動態(tài)專利技術(shù)網(wǎng)絡(luò)視域下技術(shù)集群識別*

劉玉林 菅利榮

(1．南京航空航天大學經(jīng)濟與管理學院 南京 211106;2．安徽商貿(mào)職業(yè)技術(shù)學院電子商務(wù)學院 蕪湖 241002)

近年來,科學技術(shù)作為最重要的生產(chǎn)力要素,在國家經(jīng)濟社會發(fā)展中發(fā)揮了越來越重要的作用[1]。各個國家為了獲得技術(shù)優(yōu)勢,圍繞技術(shù)資源展開了前所未有的競爭[2]。當然,這種競爭已經(jīng)從單一技術(shù)競爭轉(zhuǎn)向技術(shù)集群競爭,因為對屬性功能等特征高度相似的技術(shù)集群進行研究,能夠了解技術(shù)領(lǐng)域的層次結(jié)構(gòu),挖掘技術(shù)機會,發(fā)現(xiàn)技術(shù)發(fā)展規(guī)律,預測技術(shù)未來趨勢,使國家和企業(yè)在技術(shù)研發(fā)和競爭中獲得優(yōu)勢[2-3]。

1 相關(guān)研究與問題描述

當前,對技術(shù)集群的研究已經(jīng)取得了一些進展。Jiang H等研究發(fā)現(xiàn)技術(shù)集群的發(fā)展是一個動態(tài)過程,受到技術(shù)變化和市場競爭等內(nèi)外部因素的影響,并在調(diào)查美國技術(shù)集群的基礎(chǔ)上,提出了技術(shù)集群存在生命周期的特點[3]。Ibrahim S等認為當技術(shù)在一定時間和空間上形成聚集分布時,將產(chǎn)生技術(shù)集群[4]。張月等從前人的研究成果中發(fā)現(xiàn)技術(shù)集群是促進經(jīng)濟動態(tài)發(fā)展的源泉[5],劉慧等對技術(shù)集群的概念進行界定,并提出技術(shù)集群對產(chǎn)業(yè)集群的三種作用力,包括提供動力、提升競爭力和強化保障力等[6]。

與此同時,通過專利分析開展技術(shù)集群的研究已經(jīng)引起了相關(guān)研究者的廣泛關(guān)注。因為專利是集技術(shù)情報、經(jīng)濟情報、商業(yè)情報于一體的知識載體,具有及時、可靠、內(nèi)容詳盡等顯著特點[7],被視為技術(shù)原始信息來源,從而具有較高的商業(yè)價值,專利分析為技術(shù)研發(fā)、技術(shù)政策和技術(shù)戰(zhàn)略等決策提供了重要信息[8]。在專利分析中,使用專利網(wǎng)絡(luò)作為可視化分析工具,往往有助于分析技術(shù)相似性和技術(shù)發(fā)展趨勢等[9]。為此,劉玉林等通過構(gòu)建專利網(wǎng)絡(luò)分析技術(shù)集群的演化,發(fā)現(xiàn)核心技術(shù)集群之間存在很好的更新替換機制[2]。潘微微等通過專利網(wǎng)絡(luò)中的關(guān)鍵節(jié)點與關(guān)鍵路徑分析,發(fā)現(xiàn)技術(shù)演進通常經(jīng)歷萌芽期、成長期、成熟期和衰退期等四個時期[10]。

雖然國內(nèi)外對技術(shù)集群研究取得了一定的進展,部分研究者基于專利網(wǎng)絡(luò)對技術(shù)集群演化分析進行了探索,但往往構(gòu)建的網(wǎng)絡(luò)是靜態(tài)的,對技術(shù)集群的識別方法研究非常少。為此,本文構(gòu)建動態(tài)專利技術(shù)網(wǎng)絡(luò),并提出一種有效的技術(shù)集群識別方法,從而更好地幫助企業(yè)和技術(shù)研發(fā)人員分析技術(shù)集群特征和預測技術(shù)集群發(fā)展趨勢等。

