多層圖時(shí)序?qū)＠W(wǎng)絡(luò)中的發(fā)明者影響力演變

姚月嬌　劉向　余博文

摘要： 為探究發(fā)明者影響力的演變規(guī)律，研究了多層圖時(shí)序?qū)＠l(fā)明者引用網(wǎng)絡(luò)的節(jié)點(diǎn)影響力模型。劃分網(wǎng)絡(luò)層并根據(jù)節(jié)點(diǎn)影響延續(xù)性和高影響力節(jié)點(diǎn)的吸引性構(gòu)建層間聯(lián)系，得到發(fā)明者影響力的時(shí)序演變數(shù)據(jù)后利用分段擬合方法挖掘其中的分布和演變規(guī)律。實(shí)證分析“分子生物學(xué)與微生物學(xué)”領(lǐng)域?qū)＠麛?shù)據(jù)，表明專利的質(zhì)量和數(shù)量決定著發(fā)明者的影響力水平。高影響力發(fā)明者持續(xù)受關(guān)注，大部分中等影響力發(fā)明者和低影響力發(fā)明者會(huì)逐漸邊緣化。

關(guān)鍵詞： 多層圖時(shí)序網(wǎng)絡(luò)；發(fā)明者影響力；專利網(wǎng)絡(luò)；演變分析

中圖分類號(hào)：? G353.1文獻(xiàn)標(biāo)識(shí)碼： A

Evolution of Inventor Influence in Multi-layer Graph Sequential Patent Networks

YAO Yuejiao，LIU Xiang，YU Bowen

Abstract：To explore the evolution of inventor influence， this paper investigates the node influence model in a multi-layer graph sequential patent citation network. Divide network layers and construct the connections between layers based on the continuity of node influence and the attractiveness of high-influence nodes. After obtaining the time series evolution data of inventor influence， the distribution and evolution law of inventor influence is explored by using piecewise fitting method. An empirical analysis of patent data in the field of ‘Molecular Biology and Microbiology shows that the quality and quantity of patents determine the level of influence of inventors. With high-influence inventors continuing to receive attention， most medium-influence and low-influence inventors gradually are marginalized.

Key words： multi-layer graph sequential network; inventor influence; patent network; evolution analysis

0 引言

在大數(shù)據(jù)時(shí)代背景下，各種類型的專利數(shù)據(jù)庫提供了豐富的專利文獻(xiàn)信息，使技術(shù)與技術(shù)之間乃至企業(yè)與企業(yè)之間形成了不可忽視的聯(lián)系。通過專利網(wǎng)絡(luò)識(shí)別重要專利發(fā)明者，預(yù)判發(fā)明者影響力的演變，對(duì)認(rèn)識(shí)領(lǐng)域發(fā)展前沿、掌握未來趨勢(shì)具有重要意義，也對(duì)企業(yè)和國家制定發(fā)展戰(zhàn)略、深化知識(shí)產(chǎn)權(quán)改革具有重要參考價(jià)值。Bommarito等[1]提出專利引文網(wǎng)絡(luò)是傳播學(xué)術(shù)思想、進(jìn)行知識(shí)創(chuàng)新的重要平臺(tái)。關(guān)鵬等[2]基于專利合作網(wǎng)絡(luò)構(gòu)建了影響企業(yè)技術(shù)創(chuàng)新績效的理論模型，揭示了小世界特性影響企業(yè)技術(shù)創(chuàng)新績效的機(jī)制。

現(xiàn)實(shí)中的復(fù)雜系統(tǒng)之間的聯(lián)系頻繁而緊密[3]，只考慮單層網(wǎng)絡(luò)不能廣泛適用于實(shí)際問題，多層圖時(shí)序網(wǎng)絡(luò)可以探索網(wǎng)絡(luò)層與層之間的聯(lián)系，更準(zhǔn)確地分析和預(yù)測(cè)網(wǎng)絡(luò)的演化。復(fù)雜網(wǎng)絡(luò)的規(guī)模日益巨大、結(jié)構(gòu)日益復(fù)雜，衡量節(jié)點(diǎn)影響力、識(shí)別關(guān)鍵節(jié)點(diǎn)變得愈發(fā)重要，已在生態(tài)控制[4]、遏制流行病爆發(fā)[5]、金融風(fēng)險(xiǎn)評(píng)估[6]等領(lǐng)域有廣泛應(yīng)用。多層圖網(wǎng)絡(luò)具有連邊異質(zhì)性和層間相關(guān)性，挖掘其中高影響力的節(jié)點(diǎn)并掌握節(jié)點(diǎn)影響力演變機(jī)制，有助于探索和了解多層復(fù)雜網(wǎng)絡(luò)的特性。

