企業(yè)潛在技術(shù)合作伙伴及競爭者預(yù)測研究
——以燃料電池技術(shù)為例

李 冰，丁 堃，孫曉玲

（大連理工大學(xué)科學(xué)學(xué)與科技管理研究所，大連 116024）

1 引 言

企業(yè)關(guān)注的轉(zhuǎn)移轉(zhuǎn)化工作主要包括技術(shù)引進、技術(shù)輸出以及技術(shù)合作。為了使得企業(yè)進行更優(yōu)質(zhì)的轉(zhuǎn)移轉(zhuǎn)化，在各項工作的展開中需要進行對自身專利的盤點，包括與對標企業(yè)技術(shù)比較分析自身的優(yōu)劣勢、調(diào)整企業(yè)專利組合等。同時，更加需要對行業(yè)內(nèi)專利技術(shù)評估以及技術(shù)持有者的評價，以便在專利技術(shù)轉(zhuǎn)移轉(zhuǎn)化中尋求到最佳的合作伙伴，在專利布局中防范可能的競爭對手。然而，外部專利數(shù)量的迅速增長，意味著大量新技術(shù)的不斷產(chǎn)生與更替，對于企業(yè)進行后項工作而言，會造成時間成本和資金成本的大量消耗。如何在大的行業(yè)范圍內(nèi)幫助企業(yè)縮小尋找范圍，快速定位潛在關(guān)系對象是本文想要解決的主要問題。

對于這項工作的開展，若采取行業(yè)范圍內(nèi)專利及專利持有者的逐一篩選和評估無疑不是最明智的選擇，本文的研究思想是將企業(yè)在這一環(huán)節(jié)的工作聚焦在圍繞自身的發(fā)展狀況，牢牢把握現(xiàn)有的專利情報信息。這要求企業(yè)在對自身專利的盤點過程中，不僅需要關(guān)注已有的專利，對于已有專利的引用專利更加需要關(guān)注，這部分專利蘊含的信息是企業(yè)技術(shù)發(fā)展的知識基礎(chǔ)，也是挖掘企業(yè)關(guān)注技術(shù)的信息依托。已有研究表明，技術(shù)相似性是企業(yè)挖掘技術(shù)競爭對手與合作伙伴的重要依據(jù)，可以給企業(yè)在全球范圍內(nèi)尋求技術(shù)競合對象提供有效的決策信息支持[1]。對于專利引用信息的有效利用，可以挖掘企業(yè)關(guān)注的技術(shù)內(nèi)容，而關(guān)注相似技術(shù)的企業(yè)則可能成為合作伙伴或是競爭對手，在實際中需結(jié)合具體情況而定，但可以達到縮小查找范圍、精準定位的研究目的。

目前，采用專利信息挖掘企業(yè)合作伙伴的研究主題可以概括為兩部分內(nèi)容。其一是產(chǎn)學(xué)研合作研究。例如，王菲菲等[2]基于論文合作和專利合作網(wǎng)絡(luò)對產(chǎn)學(xué)研潛在合作機會進行預(yù)測；許海云等[3]和王超等[4]基于基礎(chǔ)研究、應(yīng)用研究、轉(zhuǎn)移轉(zhuǎn)化、商品化和產(chǎn)業(yè)化五個環(huán)節(jié)組成的創(chuàng)新鏈對潛在產(chǎn)學(xué)研合作對象進行識別；周超強[5]通過構(gòu)建科技領(lǐng)域詞典，結(jié)合技術(shù)需求以及基于潛在語義的文本相似度計算，實現(xiàn)了專家推薦系統(tǒng)，并對產(chǎn)學(xué)研合作進行專家推薦；付鑫金等[6]利用科技查新識別產(chǎn)學(xué)研潛在合作對象；冉從敬等[7]從企業(yè)視角出發(fā)，構(gòu)建了校企合作選擇模型，為校企合作提供了便捷路徑；Kang 等[8]將LDA （latent Dirichlet allocation） 主題模型和聚類算法相結(jié)合，對特定技術(shù)領(lǐng)域的子技術(shù)類別進行分類，并在每個類別中為企業(yè)確定最佳大學(xué)合作伙伴。其二是方法性研究，即對于尋找企業(yè)潛在合作伙伴的方法研究。例如，溫芳芳[9]通過構(gòu)建專利分類號的耦合網(wǎng)絡(luò)分析企業(yè)間的潛在合作關(guān)系；楊梓[10]在其學(xué)位論文中利用專利數(shù)據(jù)，采用文本挖掘等方法，對技術(shù)關(guān)聯(lián)的企業(yè)間潛在創(chuàng)新合作的可能性進行了探討；傅俊英等[11]通過測度專利之間的相似性，來度量專利權(quán)人之間的技術(shù)相似性，進而對中小企業(yè)的潛在合作伙伴進行識別；溫亮等[12]通過構(gòu)建基于SAO （subject-action-object） 語義分析的技術(shù)合作伙伴識別體系，對網(wǎng)絡(luò)內(nèi)企業(yè)重點子技術(shù)領(lǐng)域進行相似度分析，從而識別企業(yè)潛在的技術(shù)合作伙伴；Angue 等[13]提出了一種基于專利組合的對偶分析方法，幫助企業(yè)識別潛在合作伙伴。