廣義上,技術(shù)集群是指在創(chuàng)新過程中由于群體技術(shù)的內(nèi)在關(guān)聯(lián)性和技術(shù)勢差,各創(chuàng)新因子在流動中產(chǎn)生連鎖、協(xié)同效應,并與技術(shù)相關(guān)的社會各種要素反饋互動,形成以集群為特征的集合[5-6]。狹義上,屬性功能上高度相似的技術(shù)聚集在一起形成集合,稱之為技術(shù)集群[2]。在本文中,僅研究群體技術(shù)的連鎖和協(xié)同效應帶來的技術(shù)研發(fā)和投資決策價值,故采用技術(shù)集群的狹義定義。在技術(shù)集群中,影響連鎖和協(xié)同效應的創(chuàng)新因子統(tǒng)稱為技術(shù)因子[2,5-6]。Noh等研究表明專利文獻通常包含通用詞和術(shù)語兩類詞語,通用詞表現(xiàn)出與技術(shù)因子的無關(guān)性,而術(shù)語則表達某個專業(yè)知識,具有較高與技術(shù)因子相關(guān)性[2,11]。Yoon等認為屬性和功能作為專利文本中重要的術(shù)語詞語,能夠通過自然語言處理方法提取,并進一步證實了屬性和功能代表專利文本特征的唯一性[2,12]。在調(diào)查美國約16 000項專利后,Dewulf等發(fā)現(xiàn)屬性表示系統(tǒng)的特定特性,在語言表達上與名詞相關(guān),而功能表示系統(tǒng)的適當操作,在語言表達上與動詞相關(guān)[2,13]。Yoon等進一步發(fā)現(xiàn)屬性和功能常常以二元關(guān)系的形式出現(xiàn),即屬性用“形容詞+名詞”形式表示,功能用“動詞+名詞”形式[2,12]。因此,在技術(shù)集群識別中,可將“形容詞+名詞”組合作為屬性技術(shù)因子,“動詞+名詞”組合作為功能技術(shù)因子,選擇屬性和功能技術(shù)因子作為專利文本特征,以此準確把握技術(shù)集群的創(chuàng)新因素。

同時,陳悅等研究發(fā)現(xiàn)一個技術(shù)域是由若干個表達不同技術(shù)主題的技術(shù)群構(gòu)成,其中整個技術(shù)域變化可以通過專利申請等指標測度,具體技術(shù)群可利用網(wǎng)絡(luò)中社區(qū)探測算法檢測[14]。事實上,在構(gòu)建的動態(tài)專利技術(shù)網(wǎng)絡(luò)中,節(jié)點聚類后形成簇,同一簇中專利節(jié)點連接緊密,而簇與簇之間的專利節(jié)點連接稀疏[15],且可通過社區(qū)檢測發(fā)現(xiàn)網(wǎng)絡(luò)中的專利簇[14]。由于每個專利節(jié)點是一個技術(shù)點的創(chuàng)新體現(xiàn),節(jié)點聚類成簇實質(zhì)上是屬性和功能技術(shù)因子相似的技術(shù)形成集群,即“專利成簇,技術(shù)成群”。因此,一個技術(shù)域的技術(shù)集群識別問題,可視為動態(tài)專利技術(shù)網(wǎng)絡(luò)中社區(qū)檢測問題。

2 研究方法

采用自注意力機制學習出專利文檔特定詞向量,融合屬性和功能技術(shù)因子等先驗信息生成專利技術(shù)向量,計算專利技術(shù)相似度后構(gòu)建動態(tài)專利技術(shù)網(wǎng)絡(luò),采用帶節(jié)點增量的Louvain算法識別技術(shù)集群,具體步驟見圖1。

圖1 整體研究框架

2.1 專利技術(shù)相似度

在專利文檔特定詞向量學習中,以采集的目標專利集為語料庫,通過word2vec生成通用詞向量后[16-17],融合自注意機制更新通用詞向量[18],學習出特定詞向量,最后采用余弦相似度計算出專利技術(shù)相似度。

