大數(shù)據(jù)視角下技術(shù)機會分析研究綜述

李姝影，胡正銀，隗 玲，劉春江，方 曙

（1.中國科學院成都文獻情報中心，四川成都 610044；2.山西財經(jīng)大學信息學院，山西太原 030092）

隨著技術(shù)與環(huán)境的快速發(fā)展，新行業(yè)和新市場競爭加劇，新興科學與技術(shù)不斷涌現(xiàn)，許多大學、研究機構(gòu)和商業(yè)情報機構(gòu)都在跟蹤、監(jiān)測和預測新興技術(shù)，探索識別潛在的技術(shù)機會［1］。技術(shù)機會發(fā)現(xiàn)（technology opportunity discovery，TOD）的主要目的是減少技術(shù)快速轉(zhuǎn)型、市場動蕩或客戶需求變化等環(huán)境因素造成的不確定性［2］，這些不確定性產(chǎn)生的根本原因在于掌控的信息量與智能決策所需的信息量之間的差異［3］，適時高效的動向監(jiān)測、高質(zhì)量的技術(shù)機會情報分析能夠縮小其中的差距，更快地探索與發(fā)現(xiàn)技術(shù)機會以支撐戰(zhàn)略規(guī)劃。當前基于專家知識與經(jīng)驗的趨勢預測已不足以應對海量信息時代的挑戰(zhàn)，數(shù)據(jù)驅(qū)動的大數(shù)據(jù)分析方法在挖掘和分析定量數(shù)據(jù)的同時，提出客觀性數(shù)據(jù)分析結(jié)論供專家進行判斷，在一定程度上彌補了以專家預測為基礎(chǔ)方法的主觀性缺陷和知識限制［4］。國內(nèi)外學者圍繞技術(shù)機會分析展開了大量研究工作，呼吁采取具體的方法來減少技術(shù)機會分析（technology opportunity analysis，TOA）所需的時間和成本。在此背景下，本研究檢索和梳理近5 年國內(nèi)外大數(shù)據(jù)視角下的技術(shù)機會分析文獻，按照文獻分析框架進行系統(tǒng)篩選、分類與解讀，總結(jié)歸納當前的技術(shù)機會內(nèi)涵、熱點應用場景和分析方法。

1 技術(shù)機會內(nèi)涵

學者們將降低技術(shù)不確定性的活動稱為技術(shù)機會發(fā)現(xiàn)，通過技術(shù)機會發(fā)現(xiàn)可獲得新興技術(shù)、研發(fā)創(chuàng)新啟示、技術(shù)改進、競爭優(yōu)勢等。技術(shù)機會的概念天然就具有創(chuàng)新的特色。Schwartz［5］最早提出技術(shù)創(chuàng)新機會（technology innovation opportunity，TIO），從產(chǎn)業(yè)創(chuàng)新視角分析產(chǎn)業(yè)發(fā)生根本轉(zhuǎn)變的前瞻性核心技術(shù)。除了變革性創(chuàng)新外，技術(shù)機會也包含漸進性創(chuàng)新，例如對現(xiàn)有技術(shù)的特征和性能方面的改進以及某特定技術(shù)融入現(xiàn)有其他技術(shù)的可能性［6］。從產(chǎn)業(yè)的角度看，技術(shù)機會發(fā)現(xiàn)可從科學知識的進步、產(chǎn)業(yè)外的技術(shù)進步和產(chǎn)業(yè)內(nèi)的技術(shù)反饋3 個源頭識別［7］，其表征具有多樣性。技術(shù)機會發(fā)現(xiàn)可以是與技術(shù)相關(guān)的客體，如技術(shù)所具有的潛力或具有可能性的技術(shù)［8］；也可以是與人類相關(guān)的活動，如“推斷可能的技術(shù)形態(tài)或技術(shù)發(fā)展點”［9］，以及“為識別現(xiàn)有技術(shù)的新應用或預測新技術(shù)而進行的活動”［10］，這類活動關(guān)注探索技術(shù)所具有的潛力，或識別具有潛在影響力的技術(shù)以及對于機會的戰(zhàn)略性利用。更多時候，技術(shù)機會發(fā)現(xiàn)體現(xiàn)為技術(shù)客體與人類活動的綜合體。技術(shù)客體又可以進行細分，如技術(shù)空白點、融合技術(shù)、新興技術(shù)以及具有技術(shù)前景的面向客戶技術(shù)［11］。

國內(nèi)外學者在研究探索的過程中進一步拓展和豐富技術(shù)機會內(nèi)涵（見表1），可以大致歸納為技術(shù)空白機會（代表性文獻如文獻［12］至文獻［18］）、科學技術(shù)機會（代表性文獻如文獻［19］和文獻［20］）、技術(shù)組合/融合機會（代表性文獻如文獻［21］至文獻［24］）。

表1 國內(nèi)外關(guān)于技術(shù)機會內(nèi)涵主要研究狀況

2 文獻檢索與分析框架

基于Web of Science（WoS）平臺和中國知網(wǎng)（CNKI）中文期刊數(shù)據(jù)庫，利用關(guān)鍵詞和被引主題進行檢索，其中文獻分析過程借鑒了Pittaway 等［25］的做法，具體步驟見表2。

表2 文獻來源與分析步驟

3 大數(shù)據(jù)視角下的技術(shù)機會分析

大數(shù)據(jù)視角下的技術(shù)機會常 常由知識元素結(jié)構(gòu)表示，通過提取知識元素排列組合為某種結(jié)構(gòu)，基于前人經(jīng)驗將具有顯著特征的特定知識元素或空間位置表示和定義為技術(shù)機會。以下分別從應用場景和分析方法兩個角度對技術(shù)機會分析研究進行分析總結(jié)。

