數(shù)智賦能下技術挖掘的新理論與新方法研究

　　數(shù)智賦能技術挖掘?qū)⒋髷?shù)據(jù)、人工智能、深度學習、自然語言處理等一系列“數(shù)智技術”拓展、應用和改進到技術挖掘中，提高多種技術挖掘任務的準確性、可解釋性和多樣性，創(chuàng)新技術挖掘的研究理論和方法，支撐需求驅(qū)動的管理決策向數(shù)智驅(qū)動的管理決策轉(zhuǎn)變。目前，技術挖掘的方法和技術已經(jīng)取得一定進展，但仍存在一些問題需要通過數(shù)智賦能形成新理論與新方法來解決，以提升技術挖掘的效果，使技術挖掘更加準確，更能適應時代需求，更好地提供決策支持服務。這些問題主要包括：對文本信息利用不夠全面，不能從細粒度的角度挖掘文本中知識單元及知識間的語義關聯(lián)；挖掘方法準確性尚需提高，需要結(jié)合人工來分析，自動化程度不夠，分析效率還需提升；使用的數(shù)據(jù)源及方法分析維度較為單一，尚未將多源數(shù)據(jù)與多種方法結(jié)合以進行全面分析。因此，如何將數(shù)智賦能新理論和方法與傳統(tǒng)技術挖掘方法相結(jié)合，形成新的研究視角、研究方法及研究框架，從不同層面深度挖掘潛在知識，從而促進技術創(chuàng)新，輔助管理決策，是當前研究亟待解決的重要問題?；诖?，本書引入多種數(shù)智技術賦能技術挖掘，形成一系列新理論和新方法，從技術主題演化路徑識別、技術主題演化語義關聯(lián)發(fā)現(xiàn)、技術融合關系預測、技術融合價值評估和新興技術識別等方面開展系列研究，主要包括以下內(nèi)容。①實體語義表示技術挖掘：數(shù)智賦能下的技術主題演化路徑識別（第3 章）。數(shù)智賦能下，知識單元抽取和表示已經(jīng)從詞匯粒度轉(zhuǎn)向更具體的實體粒度，從淺層語義表示轉(zhuǎn)向深層語義表示。首先，該部分總結(jié)“實體語義表示”賦能技術主題演化路徑識別的理論、方法和技術。其次，綜述研究基礎，發(fā)現(xiàn)實體語義表示能更準確地識別技術主題演化路徑，其結(jié)果更具可解釋性。最后，設計BiLSTM-CRF 模型抽取專利技術實體，提出基于專利實體語義表示的主題演化路徑識別方法，合并表示形式不同但語義相同的實體，識別主題之間的消亡、新生、合并、分化和發(fā)展等主題演化關系，并在無人機領域進行實證和可視化分析。數(shù)智技術“實體語義表示”賦能技術主題演化路徑識別，能夠更準確地識別技術主題演化路徑，使結(jié)果更具可解釋性，有利于管理人員和科研工作者準確掌握技術更迭演進過程，做出科學決策。②實體關系抽取技術挖掘：數(shù)智賦能下的技術主題演化語義關聯(lián)發(fā)現(xiàn)（第4 章）。數(shù)智賦能下，知識關聯(lián)發(fā)現(xiàn)逐漸從詞匯外層配對轉(zhuǎn)向詞義內(nèi)層匹配，從比較籠統(tǒng)的共現(xiàn)關系分析轉(zhuǎn)向更加具體微觀的細粒度語義關聯(lián)發(fā)現(xiàn)。首先，該部分總結(jié)“實體關系抽取”賦能技術主題演化語義關聯(lián)發(fā)現(xiàn)的理論、方法和技術。其次，綜述研究基礎，發(fā)現(xiàn)實體關系抽取能更細粒度地發(fā)現(xiàn)技術主題之間的語義關聯(lián)，更利于解釋演化發(fā)生的成因。最后，設計實體關系抽取方法，研究主題演化語義關系判別指標，提出基于實體關系抽取的技術主題演化語義關聯(lián)發(fā)現(xiàn)方法，并在無人機領域進行可視化分析，對演化成因進行解讀。