基于知识—合作相依网络的技术融合预测与潜在合作伙伴识别研究

作     者：赵健宇 董振杰 余乐安 袭希 姚欣林 

作者机构：四川大学商学院 南开大学商学院 中国人民大学信息学院 哈尔滨工程大学经济管理学院 

出 版 物：《系统工程理论与实践》 (Systems Engineering-Theory & Practice)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 0202[经济学-应用经济学] 02[经济学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 020205[经济学-产业经济学] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(72072046) 国家自然科学基金重点项目(72331007) 黑龙江省社会科学基金项目(21GLB060) 黑龙江省自然科学基金项目(LH2022G004) 

主　　题：技术融合 知识—合作相依网络 动态链路预测 合作伙伴识别 知识元素组合 

摘      要：由于以技术融合为新代表的创新活动双重嵌入在知识—合作相依网络中， 因此精准预见知识网络中知识元素可能的组合关系， 并据此助力合作网络中创新主体准确识别潜在的合作伙伴， 对于高质量实践跨学科、跨领域技术全面融合的创新战略具有重要意义. 为完整挖掘相依网络既有信息， 同时弥补现有成果无法同时表示网络空间和时间特征的研究缺陷， 采用自编码器结合Transformer深度学习算法的方式， 提出动态知识网络链路预测模型E-Transformer-D， 构建面向技术融合的知识—合作相依网络动态链路预测框架. 在利用8位国际专利分类代码对知识元素予以更精细化表征的基础上， 借助医疗器械领域的专利数据集对模型予以验证. 结果表明， 基于Transformer改进的知识—合作相依网络动态链路预测框架不仅可以更高精度地预测知识元素的融合方向， 而且能够更具针对性地为合作网络中的创新主体识别潜在的合作伙伴提供有力证据. 研究方法与结论既能够在理论层面上丰富技术融合领域的研究内容， 又可以实践层面上为创新主体提升技术融合成功率提供科学参考.