3.1 應用場景

通過對文獻的內(nèi)容分析，大致可以將大數(shù)據(jù)視角下的技術(shù)機會分析應用場景分為技術(shù)層面、企業(yè)層面、科學技術(shù)層面和產(chǎn)業(yè)層面4 類（見圖1）。

圖1 大數(shù)據(jù)視角下技術(shù)機會分析熱點應用場景

3.1.1 技術(shù)層面

技術(shù)層 面的技術(shù)機會分析是面向特定技術(shù)領(lǐng)域內(nèi)識別具有潛在價值的技術(shù)應用機會的過程，其中主要的熱點方向包括：

（1）識別特定技術(shù)領(lǐng)域具有未來潛力的組合/融合技術(shù)。組合/融合技術(shù)概念源于技術(shù)組合進化和知識組合理論，是指對知識或技術(shù)元素進行組合/融合的過程，既包括探索尚未出現(xiàn)的新的知識元素組合，也包括對現(xiàn)有知識元素的重用/開發(fā)/組合/融合［26］，是對現(xiàn)有技術(shù)不同創(chuàng)新模式的突破［27］。常見的思路是從現(xiàn)有技術(shù)中提取具有一定特征或可能形成技術(shù)機會的知識要素進行判斷、組合、表示、排序、解讀，將技術(shù)發(fā)展過程中的性能改進、技術(shù)組合、技術(shù)匯聚/融合作為技術(shù)機會形成的重要途徑。翟東升等［28］構(gòu)建了技術(shù)融合演化分析識別技術(shù)機會分析的框架：宏觀層面對參與融合的技術(shù)密集度、內(nèi)聚性和聚類程度進行網(wǎng)絡指標分析；中觀層面對技術(shù)領(lǐng)域在融合發(fā)展過程中的功能演變進行考察；微觀層面對推動本領(lǐng)域技術(shù)融合以及不同技術(shù)領(lǐng)域之間交叉滲透的重要技術(shù)節(jié)點進行分析。隨著技術(shù)融合成為一種主流的創(chuàng)新趨勢，以往基于回顧性視角衡量融合程度和監(jiān)測融合趨勢的研究將逐漸轉(zhuǎn)向面向未來視角技術(shù)組合/融合機會的預測，研究重點也從特定技術(shù)領(lǐng)域知識、技術(shù)、市場和產(chǎn)業(yè)會聚現(xiàn)象的演化擴展到與異構(gòu)技術(shù)領(lǐng)域相融合的不同于現(xiàn)有技術(shù)領(lǐng)域的技術(shù)機會。

（2）識別特定技術(shù)領(lǐng)域內(nèi)現(xiàn)有技術(shù)尚未涉獵技術(shù)空白。技術(shù)空白指的是尚未申請專利/未被開發(fā)且具有發(fā)展?jié)摿Φ目瞻c，體現(xiàn)為遠離大部分數(shù)據(jù)的離群點、異常點［11］。針對空白區(qū)域、離群點、異常點隱含的創(chuàng)新信息挖掘，近期Lee 等［29］主要是研究探索評估技術(shù)發(fā)展路徑的風險與機會，邢冬梅［30］指出找到最佳技術(shù)機會與可能受制于人的限制，唐恒等［31］探究如何甄選“卡脖子”技術(shù)短板甄選，研究的重點從基于定量方法揭示各種空白區(qū)域轉(zhuǎn)向評估技術(shù)空白的可行性。

（3）識別特定技術(shù)領(lǐng)域內(nèi)未來可能突顯的新技術(shù)形態(tài)或新興技術(shù)。這類技術(shù)指的是近期成為關(guān)注焦點的技術(shù)或有可能帶來重大影響的技術(shù)（包括熱點新興技術(shù)、萌芽新興技術(shù)和聯(lián)合新興技術(shù)），具有快速增速、高新穎度/新興技術(shù)、高不確定性/模糊性以及高市場潛力的特征。早期定量方法主要綜合運用技術(shù)監(jiān)測、文獻計量學和社會網(wǎng)絡分析對新興技術(shù)熱點進行識別，例如從引文分析構(gòu)建的時間序列專利［32］，以及文獻網(wǎng)絡的比較，而定性方法主要是通過專家調(diào)查或小組討論識別新興技術(shù)。近期研究主要利用知識元素的特征來識別趨勢性知識元素潛在的技術(shù)機會，例如，李欣等［33］結(jié)合SAO結(jié)構(gòu)的語義分析和李乾瑞等［34］利用技術(shù)路線圖識別新興技術(shù)的發(fā)展過程張振剛等［35］基于SAO 結(jié)構(gòu)分析知識網(wǎng)絡的動態(tài)演化過程以揭示知識元素間進行組合的軌跡和趨勢，以及姜照華等［36］結(jié)合專利引文分析、語義TRIZ 和文本挖掘等識別出在一定的閾值下的若干科技領(lǐng)域形成的主流群落和熱點領(lǐng)域。

3.1.2 科學技術(shù)層面

科學技術(shù)層面的技術(shù)機會分析主要是識別潛在的科學技術(shù)關(guān)聯(lián)機會，尤其是由科學進步推動的新技術(shù)機會。其主要原理是科技知識融合滋養(yǎng)了探索新技術(shù)機會的過程。例如，專利數(shù)據(jù)與學術(shù)或產(chǎn)品知識的整合可能會導致更多的科學或市場相關(guān)機會的發(fā)現(xiàn)，因為科學知識為技術(shù)知識邊緣提供了基礎(chǔ)，Gl?nzel 等［37］就曾在研究中證實來自技術(shù)知識的反饋刺激能夠催化科學知識的持續(xù)發(fā)展。

