鍵詞較為片面，無法精準(zhǔn)捕獲新興知識(shí)元素。鑒于此，本文集成了TF-IDF、RAKE （rapid automatic keyword extraction） 和BERT 這3 種關(guān)鍵詞抽取算法，綜合考量詞語的詞頻、語法結(jié)構(gòu)以及語義特征，從細(xì)粒度與自動(dòng)化兩個(gè)方面入手，實(shí)現(xiàn)對(duì)技術(shù)領(lǐng)域知識(shí)的抽取與知識(shí)網(wǎng)絡(luò)的組織，有效避免了固有領(lǐng)域知識(shí)的參與。

1.2 技術(shù)機(jī)會(huì)挖掘注重知識(shí)關(guān)聯(lián)性

現(xiàn)有研究中機(jī)會(huì)挖掘方法未形成統(tǒng)一范式，呈現(xiàn)百花齊放的態(tài)勢(shì)，主要包含技術(shù)空白法、形態(tài)分析法、異常值檢測(cè)法、科學(xué)與技術(shù)關(guān)聯(lián)性法、鏈路預(yù)測(cè)法等主流機(jī)會(huì)挖掘方法[13-14]。根據(jù)分析方法的不同，各研究涉及的技術(shù)機(jī)會(huì)分析環(huán)節(jié)上存在較為明顯的差異，如表1 所示。

表1 不同機(jī)會(huì)挖掘方法所涉及的知識(shí)測(cè)度與機(jī)會(huì)表示差異

雖然技術(shù)機(jī)會(huì)表征形式不一，但是其本質(zhì)均是揭示技術(shù)知識(shí)之間的關(guān)聯(lián)性。在針對(duì)技術(shù)空白的相關(guān)研究中，龔惠群等[16]、Lee 等[17]以領(lǐng)域關(guān)鍵詞作為技術(shù)信息載體，采用主成分分析法降維并生成專利地圖，將地圖中的空白區(qū)域定義為所研究領(lǐng)域的技術(shù)機(jī)會(huì)。在探索科學(xué)與技術(shù)關(guān)聯(lián)性的相關(guān)研究中，黃魯成等[22]通過主題聚類和SAO 結(jié)構(gòu)相似度從語義層面細(xì)粒度地揭示科學(xué)與技術(shù)間主題差異性，將此種差異性解釋為可能出現(xiàn)的技術(shù)機(jī)會(huì)。由此可見，大多數(shù)學(xué)者是以知識(shí)元素間的組合關(guān)聯(lián)或差異歸納來表達(dá)技術(shù)機(jī)會(huì)的主要特征[14]，從知識(shí)挖掘和組合的角度開展技術(shù)機(jī)會(huì)分析[5]。

鏈接預(yù)測(cè)作為上述方法中最能直接體現(xiàn)知識(shí)之間關(guān)聯(lián)性的技術(shù)機(jī)會(huì)挖掘方法，主要從特定領(lǐng)域的技術(shù)知識(shí)網(wǎng)絡(luò)出發(fā)，通過鏈路預(yù)測(cè)指標(biāo)計(jì)算網(wǎng)絡(luò)中未來最有可能產(chǎn)生鏈接的“IPC 對(duì)”[25]或“關(guān)鍵詞對(duì)”[12]。但是，此類研究中所采取的鏈路預(yù)測(cè)指標(biāo)均需要具備較強(qiáng)的前提假設(shè)和應(yīng)用場(chǎng)景。譬如，AA（Adamic-Adar）[26]指標(biāo)在社交網(wǎng)絡(luò)中具有很強(qiáng)的解釋性，認(rèn)為兩個(gè)節(jié)點(diǎn)的共同領(lǐng)域中度小的節(jié)點(diǎn)貢獻(xiàn)大于度大的節(jié)點(diǎn)，即若兩位用戶同時(shí)處在某一位小博主的朋友圈內(nèi)，則可能產(chǎn)生較高的鏈接概率；反之，若兩位用戶同時(shí)是一位名人的粉絲，則其相互認(rèn)識(shí)的概率較小。但知識(shí)元素間的共現(xiàn)關(guān)系可能并不會(huì)受到“明星”節(jié)點(diǎn)的影響，一切與研究熱點(diǎn)相關(guān)的知識(shí)元素都可能在未來產(chǎn)生聯(lián)動(dòng)，促成相關(guān)技術(shù)的創(chuàng)新與發(fā)展，因此，該指標(biāo)并不適用于技術(shù)知識(shí)網(wǎng)絡(luò)。

圖神經(jīng)網(wǎng)絡(luò)方法的興起為解決上述問題提供了契機(jī)，該方法有效避免了預(yù)定義節(jié)點(diǎn)間相似度的計(jì)算方式，通過卷積操作學(xué)習(xí)圖結(jié)構(gòu)信息，并利用節(jié)點(diǎn)向量表征有效地融合了節(jié)點(diǎn)自身特征與圖結(jié)構(gòu)特征，為鏈路預(yù)測(cè)任務(wù)提供豐富信息。其中，圖自編碼器[27]作為該類方法的開篇之作，在各領(lǐng)域中有著廣泛的應(yīng)用。譬如，自編碼器模型在生物領(lǐng)域中常被用于預(yù)測(cè)人類基因與疾病之間關(guān)聯(lián)性，經(jīng)驗(yàn)證其具備較高的準(zhǔn)確性和魯棒性[28-29]。在社交網(wǎng)絡(luò)中，圖自編碼器也已經(jīng)成為商品推薦、消息推送等任務(wù)的主流推薦算法[30]。另外，在交通領(lǐng)域，學(xué)者們基于圖自編碼器對(duì)交通流量[31]、交通事故[32]和交通需求等實(shí)現(xiàn)了智能化的時(shí)空預(yù)測(cè)[33]。類似地，本文將圖自編碼器模型應(yīng)用于技術(shù)機(jī)會(huì)挖掘，在大規(guī)模的技術(shù)知識(shí)網(wǎng)絡(luò)中識(shí)別出未來可能產(chǎn)生鏈接的知識(shí)元素對(duì)，為后續(xù)技術(shù)機(jī)會(huì)分析提供高質(zhì)量的候選集。