不同于上述研究，本文指明異質(zhì)性網(wǎng)絡(luò)建模的理論基礎(chǔ)，利用企業(yè)引用專利的直接互動給關(guān)系，構(gòu)建企業(yè)-專利的異質(zhì)性網(wǎng)絡(luò)。在研究方法上，新興的機器學(xué)習(xí)和深度學(xué)習(xí)的方法在分類和預(yù)測問題上均達到了理想的效果，然而，已有的研究對于這類方法的利用依然不盡完善，對于算法的選擇和研究的理論并沒有做到十分的匹配。本文在二部圖理論的基礎(chǔ)上，選取基于SimRank 鏈路預(yù)測算法為實驗方法，對企業(yè)潛在的技術(shù)合作伙伴和競爭對手進行預(yù)測挖掘，并基于text2vec 的表示學(xué)習(xí)對專利文本進行向量化表示，對潛在競合對象和目標企業(yè)的專利文本進行相似度計算，衡量兩個企業(yè)的技術(shù)差異度，進而判斷競合關(guān)系。本文進一步完善了以專利信息為依據(jù)對企業(yè)合作伙伴挖掘的主題研究，豐富了該主題的研究框架，更為實際企業(yè)發(fā)展中尋找潛在關(guān)系對象提供新的思路，縮小查找范圍，節(jié)約企業(yè)發(fā)展成本。

2 研究設(shè)計

2.1 異質(zhì)網(wǎng)絡(luò)構(gòu)建的理論模型

二部圖是圖論中一種特殊的模型。其定義為：若G= (V,E) 的頂點集V的一個劃分是V=V1∪V2,V1∩V2= ?，使得G中的任何一條邊的兩個端點分別在V1和V2中，如圖1a 所示。在二部圖的基礎(chǔ)上延伸出完全二部圖和有向二部圖等概念。實踐中，已有關(guān)于二部圖利用的相關(guān)研究，如利用二部圖可以求出網(wǎng)頁的最大匹配與完全匹配，挖掘出隱含的知識社群，以及最常用的將V1作為用戶集，V2作為商品集，進行產(chǎn)品的推薦[14-16]。

圖1 企業(yè)-專利二部圖設(shè)計

本文借鑒二部圖的理論思想，將企業(yè)看作用戶，專利看作商品，企業(yè)對于專利的引用可以看作用戶對商品的選擇，以此構(gòu)建企業(yè)-專利的異質(zhì)性網(wǎng)絡(luò)，可以充分體現(xiàn)企業(yè)與專利的直接互動關(guān)系。在這里，企業(yè)之間的合作以及專利之間的引用關(guān)系暫時不考慮，由此得到的數(shù)據(jù)集的鏈接關(guān)系符合二部圖理論。

