基于LDA-Word2vec的人工智能技術(shù)主題演化與熱點(diǎn)主題識(shí)別

2022年11月，智能問答系統(tǒng)ChatGPT的問世激發(fā)了全球范圍內(nèi)研究人工智能的新熱潮，人工智能（AI）這一概念最早由麥卡錫等科學(xué)家在1956 年的達(dá)特茅斯會(huì)議中提出[1]，此舉標(biāo)志著人工智能學(xué)科的誕生。作為一門致力于模擬、拓展和增強(qiáng)人類智能的新興技術(shù)科學(xué)[2]，人工智能在電力電子、交通運(yùn)輸、醫(yī)療健康、電信等[3-6]領(lǐng)域展現(xiàn)出廣泛的應(yīng)用前景。近年來，全球各科技大國競(jìng)相推出人工智能相關(guān)政策，以期在新一輪國際科技博弈中占據(jù)主導(dǎo)地位。歐盟的“數(shù)字歐洲計(jì)劃”、美國的“國家人工智能研發(fā)戰(zhàn)略計(jì)劃”等將人工智能上升為國家層面的戰(zhàn)略重點(diǎn)。我國也高度重視并積極推進(jìn)人工智能的發(fā)展，2017年國務(wù)院發(fā)布的《新一代人工智能發(fā)展規(guī)劃》明確指出，要搶抓人工智能發(fā)展的重大戰(zhàn)略機(jī)遇，加快建設(shè)創(chuàng)新型國家和世界科技強(qiáng)國。此后，制定《國家人工智能產(chǎn)業(yè)綜合標(biāo)準(zhǔn)化體系建設(shè)指南》、《智能安全治理框架》等一系列實(shí)施方案和行動(dòng)計(jì)劃，從政策引導(dǎo)、技術(shù)創(chuàng)新、產(chǎn)業(yè)培育、安全保障等多個(gè)方面，為人工智能的健康可持續(xù)發(fā)展提供了有力支撐。

專利文獻(xiàn)作為承載知識(shí)和技術(shù)創(chuàng)新成果的重要媒介，具有極高的技術(shù)及經(jīng)濟(jì)價(jià)值，是技術(shù)挖掘的理想數(shù)據(jù)來源[。對(duì)特定領(lǐng)域海量專利文獻(xiàn)進(jìn)行主題分析，能夠全面系統(tǒng)地揭示專利數(shù)據(jù)背后的技術(shù)態(tài)勢(shì)和競(jìng)爭(zhēng)信息。基于此，本文開展面向人工智能領(lǐng)域的專利文獻(xiàn)主題演化與熱點(diǎn)主題識(shí)別研究，從主題強(qiáng)度和內(nèi)容兩個(gè)維度進(jìn)行技術(shù)主題演化分析，并引人多維指標(biāo)識(shí)別出階段性的熱點(diǎn)技術(shù)主題。本研究旨在協(xié)助研究人員更好地了解人工智能領(lǐng)域的技術(shù)發(fā)展脈絡(luò)與未來趨勢(shì)，及時(shí)把握研究方向，同時(shí)為技術(shù)創(chuàng)新與決策提供一定的參考借鑒。