2 研究框架及方法

結(jié)合現(xiàn)有研究特點(diǎn)和存在問題，本文設(shè)計(jì)了如圖1 所示的基于專利文本挖掘的細(xì)粒度技術(shù)機(jī)會(huì)分析框架，以關(guān)鍵詞或詞組的形式細(xì)粒度表征技術(shù)知識(shí)，并采用關(guān)鍵詞或詞組的組合關(guān)系表征技術(shù)機(jī)會(huì)，凸顯技術(shù)機(jī)會(huì)的知識(shí)關(guān)聯(lián)特性。該分析框架主要包含知識(shí)網(wǎng)絡(luò)構(gòu)建及演化分析、知識(shí)元素鏈路預(yù)測(cè)以及技術(shù)機(jī)會(huì)評(píng)估與篩選3 個(gè)模塊。下文將著重介紹技術(shù)知識(shí)網(wǎng)絡(luò)構(gòu)建方法和知識(shí)元素鏈路預(yù)測(cè)方法。

圖1 基于專利文本挖掘的細(xì)粒度技術(shù)機(jī)會(huì)分析框架

2.1 技術(shù)知識(shí)網(wǎng)絡(luò)構(gòu)建及演化分析方法

在知識(shí)網(wǎng)絡(luò)構(gòu)建方面，本文秉持知識(shí)表征的細(xì)粒度原則，基于“關(guān)鍵詞與詞組是知識(shí)最基本的載體單位”這一假設(shè)[34]，融合關(guān)鍵詞的多維度特征，自動(dòng)化抽取具有技術(shù)表征能力的知識(shí)元素并構(gòu)建網(wǎng)絡(luò)。如圖2 所示，知識(shí)元素的具體抽取流程依賴于3 種不同的關(guān)鍵詞抽取算法，分別捕獲專利文本中詞語的詞頻、語法和語義特征。

圖2 知識(shí)元素抽取方法

首先，采用TF-IDF 算法抽取專利文本中的高頻關(guān)鍵字，將其作為知識(shí)元素的必要組成部分。其次，通過RAKE 模型捕獲詞語之間的共現(xiàn)關(guān)系，識(shí)別出占據(jù)核心語法位置的n-gram 關(guān)鍵詞組[35]。再其次，利用BERT 預(yù)訓(xùn)練模型和向量相似度，計(jì)算得出與文本內(nèi)容最契合的關(guān)鍵短語[36]。需要注意的是，上述兩組關(guān)鍵詞中都必須包含TF-IDF 候選字，以保證領(lǐng)域?qū)Ｖ感?。最后，合并RAKE 與BERT 模型的抽取結(jié)果，即可得到同時(shí)具備高詞頻、動(dòng)名詞性以及核心語義等多個(gè)關(guān)鍵特征的技術(shù)知識(shí)元素。在構(gòu)建網(wǎng)絡(luò)連邊方面，為避免知識(shí)元素間的語義重復(fù)性，將網(wǎng)絡(luò)中連邊由簡(jiǎn)單的共現(xiàn)關(guān)系改為僅關(guān)聯(lián)非語義重復(fù)的知識(shí)元素對(duì)，即兩個(gè)知識(shí)元素沒有相同的TF-IDF 關(guān)鍵字才可以建立鏈接。例如，“training sample”和“training set”中都出現(xiàn)training，存在語義重復(fù)，即使兩者出現(xiàn)在同一篇專利文獻(xiàn)中彼此也不會(huì)建立鏈接。

另外，為確保技術(shù)機(jī)會(huì)分析的時(shí)效價(jià)值，本文利用復(fù)雜網(wǎng)絡(luò)分析法對(duì)知識(shí)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行深層次剖析，結(jié)合時(shí)間序列窺探技術(shù)的演化歷程，以此指引技術(shù)機(jī)會(huì)的分析方向。具體來說，先利用知識(shí)網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)和連邊數(shù)揭示目標(biāo)技術(shù)的橫縱向發(fā)展趨勢(shì)，再利用網(wǎng)絡(luò)密度、平均路徑長(zhǎng)度、聚類系數(shù)等網(wǎng)絡(luò)結(jié)構(gòu)指標(biāo)，深度挖掘知識(shí)元素間的交融模式，探析領(lǐng)域內(nèi)部知識(shí)討論熱度與成熟度，以此確定各歷史時(shí)期目標(biāo)技術(shù)的發(fā)展形態(tài)及其所處的生命周期。

2.2 技術(shù)機(jī)會(huì)挖掘與評(píng)估方法

在技術(shù)演化的指引下，本文采用圖神經(jīng)網(wǎng)絡(luò)鏈路預(yù)測(cè)方法挖掘各生命周期下所蘊(yùn)藏的細(xì)粒度技術(shù)機(jī)會(huì)，利用變分圖自編碼器[27]（variational graph auto-encoder，VGAE）及其變體圖自編碼器（graph auto-encoder，GAE）模型開展知識(shí)網(wǎng)絡(luò)的鏈路預(yù)測(cè)任務(wù)，將知識(shí)元素之間未來可能產(chǎn)生的鏈接關(guān)系作為技術(shù)機(jī)會(huì)。圖3 描述了基于變分圖自編碼器的技術(shù)機(jī)會(huì)挖掘流程。