自注意力機制(self-attention mechanism)通過計算詞與詞之間的相似性,可以將句子中任意兩個詞聯(lián)系起來,捕獲其中的語義關(guān)系[19-20]。自注意力機制的主要計算過程如式(1)所示。

(1)

其中,qi、ki和vi為通過word2vec生成的原始詞向量在三個不同的空間映射,即查詢向量、健向量和值向量。DK表示kTi的維度,qikTi表示qi與kTi的點積。

在學習出專利文檔特定詞向量基礎(chǔ)上,融合專利屬性和功能技術(shù)因子等先驗信息,采用組合拼接生成專利技術(shù)向量[19],具體如式(2-4)所示。

(2)

(3)

Vecpatent=Vec屬性⊕Vec功能

(4)

其中,Vec屬性為專利屬性技術(shù)因子向量,m表示在某個專利文本中屬性技術(shù)因子組合數(shù)。Vec屬性-i表示在該專利文本中第i個屬性技術(shù)因子向量,該向量由對應的形容詞向量與名詞向量組合拼接而來。Vec功能為專利功能技術(shù)因子向量,n表示在某個專利文本中功能技術(shù)因子組合數(shù)。Vec功能-j表示在該專利文本中第j個功能技術(shù)因子向量,該向量由對應的動詞向量與名詞向量組合拼接而來。Vecpatent為專利技術(shù)因子向量,該向量由對應的專利屬性技術(shù)因子向量與專利功能技術(shù)因子向量組合拼接而來。⊕含義為拼接。

計算技術(shù)相似度時,余弦相似度是常用的方法[21-22],計算方式見式(5)所示。

(5)

其中,cosθA_C是專利A和C的技術(shù)相似度值,VecA-patent和VecC-patent是專利A和C的專利技術(shù)向量。

2.2 動態(tài)專利技術(shù)網(wǎng)絡(luò)

當計算出專利技術(shù)相似度值后,將專利作為節(jié)點,專利間技術(shù)相似度值作為權(quán)重,可構(gòu)建專利技術(shù)加權(quán)網(wǎng)絡(luò),如圖2(a)所示。當然,如果將專利技術(shù)加權(quán)網(wǎng)絡(luò)直接用于技術(shù)集群的識別,其中權(quán)重值較小的專利節(jié)點連接意味著技術(shù)相似度較小,并不能準確衡量技術(shù)聚集效應。因此,需要設(shè)定閾值對邊進行篩選,去除網(wǎng)絡(luò)中低權(quán)重邊,保證有連接的專利對具有較好的技術(shù)相似度,有助于提高技術(shù)集群識別的準確性[15],如圖2(b)所示。

(a) 未設(shè)定閾值的加權(quán)網(wǎng)絡(luò) (b)設(shè)定閾值后的加權(quán)網(wǎng)絡(luò)(以閾值=0.4為例)

定義動態(tài)專利技術(shù)網(wǎng)絡(luò)G={G1(V1,E1,W1),…,Gt(Vt,Et,Wt),…},其中Gt(Vt,Et,Wt)是t時刻采樣的動態(tài)專利技術(shù)子網(wǎng)絡(luò),Vt為t時刻網(wǎng)絡(luò)Gt的節(jié)點集合,Et為t時刻網(wǎng)絡(luò)Gt的邊集合,Wt為t時刻網(wǎng)絡(luò)Gt的邊權(quán)重集合。以圖3為例,G={G1(V1,E1,W1),G2(V2,E2,W2),G3(V3,E3,W3)},t2時刻網(wǎng)絡(luò)G2的節(jié)點集合為{C1,C2,C3},邊集合為{(C2,C3)},權(quán)重集合為{W23}。需要說明的是,時刻t可以根據(jù)研究需要,將分辨率定為天、月、年等。當然,越小的分辨率,構(gòu)建的動態(tài)專利技術(shù)網(wǎng)絡(luò)所能呈現(xiàn)的技術(shù)演化細節(jié)越豐富。