2.2 研究方法

2.2.1 鏈路預(yù)測

在二部圖理論的基礎(chǔ)上，本文選用的研究方法是基于SimRank 指標的鏈路預(yù)測算法。近年來，鏈路預(yù)測方法由于其廣泛的應(yīng)用性已經(jīng)得到了普遍的認可，并且在學(xué)術(shù)研究中已經(jīng)與專利信息挖掘進行了較好的結(jié)合[17-19]，其內(nèi)涵的算法有很多，其中比較經(jīng)典的如優(yōu)先連接（preferential attachment，PA）、共同鄰居（common neighbor，CN）、 Salton 指標（也叫余弦相似性）、Jaccard 指標、Sorenson 指標、大度節(jié)點有利指標（hub promoted index）、大度節(jié)點不 利指 標（hub depressed index） 和LHN-I 指標等，對于鏈路預(yù)測算法有不同計算方式的不同分類[20]。已有研究表明[21]，SimRank 算法在預(yù)測效果方面顯得較為穩(wěn)定，受到網(wǎng)絡(luò)結(jié)構(gòu)擾動的影響相對較小，這是本文選擇SimRank 的原因之一；另外，該算法的計算思想與二部圖模型更加契合，體現(xiàn)了研究理論與研究方法相結(jié)合的研究設(shè)計，故本文選取SimRank 算法。

SimRank 算法的思想是，若同一類型的兩個對象與第二類型的相似對象相關(guān)，則兩者是相似的。這種思想與本研究的目的相契合，映射到本研究中就是：如果圖1 中的專利1 和專利5 相似，那么企業(yè)1 和企業(yè)2 就具有更多鏈接的可能性，引用相似專利的企業(yè)更可能成為潛在的合作者或競爭者。對于算法的計算，本文采用Antonellis 等[22]計算公式

其中，s(a,b) 是節(jié)點a和b的相似度，當(dāng)a=b時，s(a,b) = 1；Ii(a) 表示節(jié)點a的第i個in-neighbor 或out-neighbor；當(dāng)I(a) = ?或I(b) = ?時，s(a,b)=0；參數(shù)C為阻尼系數(shù)，本研究中設(shè)為0.8。對于Sim‐Rank 算法有效性的驗證，本文采用預(yù)測值與實際鏈接情況進行比較。

2.2.2 表示學(xué)習(xí)

通過鏈路預(yù)測可以挖掘出潛在競合對象，而對于競爭對手的確認，本文從技術(shù)威脅角度考慮，技術(shù)威脅衡量的是技術(shù)差距、技術(shù)差異等實際因素，可能給企業(yè)自身利益與安危帶來的影響。本文以專利數(shù)量衡量技術(shù)差距，以專利文本內(nèi)容相似性衡量技術(shù)差異進行潛在競爭對手的確認。

在技術(shù)差異度量中，將專利技術(shù)進行文本向量化表示，深度學(xué)習(xí)中的表示學(xué)習(xí)可以將研究對象，如詞匯、短語、句子等的語義信息，表示為稠密低維的實值向量，目前已有較為成熟的運用[23-24]，由于篇幅限制本文不再詳細介紹。從技術(shù)特征和功效特征兩個角度，本文對專利文本的技術(shù)標簽進行抽取，然后采用text2vec 將抽取的技術(shù)功效句進行語義向量表示。 text2vec 包是由Dmitriy Selivanov 于2016 年10 月所寫的R 包①http://text2vec.org/index.html，此包主要是為文本分析和自然語言處理提供了一個簡單高效的API （appli‐cation programming interface） 框架，可以進行詞向量化操作、word2vec 的升級版GloVe 詞嵌入表達、主題模型分析以及相似性度量四大方面。在專利向量表示之后，通過計算向量之間的相似度來度量兩個企業(yè)間的技術(shù)差異性，余弦相似度的計算公式為