圖3 基于變分圖自編碼器的知識(shí)元素鏈路預(yù)測(cè)流程

如圖3 所示，VGAE 由兩層圖卷積神經(jīng)網(wǎng)絡(luò)編碼器與解碼器組成。編碼器的工作思路是通過學(xué)習(xí)T時(shí)間下可觀測(cè)到的知識(shí)網(wǎng)絡(luò)結(jié)構(gòu)，獲取各節(jié)點(diǎn)向量分布的均值μ和方差σ，并據(jù)此從標(biāo)準(zhǔn)高斯分布中采樣，生成新的節(jié)點(diǎn)向量Z。解碼器則是利用節(jié)點(diǎn)向量Z內(nèi)積得到節(jié)點(diǎn)間鏈路預(yù)測(cè)存在的可能性，通過sigmod 激活函數(shù)將鏈接可能性歸一至0 和1 之間，以實(shí)現(xiàn)知識(shí)網(wǎng)絡(luò)的重構(gòu)和還原，生成預(yù)測(cè)的T+1 時(shí)間下知識(shí)網(wǎng)絡(luò)。在此過程中，模型通過反向傳播不斷更新模型參數(shù)（均值μ和方差σ），將真實(shí)網(wǎng)絡(luò)與預(yù)測(cè)網(wǎng)絡(luò)之間的交叉熵和KL （Kullback-Leibler）散度損失值最小化。最終，預(yù)測(cè)所得的T+1 知識(shí)網(wǎng)絡(luò)中鏈路增加的部分被認(rèn)為是可能出現(xiàn)的技術(shù)機(jī)會(huì)。另外，GAE 相較于VGAE 簡(jiǎn)化了編碼步驟，只用了一層圖神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)就得到節(jié)點(diǎn)的向量分布Z，提高了鏈路預(yù)測(cè)的計(jì)算效率。

為驗(yàn)證細(xì)粒度技術(shù)機(jī)會(huì)挖掘的可靠性，首先，本文基于歷史真實(shí)數(shù)據(jù)采用AUC（area under curve）和平均準(zhǔn)確率（average precision，AP）指標(biāo)對(duì)鏈路預(yù)測(cè)結(jié)果進(jìn)行直接的定量評(píng)估，與其他算法進(jìn)行對(duì)比，驗(yàn)證圖自編碼器方法的穩(wěn)定性與魯棒性。其次，綜合多源技術(shù)發(fā)展報(bào)告對(duì)所挖掘出來的技術(shù)機(jī)會(huì)進(jìn)行二次識(shí)別和評(píng)估。在此過程中，本文將特定領(lǐng)域的技術(shù)機(jī)會(huì)按照產(chǎn)業(yè)鏈結(jié)構(gòu)進(jìn)行劃分，針對(duì)鏈路預(yù)測(cè)值（連邊可能性）排序靠前的多對(duì)知識(shí)元素及其組合關(guān)系在技術(shù)發(fā)展報(bào)告中進(jìn)行循證，以確定特定領(lǐng)域在各產(chǎn)業(yè)鏈環(huán)節(jié)上的技術(shù)機(jī)會(huì)。

3 計(jì)算機(jī)視覺領(lǐng)域?qū)嵶C研究

為探究本文所提出分析框架的實(shí)際效用，選取典型交叉技術(shù)領(lǐng)域——計(jì)算機(jī)視覺作為研究對(duì)象，開展實(shí)證研究。其主要原因有兩點(diǎn)：一是在融合發(fā)展范式的驅(qū)動(dòng)下，交叉領(lǐng)域存在大量潛在的技術(shù)發(fā)展機(jī)遇，如人工智能、生物信息學(xué)等，是各國(guó)各企業(yè)技術(shù)競(jìng)爭(zhēng)的焦點(diǎn)，對(duì)該類領(lǐng)域的技術(shù)機(jī)會(huì)分析具有實(shí)際意義；二是交叉領(lǐng)域的技術(shù)覆蓋面廣泛，本身存在多學(xué)科參與、多場(chǎng)景應(yīng)用的特征，其技術(shù)機(jī)會(huì)出現(xiàn)的方向和維度具有不確定性，能夠有效檢驗(yàn)本文所提出的分析框架的魯棒性。

3.1 知識(shí)網(wǎng)絡(luò)構(gòu)建及技術(shù)演化分析

3.1.1 知識(shí)網(wǎng)絡(luò)構(gòu)建

在數(shù)據(jù)收集方面，本文基于中國(guó)人工智能產(chǎn)業(yè)發(fā)展聯(lián)盟（Artificial Intelligence Industry Alliance，AIIA）所制定的計(jì)算機(jī)視覺專利檢索式[37]，從德文特?cái)?shù)據(jù)庫(kù)中共抽取82535 條相關(guān)專利。鑒于專利的公開具有滯后期，與2020 年（10632 件） 相比，2021 年的專利數(shù)據(jù)量（1420 件）有斷崖式下降，故下文只采用截至2020 年的專利數(shù)據(jù)開展技術(shù)機(jī)會(huì)挖掘。

根據(jù)2.1 節(jié)網(wǎng)絡(luò)構(gòu)建方法，知識(shí)元素抽取結(jié)果按照重要性排序，如表2 所示?？梢钥闯?，TF-IDF能夠識(shí)別具有領(lǐng)域特征的單個(gè)關(guān)鍵字，如“image”“iris”“pixel”等大部分詞語屬于計(jì)算機(jī)視覺領(lǐng)域常用的專業(yè)詞匯。RAKE 在抽取長(zhǎng)短語上效果較為突出，但是普遍存在長(zhǎng)度過長(zhǎng)的情況，例如，長(zhǎng)度為3 的關(guān)鍵詞短語“fingerprint identification device”的重要性得分比“fingerprint identification”高，但其涵蓋語義卻是后者的子集。結(jié)合文獻(xiàn)[38-39]與上述驗(yàn)證結(jié)果，本文將KeyBERT 模型中的n設(shè)置為2抽取關(guān)鍵詞，將所得結(jié)果與前兩種算法取交集，得到1457 個(gè)知識(shí)元素。最后，根據(jù)其間的229573 條鏈路關(guān)系構(gòu)建知識(shí)網(wǎng)絡(luò)。