科學技術(shù)層面的研究相對較少，普遍是將學術(shù)研究和工業(yè)研發(fā)相似度較低的集群主題認定為科學進步和技術(shù)創(chuàng)新的潛在機會。常見的分析思路有兩類：一是通過比較同一個技術(shù)領(lǐng)域內(nèi)科學和技術(shù)之間的差異、相互作用等關(guān)系發(fā)現(xiàn)潛在的技術(shù)機會［38］，例如，某些論文的研究主題還沒有被廣泛用于技術(shù)開發(fā)，通過比較科技集群之間的差異發(fā)現(xiàn)潛在的技術(shù)機會。二是基于論文參考文獻中的引文信息和專利信息，構(gòu)建科學技術(shù)引文網(wǎng)絡，基于專利和論文之間的引用等關(guān)系來確定技術(shù)機會［20］。

3.1.3 企業(yè)層面

企業(yè)層面的技術(shù)機會分析指的是在企業(yè)現(xiàn)有技術(shù)和產(chǎn)品基礎(chǔ)上擴展的技術(shù)或產(chǎn)品機會，使企業(yè)在快速變化的環(huán)境中及早發(fā)現(xiàn)威脅或機會。從企業(yè)發(fā)展的角度看，Lee 等［39］將企業(yè)的技術(shù)機會分為兩大類：一是企業(yè)從技術(shù)和產(chǎn)業(yè)角度看某一特定技術(shù)領(lǐng)域尚未開發(fā)或有開發(fā)前景的技術(shù)和產(chǎn)品；二是從企業(yè)現(xiàn)有技術(shù)和產(chǎn)品中發(fā)現(xiàn)適用的技術(shù)機會。在此基礎(chǔ)上，Yoon 等［40］主要研究和梳理了4 種企業(yè)技術(shù)機會分析路徑：（1）探索企業(yè)所處技術(shù)領(lǐng)域現(xiàn)有技術(shù)的改進/升級過程，例如，利用現(xiàn)有的近紅外技術(shù)開發(fā)遠紅外技術(shù)；（2）探索企業(yè)現(xiàn)有技術(shù)可應用于各個領(lǐng)域的潛在產(chǎn)品的過程，例如近紅外技術(shù)可用于烤面包機和低頻按摩器的研發(fā)；（3）在各個產(chǎn)品領(lǐng)域發(fā)現(xiàn)對企業(yè)現(xiàn)有產(chǎn)品進行改進的潛在產(chǎn)品的過程，例如，公司可以通過改進現(xiàn)有電加熱器來開發(fā)紅外加熱器；（4）探索各個技術(shù)領(lǐng)域的潛在技術(shù)可用于企業(yè)現(xiàn)有產(chǎn)品改進的過程，例如，公司可以引入氣體警報技術(shù)來改進現(xiàn)有的電加熱器。而Cho等［10］基于中小企業(yè)技術(shù)機會調(diào)查總結(jié)了9 種類型企業(yè)技術(shù)機會，其中拓展市場的技術(shù)機會最多，應用多樣化和創(chuàng)造市場類技術(shù)機會次之。

從文獻利用和數(shù)據(jù)挖掘的角度看，企業(yè)層面技術(shù)機會發(fā)現(xiàn)的主要思路是，利用技術(shù)或產(chǎn)品之間的語義功能相似度來界定企業(yè)之間現(xiàn)有技術(shù)或產(chǎn)品技術(shù)能力差異，以減少異構(gòu)技術(shù)之間的不確定性，衍生出潛在技術(shù)機會。目前的研究方向主要涉及產(chǎn)品/技術(shù)研發(fā)、布局、預警及中小企業(yè)等多個主題。

（1）技術(shù)布局。馮立杰等［41］利用多維技術(shù)創(chuàng)新地圖的功能-行為-結(jié)構(gòu)（function-behaviorstructure,FBS）模型解構(gòu)現(xiàn)有技術(shù)，為企業(yè)精準開展技術(shù)創(chuàng)新活動提供決策參考。許學國等［42］基于生成式拓撲映射（generative topographic mapping,GTM）方法識別技術(shù)創(chuàng)新機會，幫助企業(yè)進行技術(shù)布局。

（2）產(chǎn)品/技術(shù)研發(fā)。韓曉彤等［43］構(gòu)建申請相關(guān)度和失效相關(guān)測度模型以識別企業(yè)競爭對手的研發(fā)方向。Shi 等［44］基于LOF 算法和文本挖掘方法識別目標企業(yè)與識別潛在的研發(fā)機會。馮立杰等［45］利用多維技術(shù)創(chuàng)新地圖分析面向低端市場用戶需求的技術(shù)機會識別路徑，為后發(fā)企業(yè)產(chǎn)品研發(fā)提供參考。Lee 等［46］基于Word2vec 技術(shù)和文本挖掘確定企業(yè)根據(jù)其技術(shù)能力可能采用的新產(chǎn)品領(lǐng)域。

（3）領(lǐng)域技術(shù)發(fā)現(xiàn)/預警。Park 等［47］通過對企業(yè)技術(shù)組合進行協(xié)同過濾，為目標企業(yè)推薦定制應用技術(shù)機會。Shin 等［48］基于關(guān)聯(lián)規(guī)則挖掘識別與企業(yè)內(nèi)部能力相適應的新技術(shù)領(lǐng)域。Choi 等［2］利用序列模式挖掘，通過關(guān)注目標企業(yè)重點技術(shù)領(lǐng)域的動態(tài)變化來識別不確定性較小的技術(shù)機會。黃魯成等［49］結(jié)合異常檢測和專利市場價值評價識別目標技術(shù)領(lǐng)域具有潛在技術(shù)機會的異常專利。

（4）中小企業(yè)。Lee 等［50］基于技術(shù)功效和SAO 兩階段分析方法，研究中小企業(yè)在能力和資源受限的情況下識別技術(shù)機會的方法、制定中小企業(yè)技術(shù)戰(zhàn)略。