本文構(gòu)建了多層圖時(shí)序?qū)＠l(fā)明者引用網(wǎng)絡(luò)的節(jié)點(diǎn)影響力模型，提出TransRank算法計(jì)算單個(gè)網(wǎng)絡(luò)層上的節(jié)點(diǎn)影響力，根據(jù)影響力的延續(xù)性和高影響力節(jié)點(diǎn)的吸引性重構(gòu)了不同網(wǎng)絡(luò)層之間的交互關(guān)系，然后分段擬合了節(jié)點(diǎn)影響力的時(shí)序數(shù)據(jù)并對(duì)其進(jìn)行預(yù)測(cè)，分析節(jié)點(diǎn)影響力的演變特征。

1 文獻(xiàn)綜述

將系統(tǒng)抽象為多層圖網(wǎng)絡(luò)時(shí)，需要涵蓋節(jié)點(diǎn)之間的不同關(guān)系，每種關(guān)系形成一層網(wǎng)絡(luò)[7]。徐鳳等[8]將多層圖網(wǎng)絡(luò)移植到交通領(lǐng)域，對(duì)中國高鐵與航空的復(fù)合交通方式開展了實(shí)證研究。鄭春園[9]使用雙層網(wǎng)絡(luò)結(jié)構(gòu)模擬了疾病和相關(guān)信息在擴(kuò)散進(jìn)程中的耦合動(dòng)力學(xué)關(guān)系。楊劍楠等[10]提出用鄰居拓?fù)渲丿B系數(shù)來度量層間相關(guān)性的強(qiáng)弱。郭強(qiáng)等[11]發(fā)現(xiàn)使用優(yōu)先鏈接指標(biāo)度量網(wǎng)絡(luò)層間的鄰居重疊關(guān)系會(huì)更準(zhǔn)確。張欣[12]歸納了多層圖復(fù)雜網(wǎng)絡(luò)研究的相關(guān)工作和突出成果，從理論和應(yīng)用兩個(gè)角度闡述了多層圖復(fù)雜網(wǎng)絡(luò)的瓶頸和展望。

在時(shí)序網(wǎng)絡(luò)中衡量節(jié)點(diǎn)影響力，有助于分析現(xiàn)實(shí)系統(tǒng)的特征、理解網(wǎng)絡(luò)結(jié)構(gòu)演變規(guī)律。Bundit等[13]提出了事件和趨勢(shì)等時(shí)間指標(biāo)。Chen等[14]考慮了權(quán)威因素和訪問網(wǎng)頁重要性的時(shí)間因素。Hu等[15]基于時(shí)間長度因子、頻率因子和相似性因子提出T-PR算法分析節(jié)點(diǎn)權(quán)威性。Pastor等[16]研究了流行病傳播時(shí)序網(wǎng)絡(luò)。Rozenshtein等[17]重點(diǎn)描述了連邊的時(shí)態(tài)特征，根據(jù)隨機(jī)游走策略和實(shí)時(shí)信息流思想更新了時(shí)序PageRank算法。Rocha等[18]利用離散且固定的時(shí)間周期來穩(wěn)定靜止密度并提出TempoRank算法。同時(shí)，區(qū)分強(qiáng)連接和弱連接并關(guān)注弱連接發(fā)揮的作用可以更真實(shí)地度量節(jié)點(diǎn)之間的關(guān)系[19]。

多層圖時(shí)序網(wǎng)絡(luò)已經(jīng)應(yīng)用于多個(gè)領(lǐng)域，一般會(huì)將一層網(wǎng)絡(luò)視為某一時(shí)刻下的靜態(tài)表示，研究重點(diǎn)集中于構(gòu)建網(wǎng)絡(luò)層間的關(guān)系。多數(shù)學(xué)者會(huì)更加關(guān)注時(shí)間因素發(fā)揮的作用，通過各種機(jī)制和原理調(diào)整前期網(wǎng)絡(luò)層和后期網(wǎng)絡(luò)層的聯(lián)系方式，常常會(huì)減弱前期網(wǎng)絡(luò)層的效果來凸顯當(dāng)前網(wǎng)絡(luò)層的作用。但很少有學(xué)者考慮到節(jié)點(diǎn)之間的相互作用也會(huì)隨時(shí)間發(fā)生變化，上一個(gè)時(shí)刻的結(jié)果會(huì)成為下一個(gè)時(shí)刻的先驗(yàn)知識(shí)[20]，影響節(jié)點(diǎn)在下一個(gè)時(shí)刻里的行為，進(jìn)而調(diào)整節(jié)點(diǎn)之間的關(guān)系。