圖3 動態(tài)專利技術(shù)網(wǎng)絡(luò)示例

2.3 技術(shù)集群識別

在動態(tài)專利技術(shù)網(wǎng)絡(luò)中,采用帶節(jié)點增量的Louvain算法檢測網(wǎng)絡(luò)社區(qū),即識別技術(shù)集群。帶節(jié)點增量的Louvain算法思想為:首先,采用Louvain算法對當前時刻采樣的網(wǎng)絡(luò)節(jié)點進行社區(qū)劃分;其次,在下一個時刻統(tǒng)計新增的節(jié)點,將新增的節(jié)點加入當前時刻網(wǎng)絡(luò)后,形成新的網(wǎng)絡(luò);最后,通過Louvain算法對新的網(wǎng)絡(luò)社區(qū)進行重新劃分。

帶節(jié)點增量的Louvain算法步驟如下:

Step 1:將當前時刻ti時刻網(wǎng)絡(luò)Gi中每個節(jié)點視為一個單獨的社區(qū),即節(jié)點數(shù)與社區(qū)數(shù)相同。

Step 2:依次將每個節(jié)點分配給網(wǎng)絡(luò)中的社區(qū),計算社區(qū)前后的模塊度增益ΔQ,并記錄ΔQ最大值ΔQmax。如果ΔQmax>0,則將節(jié)點i分配給ΔQmax所在的社區(qū);如果ΔQmax≤0,則節(jié)點i保持原社區(qū)不變。其中,ΔQ定義見式(6)所示。

(6)

其中,∑in是社區(qū)C中所有邊權(quán)重之和,∑tot是連接至社區(qū)C的所有權(quán)重之和,kj,in表示節(jié)點j連接至社區(qū)C中節(jié)點的權(quán)重和,kj表示節(jié)點j的權(quán)重和,m表示網(wǎng)絡(luò)中的邊總數(shù)。

Step 3:重復Step 2,直到網(wǎng)絡(luò)中社區(qū)不再變化。

Step 4:將同一社區(qū)中所有節(jié)點壓縮成為一個新節(jié)點,社區(qū)內(nèi)邊的權(quán)重轉(zhuǎn)化為新節(jié)點的點權(quán)重,社區(qū)間邊權(quán)重轉(zhuǎn)化為新節(jié)點之間邊權(quán)重。

Step 5:重復Step 1-4,直到整個網(wǎng)絡(luò)的模塊度不再發(fā)生變化。此時,記錄ti時刻網(wǎng)絡(luò)Gi中社區(qū)劃分結(jié)果。

Step 6:將ti+1時刻新的節(jié)點,加入到ti時刻網(wǎng)絡(luò)Gi后,形成新的網(wǎng)絡(luò)Gi+1。

Step 7:重復Step 1-5,記錄ti+1時刻網(wǎng)絡(luò)Gi+1中社區(qū)劃分結(jié)果。

Step 8:重復Step 6-7,直到所有的時刻網(wǎng)絡(luò)社區(qū)均被劃分完成,并記錄所有時刻網(wǎng)絡(luò)社區(qū)劃分結(jié)果。