1文獻(xiàn)綜述

1.1技術(shù)主題識(shí)別

技術(shù)演化分析之前需要進(jìn)行主題識(shí)別，目前主流的技術(shù)主題識(shí)別方法可歸納為關(guān)鍵詞驅(qū)動(dòng)法、引文分析法和文本挖掘法。關(guān)鍵詞驅(qū)動(dòng)法主要依賴于詞頻統(tǒng)計(jì)[8]、共詞分析[9]等手段，通過探究關(guān)鍵詞間的關(guān)聯(lián)性來挖掘技術(shù)主題，揭示領(lǐng)域研究焦點(diǎn)和知識(shí)結(jié)構(gòu)。引文分析法則在文獻(xiàn)引用關(guān)系的基礎(chǔ)上構(gòu)造關(guān)聯(lián)網(wǎng)絡(luò)，采用社會(huì)網(wǎng)絡(luò)分析中的算法（如譜聚類算法、社團(tuán)發(fā)現(xiàn)算法等）劃分團(tuán)簇，進(jìn)而識(shí)別領(lǐng)域技術(shù)主題，根據(jù)引用關(guān)系不同可細(xì)分為直接引用分析[10]、共被引分析[]、耦合分析[12]3種。隨著大數(shù)據(jù)和機(jī)器學(xué)習(xí)的快速興起，基于專利內(nèi)容的文本挖掘法成為高效識(shí)別技術(shù)主題的重要途徑，該方法通過分詞處理、主題抽取以及主題語義關(guān)系挖掘，能夠探測(cè)出專利文本中潛藏的核心和熱點(diǎn)技術(shù)主題。文本挖掘法中主題概率模型最具代表性，其在揭示技術(shù)主題分布、關(guān)聯(lián)結(jié)構(gòu)等方面具有良好效果。SuominenA等[13]運(yùn)用LDA模型分析企業(yè)專利數(shù)據(jù)集，確定了各研發(fā)方向上的關(guān)鍵技術(shù)主題。宋凱等[14」創(chuàng)新性地將技術(shù)主題創(chuàng)新度、授權(quán)趨勢(shì)指標(biāo)與LDA模型相結(jié)合，為前沿技術(shù)主題的識(shí)別提供了方法借鑒。LiuY等[15]提出一種潛在特征主題模型，即將LF詞集成到Dirichlet多項(xiàng)式分布中，彌補(bǔ)了傳統(tǒng)LDA模型在復(fù)雜環(huán)境下識(shí)別主題能力方面的不足。徐宗煌等[使用LDA模型對(duì)專利、期刊論文和新聞報(bào)道數(shù)據(jù)進(jìn)行主題建模，深人挖掘光刻技術(shù)領(lǐng)域的主題，并構(gòu)建多維特征指標(biāo)開展關(guān)鍵核心技術(shù)的識(shí)別與分析。

1.2技術(shù)演化分析

針對(duì)技術(shù)演化分析問題已有大量相關(guān)研究，傳統(tǒng)的定性分析方法主要基于專家經(jīng)驗(yàn)和知識(shí)，通過分析代表性專利來闡釋技術(shù)發(fā)展的模式和趨勢(shì)[]，該方法往往受限于個(gè)人主觀判斷和信息獲取的全面性。為減少對(duì)專家判斷的依賴，學(xué)者嘗試采用專利的分類屬性（如IPC 分類號(hào)[18]、德溫特手工代碼[19]等）探究領(lǐng)域?qū)＠难葑儦v程，然而，這類方法分析維度較為寬泛，勢(shì)必會(huì)對(duì)技術(shù)演化分析的精確性造成影響。為改善這一不足，有學(xué)者利用引用關(guān)系和共現(xiàn)網(wǎng)絡(luò)追蹤領(lǐng)域技術(shù)的發(fā)展軌跡。例如，HuangY等[20]采用共分類分析、共詞分析以及主路徑方法揭示了3D打印領(lǐng)域的技術(shù)演變過程。張嫻等[21]通過整合專利引用網(wǎng)絡(luò)中的引用連接、引用動(dòng)機(jī)、主題關(guān)聯(lián)三種關(guān)系，提出一種融合多元關(guān)系的主路徑識(shí)別方法，識(shí)別出石墨烯傳感技術(shù)領(lǐng)域的演化路徑。由于專利引用會(huì)產(chǎn)生時(shí)滯，因此無法保證技術(shù)演化趨勢(shì)分析的及時(shí)性。相較于IPC分類號(hào)和引用網(wǎng)絡(luò)，基于文本內(nèi)容的技術(shù)演化分析在很大程度上提升了分析的細(xì)粒度和深度，且不存在時(shí)滯性問題。例如，陳偉等[22]在LDA 模型識(shí)別技術(shù)主題的基礎(chǔ)上，利用隱馬爾可夫模型（HMM）定量預(yù)測(cè)技術(shù)主題演化趨勢(shì)。劉春江等[23]對(duì)專利文獻(xiàn)進(jìn)行SAO（subject-action-object）三元組抽取，結(jié)合LDA模型構(gòu)建技術(shù)主題創(chuàng)新演化路徑。侯艷輝等[24] 通過融合專利語義特征和引文結(jié)構(gòu)特征得到專利向量，并基于K-means算法和相似度實(shí)現(xiàn)技術(shù)主題語義演化分析。

綜上所述，技術(shù)領(lǐng)域的主題識(shí)別及演化研究已取得一定進(jìn)展，但仍存在進(jìn)一步研究空間。在技術(shù)主題提取方面，學(xué)者們通常將清洗后的專利文本總詞匯數(shù)作為主題模型的輸人語料庫，容易造成大量噪聲和冗余信息，從而影響主題聚類結(jié)果的準(zhǔn)確度及效率。在技術(shù)演化分析方面，基于LDA模型的演化方法雖然能夠直觀呈現(xiàn)主題演化過程，卻忽略了主題詞之間的潛在語義聯(lián)系。因此，為準(zhǔn)確識(shí)別領(lǐng)域中的技術(shù)主題及發(fā)展趨勢(shì)，本研究在關(guān)鍵詞綜合提取的基礎(chǔ)上，通過融合LDA主題模型和Word2vec詞向量模型，對(duì)人工智能領(lǐng)域技術(shù)主題的周期性演變進(jìn)行量化研究，并構(gòu)建主題熱度、新穎度、影響力等指標(biāo)，識(shí)別人工智能階段性的熱點(diǎn)技術(shù)主題。

