融合专利数据与社交媒体数据的潜在颠覆性技术识别——基于深度学习模型

作     者：冯立杰 秦浩 王金凤 刘鹏 仵轩 张芷芯 Feng Lijie;Qin Hao;Wang Jinfeng;Liu Peng;Wu Xuan;Zhang Zhixin

作者机构：郑州大学管理学院郑州450001 上海海事大学物流工程学院上海201306 河南省创新方法工程技术研究中心郑州450001 上海海事大学中国(上海)自贸区供应链研究院上海201306 

出 版 物：《情报学报》 (Journal of the China Society for Scientific and Technical Information)

年 卷 期：2024年第43卷第2期

页      面：181-197页

核心收录：

学科分类：08[工学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：河南兴文化工程文化研究专项项目“创新驱动战略下河南企业创新管理的机制及路径研究”(2022XWH082) 郑州大学研究生自主创新项目“制造大省到制造强省——河南本土企业数字化创新能力培育与技术成果转化应用研究”(20230425) 

主　　题：潜在颠覆性技术 专利数据 社交媒体数据 Bi-LSTM 医疗机器人 

摘      要：作为推动社会进步与经济发展的重要力量,如何快速且精确地识别潜在颠覆性技术对于提升企业竞争力、推动产业变革等具有关键意义。本文提出一种融合专利数据与社交媒体数据的潜在颠覆性技术早期识别方法,是对已有研究理论和方法的重要补充。第一,检索相关领域专利数据,对数据进行划分;第二,基于颠覆性技术的特征,选取与颠覆性技术相关的指标以构建指标体系,并计算其技术影响力;第三,依托Bi-LSTM(bi-directional long short-termmemory)训练专利指标与技术影响力之间的关系,预测出候选颠覆性技术,并结合BERTopic提取技术主题;第四,通过BERTopic主题建模基于社交媒体数据提取出社会主题,并通过关注度和情感倾向对社会主题进行评价;第五,通过语义相似度,将社会主题与技术主题匹配映射,以对技术主题进行分类,进而识别出潜在颠覆性技术;第六,以医疗机器人为例,阐述该识别方法的应用过程。研究结果表明,Bi-LSTM模型在准确率、精准率、召回率和F1-score上均超过90%,优于其他模型;将医疗机器人领域中的潜在颠覆性技术划分为高关注度-积极态度、低关注度-积极态度与低关注度-消极态度3种类型;识别出的医疗机器人潜在颠覆性技术,能够为国家发展政策制定与相关产业布局提供参考。