表2 知識(shí)元素抽取結(jié)果

3.1.2 知識(shí)網(wǎng)絡(luò)演化分析

為確保微觀層面技術(shù)機(jī)會(huì)分析遵循宏觀技術(shù)演化歷程，本節(jié)基于全局網(wǎng)絡(luò)指標(biāo)詳細(xì)探究計(jì)算機(jī)視覺技術(shù)的發(fā)展脈絡(luò)。從網(wǎng)絡(luò)節(jié)點(diǎn)增量來看，技術(shù)知識(shí)網(wǎng)絡(luò)規(guī)模逐年增大，增長(zhǎng)速率呈現(xiàn)由緩到急再逐步進(jìn)入平緩的態(tài)勢(shì)，如圖4 所示。其中，1990 年以前，計(jì)算機(jī)視覺技術(shù)知識(shí)網(wǎng)絡(luò)擴(kuò)張速率處于較低的水平，證明該階段技術(shù)處于萌芽期，受到的關(guān)注較少；自1990 年以來，計(jì)算機(jī)視覺領(lǐng)域的知識(shí)元素?cái)?shù)量激增，且10 年內(nèi)均保持較高的增長(zhǎng)水平，這意味著自20 世紀(jì)90 年代起計(jì)算機(jī)視覺技術(shù)開始進(jìn)入技術(shù)生長(zhǎng)期。

圖4 知識(shí)網(wǎng)絡(luò)逐年新增節(jié)點(diǎn)數(shù)量

如圖5 所示，從網(wǎng)絡(luò)中連邊增量來看，對(duì)于步入生長(zhǎng)期的計(jì)算機(jī)視覺技術(shù)而言，雖然其知識(shí)網(wǎng)絡(luò)中新鏈接與舊鏈接均呈現(xiàn)冪指數(shù)增長(zhǎng)態(tài)勢(shì)，但是新鏈接（灰色柱狀）占所有新增鏈接（黑色柱狀）的比例（圖5 中曲線）逐漸變小，尤其從2016 年開始，該比例大幅減小。這表明計(jì)算機(jī)視覺領(lǐng)域在經(jīng)歷了1990—2015 年這數(shù)十載的飛速發(fā)展后，領(lǐng)域內(nèi)創(chuàng)新水平逐步變緩，新興技術(shù)知識(shí)受到較少關(guān)注，開發(fā)者主要聚焦于已形成的技術(shù)方向，計(jì)算機(jī)視覺技術(shù)開始進(jìn)入成熟期。

圖5 知識(shí)網(wǎng)絡(luò)逐年新增連邊數(shù)量

結(jié)合其他全局網(wǎng)絡(luò)指標(biāo)可以進(jìn)一步明確計(jì)算機(jī)視覺所處的技術(shù)生命周期，如圖6 所示。其中，1990—2000 年，網(wǎng)絡(luò)聚類系數(shù)和平均最短距離指標(biāo)浮動(dòng)明顯，圖密度卻保持在5%以下，這表明雖然該階段知識(shí)網(wǎng)絡(luò)規(guī)模急劇擴(kuò)張，但節(jié)點(diǎn)間的共現(xiàn)關(guān)系沒有被完全挖掘，領(lǐng)域內(nèi)知識(shí)交融程度并不充分，仍存在諸多值得學(xué)者探索的可能性，可以將其視作技術(shù)生長(zhǎng)初期。2000—2010 年，圖密度指標(biāo)開始呈現(xiàn)上升趨勢(shì)，而聚類系數(shù)與平均最短距離的上升和下降態(tài)勢(shì)逐步趨于穩(wěn)定，這表明技術(shù)的縱向挖掘正逐步追趕上技術(shù)橫向擴(kuò)張的步伐，計(jì)算機(jī)視覺正處在橫縱向齊頭并進(jìn)的關(guān)鍵階段，可以將其視作技術(shù)生長(zhǎng)中期。2010 年以后，隨著深度學(xué)習(xí)助力計(jì)算機(jī)技術(shù)的二次騰飛，圖密度指標(biāo)呈現(xiàn)激增態(tài)勢(shì)，尤其在2015 年以后更為明顯，這表明計(jì)算機(jī)視覺技術(shù)的研發(fā)方向更集中于現(xiàn)有技術(shù)方向的縱向研究與細(xì)化，計(jì)算機(jī)視覺技術(shù)正由技術(shù)生長(zhǎng)期逐步過渡到技術(shù)成熟期，可以將其視作技術(shù)生長(zhǎng)后期。

圖6 全局網(wǎng)絡(luò)指標(biāo)變化趨勢(shì)

3.2 知識(shí)元素鏈路預(yù)測(cè)

3.2.1 數(shù)據(jù)集劃分

為驗(yàn)證變分圖自編碼器（VGAE） 及其變體（GAE）對(duì)于不同歷史形態(tài)下技術(shù)機(jī)會(huì)挖掘的魯棒性，本文根據(jù)知識(shí)網(wǎng)絡(luò)演化結(jié)論，將計(jì)算機(jī)視覺網(wǎng)絡(luò)按照時(shí)間拆分為4 個(gè)動(dòng)態(tài)子網(wǎng)絡(luò)，并按照時(shí)間順序切分各子網(wǎng)絡(luò)的訓(xùn)練集、驗(yàn)證集和測(cè)試集，以此監(jiān)督模型學(xué)習(xí)并驗(yàn)證預(yù)測(cè)結(jié)果，劃分結(jié)果如表3 所示。具體來看，為體現(xiàn)技術(shù)機(jī)會(huì)所具備時(shí)間特性，將某個(gè)動(dòng)態(tài)子網(wǎng)絡(luò)中特定時(shí)間節(jié)點(diǎn)t年的網(wǎng)絡(luò)快照作為模型訓(xùn)練集，將t+1 年網(wǎng)絡(luò)快照中的新增鏈路作為測(cè)試集和驗(yàn)證集監(jiān)督模型學(xué)習(xí)。例如，對(duì)于1980—1990 年的動(dòng)態(tài)子網(wǎng)絡(luò)而言，訓(xùn)練集由子網(wǎng)絡(luò)中所有311 個(gè)元素在1980—1989 年產(chǎn)生的1206 條鏈接構(gòu)成，驗(yàn)證集和測(cè)試集則是由1990 年網(wǎng)絡(luò)中相較于1989 年網(wǎng)絡(luò)中新建立的513 條鏈接隨機(jī)平均分配得到。