2 發(fā)明者影響力模型

2.1 劃分網(wǎng)絡(luò)層

在研究時(shí)序?qū)＠l(fā)明者引用網(wǎng)絡(luò)G中的節(jié)點(diǎn)影響力時(shí)，將跨越較長時(shí)間間隔的網(wǎng)絡(luò)數(shù)據(jù)劃分為若干層，得到時(shí)序網(wǎng)絡(luò)G=〈G1，G2，G3，…，Gk-1，Gk，…，Gn〉，其中Gk表示k時(shí)刻的網(wǎng)絡(luò)層，n表示網(wǎng)絡(luò)劃分的層數(shù)。

在劃分網(wǎng)絡(luò)層時(shí)，對(duì)發(fā)明者采用了等頻劃分和累加相結(jié)合的方法，每個(gè)網(wǎng)絡(luò)層都會(huì)出現(xiàn)相同數(shù)量的新發(fā)明者，下一個(gè)網(wǎng)絡(luò)層里會(huì)包含前一個(gè)網(wǎng)絡(luò)層的全部專利發(fā)明者和當(dāng)前網(wǎng)絡(luò)層中新出現(xiàn)的專利發(fā)明者以及這些發(fā)明者之間的引用關(guān)系。

采用發(fā)明者等頻劃分的原因是由于專利和發(fā)明者的指數(shù)增長，專利更新周期呈現(xiàn)出越來越短的趨勢(shì)，如果按照等時(shí)間跨度的方法劃分網(wǎng)絡(luò)層，那么離現(xiàn)在越近的網(wǎng)絡(luò)層就會(huì)包含越多的專利發(fā)明者，導(dǎo)致不同網(wǎng)絡(luò)層的節(jié)點(diǎn)規(guī)模差異較大，等頻劃分可以有效避免以上問題的發(fā)生。另一方面，新的專利發(fā)明者不斷涌現(xiàn)，已經(jīng)出現(xiàn)的專利發(fā)明者不會(huì)隨著網(wǎng)絡(luò)層的轉(zhuǎn)換而立馬退出，所以在計(jì)算節(jié)點(diǎn)影響力時(shí)將新出現(xiàn)的專利發(fā)明者和已經(jīng)出現(xiàn)的專利發(fā)明者都考慮進(jìn)去。

2.2 度量單個(gè)網(wǎng)絡(luò)層中的發(fā)明者影響力

度量單層網(wǎng)絡(luò)中節(jié)點(diǎn)的影響力時(shí)，本文提出基于弱鏈接理論的TransRank算法，該算法的具體流程為：

1）在算法初始，賦予網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)均等的初始TR值，且和為1。

2）根據(jù)共同鄰居的數(shù)量計(jì)算節(jié)點(diǎn)的聯(lián)系緊密程度，作為連接強(qiáng)度Rij，公式為

（1）

其中，m，n 分別為節(jié)點(diǎn)i和節(jié)點(diǎn)j的鄰居數(shù)量，k為共同鄰居數(shù)量。

3）將節(jié)點(diǎn)間彼此的影響力定義為影響強(qiáng)度 ，基于Granovetter提出的弱連接理論，構(gòu)造影響強(qiáng)度Eij與連接強(qiáng)度Rij的關(guān)系：

當(dāng)所有發(fā)明者的TR值都不再發(fā)生變化時(shí)算法停止，并使R′k=R（t+1）′k。

2.4 觀察發(fā)明者影響力演變過程

得到專利發(fā)明者影響力的時(shí)序數(shù)據(jù)后，通過聚類算法對(duì)不同發(fā)明者影響力的演變過程進(jìn)行分類，分析不同類別發(fā)明者影響力的動(dòng)態(tài)特征，影響力演變曲線的聚類采用K-Means聚類算法的思想，具體過程如下：

其中，C為大于零的參數(shù)，用來控制分段數(shù)量r。

4）找到使整體誤差ErrorALL最小的分段數(shù)量r。將各段擬合的直線連接起來，就會(huì)得到發(fā)明者影響力的時(shí)序演變軌跡。

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)