3 實證分析

3.1 數(shù)據(jù)來源

電商數(shù)據(jù)技術(shù)將成為國家戰(zhàn)略發(fā)展和企業(yè)技術(shù)研發(fā)投資的熱門領(lǐng)域,本文選擇美國電商數(shù)據(jù)技術(shù)作為研究對象,希望給國內(nèi)企業(yè)和技術(shù)人員研發(fā)工作帶來啟發(fā)和幫助。通過Derwent Innovation專利數(shù)據(jù)庫采集美國電商數(shù)據(jù)技術(shù)專利,檢索表達式為“CTB=(electronic ADJ commerce) OR CTB=(e-commerce) OR CTB=(network ADJ marketing) OR CTB=(shopping ADJ online) OR CTB=(electronic ADJ transaction) OR CTB=(electronic ADJ payment) AND AIC=(G06)”,將申請國確定為美國(US),進一步篩選摘要中含關(guān)鍵詞“data”的專利。采集完成后兩位電商領(lǐng)域?qū)＜覍?shù)據(jù)集進行人工判別刪除非電商數(shù)據(jù)技術(shù)專利,并對數(shù)據(jù)進行去重、缺失值處理等預處理,最終進入分析范圍的美國電商數(shù)據(jù)技術(shù)專利為1 450條,專利申請日期時間跨度為首個專利申請時間至2021年12月31日。

3.2 計算專利技術(shù)相似度

選擇專利中的摘要作為文本對象[23-24],通過word2vec生成通用詞向量,融合自注意機制更新后學習出特定詞向量,進一步融合專利技術(shù)中屬性和功能技術(shù)因子等先驗信息,生成專利技術(shù)向量,通過余弦相似度計算專利技術(shù)相似度。為了獲得可靠的動態(tài)專利技術(shù)網(wǎng)絡(luò),需要分析超參數(shù)值變動對所構(gòu)建動態(tài)專利網(wǎng)絡(luò)的指標影響程度,因此采用敏感性分析優(yōu)化超參數(shù)值。其中,根據(jù)相關(guān)文獻研究[15,25],加權(quán)網(wǎng)絡(luò)聚類系數(shù)能夠反映同類聚集程度,可用于測度網(wǎng)絡(luò)群聚性。本文選擇網(wǎng)絡(luò)聚類系數(shù)作為動態(tài)專利網(wǎng)絡(luò)構(gòu)建效果的評價指標,開展相關(guān)超參數(shù)敏感性分析。

如圖4所示,根據(jù)不同超參數(shù)值下加權(quán)網(wǎng)絡(luò)聚類系數(shù)的變化,采用肘點法[26],設(shè)定通用詞向量維度為50,特定詞向量維度為30,word2vec模型中滑動窗口數(shù)為5。根據(jù)設(shè)定的超參數(shù)值計算專利技術(shù)相似度值,結(jié)果見表1。

表1 專利技術(shù)相似度值

(a)通用詞向量維度 (b)特定詞向量維度

3.3 構(gòu)建動態(tài)專利技術(shù)網(wǎng)絡(luò)

按照研究方法中動態(tài)專利技術(shù)網(wǎng)絡(luò)的定義,以專利為節(jié)點,以技術(shù)相似度值為權(quán)重,以年為單位,在Gephi中繪制美國電商數(shù)據(jù)動態(tài)專利技術(shù)網(wǎng)絡(luò),如圖5所示。需要說明的是,設(shè)定閾值為0.5對低權(quán)重邊進行刪除,確保有連接的專利對具有較好的技術(shù)相似度。圖5中,美國電商數(shù)據(jù)動態(tài)專利技術(shù)網(wǎng)絡(luò)共有802個專利節(jié)點,631條邊,網(wǎng)絡(luò)聚類系數(shù)為0.0192。在Gephi中啟動時間線可對圖5進行時間演化演示和指標數(shù)值分析。

圖5 美國電商數(shù)據(jù)動態(tài)專利技術(shù)網(wǎng)絡(luò)

3.4 識別專利技術(shù)集群

采用研究方法中帶節(jié)點增量的Louvain算法檢測美國電商數(shù)據(jù)動態(tài)專利技術(shù)網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu),共檢測到12個社區(qū),即發(fā)現(xiàn)12個技術(shù)集群,同時結(jié)合專利技術(shù)節(jié)點的屬性和功能技術(shù)因子特征為技術(shù)集群主題畫像,結(jié)果如表2所示。

表2 美國電商數(shù)據(jù)動態(tài)專利技術(shù)網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)與技術(shù)集群