2研究設(shè)計(jì)與方法

2.1研究設(shè)計(jì)

為量化分析人工智能領(lǐng)域技術(shù)的主題演化及熱點(diǎn)主題識(shí)別，本研究以我國人工智能領(lǐng)域相關(guān)專利文獻(xiàn)為數(shù)據(jù)源。首先，對(duì)檢索得到的專利文獻(xiàn)標(biāo)題和摘要進(jìn)行文本分詞、去停用詞、關(guān)鍵詞提取等處理。其次，利用LDA模型進(jìn)行主題建模，選取一致性指標(biāo)確定最優(yōu)主題數(shù)目，并基于主題-詞概率分布識(shí)別技術(shù)主題。再次，結(jié)合時(shí)間序列和技術(shù)生命周期理論，從主題強(qiáng)度和內(nèi)容兩個(gè)維度分析技術(shù)主題的演化。最后，引入主題熱度、主題新穎度、主題影響力識(shí)別階段性熱點(diǎn)主題。具體研究框架如圖1所示。

2.2主題識(shí)別及向量化

2.2.1基于LDA的主題識(shí)別潛在狄利克雷分配（Latentdirichletallocation，LDA） ）由Blei等[25]提出，是一種基于貝葉斯分布的文檔主題生成模型，通過生成文檔-主題和主題-詞匯概率分布矩陣，以詞、主題和文檔三層結(jié)構(gòu)來識(shí)別文檔中的潛在主題[26]。其具體模型如圖2所示。

其中， α 和 β 分別是每篇文檔中主題分布 θ 和每個(gè)主題下詞匯分布 φ 的狄利克雷先驗(yàn)參數(shù)， z_m n 表示第 ?_m 篇文檔中第 n 個(gè)詞匯的主題編號(hào)， w_?m n 表示第 ?_m 篇文檔的第 n 個(gè)詞匯。LDA的生成過程主要如下： ① 針對(duì)每篇文檔 ，依據(jù) θ_m ＼～Dirichlet （α） ，獲得文檔 m 在主題上的分布 θ_m ;② 針對(duì)每個(gè)主題 k∈K ，依據(jù) φ_k～Dirichlet（β） ，獲得主題 k 在主題詞上的分布 φ_k ； ③ 針對(duì)文檔 m 中的詞匯 ，分別依據(jù)多項(xiàng)式分布 Multi（θ_m） 和 ，獲得主題 和主題詞 ，模型的聯(lián)合概率分布如式（1）所示。

2.2.2基于Word2vec的主題向量化Word2vec 作為一種高效的詞嵌入模型[27]，借助神經(jīng)網(wǎng)絡(luò)捕捉鄰近詞匯的語義特征，進(jìn)而將詞匯映射為低維空間中富含語義信息的密集實(shí)值向量。該模型分為兩種訓(xùn)練架構(gòu)：連續(xù)詞袋（Continuousbagofwords，CBOW）和Skip-Gram 模型[28]，基本原理如圖3所示。在 Skip-Gram 模型中，中心詞用于預(yù)測(cè)前后區(qū)間詞的概率；CBOW模型與之恰好相反，是在學(xué)習(xí)詞語 w（t） 前后語序 、 1）、 、 w（t+2） 的前提下，對(duì) w（t） 的語義關(guān)系進(jìn)行預(yù)測(cè)[29]。本研究采用 Skip-Gram 模型的訓(xùn)練方式，結(jié)合LDA生成的主題-詞分布實(shí)現(xiàn)文本語義信息提取及向量化，為后續(xù)主題內(nèi)容演化夯實(shí)基礎(chǔ)。

具體而言，針對(duì)一個(gè)專利文檔集 D ，采用Skip-Gram模型對(duì)其進(jìn)行訓(xùn)練，生成維度為 γ 的詞向量集合 V ，由于LDA模型提取的主題具體通過主題詞 φ_k 分布中概率最高的 n 個(gè)非重復(fù)詞匯來表現(xiàn)，以每個(gè)詞對(duì)應(yīng)的概率值作為權(quán)重，對(duì)每個(gè)主題下 γ 維非重復(fù)詞向量進(jìn)行加權(quán)處理，即可得到統(tǒng)一向量空間中各主題的向量 ，計(jì)算方法如式（2）所示。