總體上來說，基于文獻靜態(tài)的角度分析動態(tài)變化中的技術(shù)能力與技術(shù)機會的相關(guān)研究具有滯后性，多源異構(gòu)數(shù)據(jù)為專利技術(shù)機會分析提供了動態(tài)、實時、多元化研究視角；其次，國內(nèi)學者對企業(yè)層面的應用場景關(guān)注較少，聚焦在宏觀的技術(shù)布局與預警上，而微觀上支撐企業(yè)實際需求的技術(shù)機會分析較少，尤其缺乏對中小企業(yè)的技術(shù)機會分析，未來將更傾向于幫助中小企業(yè)評估與利用技術(shù)機會［20］，而國內(nèi)企業(yè)技術(shù)機會應用場景還有待拓展與完善。

3.1.4 產(chǎn)業(yè)層面

考慮到新技術(shù)開發(fā)和商業(yè)化應用存在的不確定性和高風險，研究識別技術(shù)在產(chǎn)業(yè)層面尚未開發(fā)的 機會對于產(chǎn)業(yè)技術(shù)創(chuàng)新有積極的影響。與其他應用場景相比，產(chǎn)業(yè)層面技術(shù)機會分析的研究稍顯不足。相關(guān)研究方向主要有：（1）技術(shù)商業(yè)化機會。錢越等［51］基于專利數(shù)據(jù)和商業(yè)數(shù)據(jù)，從技術(shù)成熟度、技術(shù)機會和技術(shù)競爭環(huán)境構(gòu)建技術(shù)商業(yè)化潛力評價模型。李乾瑞等［52］利用模糊一致矩陣，從技術(shù)價值、經(jīng)濟效用、產(chǎn)業(yè)可行性和中國產(chǎn)業(yè)化潛力4 個維度對技術(shù)形態(tài)組合備選集進行綜合評價和排序，以識別技術(shù)創(chuàng)新機會。Feng 等［53］基于技術(shù)、專利和產(chǎn)品信息探索潛在可持續(xù)的商業(yè)模式/機會。（2）供需對接。武玉英等［54］通過挖掘?qū)＠D(zhuǎn)讓加權(quán)網(wǎng)絡主體信息及結(jié)構(gòu)特征預測技術(shù)交易機會。何喜軍等［55］基于科技主體的專利技術(shù)交易網(wǎng)絡預測科技主體間的專利技術(shù)交易機會。He 等［56］提出基于SAO 語義分析的技術(shù)需求潛在熱點識別模型以促進技術(shù)供求的有效對接。

3.2 分析方法

前人開發(fā)出多種TOA 模型和方法，大部分可以歸納為四步：獲取數(shù)據(jù)、構(gòu)建知識結(jié)構(gòu)、技術(shù)機會表示界定以及評估和解讀有前景的技術(shù)機會，這些步驟涉及數(shù)據(jù)源選擇、知識組織、機會表示、技術(shù)評價以及專家參與等多要素，每個要素都有可能影響機會分析的潛在價值。大數(shù)據(jù)視角下的技術(shù)機會分析方法仍然遵循這些步驟（見圖2），其中關(guān)于前三步的創(chuàng)新成果較為豐碩。如：第1 步分析多源異構(gòu)數(shù)據(jù)以論文、專利、WordNet 數(shù)據(jù)庫、維基百科、網(wǎng)絡評論等多源、非結(jié)構(gòu)化數(shù)據(jù)為來源，由單一外部特征向融合科技文獻內(nèi)外部多個特征發(fā)展［57］；第2 步中知識組織通常利用SAO 結(jié)構(gòu)（代表性文獻如文獻［58］至文獻［61］）或文本挖掘抽取與表示技術(shù)文檔，利用知識抽取、語義計算等挖掘技術(shù)趨勢和機會，專利技術(shù)特征和語義關(guān)系抽取的自動化、準確率、細粒度有顯著提升；第3 步中候選技術(shù)的確定則通過技術(shù)組件與效果重新組合匹配來獲得新的技術(shù)方案和啟發(fā)，技術(shù)及功能等形態(tài)信息更加細化，降維方法上的改進更加多元化。

圖2 大數(shù)據(jù)視角下技術(shù)機會分析步驟

大數(shù)據(jù)視角下的技術(shù)機會分析方法包含了圖書情報、數(shù)學、計算機、網(wǎng)絡等多個專業(yè)領(lǐng)域的內(nèi)容，根據(jù)文獻發(fā)表時間和數(shù)據(jù)處理量級（見圖3），經(jīng)過文獻閱讀后分析篩選了其中比較新興的研究方向，包括異常檢測、機器學習、鏈路預測及SAO 語義分析4 類。

圖3 大數(shù)據(jù)視角下技術(shù)機會分析方法

3.2.1 異常檢測

異常檢 測，又稱離群點識別，通常指發(fā)現(xiàn)與其他實體不同或偏離數(shù)據(jù)集的對象［62］。利用該類方法進行技術(shù)機會發(fā)現(xiàn)，就是要識別與大部分主流技術(shù)顯著不同的專利，將其視為新技術(shù)的起源和弱信號。主要思路是，利用異常檢測算法對數(shù)據(jù)進行篩選檢測，篩選出專利異常點，通過人工或指標判別的方式分析是否具有發(fā)展前景的技術(shù)形態(tài)或技術(shù)發(fā)展點。目前主要算法包括基于LOF、K-means、基于密度的聚類算法（density-based spatial clustering of applications with noise，DBSCAN）以及組合方式的異常檢測算法。