結(jié)合表2和圖5所示,自1989年開始的33年發(fā)展中,美國電商數(shù)據(jù)技術(shù)共形成了12個技術(shù)集群cluster 01-12,技術(shù)集群中聚集的專利技術(shù)節(jié)點數(shù)已達273個,占網(wǎng)絡(luò)專利節(jié)點數(shù)之比為34%,占技術(shù)域?qū)＠麛?shù)之比為18.8%,表明目前美國電商數(shù)據(jù)技術(shù)中已經(jīng)存在一定比例且屬性功能上高度相似的技術(shù)聚集,這一技術(shù)聚集而成的12個技術(shù)集群將會促進美國電商數(shù)據(jù)技術(shù)群體間的連鎖和協(xié)同效應,進而帶來更多的技術(shù)研發(fā)和投資決策價值。

在Gephi中,對圖5啟動時間線分析技術(shù)集群的演化事件[10,25]。由圖5可得,所有的技術(shù)集群中專利技術(shù)節(jié)點數(shù)隨著時間發(fā)展呈增加趨勢,根據(jù)文獻[3,25,27]的研究表明12個技術(shù)集群均都處于生長期,且2/3技術(shù)集群生長期超過20年。同時,技術(shù)集群cluster 03在演化中出現(xiàn)技術(shù)集群融合事件,即兩個技術(shù)集群交叉融合后形成一個新的技術(shù)集群。該技術(shù)集群融合事件發(fā)生在2020年度,其中一個技術(shù)集群分支03-1發(fā)展時間跨度為[2001,2019],2019年專利技術(shù)節(jié)點數(shù)為22個,另一個技術(shù)集群分支03-2發(fā)展時間跨度為[2009,2019],2019年專利技術(shù)節(jié)點數(shù)為13個,兩個技術(shù)集群分支03-1和03-2在2020年度匯聚后融合形成技術(shù)集群03。在美國電商數(shù)據(jù)技術(shù)集群中發(fā)現(xiàn)了一個技術(shù)集群融合事件,是本文通過動態(tài)專利技術(shù)網(wǎng)絡(luò)分析技術(shù)集群的一大特點。在文獻[10,25,27]中 ,相關(guān)研究表明技術(shù)集群發(fā)展是一個動態(tài)過程,包括萌芽、生長、成熟和衰退等不同生命周期階段。在美國電商數(shù)據(jù)技術(shù)集群中,未發(fā)現(xiàn)有技術(shù)集群處于衰退期,所有的技術(shù)集群歷經(jīng)萌芽期后,目前均處于生長期,尚未達到成熟期,表明美國電商數(shù)據(jù)技術(shù)發(fā)展呈現(xiàn)新興活躍態(tài)勢。