其中，A、B分別表示兩家企業(yè)專利文本的表示向量；Ai表示向量A的第i維度值，Bi表示向量B的第i維度值，這里A、B均為128 維度的向量；n為128。由此計算可得cos(A,B)在(-1,1)區(qū)間，該值越接近1，表示兩個向量相似度越大，專利表示向量之間的相似度越大，技術(shù)差異越小。

綜上所述，將本文的研究設(shè)計梳理成圖，如圖2 和圖3 所示。首先，在數(shù)據(jù)獲取和預(yù)處理之后，基于專利引用信息，構(gòu)建企業(yè)-專利有向二部圖，網(wǎng)絡(luò)邊的權(quán)重以引用頻次進行計量。其次，對算法在本研究中的有效性進行檢驗，將企業(yè)與企業(yè)之間的實際合作次數(shù)作為實體鏈接的實際值，與鏈路預(yù)測的預(yù)測值進行比較，進而檢驗算法是否合格，若合格則進行下一步的實際預(yù)測應(yīng)用。在實際預(yù)測中，本文制定隨機抽取數(shù)據(jù)集構(gòu)成的網(wǎng)絡(luò)圖中10%的節(jié)點作為測試集，剩余90% 的節(jié)點作為訓(xùn)練集。最后，在隨機生成的節(jié)點中選取目標企業(yè)，通過目標企業(yè)的預(yù)測鏈接對象類型將預(yù)測關(guān)系進行劃分，高校和科研院所視為目標企業(yè)潛在轉(zhuǎn)移轉(zhuǎn)化對象，企業(yè)視為潛在競合對象。在競合關(guān)系的判別上，本研究以技術(shù)差距作為參考，以技術(shù)差異為主要標準，即在同技術(shù)領(lǐng)域內(nèi)，技術(shù)越相似的企業(yè)越可能成為競爭對手。

圖2 企業(yè)合作/競爭關(guān)系預(yù)測流程圖

3 實證分析

3.1 數(shù)據(jù)獲取與處理

燃料電池是一種等溫進行、直接將儲存在燃料和氧化劑中的化學(xué)能高效、無污染地轉(zhuǎn)化為電能的發(fā)電裝置。從節(jié)約能源和保護生態(tài)環(huán)境的角度來看，燃料電池是極具應(yīng)用價值的發(fā)電技術(shù)，因此成為新興技術(shù)之一，目前被廣泛應(yīng)用在各個領(lǐng)域，包括航空航天、潛艇、電動汽車等。

本文將實證研究限定在燃料電池領(lǐng)域，地區(qū)限定為中國，選用IncoPat 專利數(shù)據(jù)庫作為本文的數(shù)據(jù)來源，該數(shù)據(jù)庫收錄了120 個國家/地區(qū)/組織超過一億件的專利著錄數(shù)據(jù)和部分PDF 格式的說明書全文，其數(shù)據(jù)來源于官方和商業(yè)數(shù)據(jù)提供商，并且更新速度快。本文對2018 年至今的發(fā)明和授權(quán)專利數(shù)據(jù)進行獲取，中文檢索以 “燃料電池” 為主題詞，英文檢索以“fuel cell OR fuel batter*” 為主題詞。數(shù)據(jù)下載時間為2020 年8 月，共6083 條，合并同族后獲得5784 個專利族作為本文的源數(shù)據(jù)，由于本文主要研究主體為企業(yè)，故過濾掉申請人類型為 “個人” 的專利數(shù)據(jù)，剩余5561 個族。

獲取數(shù)據(jù)之后對數(shù)據(jù)進行處理，去除沒有引用數(shù)據(jù)的專利，提取每項專利的專利權(quán)人信息和引用的專利信息。將專利P1 對專利P2、P3 的引用視為P1 的專利權(quán)人對P2、P3 的引用，專利權(quán)人對每項專利引用的頻次視為專利權(quán)人和專利鏈接的權(quán)重，由此可以獲得企業(yè)與專利的鏈接關(guān)系，去除重復(fù)的引用對，最后，生成由5200 個節(jié)點組成的5423 對節(jié)點鏈接關(guān)系。同時，將專利權(quán)人中的合作關(guān)系提取出來，合作次數(shù)作為權(quán)利人之間的鏈接權(quán)重，記為對比數(shù)據(jù)，以便后續(xù)模型有效性的檢驗使用。