Yoon 等［18］將離群點檢測用于專利語義分析來識別新的技術(shù)機會，識別出的離群專利可以作為評估可能的新技術(shù)機會領(lǐng)域的起點。Lee 等［63］通過文本挖掘來抽取用途關(guān)鍵詞特征和局部離群因子，以此衡量 機會的新穎程度。Rodriguez 等［64］認為離群專利具有3 個特征：不與其他專利高度聚類、引文網(wǎng)絡中節(jié)點中心度低以及與網(wǎng)絡中其他專利的相似度低，并在此基礎(chǔ)上提出了面向?qū)＠木W(wǎng)絡中的離群點排名方法。翟東升等［65］通過構(gòu)建相似度矩陣進行多維尺度分析，基于多種異常檢測算法組合識別潛在的技術(shù)機會專利，結(jié)合TRIZ 方法挖掘出技術(shù)機會。李登杰［66］基于專利相異距離降維及可視化，利用4種異常檢測算法對專利數(shù)據(jù)集進行異常檢測，篩選出每個異常檢測算法下的異常專利點，最終生成異常專利集。Zhang 等［67］研究邊緣屬性并提出了離群節(jié)點識別算法，認為通過分析離群節(jié)點和邊緣的真實性，能夠揭示出圖的潛在結(jié)構(gòu)與屬性，具有巨大應用潛力。在此基礎(chǔ)上，Kim 等［68］基于引文網(wǎng)絡中邊緣離群點識別不同技術(shù)領(lǐng)域融合產(chǎn)生的潛在創(chuàng)新機會，認為邊緣異常點是引文網(wǎng)絡中重要的中心連接，在這些專利的協(xié)同組合中可能出現(xiàn)新的機會。Wang 等［69］提出了基于角度的異常檢測算法（anglebased outlier detection,ABOD），作為一種新穎的檢測統(tǒng)計方法用于確定高維空間中的離群專利。

現(xiàn)有研究的經(jīng)驗顯示，異常檢測算法優(yōu)于其他類似算法，可以識別具有任何形狀的自然聚類，過濾掉局部的異常值，且其近年來數(shù)據(jù)處理量有較大的提升，與其他文本挖掘方法相結(jié)合的復合型方法不斷擴展。

3.2.2 機器學習

機器學習方法是算法經(jīng)過訓練，從過去的經(jīng)驗中學習和預測未來并作出相應的決策［70］。整理技術(shù)機會分析文獻中涉及的機器學習方法，包括生成式拓撲映射（generative topographic mapping，GTM）、隱含狄利克雷分布（latent dirichlet allocation，LDA）、深度學習、關(guān)聯(lián)規(guī)則、協(xié)同過濾、多維尺度分析（multidimensional scaling，MDS）、神經(jīng)網(wǎng)絡等，如圖4 所示。

圖4 主要的機器學習方法

早期對機器學習的相關(guān)算法原理大致可以分為：（1）自組織特征映射（self-organizing mapping/selforganizing feature mapping，SOM/SOFM），即利用已訓練的無監(jiān)督學習以產(chǎn)生低維（二維），可以將專利之間復雜關(guān)系和技術(shù)進步的動態(tài)模式可視化［71］。該方法基于無監(jiān)督學習神經(jīng)網(wǎng)絡形成目標網(wǎng)絡節(jié)點，但對技術(shù)要求較高，不能逆向解釋映射。（2）采用基于特征向量算法的主成分分析（PCA），減少關(guān)鍵字向量的數(shù)量，使其適用于二維地圖。它可以用更少的變量解釋更多的原始變量，但可視化程度有限，不能進行預測。Aaldering 等［72］提出了一種結(jié)合主成分分析和協(xié)同過濾，推薦未開發(fā)的并購機會。（3）GTM 是一種利用貝葉斯理論將多維數(shù)據(jù)空間映射到低維潛在空間的概率方法，主要是將潛在空間映射到數(shù)據(jù)空間的過程。Yoon 等［73］將形態(tài)分析和GTM 相結(jié)合來識別技術(shù)配置，并將收集到的專利信息可視化，確定必要的技術(shù)和潛在的合作伙伴。吳菲菲等［74］提出了采用GTM 來幫助識別3D 生物打印技術(shù)的專利空白點。GTM 方法可以減少人工干預，使結(jié)果具有可解讀的空間，實現(xiàn)反向解釋，也可以形成客觀的網(wǎng)絡節(jié)點來幫助解決分類、聚類和可視化的問題，但對參數(shù)設置比較敏感、技術(shù)要求較高，需要專業(yè)技術(shù)人員的經(jīng)驗，結(jié)果因人而異。