本文的實(shí)驗(yàn)數(shù)據(jù)來源于美國專利數(shù)據(jù)庫中“分子生物學(xué)與微生物學(xué)”領(lǐng)域，選擇了申請(qǐng)時(shí)間在2009年1月1日至2013年12月31日之間的數(shù)據(jù)進(jìn)行分析，主要保留了專利申請(qǐng)?zhí)枴⑸暾?qǐng)時(shí)間、IPC分類號(hào)、發(fā)明者、參考專利等屬性信息，篩選后共余下15 756條數(shù)據(jù)。

對(duì)于多名發(fā)明者共同研發(fā)的專利，排名越靠前的發(fā)明者對(duì)專利的貢獻(xiàn)越大[22]。為了控制節(jié)點(diǎn)數(shù)量和質(zhì)量，本文提取了每項(xiàng)專利的前5位發(fā)明者作為主要發(fā)明者，然后以主要發(fā)明者為節(jié)點(diǎn)、以專利之間的引用關(guān)系為連邊，構(gòu)建了一個(gè)加權(quán)有向的專利發(fā)明者引用網(wǎng)絡(luò)，其基本信息如表1所示。

3.2 計(jì)算發(fā)明者時(shí)序影響力

本文按照前述網(wǎng)絡(luò)層劃分方法將原始網(wǎng)絡(luò)分為了8個(gè)網(wǎng)絡(luò)層，每個(gè)網(wǎng)絡(luò)層的基本拓?fù)湫再|(zhì)如表2所示。

按照多層圖時(shí)序?qū)＠l(fā)明者引用網(wǎng)絡(luò)中的節(jié)點(diǎn)影響力模型，依次計(jì)算出各個(gè)網(wǎng)絡(luò)層中的發(fā)明者影響力。因?yàn)榈谝粋€(gè)網(wǎng)絡(luò)層中沒有連邊，所以發(fā)明者的影響力值都是賦予的初始TR值，隨著連邊數(shù)量持續(xù)增加，發(fā)明者之間的傳值活動(dòng)愈發(fā)頻繁，影響力的取值分布越來越分散，如表3所示。

3.3 發(fā)明者影響力演變分析

第一個(gè)網(wǎng)絡(luò)層中出現(xiàn)的3 361個(gè)發(fā)明者在每個(gè)網(wǎng)絡(luò)層都有對(duì)應(yīng)的影響力值，所以選擇這些發(fā)明者作為影響力演變分析的對(duì)象。為了掌握所有發(fā)明人影響力的整體變動(dòng)情況，利用K-Means算法對(duì)發(fā)明者影響力時(shí)序向量聚類。本文依次劃分了2個(gè)、3個(gè)和4個(gè)類群，隨著類群數(shù)量的增加，聚類中心點(diǎn)的形態(tài)也在發(fā)生著變化，分成4類的結(jié)果如圖2所示。如果繼續(xù)增加類群種數(shù)，新增類群中的發(fā)明者數(shù)量就會(huì)很少，因此不再繼續(xù)劃分。

3.4 發(fā)明者影響力的不同演變軌跡

以發(fā)明者Robert Dicosim、Michael Becker和Li Yuanhao為例，探究影響力演化的過程，他們?cè)诿總€(gè)網(wǎng)絡(luò)層內(nèi)專利活動(dòng)情況如表4所示，演變分析的結(jié)果分別如圖3、圖4和圖5所示。在3幅圖中，實(shí)線表示發(fā)明者影響力真實(shí)的演化過程，虛線表示擬合結(jié)果，不同分段通過多種顏色區(qū)分。

Robert Dicosim的研究領(lǐng)域包括有機(jī)化學(xué)、生物化學(xué)、酶等，其影響力演變過程分為3個(gè)階段：第一個(gè)階段包括前3個(gè)網(wǎng)絡(luò)層，影響力越來越低；第二個(gè)階段包括第3、4個(gè)網(wǎng)絡(luò)層，影響力突然大勢(shì)增長；第三個(gè)階段包括后面5個(gè)網(wǎng)絡(luò)層，影響力緩慢降低。Robert Dicosim在前面階段的專利數(shù)量較少，在第4個(gè)網(wǎng)絡(luò)層突然增加到了12個(gè)，后續(xù)網(wǎng)絡(luò)層中專利數(shù)量稍微下降后又迅速回漲，說明該發(fā)明者的創(chuàng)造力具有持續(xù)性而且愈發(fā)強(qiáng)勁。由于引用的滯后性，Robert Dicosim在第一個(gè)階段并沒有被識(shí)別為高影響力節(jié)點(diǎn)，從第二個(gè)階段開始他的影響力一直處于較高水平，一方面是由于他發(fā)明專利的數(shù)量較多，另一方面是因?yàn)檫@些專利有較高的質(zhì)量，開始被其他專利大量引用。從第三個(gè)階段開始，之前的高質(zhì)量專利繼續(xù)被引用，但是引用量越來越小，同時(shí)新發(fā)明的專利還沒有開始被引用，所以發(fā)明者的影響力在逐漸降低。