數(shù)智技術“實體關系抽取”賦能技術主題演化語義關聯(lián)發(fā)現(xiàn)，深化了主題演化路徑研究，有助于發(fā)掘技術演化成因，有利于把握技術演化規(guī)律和發(fā)展態(tài)勢，選準優(yōu)勢發(fā)展方向。③復雜網(wǎng)絡技術挖掘：數(shù)智賦能下的技術融合關系預測（第5 章）。數(shù)智賦能下，復雜網(wǎng)絡能有效融合網(wǎng)絡結(jié)構(gòu)與文本內(nèi)容，使技術融合關系預測更加全面準確。首先，該部分總結(jié)“復雜網(wǎng)絡”賦能技術融合關系預測的理論、方法和技術。其次，綜述研究基礎，發(fā)現(xiàn)復雜網(wǎng)絡有利于計算專利分類間的關聯(lián)強度，據(jù)此能夠?qū)＠谋緝?nèi)容更精確地分配給對應的專利分類，實現(xiàn)更準確的技術融合關系預測。最后，融合多種網(wǎng)絡結(jié)構(gòu)和文本特征，形成多種相似性指標，提出基于復雜網(wǎng)絡的技術融合關系預測方法，并在物聯(lián)網(wǎng)領域進行了實證分析。數(shù)智技術“復雜網(wǎng)絡”賦能技術融合關系預測，能更準確、更全面地預測技術融合可能發(fā)生的領域、方向和主題，并使結(jié)果更具可解釋性，有利于科研管理人員把握科研領域前沿動態(tài)。④機器學習技術挖掘：數(shù)智賦能下的技術融合價值評估（第6 章）。技術融合價值評估逐漸從定性評估轉(zhuǎn)向流程化、規(guī)范化的智能化定量評估。首先，該部分總結(jié)“機器學習”賦能技術融合價值評估的理論、方法和技術。其次，綜述研究基礎，發(fā)現(xiàn)機器學習能夠融合多種指標，不僅能夠判斷哪些技術融合具有價值，還能定量評估價值是多少。最后，構(gòu)建技術知識流動網(wǎng)絡，設計影響力和成長潛力等指標，提出基于機器學習的技術融合價值評估方法，并在物聯(lián)網(wǎng)領域定量評估技術融合價值，對結(jié)果進行分析解釋。數(shù)智技術“機器學習”賦能技術融合價值評估，能夠從多角度出發(fā)，綜合、定量地對技術融合價值進行計算，有利于行業(yè)研究者綜合考量技術融合的經(jīng)濟價值與技術價值，準確把握研發(fā)重點。⑤深度學習多源數(shù)據(jù)技術挖掘：數(shù)智賦能下的新興技術識別（第7章）。數(shù)智賦能下，深度學習能夠有效融合多源異構(gòu)數(shù)據(jù)并進行深層次語義表示，使得新興技術識別和預測更加全面準確。首先，該部分總結(jié)“深度學習”賦能新興技術識別的理論、方法和技術。其次，綜述研究基礎，發(fā)現(xiàn)對不同來源、不同類型的數(shù)據(jù)資源進行融合分析，能更全面地揭示新興技術的發(fā)展現(xiàn)狀及趨勢，提高新興技術識別效果。最后，綜合利用論文、專利和行業(yè)報告等多源數(shù)據(jù)，引入和改進LSTM 深度學習模型預測相關技術的新興分數(shù)，提出基于深度學習的新興技術識別方法，并在人工智能領域進行實證，揭示不同數(shù)據(jù)源的影響，分析和解釋識別結(jié)果。數(shù)智技術“深度學習”賦能新興技術識別，綜合考慮多源異構(gòu)數(shù)據(jù)，自動學習特征間復雜非線性關聯(lián)，形成新興技術識別方法，能夠更準確、更高效地識別新興技術方向，支撐科研布局。

暫缺《數(shù)智賦能下技術挖掘的新理論與新方法研究》作者簡介