式（2）中， 為 χ_t 時(shí)間窗口下第 χ_i 個(gè)主題的向量表示， s 為該主題下概率排名前 s 的詞語數(shù)， ）代表詞語對(duì)應(yīng)的概率值，v（term_t，i，j） 代表該詞語對(duì)應(yīng)的詞向量。

2.3技術(shù)主題演化分析

主題演化趨勢(shì)分析旨在探究主題隨時(shí)間變化的動(dòng)態(tài)過程、進(jìn)展及其差異性。本研究從強(qiáng)度和內(nèi)容兩個(gè)方面進(jìn)行技術(shù)主題演化分析。2.3.1主題強(qiáng)度演化技術(shù)主題強(qiáng)度通常衡量技術(shù)領(lǐng)域的關(guān)注度和研究活躍度，在特定時(shí)間段內(nèi)，相關(guān)技術(shù)主題強(qiáng)度越顯著，則表明在該時(shí)間段內(nèi)對(duì)這些技術(shù)的研究興趣越高，相應(yīng)的專利申請(qǐng)數(shù)量也會(huì)隨之上升[30]。其計(jì)算公式[31]如下：

式（3）中， 表示主題 k 在時(shí)間窗口 χ_t 上的主題強(qiáng)度， θ_d，k 表示專利文獻(xiàn) d 屬于主題 k 的概率， D_ι 表示時(shí)間窗口 χ_t 上的專利數(shù)量。

2.3.2主題內(nèi)容演化技術(shù)主題內(nèi)容演化主要描繪主題內(nèi)容隨著時(shí)間推移變化的脈絡(luò)與趨勢(shì)[32]，為了直觀地揭示人工智能領(lǐng)域技術(shù)主題演化趨勢(shì)，本研究以前文得到的主題向量為基礎(chǔ)，利用余弦相似度算法[33]對(duì)相鄰時(shí)間段上的技術(shù)主題進(jìn)行關(guān)聯(lián)，余弦相似度通過計(jì)算兩個(gè)向量夾角的余弦值來表征主題相關(guān)性，目前應(yīng)用較為廣泛。其計(jì)算公式如式（4），其中，A、 B 代表主題向量，Sim（A，B） 表示主題A和 B 之間的余弦相似度，取值范圍介于［-1，1］之間，余弦值越趨近于1，表明兩個(gè)文本在內(nèi)容上越相似。

判斷主題之間是否具有演化關(guān)系需要根據(jù)實(shí)際情況設(shè)置閾值，主題相似度高于閾值則被視為存在演化關(guān)系。借鑒已有研究[34-36]，將演化狀態(tài)界定為5類，即新生、繼承、融合、分化和消亡，結(jié)合表1和圖4，可以較好地理解各個(gè)演化狀態(tài)的判定依據(jù)。

2.4熱點(diǎn)技術(shù)主題識(shí)別

本研究通過主題熱度、主題新穎度、主題影響力3個(gè)特征指標(biāo)，來進(jìn)行生命周期各階段熱點(diǎn)技術(shù)主題的甄別、評(píng)估和分析。為客觀衡量各指標(biāo)的權(quán)重，運(yùn)用CRITIC 熵權(quán)法[37]對(duì)各指標(biāo)進(jìn)行賦權(quán)。其中，主題熱度用于量化技術(shù)主題在領(lǐng)域中的受關(guān)注程度，新穎度在時(shí)間維度上考察了主題的時(shí)效性與前沿性，影響力則從科研成果數(shù)量上揭示了主題對(duì)學(xué)界和產(chǎn)業(yè)界的實(shí)際推動(dòng)力。

（1）主題熱度指標(biāo)。技術(shù)主題熱度可以通過LDA 模型輸出主題支持文檔[38]的強(qiáng)度值來衡量，強(qiáng)度值反映了主題在文檔集中的普遍性與重要性，進(jìn)而用于評(píng)估技術(shù)主題在當(dāng)前時(shí)間段內(nèi)的活躍度和關(guān)注度。定義主題熱度計(jì)算公式如下：

式（5）中， x_i 代表主題 k 內(nèi)第 i 件專利的強(qiáng)度值， n 代表主題 k 的支持專利文檔數(shù)， H_k 表示 k 主題的熱度值。

（2）主題新穎度指標(biāo)。近期申請(qǐng)的專利往往具有較高的新穎性，因此可由主題所包含專利的平均申請(qǐng)年份表示。如果某個(gè)主題涉及的研究成果年份越接近當(dāng)前時(shí)間，說明該主題越新穎。具體計(jì)算公式如式（6）所示：