3.2 實證結(jié)果

3.2.1 模型測試

在實證之前，本文對模型進行有效性檢驗，檢驗方式采用預(yù)測鏈接權(quán)重與實際鏈接權(quán)重進行對比。首先，對全部數(shù)據(jù)進行預(yù)測，將預(yù)測結(jié)果與第3.1 節(jié)中數(shù)據(jù)處理的對比數(shù)據(jù)進行權(quán)利人合作關(guān)系匹配，得到不同權(quán)利人合作以及對應(yīng)的兩組數(shù)據(jù)值，分別是預(yù)測鏈接值和實際鏈接值，選取其中排名前200 對合作關(guān)系進行相關(guān)性檢驗，檢驗結(jié)果如圖4 和表1 所示，圖4 是預(yù)測鏈接值和實際鏈接值的散點圖，表1 是回歸分析結(jié)果。

圖4 預(yù)測值與實際值散點圖

表1 回歸分析結(jié)果

從回歸分析結(jié)果來看，MultipleR為0.75，表明預(yù)測值和實際值之間具有一定的相關(guān)性，該模型是可行的。

3.2.2 結(jié)果分析

1） 目標企業(yè)確定

對于隨機生成的10% 的預(yù)測主體，本文將預(yù)測鏈接值排名前20 位的鏈接組合顯示如表2 所示。其中，預(yù)測對象1 和預(yù)測對象2 均來自隨機生成的主體之中，并且在實際中還未有鏈接關(guān)系，預(yù)測鏈接權(quán)重是各個主體對在未來鏈接的可能性。

由表2 可知，預(yù)測結(jié)果中，排名第1 位的是安徽江淮汽車集團股份有限公司和大連理工大學(xué)，預(yù)測鏈接為1.117。為了更加清晰地顯示預(yù)測對象的活躍度，將預(yù)測值排名前1000 位的節(jié)點對中各個節(jié)點出現(xiàn)的頻次進行統(tǒng)計并可視化（圖5）。其中，連線代表存在潛在的合作或競爭關(guān)系，節(jié)點的大小代表出現(xiàn)頻次。由圖5 可以明顯看到，安徽江淮汽車集團股份有限公司在所有主體中相對比較活躍，通過檢查本研究的原數(shù)據(jù)發(fā)現(xiàn)，其與燃料電池技術(shù)相關(guān)的專利申請均為獨立發(fā)明，下文將其作為目標企業(yè)進行分析。

圖5 隨機節(jié)點出現(xiàn)頻次

表2 隨機節(jié)點中預(yù)測分數(shù)排名Top20

安徽江淮汽車集團股份有限公司是一家集全系列商用車、乘用車及動力總成等集研、產(chǎn)、銷和服務(wù)于一體的先進節(jié)能汽車與新能源汽車并舉的綜合型汽車企業(yè)集團。該企業(yè)擁有上萬件專利，其中，燃料電池相關(guān)專利共107 條，專利申請信息如圖6所示。

圖6 安徽江淮汽車集團股份有限公司燃料電池專利申請情況

安徽江淮汽車集團股份有限公司對于燃料電池的關(guān)注從2008 年開始；2009—2011 年的專利申請量為0，表明此時期企業(yè)對于燃料電池技術(shù)的利用還處于摸索階段；2015—2018 年是企業(yè)對燃料電池專利申請量極具上升的階段時期，意味著已經(jīng)將燃料電池技術(shù)與企業(yè)的產(chǎn)品進行有效結(jié)合，如燃料電池汽車及其配套設(shè)施等。

2） 潛在關(guān)系預(yù)測與競合關(guān)系判別

本研究將以安徽江淮汽車集團股份有限公司作為研究的目標對象，對其潛在轉(zhuǎn)移轉(zhuǎn)化對象和競爭者進行預(yù)測，即將其與實驗數(shù)據(jù)的全部主體進行鏈接預(yù)測，得到預(yù)測值排名前10 位的結(jié)果，如表3 所示。