表3 動(dòng)態(tài)子網(wǎng)絡(luò)的數(shù)據(jù)集劃分

此種數(shù)據(jù)集劃分方式，一方面，可以消除動(dòng)態(tài)技術(shù)知識(shí)網(wǎng)絡(luò)中頻繁建立的舊鏈接所導(dǎo)致前后知識(shí)網(wǎng)絡(luò)中鏈路的天然重復(fù)性，保證了模型的泛化能力；另一方面，技術(shù)知識(shí)網(wǎng)絡(luò)中舊鏈接的反復(fù)出現(xiàn)只能表示現(xiàn)有方向的深入研發(fā)，而新鏈接的初次建立則意味著技術(shù)機(jī)會(huì)的產(chǎn)生。因此，此種劃分方式更關(guān)注新鏈接產(chǎn)生，具有實(shí)際技術(shù)意義，有助于提升模型預(yù)測(cè)結(jié)果效用。

3.2.2 參數(shù)設(shè)置

圖自編碼器的鏈路預(yù)測(cè)性能在很大程度上取決于模型超參數(shù)的設(shè)置，需要通過反復(fù)實(shí)驗(yàn)加以確定。為節(jié)省計(jì)算資源，本文將學(xué)習(xí)率和隨機(jī)丟棄率參照文獻(xiàn)[40]分別固定為0.01 和0.05，只優(yōu)化數(shù)據(jù)迭代輪次（Epoch，模型學(xué)習(xí)整個(gè)數(shù)據(jù)集的輪次），以使鏈路預(yù)測(cè)性能達(dá)到最佳。另外，鑒于本文所構(gòu)建的訓(xùn)練集和驗(yàn)證集存在時(shí)間先后性，在訓(xùn)練集上具備較高的預(yù)測(cè)性能并不意味著在驗(yàn)證集上同樣具有良好的泛化效果。因此選取訓(xùn)練集的Epoch-Loss曲線和驗(yàn)證集的Epoch-AUC 曲線共同確定數(shù)據(jù)迭代輪次Epoch，以1980—1990 年動(dòng)態(tài)子網(wǎng)絡(luò)為例，繪制上述兩種曲線，如圖7 和圖8 所示。

圖7 1980—1990年動(dòng)態(tài)子網(wǎng)絡(luò)訓(xùn)練集Epoch-Loss曲線

圖8 1980—1990年動(dòng)態(tài)子網(wǎng)絡(luò)驗(yàn)證集Epoch-AUC曲線

由圖7 和圖8 可知，訓(xùn)練集的損失值在前10 個(gè)Epoch 內(nèi)驟減后趨于緩慢減小，意味著模型已經(jīng)學(xué)習(xí)到大部分訓(xùn)練集數(shù)據(jù)的特征；驗(yàn)證集則在近50個(gè)Epoch 左右趨于相對(duì)穩(wěn)定狀態(tài)，在250 個(gè)Epoch 后出現(xiàn)波動(dòng)下降趨勢(shì)，表明此時(shí)模型出現(xiàn)過擬合情況。此外，GAE 和VGAE 在擬合數(shù)據(jù)過程中Loss 曲線和AUC 曲線趨勢(shì)幾乎保持一致，因此，將1980—1990年中的GAE 和VGAE 的Epoch 均設(shè)置為50。同樣地，對(duì)各動(dòng)態(tài)子網(wǎng)絡(luò)的GAE 和VGAE 模型均進(jìn)行Epoch優(yōu)化后，重新訓(xùn)練模型并進(jìn)行后續(xù)的結(jié)果評(píng)估。

此外，為探究知識(shí)元素的語義屬性是否會(huì)對(duì)技術(shù)機(jī)會(huì)挖掘能力產(chǎn)生影響。本文基于預(yù)訓(xùn)練向量模型BERT-Base①https://github.com/google-research/bert抽取各節(jié)點(diǎn)的語義特征，將節(jié)點(diǎn)特征矩陣作為模型輸入?yún)?shù)X。

3.2.3 模型評(píng)估

確定模型超參數(shù)后，將圖自編碼器與其他鏈路預(yù)測(cè)算法進(jìn)行對(duì)比分析，以驗(yàn)證不同歷史時(shí)期圖自編碼器鏈路預(yù)測(cè)算法的優(yōu)越性與魯棒性。在評(píng)價(jià)指標(biāo)方面，本文采用鏈路預(yù)測(cè)任務(wù)中兩種最常見的AUC 和AP 指標(biāo)，定量評(píng)估各模型預(yù)測(cè)性能的優(yōu)略。其中，AUC 是模型的綜合評(píng)價(jià)指標(biāo)，其主要計(jì)算測(cè)試集鏈路得分值高于不存在鏈路得分值的概率，概率越高表示模型魯棒性越好。準(zhǔn)確率考量預(yù)測(cè)得分最高的L條邊是否準(zhǔn)確，計(jì)算前L條邊存在于測(cè)試集中的占比，平均準(zhǔn)確率（AP）則是將不同L取值下的精確率取均值而得。在基線方法方面，除了傳統(tǒng)的鏈路預(yù)測(cè)指標(biāo)，如CN（common neighborhood）、AA 和PA（preferential attachment）等，本文還選取了同屬于圖表示學(xué)習(xí)的node2vec 算法。最終預(yù)測(cè)結(jié)果如表4 所示。