式（6）中， y_i 代表主題 k 內(nèi)第 i 件專利的申請(qǐng)年份， n 代表主題 k 的支持專利文檔數(shù)， N_k 表示k 主題的新穎度。

（3）主題影響力指標(biāo)。技術(shù)主題影響力可以通過相關(guān)主題專利申請(qǐng)數(shù)量占比來表征，若某一技術(shù)主題下專利數(shù)量占總專利數(shù)量的比例較高，則表明該主題在推動(dòng)技術(shù)進(jìn)步、引領(lǐng)產(chǎn)業(yè)發(fā)展等方面具有較大的影響力。其計(jì)算公式為：

式（7）中， n_k 代表第 k 個(gè)主題下的支持專利文檔數(shù)， m 代表專利總數(shù)， E_k 表示 k 主題的影響力。

3實(shí)證研究與結(jié)果分析

3.1數(shù)據(jù)來源與預(yù)處理

本研究以incoPat科技創(chuàng)新索引為數(shù)據(jù)源，incoPat專利數(shù)據(jù)庫完整收錄全球絕大多數(shù)國家和地區(qū)1億余件專利信息，具有數(shù)據(jù)覆蓋全面、更新迅速、多維深入加工等特點(diǎn)，在學(xué)術(shù)研究中得到廣泛應(yīng)用[39-40]。設(shè)定檢索式為標(biāo)題 Σ=Σ （“人工智能”O(jiān)R“人機(jī)交互”O(jiān)R“智能機(jī)器人”O(jiān)R“智能系統(tǒng)”O(jiān)R“神經(jīng)網(wǎng)絡(luò)”O(jiān)R“深度學(xué)習(xí)”O(jiān)R“智能技術(shù)”），檢索時(shí)間跨度限定為近十五年，即2009—2023年。專利類型選擇中國發(fā)明授權(quán)專利，并進(jìn)行簡(jiǎn)單同族合并，檢索于2024年10月18日進(jìn)行，共檢索到25335條專利數(shù)據(jù)，其中包括標(biāo)題、摘要、公開日、IPC主分類號(hào)等字段。經(jīng)過剔除缺失項(xiàng)和重復(fù)記錄等操作，最終獲得25302條專利數(shù)據(jù)。圖5展示了人工智能領(lǐng)域歷年的專利申請(qǐng)數(shù)量，可以看出，前期該領(lǐng)域的專利數(shù)量較少，且增長(zhǎng)速度相對(duì)平緩，自2019年專利數(shù)量開始大幅增加。結(jié)合技術(shù)生命周期理論，將其劃分為3個(gè)時(shí)期階段：2009—2014年（萌芽期）、2015—2019年（緩慢增長(zhǎng)期）、2020—2023年（快速發(fā)展期）。

對(duì)獲取到的有效專利進(jìn)行預(yù)處理。首先，將專利標(biāo)題和摘要信息合并，作為模型訓(xùn)練的文檔語料；其次，本研究根據(jù)人工智能專業(yè)術(shù)語構(gòu)建用戶詞典，同時(shí)在通用停用詞表的基礎(chǔ)上添加專利文獻(xiàn)特有的一些詞（如“本發(fā)明”“申請(qǐng)”“公開”等）構(gòu)成停用詞庫；最后，利用Python中的jieba庫對(duì)文檔語料進(jìn)行中文分詞和過濾停用詞操作，并通過重復(fù)擴(kuò)充用戶詞典與停用詞庫提高分詞效果。

3.2技術(shù)主題識(shí)別

3.2.1LDA主題建模依照前述基于關(guān)鍵詞提取的主題建模流程，首先分別利用TF-IDF、Tex-tRank和KeyBert算法輸出原始語料庫中Top-30的詞語，將這三個(gè)關(guān)鍵詞集進(jìn)行融合并去重，以此得到新的語料庫，然后使用LDA模型對(duì)新的語料庫進(jìn)行訓(xùn)練處理。

本研究選用gensim庫構(gòu)建主題模型，經(jīng)過多次試驗(yàn)，設(shè)置Alph a=0.32 ， Beta=0.05 ，文檔迭代次數(shù)設(shè)為100次。建模前還需確定主題數(shù)量K，這一參數(shù)的設(shè)定將對(duì)技術(shù)主題識(shí)別效果產(chǎn)生直接影響。本研究通過計(jì)算一致性（Coherence）評(píng)估最優(yōu)主題數(shù)量，一致性是用來揭示生成的主題是否具有可解釋性的指標(biāo)[41]，一般而言，一致性值越高，模型生成的主題質(zhì)量越好，但一致性值僅僅作為一個(gè)參考，具體情況需要根據(jù)領(lǐng)域?qū)嶋H情況及主觀需求進(jìn)行綜合考量。

