[目的]综合利用专利分类网络结构特征与文本语义特征,基于多种特征形成技术融合关系预测方法和价值评估方法.[方法]区分专利与专利分类间的关联强度,构建专利分类共现网络,获取专利分类间的网络结构相似性特征,并根据关联强度赋予专利分类以专利文本,利用文本表示学习方法得到其文本语义相似性特征.根据网络结构特征和文本语义特征构建专利分类间多种相似性指标,融合多种指标构成特征向量,利用随机森林模型学习不同指标的权重和贡献,计算技术融合概率,排序得到候选技术融合关系集合.基于专利分类引用网络特征和文献计量特征,从影响力和成长潜力出发,提出领域技术价值、商业价值和战略价值评估指标,利用被引数加以验证,最后用所得方法评估技术融合关系,获取高价值技术融合关系.[结果]本文方法的TopK预测准确率比单一特征至少提高20％;评测得到的前10对高价值技术融合关系与真实排名相差极小,平均绝对误差仅为3.2.[局限]选取的数据库存在数据项不统一的问题;只尝试了单一的随机森林方法,未对其他前沿方法进行验证.[结论]专利分类关联强度能够提高网络分析预测方法的预测效果,同时多特征融合方法相较于单一特征预测方法,能够提高技术融合关系预测效果;另一方面,本文的价值评估方法能够有效实现高价值技术融合关系价值的筛选.

多特征;技术融合关系;预测;价值评估

南京理工大学经济管理学院 南京210094

[1]张金柱;韩永亮-.基于多特征的技术融合关系预测及其价值评估)[J].数据分析与知识发现,2022(02):33-44

技术融合关系,战略价值评估,TopK

专利分类,分类网络,网络结构特征,文本语义特征,价值评估方法,共现网络,结构相似性,利文,文本表示学习,表示学习方法,语义相似性,特征构建,相似性指标,构成特征,特征向量,随机森林模型,模型学习,同指,计算技术,引用网络,网络特征,计量特征,技术价值,商业价值,方法评估,评估技术,高价值,预测准确率,少提,评测,名相,极小,平均绝对误差,库存,数据项,随机森林方法,分析预测,多特征融合,融合方法,特征预测,提高技术,关系价值

0.265288