表4 不同時(shí)期技術(shù)知識(shí)網(wǎng)絡(luò)下各模型鏈接預(yù)測(cè)結(jié)果對(duì)比

結(jié)果顯示，VGAE 及其變體GAE 在各歷史時(shí)期的技術(shù)知識(shí)網(wǎng)絡(luò)鏈路預(yù)測(cè)任務(wù)中都表現(xiàn)出卓越的性能，尤其是針對(duì)近20 年來的知識(shí)網(wǎng)絡(luò)，圖自編碼器比最優(yōu)的傳統(tǒng)鏈路預(yù)測(cè)指標(biāo)在AUC 和AP 兩個(gè)指標(biāo)上均有近10 個(gè)百分點(diǎn)的提升，可達(dá)到90%左右。這表明圖自編碼器能夠高效捕獲大規(guī)模、高密度網(wǎng)絡(luò)下的鏈路信息。另外，GAE 模型和VGAE 模型比node2vec 具有明顯優(yōu)勢(shì)，但變分操作并沒有顯著提升圖自編碼器的預(yù)測(cè)性能，這證明只采用簡(jiǎn)單的兩層圖卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)就可以達(dá)到精準(zhǔn)預(yù)測(cè)鏈路的目的。在1980—2000 年，計(jì)算機(jī)視覺知識(shí)網(wǎng)絡(luò)密度較低，可捕獲的網(wǎng)絡(luò)結(jié)構(gòu)特征較少，此時(shí)節(jié)點(diǎn)語義特征的輸入顯著提高了GAE 模型和VGAE 模型的預(yù)測(cè)準(zhǔn)確率，表明知識(shí)元素的語義特征同樣也是識(shí)別技術(shù)機(jī)會(huì)的關(guān)鍵特征。

綜上所述，本文所構(gòu)建的圖自編碼器模型能夠適應(yīng)于不同歷史形態(tài)下知識(shí)元素的關(guān)聯(lián)預(yù)測(cè)，預(yù)測(cè)結(jié)果可以作為潛在的技術(shù)機(jī)會(huì)以備進(jìn)一步篩選和分析。

3.3 技術(shù)機(jī)會(huì)評(píng)估與篩選

為進(jìn)一步明確并細(xì)化未來計(jì)算機(jī)視覺領(lǐng)域潛在的技術(shù)機(jī)會(huì)，本節(jié)針對(duì)2010—2020 年的技術(shù)知識(shí)子網(wǎng)絡(luò)中的鏈路預(yù)測(cè)結(jié)果進(jìn)行二次驗(yàn)證，結(jié)合多源技術(shù)報(bào)告解讀并篩選未來有發(fā)展前景的技術(shù)機(jī)會(huì)。根據(jù)中國(guó)移動(dòng)研究院于2020 年發(fā)布的《計(jì)算機(jī)視覺研究報(bào)告》[41]（以下簡(jiǎn)稱《報(bào)告》），計(jì)算機(jī)視覺產(chǎn)業(yè)鏈可分為上游感知層、中游計(jì)算層和下游應(yīng)用算法層?；诖耍竟?jié)采用人工方式對(duì)細(xì)粒度的技術(shù)組合關(guān)系做進(jìn)一步篩選，并映射至各產(chǎn)業(yè)鏈環(huán)節(jié)中。

3.3.1 上游感知層技術(shù)機(jī)會(huì)

上游感知層的主要任務(wù)是圖像數(shù)據(jù)的采集，主要涉及硬件設(shè)備，如工業(yè)視覺中的工業(yè)攝像頭、視覺傳感器等。鏈路預(yù)測(cè)結(jié)果中與硬件設(shè)備相關(guān)的知識(shí)元素及其組合關(guān)系如圖9 所示。可以看出，上游硬件設(shè)備主要圍繞移動(dòng)終端和智能設(shè)備進(jìn)行技術(shù)研發(fā)，集成了多種傳感器設(shè)備，具體包含紅外傳感器、光學(xué)傳感器、觸摸屏幕、數(shù)碼相機(jī)和深度相機(jī)等。其中，“multiple cameras”一詞較好地概括了上游設(shè)備的未來發(fā)展趨勢(shì)，即能夠捕獲的信息日益增多，包含除圖片特征外的指紋、虹膜等多種特征。房建武[42]認(rèn)為，環(huán)境感知是計(jì)算機(jī)視覺發(fā)展的基礎(chǔ)，他預(yù)測(cè)多傳感信息魯棒融合方向是環(huán)境感知未來的主要手段。由此可得出，計(jì)算機(jī)視覺的上游感知層技術(shù)機(jī)會(huì)主要聚焦于“多傳感信息融合”方向。

3.3.2 中游計(jì)算層技術(shù)機(jī)會(huì)

位于計(jì)算機(jī)視覺產(chǎn)業(yè)鏈中游的計(jì)算層包含了芯片、深度學(xué)習(xí)框架和計(jì)算平臺(tái)等相關(guān)技術(shù)，主要涉及圖片傳輸、處理和識(shí)別等任務(wù)?；诖?，抽取相關(guān)知識(shí)元素及其鏈路預(yù)測(cè)結(jié)果，如圖10 所示?？梢钥闯?，中游計(jì)算層是以人工智能算法為核心，主要負(fù)責(zé)圖像處理以及上下游數(shù)據(jù)的存儲(chǔ)與傳輸任務(wù)。具體的技術(shù)機(jī)會(huì)可以總結(jié)為以下3 個(gè)方面。

圖10 產(chǎn)業(yè)鏈中游知識(shí)元素及鏈路關(guān)系

（1）算法模型優(yōu)化。神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)和機(jī)器學(xué)習(xí)等方法被廣泛認(rèn)為是計(jì)算機(jī)視覺技術(shù)突破的重要推動(dòng)力。由圖10 可知，“deep learning”“machine learning”和“neural network”等詞語占據(jù)較為核心的位置，這預(yù)示著人工智能類算法在計(jì)算機(jī)視覺上的應(yīng)用性能還可能進(jìn)一步突破。盧湖川在RACV （Recent Advances on Computer Vision） 2019會(huì)議上也提到這一點(diǎn)，其認(rèn)為雖然深度學(xué)習(xí)模型實(shí)現(xiàn)了特征抽取的自動(dòng)化，但是壓縮、裁剪和優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以更好地抽取特征、準(zhǔn)確識(shí)別是未來技術(shù)發(fā)展的重點(diǎn)之一[43]。