圖6為主題個(gè)數(shù)在1＼～50時(shí)一致性分?jǐn)?shù)的變化曲線，可以看出，一致性曲線整體呈現(xiàn)波動(dòng)狀態(tài)，考慮到人工智能技術(shù)的多樣性，在20＼～40之間選取 K=21 ，28，31作為候選主題數(shù)，結(jié)合人工判讀最終將主題數(shù)量確定為31。

3.2.2技術(shù)主題識(shí)別結(jié)果經(jīng)過LDA主題建模，本研究對(duì)包含25302條專利標(biāo)題摘要數(shù)據(jù)進(jìn)行主題分析，最終提取31個(gè)主題以及文檔-主題、主題-詞概率分布矩陣，根據(jù)每個(gè)主題下的高概率特征詞項(xiàng)，歸納出人工智能技術(shù)主題含義，整理結(jié)果見表2。

總體來看，人工智能技術(shù)主題按照研究?jī)?nèi)容可以劃分為以下幾類：

（1）核心算法與技術(shù)基礎(chǔ)：深度學(xué)習(xí)（T10）、卷積神經(jīng)網(wǎng)絡(luò)（T14）、機(jī)器學(xué)習(xí)（T17）、AI模型訓(xùn)練優(yōu)化（T23）等技術(shù)構(gòu)成人工智能發(fā)展的核心，為人工智能提供強(qiáng)大的計(jì)算和學(xué)習(xí)能力，是智能應(yīng)用得以實(shí)現(xiàn)的關(guān)鍵。

（2）感知與交互技術(shù)：人機(jī)交互（T3）、圖像深度處理（T4）、智能傳感器（T18）、多模態(tài)行為識(shí)別（T20）等技術(shù)主要關(guān)注如何提高計(jì)算機(jī)系統(tǒng)對(duì)用戶行為的理解能力、提升用戶體驗(yàn)以及增強(qiáng)系統(tǒng)在復(fù)雜環(huán)境中的適應(yīng)性和智能水平。

（3）自然語言與語義理解：語義模型（T5）、自然語言處理（T7）、機(jī)器翻譯（T28）等技術(shù)主要關(guān)注如何讓計(jì)算機(jī)更好地理解和處理人類的自然語言，從而實(shí)現(xiàn)高效的信息檢索、內(nèi)容生成、語言交流和服務(wù)自動(dòng)化。

（4）數(shù)據(jù)處理與安全：隱私保護(hù)（T1）、信號(hào)處理（T6）、故障監(jiān)測(cè)與預(yù)警（T16）、網(wǎng)絡(luò)流量分析（T24）等技術(shù)確保數(shù)據(jù)在采集、存儲(chǔ)、處理、傳輸和銷毀等各個(gè)環(huán)節(jié)的安全性和隱私性，同時(shí)致力于提升數(shù)據(jù)處理的整體質(zhì)量和效率。

（5）智能應(yīng)用與自動(dòng)化：智能機(jī)器人（T9）、自動(dòng)駕駛（T19）、生產(chǎn)智能化管理（T22）、智能輔助診斷（T26）等技術(shù)將人工智能成果應(yīng)用于實(shí)際場(chǎng)景，目前幾乎所有行業(yè)都在積極推動(dòng)智能化轉(zhuǎn)型，以期借助人工智能實(shí)現(xiàn)產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化升級(jí)。

實(shí)現(xiàn)技術(shù)主題聚類后，利用pyLDAvis庫對(duì)LDA模型輸出結(jié)果進(jìn)行可視化展示，便于更加直觀地觀察主題分布情況，結(jié)果如圖7所示。

圖7中左側(cè)的氣泡表示主題，氣泡的大小表示主題在文檔集中的出現(xiàn)頻次，氣泡間距離揭示主題之間的相似性[42]，氣泡有重疊則說明主題間的特征詞有交叉。右側(cè)為各主題前30個(gè)最具代表性的特征詞，紅色的表示該詞在當(dāng)前主題中所占的權(quán)重，藍(lán)色的表示該詞在整個(gè)語料庫中的詞頻。右上方的參數(shù)入能夠調(diào)整詞語與主題的相關(guān)性，當(dāng)入值趨近于0時(shí)，主題中特有的詞與主題更相關(guān)，趨近于1時(shí)，頻繁出現(xiàn)的詞與主題更相關(guān)。