在表2中,為技術(shù)集群主題畫像是本文研究過程中融合屬性和功能技術(shù)因子特征的另一個重要運用。在美國電商數(shù)據(jù)技術(shù)中,12個技術(shù)集群主題體現(xiàn)了以下特點:a.具有技術(shù)研究領(lǐng)域的完備性。從技術(shù)主題分布看,美國電商數(shù)據(jù)技術(shù)集群涵蓋了電商數(shù)據(jù)技術(shù)全領(lǐng)域鏈,其中既有數(shù)據(jù)識別、數(shù)據(jù)采集、數(shù)據(jù)存儲、數(shù)據(jù)分析和數(shù)據(jù)應用等前后銜接技術(shù)鏈,又有數(shù)據(jù)系統(tǒng)、數(shù)據(jù)設(shè)備、數(shù)據(jù)安全和數(shù)據(jù)效用等上下聯(lián)動技術(shù)鏈。b.形成齊頭并進、相輔相成的發(fā)展格局。從發(fā)展時間分布看,12個技術(shù)集群萌芽期均處于21世紀初,此時正值大數(shù)據(jù)技術(shù)和行業(yè)高速發(fā)展的時期,美國電商數(shù)據(jù)技術(shù)也隨之蓬勃發(fā)展。同時,從圖5觀察發(fā)現(xiàn)技術(shù)集群之間也存在一定稀疏的連接關(guān)系,說明12個技術(shù)集群并非孤立發(fā)展,也有互動促進。c.體現(xiàn)核心引領(lǐng)、輔助支持的發(fā)展方式。從節(jié)點規(guī)模分布看,技術(shù)集群cluster 06為數(shù)據(jù)系統(tǒng)技術(shù)研發(fā),技術(shù)集群cluster 03為數(shù)據(jù)設(shè)備技術(shù),其中cluster 03由電子設(shè)備與云設(shè)備兩個集群分支聚融合而成。技術(shù)集群cluster 03和06中專利技術(shù)節(jié)點數(shù)合計114個,占技術(shù)集群節(jié)點數(shù)之比達41.7%,且均從2001年開始萌芽發(fā)展,由此可見數(shù)據(jù)系統(tǒng)和設(shè)備技術(shù)研發(fā)是近30年來美國電商數(shù)據(jù)技術(shù)發(fā)展的核心。當然,數(shù)據(jù)存儲、數(shù)據(jù)安全等其他10個技術(shù)集群所含專利技術(shù)節(jié)點數(shù)雖然遠遠少于數(shù)據(jù)系統(tǒng)和設(shè)備技術(shù)集群,但因其研究領(lǐng)域廣泛、技術(shù)發(fā)展迅速和市場潛力巨大等,對近30年來美國電商數(shù)據(jù)技術(shù)發(fā)展也起到了輔助支撐的作用。

4 結(jié) 論

本文通過構(gòu)建動態(tài)專利技術(shù)網(wǎng)絡(luò),采用社區(qū)檢測的方法識別技術(shù)集群。以美國電商數(shù)據(jù)技術(shù)為例,進一步驗證了本方法的有效性:a.本研究方法能夠有效的識別技術(shù)集群。在美國電商數(shù)據(jù)技術(shù)中共發(fā)現(xiàn)節(jié)點規(guī)模不等、技術(shù)主題不一的12個技術(shù)集群。b.本研究方法能夠動態(tài)的發(fā)現(xiàn)集群變化?？傮w上美國電商數(shù)據(jù)技術(shù)發(fā)展處于新興活躍態(tài)勢,技術(shù)集群03數(shù)據(jù)設(shè)備技術(shù)由兩個技術(shù)集群分支03-1電子設(shè)備和03-2云設(shè)備融合而成。c.本研究方法能夠為技術(shù)集群主題畫像。美國電商數(shù)據(jù)技術(shù)集群包括數(shù)據(jù)系統(tǒng)技術(shù)、數(shù)據(jù)設(shè)備技術(shù)、數(shù)據(jù)安全技術(shù)等技術(shù)主題。

本研究的主要貢獻在于:a.通過word2vec生成通用詞向量后,融合自注意機制更新通用詞向量,學習出的特定詞向量能夠含有特定專利的語義。b.在學習出的特定詞向量基礎(chǔ)上,融合專利技術(shù)中屬性和功能技術(shù)因子等先驗信息,生成的專利技術(shù)向量含有更豐富的專利語義,據(jù)此計算出的專利技術(shù)相似度更加貼切。c.構(gòu)建的動態(tài)專利技術(shù)網(wǎng)絡(luò)能夠發(fā)現(xiàn)更多的技術(shù)集群特點,比如技術(shù)集群生命周期變化和融合發(fā)展情況等。

當然,本文還存在一些不足之處,比如文中動態(tài)專利技術(shù)網(wǎng)絡(luò)構(gòu)建以年為單位,可以探索月、天等不同時間分辨率下的構(gòu)建效果,以及驗證技術(shù)集群識別是否存在變化等。為此,希望本文能夠拋磚引玉,吸引更多研究者關(guān)注動態(tài)專利技術(shù)網(wǎng)絡(luò)構(gòu)建和技術(shù)集群識別研究。