Michael Becker的主要研究領(lǐng)域是核酸檢測(cè)、靶核酸序列、酶等，他的影響力演變過程被分成了兩個(gè)階段：第一個(gè)階段包含了前4個(gè)網(wǎng)絡(luò)層，呈下降趨勢(shì)；第二個(gè)階段包含了后5個(gè)網(wǎng)絡(luò)層，呈上升趨勢(shì)。通過表4可知， Michael Becker在每個(gè)網(wǎng)絡(luò)層中都有新的發(fā)明專利，但是數(shù)量不多。同時(shí)，除了在第4個(gè)網(wǎng)絡(luò)層的專利具有較大的被引量之外，其他專利的被引量都近乎為0。以上表明這位專利發(fā)明者具有一定的發(fā)明水平，但是不被關(guān)注。他在第4個(gè)網(wǎng)絡(luò)層之前，由于專利數(shù)量較少而且沒有被引量，所以影響力一直在降低；在第4個(gè)網(wǎng)絡(luò)層之后，他的專利數(shù)量有所增加，而且開始被其他專利引用，影響力也隨之逐漸擴(kuò)大。Li Yuanhao的研究集中在生物化學(xué)、病毒轉(zhuǎn)錄等方面，他的影響力演變過程沒有分段，一直保持下降狀態(tài)，原因在于他只在第一個(gè)網(wǎng)絡(luò)層中有專利發(fā)明，在第二個(gè)網(wǎng)絡(luò)層被引用了兩次，之后再也沒有與網(wǎng)絡(luò)中其他節(jié)點(diǎn)有過交互。

4 發(fā)明者影響力的演變趨勢(shì)

對(duì)發(fā)明者影響力的演化趨勢(shì)進(jìn)行預(yù)測(cè)時(shí)，不妨認(rèn)為發(fā)明者的影響力會(huì)延續(xù)當(dāng)前的趨勢(shì)，用其最后一段數(shù)據(jù)的趨勢(shì)來預(yù)測(cè)他們?cè)谙乱粋€(gè)網(wǎng)絡(luò)層中的影響力，分成上升、下降和持平3種情況，對(duì)應(yīng)著影響力的升高、降低和不變。同時(shí)，將預(yù)測(cè)的置信度設(shè)置為最后一段數(shù)據(jù)包含的網(wǎng)絡(luò)層個(gè)數(shù)與全部網(wǎng)絡(luò)層個(gè)數(shù)之比，如果最后一段數(shù)據(jù)包含的網(wǎng)絡(luò)層個(gè)數(shù)很多，說明發(fā)明者保持一種狀態(tài)的時(shí)間很久，且將繼續(xù)保持。

本文分別提取了影響力值排名前0.5%、1%、2%、5%和10%的發(fā)明者，統(tǒng)計(jì)他們的預(yù)測(cè)結(jié)果。通過表5可知，發(fā)明者的影響力排名越靠前，在未來呈上升趨勢(shì)的可能性越大，置信度也更高。以目前發(fā)明者影響力排名第一的Charles Cantor教授為例，他是美國國家科學(xué)院和美國國家發(fā)明家科學(xué)院兩院院士，同時(shí)也是SEQUENOM公司的聯(lián)合創(chuàng)始人和15家生物技術(shù)公司的顧問，他發(fā)表過450多篇學(xué)術(shù)論文，獲得了60多項(xiàng)美國專利，是合成生物學(xué)新領(lǐng)域的創(chuàng)始人之一。他的影響力從第4個(gè)網(wǎng)絡(luò)層開始一直保持增長，一方面是因?yàn)樗麚碛休^多被引量大的專利發(fā)明，他在2009～2013年間共發(fā)表了11項(xiàng)專利，被引總次數(shù)為831次；另一方面是因?yàn)樗谠擃I(lǐng)域的高超實(shí)力和領(lǐng)軍地位。因此，像Charles Cantor教授這樣影響力很高的發(fā)明者在未來將繼續(xù)發(fā)揮很強(qiáng)影響力。