（2）高質(zhì)量傳輸。位于圖10 邊緣位置的知識(shí)元素多涉及圖片傳輸任務(wù)，如“wireless transmission”“network communication” 和“wireless communication”等。這些知識(shí)元素與“mobile communication”“recognition module”的組合關(guān)系表明圖片傳輸與處理技術(shù)正逐漸集成于移動(dòng)硬件設(shè)備。由此可知，隨著5G 技術(shù)的崛起，圖片等音視頻信息在智能設(shè)備端的高質(zhì)量傳輸可以作為未來發(fā)展重點(diǎn)之一。

（3）云平臺(tái)架構(gòu)。圖10 中還有部分知識(shí)元素與大數(shù)據(jù)計(jì)算能力相關(guān)?！癰ig data”“cloud computing”和“cloud server”與“power supply”的組合關(guān)系預(yù)示著計(jì)算機(jī)視覺技術(shù)走向產(chǎn)業(yè)化需要強(qiáng)大的算力支撐，未來借助云端服務(wù)進(jìn)行高效能的推理和計(jì)算是各計(jì)算機(jī)視覺企業(yè)的必爭(zhēng)之地。這也與《報(bào)告》不謀而合，其中指出計(jì)算機(jī)視覺核心技術(shù)中包含計(jì)算平臺(tái)技術(shù)，即用于企業(yè)生產(chǎn)的智能云平臺(tái)架構(gòu)技術(shù)。

3.3.3 下游應(yīng)用層技術(shù)機(jī)會(huì)

下游應(yīng)用層是計(jì)算機(jī)視覺技術(shù)產(chǎn)生實(shí)際價(jià)值的關(guān)鍵一環(huán)。根據(jù)3.1 節(jié)技術(shù)演化相關(guān)結(jié)論，計(jì)算機(jī)視覺技術(shù)正步入技術(shù)成熟期的前期，該層應(yīng)是未來該領(lǐng)域技術(shù)的發(fā)展重點(diǎn)之一。具體如圖11 所示，基于鏈路預(yù)測(cè)排序抽取相關(guān)知識(shí)元素及其鏈路關(guān)系，發(fā)現(xiàn)該網(wǎng)絡(luò)中包含的應(yīng)用場(chǎng)景較為多元化，表明計(jì)算機(jī)視覺技術(shù)已經(jīng)成功落地于多種下游任務(wù)，初步印證了技術(shù)演化結(jié)論。主要的5 個(gè)技術(shù)方向闡述如下。

圖11 產(chǎn)業(yè)鏈下游知識(shí)元素及鏈路關(guān)系

（1）生物特征識(shí)別。由圖11 中的多個(gè)核心節(jié)點(diǎn)可知，計(jì)算機(jī)視覺由最初的人臉識(shí)別進(jìn)一步擴(kuò)展到了“motion recognition”“gesture recognition” 和“expression recognition”等多個(gè)細(xì)粒度的人體特征識(shí)別任務(wù)上，并且與先進(jìn)的算法模型相組合形成該應(yīng)用場(chǎng)景未來可能的技術(shù)突破點(diǎn)?！秷?bào)告》中印證了這一點(diǎn)，人臉識(shí)別、姿態(tài)估計(jì)、行為識(shí)別、目標(biāo)追蹤等是熱門的視覺算法技術(shù)。

（2）多模態(tài)視頻理解。圖11 中部分節(jié)點(diǎn)聚焦“video”一詞，表明基于視頻和音頻的識(shí)別任務(wù)可能是未來計(jì)算機(jī)視覺技術(shù)的主要應(yīng)用任務(wù)，其中還涉及“image understanding”“sign language”等具體的視頻理解任務(wù)。中國(guó)計(jì)算機(jī)學(xué)會(huì)計(jì)算機(jī)視覺專委會(huì)專家在RACV 2019 會(huì)議上的討論證實(shí)了這一點(diǎn)，他們認(rèn)為視頻中的多模態(tài)識(shí)別和理解任務(wù)是計(jì)算機(jī)視覺未來主要攻克的難關(guān)[43]。

（3） 3D 交互感知。“virtual reality”和“augment reality”在下游網(wǎng)絡(luò)中也占據(jù)較核心的位置，與算法模型“neural network”和硬件設(shè)備“electronical device”等多個(gè)知識(shí)元素產(chǎn)生聯(lián)動(dòng)。這表明增強(qiáng)現(xiàn)實(shí)與神經(jīng)網(wǎng)絡(luò)的有機(jī)結(jié)合以及虛擬現(xiàn)實(shí)與電子設(shè)備的集成開發(fā)程度隨著AIGC（artificial intelligence generated content）技術(shù)突破將會(huì)出現(xiàn)進(jìn)一步加深。中國(guó)信息通信研究院等發(fā)布的《虛擬（增強(qiáng)）現(xiàn)實(shí)白皮書》中同樣提及感知交互是計(jì)算機(jī)視覺技術(shù)的未來主要方向之一[44]。

（4） 智慧安防。圖11 中還有部分節(jié)點(diǎn)涉及“alarm”一詞，表明計(jì)算機(jī)視覺技術(shù)繼續(xù)下沉可應(yīng)用于安保層面，如“fingerprint identification”應(yīng)用于“alarm device”等?！秷?bào)告》中指出，“智慧城市”是計(jì)算機(jī)視覺技術(shù)面向的主要行業(yè)需求，其中就包含“智慧安防”方向。

（5） 自動(dòng)駕駛。“vehicle information”“vehicle control”與“face recognition”的組合關(guān)系是典型的計(jì)算機(jī)視覺與智慧駕駛交叉產(chǎn)物，預(yù)示著汽車控制技術(shù)與人臉識(shí)別、動(dòng)作識(shí)別技術(shù)是自動(dòng)駕駛技術(shù)的未來研發(fā)重點(diǎn)。中國(guó)信息通信研究院發(fā)布的《全球自動(dòng)駕駛戰(zhàn)略與政策觀察——自動(dòng)駕駛開啟商業(yè)化元年》中同樣指出，2021 是自動(dòng)駕駛的元年，未來計(jì)算機(jī)視覺技術(shù)在自動(dòng)駕駛領(lǐng)域?qū)⒊掷m(xù)輸出動(dòng)能[45]。