近5 年該領(lǐng)域的研究與應用逐漸豐富，數(shù)據(jù)處理量也上升到了萬級和百萬級。李冬梅等［75］采用馬爾科夫區(qū)制轉(zhuǎn)換（Markov regime-switching，MRS）方法，通過刻畫半導體行業(yè)專利時序數(shù)據(jù)的動態(tài)變化路徑，分析該領(lǐng)域出現(xiàn)技術(shù)機會的時間窗口。周雷等［76］基于詞典和相似度的命名實體識別、基于模式的關(guān)系抽取以及基于機器學習的信息過濾幾項技術(shù)以實現(xiàn)高效的技術(shù)機會監(jiān)測。Kim 等［77］提出基于語義專利主題分析自動生成專利開發(fā)地圖，將每件專利構(gòu)建一個術(shù)語向量，基于LDA 主題模型識別專利的技術(shù)分類，對語義和引文相似進行敏感分析，以便對專利間的路徑進行可視化。Seo 等［78］利用文本挖掘從專利數(shù)據(jù)庫中提取產(chǎn)品信息，基于關(guān)聯(lián)規(guī)則挖掘生成產(chǎn)品關(guān)聯(lián)規(guī)則，通過衡量產(chǎn)品機會的潛在價值，從企業(yè)內(nèi)部產(chǎn)品組合中識別產(chǎn)品機會。Yoon 等［79］結(jié)合GTM 和鏈接預測對專利信息可視化來進行技術(shù)機會分析。包清臨等［80］采用概率潛在語義分析（PLSA）算法，結(jié)合文本挖掘、MapReduce 計算框架和熵權(quán)-TOPSIS 法，構(gòu)建三維的專利預測模型以挖掘潛在的技術(shù)機會。Shen 等［81］采用文本挖掘和任意導向投影聚類（ORCLUS）算法對重要科技主題進行聚類，利用TF-IDF 向量的余弦相似度來檢測聚類科學領(lǐng)域與技術(shù)領(lǐng)域之間的語義相似度，以識別潛在的科學進步或技術(shù)商業(yè)化機會。Feng 等［53］收集與產(chǎn)品相關(guān)的專利文獻，利用LDA 主題模型識別商業(yè)主題，基于GTM 識別技術(shù)空白和技術(shù)驅(qū)動的商業(yè)機會，并進行動態(tài)評估和排序。Teng 等［82］采用自然語言處理方法對專利文本進行預處理，利用監(jiān)督機器學習方法將文本表示為關(guān)鍵詞向量并進行K-means 聚類，通過GTM 將專利在二維空間可視化，以確定未來的研發(fā)戰(zhàn)略。許學國等［42］基于Bert-LSTM 文本分類模型對論文及專利數(shù)據(jù)的主題識別，利用自然語言處理（natural language processing，NLP）識別出不同研究領(lǐng)域的關(guān)鍵技術(shù)詞，基于GTM 算法繪制技術(shù)地圖，通過對空白新興技術(shù)點逆向映射進而實現(xiàn)對技術(shù)創(chuàng)新機會的有效識別。吳一平等［83］基于產(chǎn)品在線評論、論文、科技報告、專家知識等數(shù)據(jù)源，提出一種融合評論主題識別與技術(shù)屬性多維度分析的技術(shù)機會發(fā)現(xiàn)方法，基于并行潛在狄利克雷分布模型（parallel latent Dirichlet allocation，PLDA）識別篩選新興重點技術(shù)評論主題，通過相關(guān)性計算分布得到與評論相關(guān)和與新興重點技術(shù)評論主題相關(guān)的技術(shù)屬性。分析產(chǎn)品重要技術(shù)屬性的特征情況，最終識別出蘊含在評論文本中的新興技術(shù)機會。

總而言之，機器學習與技術(shù)機會分析的研究應用是算法經(jīng)過調(diào)試與訓練后，從過去的經(jīng)驗中學習和預測未來，從而為決策提供基礎(chǔ)。從效果來看，不僅可以高效地處理大量數(shù)據(jù)（數(shù)據(jù)來源多元化，數(shù)據(jù)量上升至萬級、百萬級），還可將專利之間復雜的關(guān)系和技術(shù)進步的動態(tài)模式可視化（技術(shù)機會監(jiān)測、專利研發(fā)路徑可視化、專利機會預測、動態(tài)評估排序等）；另外，通過將多維數(shù)據(jù)空間降維，可以提高對數(shù)據(jù)分析結(jié)果的分類、聚類能力，并增強結(jié)果可解釋性。因此，機器學習與技術(shù)機會分析具有廣闊的應用前景。

3.2.3 鏈路預測

鏈路預測是一種檢測當前網(wǎng)絡中缺失的鏈路并預測未來網(wǎng)絡中新的鏈路的技術(shù)，可引入多種算法以解決鏈路預測中針對不同類型網(wǎng)絡（異構(gòu)和二模）和鏈路（多關(guān)系、活躍/不活躍、出現(xiàn)/消失）的預測問題，主要分為4 種類型。鏈路預測在技術(shù)機會分析中的原理是通過現(xiàn)有技術(shù)網(wǎng)絡的結(jié)構(gòu)、節(jié)點和邊的相關(guān)信息，識別預測網(wǎng)絡可能產(chǎn)生鏈接的節(jié)點，包括時間和空間上的未知鏈接（missing links）和未來鏈接（future links），即視為技術(shù)機會。Yoon 等［42］利用鏈路預測界定和選擇領(lǐng)域技術(shù)機會，并用技術(shù)空白的后續(xù)填補情況來驗證方法的有效性。翟東升等［24］基于國際專利分類表（IPC）建立引用網(wǎng)絡，將IPC 之間的新引用或增強引用作為知識流動形式的領(lǐng)域技術(shù)機會，計算特征指標、訓練基于SVM 的未來鏈接預測模型，以及計算網(wǎng)絡節(jié)點帶權(quán)特征指標，利用線性回歸獲得連接邊權(quán)的預測模型，分別預測可能首次出現(xiàn)的技術(shù)流動與未來會更深度融合的技術(shù)。Yoon 等［79］對生物技術(shù)和信息技術(shù)領(lǐng)域分別建立專利引用網(wǎng)絡，利用有向網(wǎng)絡鏈路預測潛在的技術(shù)知識流動（TKFs），將潛在的增加和新出現(xiàn)的知識流動視為融合技術(shù)機會。

總的來說，鏈路預測在技術(shù)機會分析中的應用是通過分析現(xiàn)有技術(shù)網(wǎng)絡的結(jié)構(gòu)和相關(guān)信息（節(jié)點對之間的相似性、拓撲特征、語義特征、屬性特征等），構(gòu)建連接邊權(quán)預測模型，識別可能產(chǎn)生連接的節(jié)點（時間與空間），并將這些連接視為技術(shù)機會。鏈路預測在界定和選擇領(lǐng)域技術(shù)機會方面的研究不斷增多，但仍需要進行多領(lǐng)域驗證和理論體系的深入研究。