為了比較不同影響力值的發(fā)明者在未來的演變趨勢(shì)，按照從大到小的順序排列所有發(fā)明者的影響力值，然后從前、中、后3個(gè)部分分別提取5%的取值，依次作為高影響力等級(jí)、中等影響力等級(jí)和低影響力等級(jí)，統(tǒng)計(jì)對(duì)應(yīng)發(fā)明者的影響力演變趨勢(shì)，結(jié)果如表6所示。

對(duì)3個(gè)不同等級(jí)的專利發(fā)明者群體進(jìn)行特征分析，比較了每位發(fā)明者平均擁有的專利數(shù)量和他們所擁有專利的被引率、被引次數(shù)、被引周期等屬性，結(jié)果如表7所示。

結(jié)合表6和表7可以看出，高影響力發(fā)明者更有可能在未來繼續(xù)扮演重要角色，部分發(fā)明者的影響力也會(huì)下降或者不變，但置信度較低，仍是網(wǎng)絡(luò)中的高影響力發(fā)明者。他們發(fā)明的專利有較高的被引率和平均被引次數(shù)，會(huì)更快被引用，它們的施引專利也擁有較高的被引數(shù)量。這類發(fā)明者有著出色的專業(yè)水平和技術(shù)能力，他們的專利得到了領(lǐng)域內(nèi)其他發(fā)明者的普遍認(rèn)可和關(guān)注。這些發(fā)明者多為某個(gè)領(lǐng)域的創(chuàng)始人，或者擁有很多突破式發(fā)明的發(fā)明者，在該研究領(lǐng)域有著重要的地位。比如Alan Agulnick，他優(yōu)化了人類胚胎干細(xì)胞分化為胰腺細(xì)胞的方案，開發(fā)了在生物反應(yīng)器中由人類胚胎干細(xì)胞生產(chǎn)胰腺細(xì)胞的方法。目前，他已獲得了52項(xiàng)專利，被引7 000余次。

具有中等影響力值的發(fā)明者在各項(xiàng)特征中都有一個(gè)中等的取值，其影響力會(huì)在前一階段先升高，而在后一個(gè)階段降低。他們大多是前一時(shí)期的高影響力發(fā)明者，比如Kirk Hogan博士，他曾是威斯康星大學(xué)麥迪遜分校麻醉學(xué)系副教授，獲得過多麗絲·杜克臨床研究創(chuàng)新獎(jiǎng)和卡爾·科勒研究獎(jiǎng)，他在第一個(gè)網(wǎng)絡(luò)層和第三個(gè)網(wǎng)絡(luò)層都有專利發(fā)明，并在第五個(gè)網(wǎng)絡(luò)層時(shí)達(dá)到影響力最高值，之后不再有新的發(fā)明，影響力迅速下降。還有一部分發(fā)明者可以保持自身影響力升高或持平，比如Dunican LK，他在第一個(gè)網(wǎng)絡(luò)層發(fā)表了一項(xiàng)專利，在第五個(gè)網(wǎng)絡(luò)層后開始被引用，所以影響力在后期會(huì)逐漸增加，但是因?yàn)閿?shù)量較少，影響力值始終處于中等水平。

在影響力值較小的發(fā)明者中，有極少數(shù)發(fā)明者會(huì)在未來呈上升趨勢(shì)或者持平趨勢(shì)，而且置信度很低；絕大部分發(fā)明者的影響力會(huì)穩(wěn)定地下降，逐漸成為網(wǎng)絡(luò)中的邊緣節(jié)點(diǎn)。這些發(fā)明者在該領(lǐng)域擁有的專利不多，專利的被引率和平均被引次數(shù)較小，被引周期也比較漫長。

由上可見，能夠在未來保持高水平發(fā)展的只有影響力值較高的發(fā)明者，影響力值較低的發(fā)明者影響力會(huì)越來越低，影響力值中等的發(fā)明者也會(huì)有上升的趨勢(shì)，但很難成為高影響力發(fā)明者，大部分發(fā)明者的影響力會(huì)降低。整體而言，網(wǎng)絡(luò)層中發(fā)明者的平均影響力會(huì)隨著新發(fā)明者的出現(xiàn)而逐漸降低，其中少數(shù)發(fā)明者會(huì)基于不斷更新的引用關(guān)系吸收其他發(fā)明者的影響力值，最終呈現(xiàn)出“強(qiáng)者越強(qiáng)，弱者越弱”的現(xiàn)象，同時(shí)“弱者”的數(shù)量越來越多。