4 結(jié) 語

4.1 結(jié)論與討論

本文以專利文本作為研究數(shù)據(jù)，提出了基于專利文本挖掘的細(xì)粒度技術(shù)機(jī)會(huì)分析框架，主要完成了知識(shí)網(wǎng)絡(luò)構(gòu)建及演化分析、知識(shí)元素鏈路預(yù)測(cè)以及技術(shù)機(jī)會(huì)評(píng)估與篩選3 個(gè)研究子任務(wù)。具體研究結(jié)論如下。

第一，集成多種關(guān)鍵抽取算法的知識(shí)網(wǎng)絡(luò)構(gòu)建方法，實(shí)現(xiàn)了自動(dòng)化捕獲詞語的多維度特征，有效減少了專家知識(shí)介入，能夠細(xì)粒度展示領(lǐng)域知識(shí)全貌，為機(jī)會(huì)挖掘提供數(shù)據(jù)基礎(chǔ)。第二，基于全局網(wǎng)絡(luò)指標(biāo)的知識(shí)網(wǎng)絡(luò)演化分析，能夠從宏觀層面把握技術(shù)發(fā)展態(tài)勢(shì)，明確技術(shù)生命周期，指導(dǎo)技術(shù)機(jī)會(huì)分析。第三，將圖自編碼器模型與BERT 模型成功應(yīng)用于技術(shù)機(jī)會(huì)挖掘中，顯著提升了知識(shí)元素鏈路預(yù)測(cè)的準(zhǔn)確性和可解釋性。不僅論證了圖神經(jīng)網(wǎng)絡(luò)方法的圖結(jié)構(gòu)特征抽取能力和特征融合能力能夠有效突破傳統(tǒng)鏈路預(yù)測(cè)指標(biāo)的精度瓶頸，還驗(yàn)證了技術(shù)機(jī)會(huì)的產(chǎn)生不僅依托技術(shù)知識(shí)網(wǎng)絡(luò)結(jié)構(gòu)，還受到知識(shí)元素語義信息的影響。第四，結(jié)合鏈路預(yù)測(cè)結(jié)果與多源技術(shù)發(fā)展報(bào)告，根據(jù)產(chǎn)業(yè)鏈結(jié)構(gòu)將計(jì)算機(jī)視覺技術(shù)機(jī)會(huì)進(jìn)一步識(shí)別歸納為9 個(gè)主要的技術(shù)方向，如圖12 所示。其中，下游技術(shù)應(yīng)用機(jī)會(huì)是未來計(jì)算機(jī)視覺領(lǐng)域技術(shù)研發(fā)的重心，與演化分析中計(jì)算機(jī)視覺技術(shù)步入成熟初期的結(jié)論相互呼應(yīng)。

圖12 計(jì)算機(jī)視覺各產(chǎn)生鏈技術(shù)機(jī)會(huì)分布

4.2 貢獻(xiàn)與展望

從理論層面來看，本文提出的分析框架基于微觀視角拓寬了技術(shù)機(jī)會(huì)分析的研究思路。一方面，從核心詞匯出發(fā)自動(dòng)化挖掘領(lǐng)域知識(shí)并識(shí)別技術(shù)演化路徑，強(qiáng)調(diào)技術(shù)機(jī)會(huì)分析應(yīng)遵循技術(shù)發(fā)展趨勢(shì)，并向精細(xì)化、語義化方向發(fā)展；另一方面，文本挖掘與圖神經(jīng)網(wǎng)絡(luò)方法的有機(jī)結(jié)合，有效解決了過往研究對(duì)專家知識(shí)的過度依賴以及技術(shù)機(jī)會(huì)挖掘準(zhǔn)確率低下等問題。從實(shí)踐層面來看，技術(shù)管理部門有必要在深入理解技術(shù)內(nèi)容并結(jié)合技術(shù)趨勢(shì)前提下，及時(shí)發(fā)現(xiàn)潛在的細(xì)粒度技術(shù)機(jī)會(huì)，組織力量精準(zhǔn)研發(fā)，實(shí)現(xiàn)技術(shù)自主創(chuàng)新。另外，本文還為計(jì)算機(jī)視覺技術(shù)相關(guān)的科研機(jī)構(gòu)、企業(yè)及個(gè)人提供可靠的技術(shù)機(jī)會(huì)情報(bào)，有助于利益相關(guān)主體實(shí)現(xiàn)合理的資源布局和管理決策。

本文尚存在些許不足之處，需要進(jìn)一步完善與細(xì)化。首先，在組織技術(shù)知識(shí)網(wǎng)絡(luò)方面，本文只考慮了單一的共現(xiàn)關(guān)系作為網(wǎng)絡(luò)鏈路，在一定程度上忽略了知識(shí)元素之間的語法與語用關(guān)系。未來需要挖掘多層級(jí)的知識(shí)網(wǎng)絡(luò)鏈路關(guān)系，將技術(shù)機(jī)會(huì)分析維度進(jìn)一步拆分細(xì)化。其次，在知識(shí)元素鏈路預(yù)測(cè)方面，節(jié)點(diǎn)語義特征是直接依賴于BERT 預(yù)訓(xùn)練向量模型自動(dòng)生成，不具備領(lǐng)域?qū)Ｖ感?。未來可以利用語言模型基于領(lǐng)域文本自行訓(xùn)練知識(shí)元素詞向量，以表征其在特定語境下的深層次內(nèi)涵，這有可能進(jìn)一步提升鏈路預(yù)測(cè)性能和技術(shù)機(jī)會(huì)分析準(zhǔn)確性。