從表3 可以看出，安徽江淮汽車集團股份有限公司的潛在轉(zhuǎn)移轉(zhuǎn)化對象包含四所高校，分別是清華大學(xué)、西安交通大學(xué)、大連理工大學(xué)以及湘潭大學(xué)，從預(yù)測鏈接權(quán)重可以看出，其與清華大學(xué)的合作最為可能。通過中英文主題詞檢索加專利權(quán)人限定，檢索出清華大學(xué)擁有的燃料電池相關(guān)專利共813 件；之后可能合作的是西安交通大學(xué)，擁有燃料電池專利261 件；最后可能合作的是大連理工大學(xué)和湘潭大學(xué)，分別擁有專利399 件和34 件。在預(yù)測排名前10 位的主體中含有6 家企業(yè)，分別是濰柴動力股份有限公司、中通客車控股股份有限公司、上海楞次新能源汽車科技有限公司、小飛象汽車技術(shù)（蘇州） 有限公司、珠海格力電器股份有限公司以及湖北雷迪特冷卻系統(tǒng)股份有限公司。對于鏈接關(guān)系，在實際中可能是合作也可能是競爭關(guān)系，需要結(jié)合企業(yè)的實際技術(shù)產(chǎn)品和發(fā)展戰(zhàn)略而定，本研究只進行初步的關(guān)系確認。

表3 與安徽江淮汽車集團股份有限公司有潛在鏈接關(guān)系對象Top10

由于篇幅限制，在競合關(guān)系對象中，本文以中通客車控股股份有限公司為例進行競合關(guān)系確認，對于其他企業(yè)的分析同理。在技術(shù)差距上，統(tǒng)計目標企業(yè)和中通客運的發(fā)明和授權(quán)專利數(shù)量，兩家企業(yè)分別為73 條和26 條，可以看出，在技術(shù)差距上，目標企業(yè)處于優(yōu)勢地位。本研究抽取每項專利的功效句作為專利的技術(shù)內(nèi)容表征，將專利內(nèi)容進行語義向量表示，通過計算向量之間的相似度來度量技術(shù)差異性，得到73×26 的專利矩陣。相似性分值排序前10 名和后10 名如表4 所示。

表4 安徽江淮和中通客運的燃料電池技術(shù)相似性

從相似性的分值可以將中通客運基本確定為競爭對手，將其主要技術(shù)與目標企業(yè)進行對比，主要技術(shù)以IPC 分類號進行表示，如圖7 所示。其中，B60L 代表電動車輛動力裝置，B60K 代表車輛動力裝置或傳動裝置的布置或安裝，B60J 代表車輛的窗、擋風(fēng)玻璃、非固定車頂、門或類似裝置。研究發(fā)現(xiàn)，除了在B60L 和B60K 兩項技術(shù)上兩家企業(yè)的專利數(shù)量持平，以及在B60J 技術(shù)上中通客運略領(lǐng)先之外，其余安徽江淮的專利數(shù)量均在中通客運之上。雖然目標企業(yè)在整體技術(shù)差距上位于優(yōu)勢地位，但若進行布局或預(yù)警的防范考慮，上述三個技術(shù)均存在技術(shù)差距專利風(fēng)險，需要企業(yè)及時調(diào)整專利布局。

圖7 安徽江淮和中通客車的主要技術(shù)分布

對于其他企業(yè)，譬如，上海楞次新能源汽車科技有限公司，其主營業(yè)務(wù)范圍包括新能源汽車技術(shù)、船舶動力系統(tǒng)技術(shù)、燃料電池技術(shù)領(lǐng)域內(nèi)的技術(shù)開發(fā)，與本研究的目標企業(yè)安徽江淮汽車集團股份有限公司有重合的產(chǎn)品，即新能源汽車，所以在該項業(yè)務(wù)中更有可能成為目標企業(yè)的潛在競爭對手；而其另一項主營業(yè)務(wù)，燃料電池技術(shù)的開發(fā)以及汽車零部件的生產(chǎn)經(jīng)營也有可能為兩家企業(yè)帶來合作，所以企業(yè)之間既有競爭關(guān)系又有合作關(guān)系，不能簡單憑預(yù)測權(quán)重數(shù)值判斷，需要結(jié)合實際的生產(chǎn)發(fā)展來分析。本研究的現(xiàn)階段結(jié)果只是為企業(yè)發(fā)展戰(zhàn)略提供參考。