3.2.4 SAO 語義分析

SAO 語義分析是一種基于TRIZ 的面向事實的建模技術(shù)，在技術(shù)機會分析中的應用較多。該類方法利用從科技文本中提取SAO 結(jié)構(gòu)識別相關(guān)的技術(shù)元素及其關(guān)系，基于SAO 結(jié)構(gòu)相似度或SAO 的專利相似度分析知識之間的語義鏈接，聚類識別空白點、離群專利等技術(shù)機會。后期學者們在SAO 結(jié)構(gòu)單元的基礎(chǔ)上進一步提出了SAO 結(jié)構(gòu)鏈，即將多個SAO結(jié)構(gòu)關(guān)聯(lián)形成語義鏈條，獲取特定技術(shù)領(lǐng)域部件/技術(shù)/材料/性能的層級關(guān)系，挖掘潛在的技術(shù)關(guān)聯(lián)以識別出技術(shù)機會。近年來的研究提升了技術(shù)信息挖掘的細粒度，將SAO 與其他專利挖掘方法更緊密地結(jié)合：（1）SAO 與形態(tài)分析相結(jié)合，如Wang 等［84］利用SAO 結(jié)構(gòu)描述技術(shù)組件之間的結(jié)構(gòu)關(guān)系，基于形態(tài)分析構(gòu)建了基于SAO 的技術(shù)組件和屬性的關(guān)系矩陣；（2）SAO 與TRIZ 相結(jié)合，如Kim 等［85］在SAOx 中提取動名詞形式以獲取技術(shù)目標和效果，引入439 個TRIZ 工程參數(shù)和技術(shù)術(shù)語來表示SAO；（3）SAO 與技術(shù)路線圖相結(jié)合，如李乾瑞等［34］引入SAO 結(jié)構(gòu)“問題—動作—解決方案”識別問題與技術(shù)方案對，以揭示新材料、新技術(shù)或新技術(shù)組合，利用技術(shù)路線圖展示技術(shù)方案演化路徑；（4）SAO與功效分析相結(jié)合，如Wang 等［84］通過形態(tài)矩陣中的兩種SAO 結(jié)構(gòu)分別形成技術(shù)構(gòu)成和技術(shù)屬性，建立技術(shù)功效矩陣來確定滿足市場需求的技術(shù)方案。

4 結(jié)論及展望

數(shù)據(jù)驅(qū)動的技術(shù)機會分析可以高效地從大量數(shù)據(jù)中識別創(chuàng)新機會，為技術(shù)進步與企業(yè)發(fā)展賦能。通過系統(tǒng)地梳理國內(nèi)外相關(guān)研究工作可見，現(xiàn)有技術(shù)機會發(fā)現(xiàn)與識別方法正在借助大數(shù)據(jù)分析方法的優(yōu)勢形成一套系統(tǒng)、規(guī)范化的研究范式。具體而言：

從研究對象來說，專利技術(shù)創(chuàng)新機會的內(nèi)涵日益豐富，不再局限于熱點、空白點、孤立點、離群點等單一的界定方式，其知識表示方法在融入技術(shù)創(chuàng)新需求中逐步完善與拓展。首先，技術(shù)機會在知識元素結(jié)構(gòu)提取的基礎(chǔ)上以一個或多個顯著特征組合來表示或定義，技術(shù)空白點、技術(shù)差距、孤立點、離群專利、共現(xiàn)網(wǎng)絡、新鏈路等特征來自研究人員或?qū)＜疫^去的經(jīng)驗，并作為區(qū)分機會和非機會的過濾器［1］，專利技術(shù)創(chuàng)新機會的內(nèi)涵已拓展到組合/融合技術(shù)、未來可能突顯的新技術(shù)形態(tài)或新興技術(shù)、“卡脖子”技術(shù)、顛覆性技術(shù)等相關(guān)領(lǐng)域。其次，大數(shù)據(jù)分析能集成數(shù)據(jù)挖掘、機器學習、自然語言處理、信息檢索和知識管理等方法，從非結(jié)構(gòu)化或半結(jié)構(gòu)化文本中快速、大量、有效地提取重要的、隱藏的、先前未知的可能有用的知識，也將進一步拓展知識表示方法的創(chuàng)新。

從數(shù)據(jù)源來說，多源異構(gòu)數(shù)據(jù)為專利技術(shù)機會分析提供了動態(tài)、實時、多元化研究視角，應用場景從回顧性的趨勢監(jiān)測轉(zhuǎn)向未來需求的技術(shù)預測與風險評估，支撐產(chǎn)業(yè)和企業(yè)實際需求的研究較少。不同的信息源揭示技術(shù)發(fā)展的不同階段信息，單一或同類型數(shù)據(jù)源分析已不能滿足當前研究的需求，多源異構(gòu)信息源的處理、序化、關(guān)聯(lián)和融合分析均依賴大數(shù)據(jù)分析方法的支撐。大多數(shù)技術(shù)機會分析采用的是能夠揭示技術(shù)信息的專利作為信息源，也有一些研究將專利與論文、產(chǎn)品評論、WordNet 數(shù)據(jù)庫、維基百科等多源數(shù)據(jù)相結(jié)合，未來的突破將聚焦在多源異構(gòu)信息深度融合分析的技術(shù)上。其次，目前大部分研究是將技術(shù)發(fā)展過程中的性能改進、技術(shù)組合、技術(shù)匯聚/融合作為技術(shù)機會形成的重要途徑，從特定技術(shù)領(lǐng)域知識、技術(shù)、市場和產(chǎn)業(yè)現(xiàn)象演化出發(fā)拓展，以往基于回顧性的趨勢監(jiān)測已逐漸轉(zhuǎn)向面向未來需求的技術(shù)預測與風險評估，包括預測新興技術(shù)、評估技術(shù)發(fā)展路徑的風險與機會、研發(fā)和產(chǎn)品開發(fā)的優(yōu)先級等。其中，國內(nèi)學者對中觀技術(shù)層面的應用場景關(guān)注較多，聚焦在技術(shù)布局與預警上，對于支撐產(chǎn)業(yè)和企業(yè)實際需求的技術(shù)機會分析較少。