5 結(jié)語

本文基于多層圖時(shí)序?qū)＠镁W(wǎng)絡(luò)研究了發(fā)明者影響力的演變軌跡，研究發(fā)現(xiàn)，發(fā)明專利的數(shù)量和質(zhì)量共同決定著發(fā)明者在一個(gè)領(lǐng)域中的地位，只有發(fā)明了許多高質(zhì)量專利的發(fā)明者才會(huì)擁有高影響力，發(fā)明專利的數(shù)量較少或者被引量較低都會(huì)拉低發(fā)明者的影響力?！皬?qiáng)者愈強(qiáng)，弱者愈弱”的現(xiàn)象也很明顯，大部分高影響力的發(fā)明者和小部分中等影響力的發(fā)明者在未來會(huì)繼續(xù)擁有較高的地位，甚至?xí)懈叩挠绊懥?，而大部分中等影響力的發(fā)明者和絕大部分低影響力的發(fā)明者會(huì)逐漸成為網(wǎng)絡(luò)的邊緣節(jié)點(diǎn)。

本研究有待進(jìn)一步完善：1）可以將研究對(duì)象擴(kuò)展到專利耦合網(wǎng)絡(luò)、專利發(fā)明者合作網(wǎng)絡(luò)等其他單一類型的網(wǎng)絡(luò)中或者異構(gòu)網(wǎng)絡(luò)中；2）可以將本文提出的模型在更多的專利領(lǐng)域中進(jìn)行測(cè)試，繼續(xù)完善，減少模型中的參數(shù)設(shè)置，增加模型的適用性。

參考文獻(xiàn)：

[1]BOMMARITO J， KATZ M， ZELNER L， et al. Distance measures for dynamic citation networks[J]. Physica A： Statistical Mechanics and Its Applications，2010，389（19）： 4201-4208.

[2]關(guān)鵬，王曰芬，傅柱，等.專利合作網(wǎng)絡(luò)小世界特性對(duì)企業(yè)技術(shù)創(chuàng)新績效的影響研究[J].圖書情報(bào)工作，2021，65（18）：105-116.

GUAN P， WANG Y F， FU Z， et al. Research on the impact of small-world characteristics of patent cooperation network on enterprise technological innovation performance[J]. Library and Information Service，2021，65（18）：105-116.

[3]方錦清.多層超網(wǎng)絡(luò)探索中的若干問題與思考[J].科技導(dǎo)報(bào)，2017（14）：36-43.

FANG J Q. Some problems and thinking on the exploration of multilayer super network[J]. Science & Technology Review，2017（14）：36-43.

[4]MORONE F， DEL F G， MAKSE H A. The k-core as a predictor of structural collapse in mutualistic ecosystems[J]. Nature Physics，2019，15（1）：95-102.

[5]MORONE F， MAKSE H A. Corrigendum： influence maximization in complex networks through optimal percolation[J]. Nature，2015，527（7579）：544-544.

[6]MUSMECI N， NICOSIA V， ASTE T， et al. The multiplex dependency structure of financial markets[J]. Complexity，2017（2）：1-13.

[7]先興平，吳濤.大數(shù)據(jù)時(shí)代網(wǎng)絡(luò)科學(xué)研究進(jìn)展——多層復(fù)雜網(wǎng)絡(luò)理論[J].產(chǎn)業(yè)與科技論壇，2016，15（19）：80-81.

XIAN X P， WU T. Research progress in network science in the era of big data—multilayer complex network theory[J]. Industrial & Science Tribune，2016，15（19）：80-81.

[8]徐鳳，朱金福，楊文東.高鐵-民航復(fù)合網(wǎng)絡(luò)的構(gòu)建及網(wǎng)絡(luò)拓?fù)涮匦苑治鯷J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2013，10（3）：1-11.

XU F， ZHU J F， YANG W D. Construction of high-speed railway and airline compound network and the analysis of its network topology characteristics[J]. Complex Systems and Complexity Science，2013，10（3）：1-11.

[9]鄭春園.多重網(wǎng)絡(luò)中疾病與意識(shí)傳播的相互作用[D].天津：天津理工大學(xué)， 2018.

ZHENG C Y. Interplay between disease and awareness spreading on multiplex networks[D]. Tianjin：Tianjin University of Technology，2018.

[10] 楊劍楠，劉建國，郭強(qiáng).基于層間相似性的時(shí)序網(wǎng)絡(luò)節(jié)點(diǎn)重要性研究[J].物理學(xué)報(bào)，2018， 67（4）：279-286.

