基于“科学-技术”复杂网络的关键核心技术识别研究——以数控机床领域为例

作     者：曹琨 吴新年 白光祖 靳军宝 郑玉荣 李莉 

作者机构：中国科学院西北生态环境资源研究院 甘肃省知识计算与决策智能重点实验室 中国科学院大学经济与管理学院信息资源管理系 中国工程科技创新战略研究院 

出 版 物：《数据分析与知识发现》 (Data Analysis and Knowledge Discovery)

年 卷 期：2024年

核心收录：

学科分类：1205[管理学-图书情报与档案管理] 12[管理学] 120501[管理学-图书馆学] 080202[工学-机械电子工程] 08[工学] 0802[工学-机械工程] 120502[管理学-情报学] 

基　　金：国家社会科学基金项目(项目编号:20BTQ094) 中国工程院重大咨询项目(项目编号:2023-HYZD-05) 2021年度西部青年学者项目的研究成果之一 

主　　题：关键核心技术 技术识别 Sentence-BERTopic 复杂网络 重尾分级法 

摘      要：[目的] 结合“科学-技术文本内容特征及复杂网络关系开展关键核心技术识别方法研究，为政府、科研机构和产业界合理制定科技战略规划、开展科技创新活动提供情报支撑。[方法] 运用Sentence-BERTopic模型对句子级别的论文和专利文本语料进行深层次语义融合及知识主题建模，并根据论文和专利文献的引文关系构建“科学-技术知识主题复杂网络，然后结合节点质量特征、时间衰减因子、入链节点边的权重和出度等因素对传统的PageRank算法进行改进，从而对领域内节点重要性和影响力进行了客观排序，最后结合重尾分级法遴选出关键核心技术。[结果] 在数控机床领域进行实证研究，从中遴选出热误差建模与补偿、数控机床控制技术、数控机床进给系统等53个关键核心技术方向，将此结果与国内外相关政策规划进行对比，基本涵盖了领域内重要的关键核心技术，由此验证了本方法的科学和合理性。[局限] 缺乏对引用位置、引用动机、引用行为及句子目的等深入分析，可能影响识别的准确性。[结论] 通过构建“科学-技术复杂网络及KCR算法能够全面地揭示科学和技术的知识结构及其拓扑特征，实现了关键核心技术的细粒度精准量化识别。