從分析方法來說，組合運用文獻計量、社會網(wǎng)絡分析與大數(shù)據(jù)分析，方法創(chuàng)新由單一特征的同質(zhì)網(wǎng)絡向融合特征的異構(gòu)網(wǎng)絡發(fā)展，所挖掘的技術(shù)細粒度越來越高。早期定量分析方法主要綜合運用技術(shù)監(jiān)測、文獻計量學和社會網(wǎng)絡分析來識別趨勢性知識元素潛在的技術(shù)機會（若干科技領(lǐng)域形成的主流群落、熱點領(lǐng)域、空白區(qū)域等）。例如，基于文本特征的相似性構(gòu)建映射關(guān)系，可視化展示新穎性或尚未被現(xiàn)有專利占據(jù)的技術(shù)空白點，方法改進集中在主成分分析、自組織特征圖和拓撲映射等降維方法上。其次，混合型專利挖掘方法顯著提升了專利技術(shù)挖掘的細粒度，例如，語義TRIZ、形態(tài)分析、技術(shù)路線圖、技術(shù)功效分析等多種方法相結(jié)合，將多個知識結(jié)構(gòu)關(guān)聯(lián)形成語義鏈條，獲取特定技術(shù)領(lǐng)域部件/技術(shù)/材料/性能的層級關(guān)系，挖掘豐富的技術(shù)信息與潛在的關(guān)聯(lián)以識別出技術(shù)機會?；谛螒B(tài)分析或語義TRIZ 重新改進或組合技術(shù)形態(tài)，利用SAO 結(jié)構(gòu)或機器學習方法抽取與表示技術(shù)文檔，通過實現(xiàn)與技術(shù)組件與效果重新組合匹配，獲得新的技術(shù)方案和啟發(fā)。隨著文本挖掘、自然語言處理技術(shù)的發(fā)展和成熟，基于多源數(shù)據(jù)內(nèi)外部特征的知識融合方法還有待完善。

技術(shù)機會分析的理論研究與實踐應用已經(jīng)取得顯著成效，但是，現(xiàn)有的技術(shù)機會分析文獻在分析思路、效果和技術(shù)細節(jié)等方面仍然存在一定的局限性：

（1）現(xiàn)有方法對于關(guān)鍵技術(shù)性能的識別仍依賴專家，由于性能指標之間的因果關(guān)系不明，專家需要對不相關(guān)的技術(shù)機會、不重要的技術(shù)性能指標以及不可行的研發(fā)方法進行審查與過濾，但由于驗證困難，大多數(shù)方法都沒有對技術(shù)機會進行充分說明和解釋，因此，研究結(jié)果的可靠性仍然不確定，在實踐中也無法產(chǎn)生具體可行的研發(fā)想法。

（2）專利技術(shù)創(chuàng)新機會內(nèi)涵不僅涉及技術(shù)本身，更是由基礎(chǔ)研究為產(chǎn)業(yè)創(chuàng)新提供知識基礎(chǔ)、產(chǎn)業(yè)應用反饋刺激催生基礎(chǔ)研究的進步，是科技知識融合滋養(yǎng)了探索新技術(shù)機會的過程，但現(xiàn)有方法主要將技術(shù)機會的分析對象限定為“空白”“離群”“異常”或“相似”等顯著特征的知識結(jié)構(gòu)子集，無意中過濾掉某些候選技術(shù)，很可能潛在地縮小了隱性關(guān)聯(lián)的技術(shù)機會空間。此外，現(xiàn)有基于經(jīng)驗將具有某些顯著特征的特定知識元素或空白、離群等空間位置表征為技術(shù)機會，缺少對技術(shù)創(chuàng)新主體的外在需求和技術(shù)機會內(nèi)在本質(zhì)的研究，所識別的技術(shù)機會與經(jīng)濟和產(chǎn)業(yè)急需解決的科技問題聯(lián)系薄弱。

（3）目前方法側(cè)重于宏觀、中觀層面較為粗略的技術(shù)領(lǐng)域機會探測，支撐產(chǎn)業(yè)和企業(yè)實際需求的專利技術(shù)機會分析研究較少，從科學到技術(shù)、技術(shù)到產(chǎn)業(yè)的機會分析鏈條還不完善。同時，現(xiàn)有方法創(chuàng)新以單一外部特征同質(zhì)網(wǎng)絡為主，基于融合特征的多源異構(gòu)網(wǎng)絡分析方法還有待突破。

在技術(shù)機會分析研究領(lǐng)域，未來將延續(xù)大數(shù)據(jù)驅(qū)動賦能技術(shù)發(fā)展的趨勢：（1）專利技術(shù)機會分析內(nèi)涵、研究內(nèi)容隨現(xiàn)實需求拓展、深化；（2）聚焦在多源異構(gòu)信息深度融合分析的技術(shù)上，以便充分利用多源信息的多維性和功能的多元化；（3）開發(fā)“規(guī)則+統(tǒng)計+知識庫+交互”大數(shù)據(jù)智能創(chuàng)新工具。在綜合應用各類方法提高定量分析效度的基礎(chǔ)上，結(jié)合專家專業(yè)知識完善技術(shù)機會對象特征、性能指標，從而更深入地揭示技術(shù)機會細節(jié)，更好地支撐企業(yè)甚至國家的科技戰(zhàn)略規(guī)劃。