YANG J N， LIU J G， GUO Q.Node importance idenfication for temporal network based on inter-layer similarity[J]. Acta Physica Sinica，2018， 67（4）：279-286.

[11] 郭強(qiáng)，殷冉冉，劉建國.基于TOPSIS的時(shí)序網(wǎng)絡(luò)節(jié)點(diǎn)重要性研究[J].電子科技大學(xué)學(xué)報(bào)，2019，48（2）：296-300.

GUO Q， QIN R R， LIU J G.Node Importance identification for temporal networks via the TOPSIS method[J]. Journal of University of Electronic Science and Technology of China，2019，48（2）：296-300.

[12] 張欣.多層復(fù)雜網(wǎng)絡(luò)理論研究進(jìn)展：概念、理論和數(shù)據(jù)[J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué)，2015， 12（2）：103-107.

ZHANG X. Multilayer network science： concepts， theories and data[J]. Complex Systems and Complexity Science，2015， 12（2）：103-107.

[13] MANASKASEMSAK B ， RUNGSAWANG A ， YAMANA H. Time-weighted web authoritative ranking[J]. Information Retrieval， 2011， 14（2）：133-157.

[14] CHEN S H， YAN H， Li J C， et al. Improvement of pagerank algorithm： an authoritative and temporal based approach[C]//IEEE International Conference on Computer-Aided Industrial Design & Conceptual Design. San Jose， CA： IEEE，2014：1-4.

[15] HU W S， ZOU H T， GONG Z G. Temporal PageRank on social networks[C] // International Conference on Web Information Systems Engineering. FL，USA： Springer，2015：62-276.

[16] PASTOR S R， CASTELLANO C， MIEGHEM P V， et al. Epidemic processes in complex networks[J]. Reviews of Modern Physics，2015，87（3）：925-979.

[17] ROZENSHTEIN P， GIONIS A. Temporal PageRank[C]// European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases. Riva del Garda， Italy ：Springer， 2016：674-689.

[18] ROCHA L， MASUDA N. Random walk centrality for temporal networks[J]. New Journal of Physics，2014，16（6）：063023.

[19] 牌艷欣，李長玲，徐璐.弱引文關(guān)系視角下跨學(xué)科相關(guān)知識(shí)組合識(shí)別方法探討——以情報(bào)學(xué)為例[J].圖書情報(bào)工作，2020，64（21），111-119.

PAI Y X， LI C L， XU L. Discussion on the method of interdisciplinary related knowledge combination identification on the perspective of weak citation relationship—taking information science for example[J]. Library and Information Service，2020，64（21），111-119.

[20] 王玙，劉東蘇.基于PageRank的動(dòng)態(tài)網(wǎng)絡(luò)核心節(jié)點(diǎn)檢測(cè)及演化分析[J].情報(bào)學(xué)報(bào)，2018， 37（7）：703-711.

WANG Y， LIU D S. Vital node detection and evolution analysis in dynamic networks based on pageRank[J]. Journal of the China Society for Scientific and Technical Information，2018， 37（7）：703-711.

[21] 遲闊.基于節(jié)點(diǎn)間吸引力的動(dòng)態(tài)社會(huì)網(wǎng)絡(luò)社區(qū)演化和鏈接預(yù)測(cè)的研究[D].哈爾濱：哈爾濱工程大學(xué)，2019.

CHI K. Research on Community evolution and link prediction in dynamic social networks based on the attraction force between nodes[D]. Harbin：Harbin Engineering University，2019.

[22] 崔林蔚，陸穎.基于作者署名排序的作者貢獻(xiàn)要素分析——以《圖書情報(bào)工作》2015-2016年作者貢獻(xiàn)聲明為例[J].圖書情報(bào)工作，2017，61（9）：80-86.

CUI L W， LU Y. Analysis of author contribution factors based on article author order—taking library and information service as an example[J]. Library and Information Service，2017，61（9）：80-86.

（責(zé)任編輯 耿金花）

收稿日期： 2022-05-10；修回日期：2022-08-16

基金項(xiàng)目： 國家自然科學(xué)基金（71671306）

第一作者： 姚月嬌（1998-），女，河北保定人，碩士，主要研究方向?yàn)閺?fù)雜網(wǎng)絡(luò)與數(shù)據(jù)挖掘。

通信作者： 劉向（1983-），男，湖北黃石人，博士，副教授，主要研究方向?yàn)橹R(shí)網(wǎng)絡(luò)、數(shù)據(jù)挖掘、數(shù)據(jù)科學(xué)等。