4 結(jié)論與不足

本文的創(chuàng)新之處在于指明了異質(zhì)性網(wǎng)絡(luò)構(gòu)建的理論基礎(chǔ)，構(gòu)建企業(yè)-專利有向異質(zhì)性網(wǎng)絡(luò)，并在理論基礎(chǔ)之上選擇基于SimRank 指標的鏈路預(yù)測算法作為本文的研究方法。本文的研究思想是將企業(yè)持有專利的引用專利視為企業(yè)對引用專利所蘊含的技術(shù)知識的關(guān)注和需要，本文的研究目的是挖掘企業(yè)的相似技術(shù)需要，以幫助企業(yè)在尋找潛在轉(zhuǎn)移轉(zhuǎn)化對象和防范競爭者的工作縮小范圍，快速、準確地定位關(guān)系對象。在實證中，為符合二部圖理論的標準，本文忽略企業(yè)之間的合作以及專利之間的引用，建立了企業(yè)與專利的直接互動關(guān)系，并將企業(yè)之間的實際合作作為對算法有效性的檢驗。最后，本文以燃料電池技術(shù)為例進行實證，將實驗隨機產(chǎn)生的10% 的測試節(jié)點中出現(xiàn)頻次最大的節(jié)點作為本研究的目標對象，預(yù)測目標企業(yè)的潛在技術(shù)轉(zhuǎn)移轉(zhuǎn)化對象，并利用深度學(xué)習(xí)的表示學(xué)習(xí)方法對目標企業(yè)的競合對象進行技術(shù)差異度度量，對競合關(guān)系做進一步判別。

在實際生活中，專利技術(shù)轉(zhuǎn)移轉(zhuǎn)化以及研發(fā)合作多發(fā)生在具有親緣、地緣、業(yè)緣等關(guān)系的企業(yè)之間，如母公司和子公司之間、隸屬于同一母公司的多個子公司之間、在商業(yè)領(lǐng)域存在戰(zhàn)略合作關(guān)系的公司之間等[9]。因此，本文的研究思路應(yīng)用到實際中還需結(jié)合企業(yè)的實際發(fā)展規(guī)劃以及潛在關(guān)系對象的發(fā)展情況。若實際中企業(yè)的業(yè)務(wù)或產(chǎn)品相同或相似，則為直接競爭者；若業(yè)務(wù)存在上下游關(guān)系或產(chǎn)品以及產(chǎn)品零部件存在互補關(guān)系，則更可能成為合作聯(lián)盟。同時，競爭與合作是相互轉(zhuǎn)化、相互依存的，由企業(yè)發(fā)展的不同時期和市場環(huán)境等多種因素而定。本文現(xiàn)階段的研究是在大的行業(yè)范圍內(nèi)幫助企業(yè)縮小尋找最佳的轉(zhuǎn)移轉(zhuǎn)化對象范圍，定位潛在關(guān)系對象，提供方法的參考，節(jié)約企業(yè)發(fā)展成本并對企業(yè)戰(zhàn)略規(guī)劃起到一定的輔助作用。

本研究的不足之處在于，對潛在轉(zhuǎn)移轉(zhuǎn)化關(guān)系的預(yù)測是基于圖的拓撲結(jié)構(gòu)信息進行隨機游走來衡量任意對象之間的相似性程度，進而達到預(yù)測的目的，缺少對專利文本內(nèi)容的深入挖掘。下一步工作將對文本內(nèi)容的研究進行補充完善。