3.3技術(shù)主題強(qiáng)度演化

為深入探究技術(shù)主題演進(jìn)趨勢(shì)，本研究將文檔-主題概率分布按年度劃分，計(jì)算每個(gè)主題在連續(xù)時(shí)間窗口內(nèi)的強(qiáng)度分布。通過比較不同時(shí)間窗口內(nèi)技術(shù)主題強(qiáng)度的變化情況，可以更全面地揭示技術(shù)發(fā)展的關(guān)鍵階段及趨勢(shì)轉(zhuǎn)變情況，繪制各類別技術(shù)主題強(qiáng)度隨時(shí)間變化的折線圖，如圖8所示。

從核心算法與技術(shù)基礎(chǔ)的主題強(qiáng)度演化來看，各技術(shù)主題經(jīng)歷了一系列顯著的波動(dòng)。在2010—2012年期間，除了AI模型訓(xùn)練優(yōu)化（T23），其余主題強(qiáng)度均出現(xiàn)下降趨勢(shì)，盡管一些早期的AI算法（如決策樹、支持向量機(jī)等）已經(jīng)取得一些進(jìn)展，但這些方法的應(yīng)用受限于計(jì)算能力和數(shù)據(jù)規(guī)模。許多傳統(tǒng)AI技術(shù)并未能夠解決復(fù)雜的實(shí)際問題，學(xué)術(shù)界和產(chǎn)業(yè)界的關(guān)注度出現(xiàn)一定程度的下降。2012年AlexNet在ImageNet挑戰(zhàn)賽中以驚人的識(shí)別準(zhǔn)確率奪得冠軍，激發(fā)了深度學(xué)習(xí)的研究熱潮，因此2013年各主題強(qiáng)度稍顯緩和，到了2014年呈現(xiàn)出爆發(fā)式的增長(zhǎng)態(tài)勢(shì)。在2015—2021年期間，深度學(xué)習(xí)（T10）、卷積神經(jīng)網(wǎng)絡(luò)（T14）、機(jī)器學(xué)習(xí)（T17）、AI硬件加速（T30）穩(wěn)定在平均主題強(qiáng)度0.0446以上，表明這些主題是人工智能領(lǐng)域持續(xù)關(guān)注的對(duì)象。2021年后再次觀察到多個(gè)主題強(qiáng)度的下降，可能源于市場(chǎng)逐漸趨于飽和，導(dǎo)致研發(fā)資源的重新分配和技術(shù)的優(yōu)化調(diào)整。

從感知與交互技術(shù)的主題強(qiáng)度演化來看，各技術(shù)主題整體上呈現(xiàn)先波動(dòng)后穩(wěn)定的發(fā)展態(tài)勢(shì)。圖像深度處理（T4）在多個(gè)年份中表現(xiàn)出較高的主題強(qiáng)度，這與深度學(xué)習(xí)技術(shù)水平提高和應(yīng)用場(chǎng)景不斷拓展有著密切關(guān)聯(lián)。人機(jī)交互（T3）與智能視頻監(jiān)控（T11）的演化趨勢(shì)基本一致，在2012年達(dá)到峰值，隨后急劇下降并從2015年開始趨向穩(wěn)定，又于2022年后大幅上升，預(yù)示著在新一輪技術(shù)和產(chǎn)業(yè)革命中將扮演更加關(guān)鍵的角色。目標(biāo)檢測(cè)（T31）保持在平均主題強(qiáng)度0.0327附近波動(dòng)，表明其發(fā)展速度和市場(chǎng)影響力較為穩(wěn)定。虛擬現(xiàn)實(shí)（T15）與智能傳感器（T18）的演化強(qiáng)度分別在2010年和2013年達(dá)到峰值，隨后可能由于應(yīng)用場(chǎng)景限制或市場(chǎng)飽和，其強(qiáng)度值穩(wěn)定在平均主題強(qiáng)度以下。相比于其他感知與交互技術(shù)，多模態(tài)行為識(shí)別（T20）與三維視覺與重建（T29）面臨更多的技術(shù)挑戰(zhàn)，因此其演化強(qiáng)度始終較小且保持在相對(duì)平衡的狀態(tài)。

從自然語言與語義理解的主題強(qiáng)度演化來看，各技術(shù)主題存在波動(dòng)性和趨勢(shì)性并存的現(xiàn)象。在2013—2017年期間，自然語言處理（T7）主題強(qiáng)度持續(xù)大幅上升至0.054，2017—2022年保持在0.045以上，2022年后降至0.032。2013年，Word2vec技術(shù)的提出標(biāo)志著NLP進(jìn)人深度學(xué)習(xí)時(shí)代，之后諸如LSTM、Seq2Seq等模型的成功應(yīng)用，為語音識(shí)別、機(jī)器翻譯等多個(gè)NLP任務(wù)提供顯著的性能提升。2017年，Google推出了Transformer及其后續(xù)的BERT模型，在語言理解和生成任務(wù)上實(shí)現(xiàn)前所未有的突破。語義模型（T5）在多個(gè)年份中維持相對(duì)穩(wěn)定的主題強(qiáng)度，說明其在自然語言處理領(lǐng)域中的基礎(chǔ)性和重要性。機(jī)器翻譯（T28）作為自然語言處理的一個(gè)重要應(yīng)用方向，其主題強(qiáng)度整體呈現(xiàn)波動(dòng)上升趨勢(shì)，由于機(jī)器翻譯本身涉及復(fù)雜的語種差異、多語言對(duì)的挑戰(zhàn)以及大規(guī)模訓(xùn)練語料的依賴，因此未能突破平均主題強(qiáng)度0.0304，但其在未來的研究潛力依然不容忽視。

從數(shù)據(jù)處理與安全隱私的主題強(qiáng)度演化來看，各技術(shù)主題均呈現(xiàn)一種無序演化狀態(tài)。隱私保護(hù)（T1）在2009—2012年保持上升趨勢(shì)，隨后持續(xù)下降至0.02以下，于2016年開始保持穩(wěn)定，2022年后又上升至0.03。2021年，我國正式頒布了《中華人民共和國個(gè)人信息保護(hù)法》，旨在加強(qiáng)個(gè)人信息保護(hù)，確保公民隱私安全。信號(hào)處理（T6）與時(shí)序預(yù)測(cè)（T8）的演化趨勢(shì)較為同步，雖然在2009—2016年經(jīng)歷較大的起伏，但在整個(gè)演化區(qū)間仍呈現(xiàn)略微上升趨勢(shì)，這可能與其在制造業(yè)、能源、交通等領(lǐng)域的廣泛應(yīng)用有關(guān)。故障監(jiān)測(cè)與預(yù)警（T16）的演化強(qiáng)度在2009—2017年波動(dòng)較大，于2013年達(dá)到峰值，反映當(dāng)時(shí)工業(yè)界對(duì)安全生產(chǎn)和故障預(yù)防的高度重視，隨后平穩(wěn)上升，可以預(yù)見其將更多依賴于數(shù)據(jù)分析和智能算法的融合應(yīng)用，以實(shí)現(xiàn)更加精確的故障預(yù)測(cè)和有效的預(yù)警響應(yīng)。網(wǎng)絡(luò)流量分析（T24）的主題強(qiáng)度一直處于平均主題強(qiáng)度0.0257以下，說明其發(fā)展態(tài)勢(shì)一般，關(guān)注度普遍偏低。

從智能應(yīng)用與自動(dòng)化的主題強(qiáng)度演化來看，除了個(gè)別技術(shù)主題在特定年份出現(xiàn)大幅度起伏，其余主題強(qiáng)度在整體上保持相對(duì)穩(wěn)定。機(jī)器人控制（T25）在2009—2013年持續(xù)上升，標(biāo)志著工業(yè)機(jī)器人技術(shù)的快速發(fā)展與應(yīng)用。2013年，隨著《關(guān)于推進(jìn)工業(yè)機(jī)器人產(chǎn)業(yè)發(fā)展的指導(dǎo)意見》的頒布，工業(yè)機(jī)器人被正式確立為未來智能裝備發(fā)展的主要方向。盡管該主題在2014年大幅度下降并穩(wěn)定在較低水平，但這并不意味著機(jī)器人技術(shù)的發(fā)展停滯不前，相反，這一時(shí)期為智能機(jī)器人（T9）的崛起奠定基礎(chǔ)。生產(chǎn)智能化管理（T22）也經(jīng)歷了早期的快速增長(zhǎng)，隨后下降進(jìn)入穩(wěn)定發(fā)展期，這一趨勢(shì)反映出智能制造領(lǐng)域從注重個(gè)別設(shè)備的自動(dòng)化升級(jí)，轉(zhuǎn)向追求整個(gè)生產(chǎn)流程的智能化管理和優(yōu)化。其余主題如自動(dòng)駕駛（T19）、智能輔助診斷（T26）在整個(gè)演化過程中的變化不明顯，這些領(lǐng)域正在經(jīng)歷技術(shù)積累和市場(chǎng)需求的雙重考驗(yàn)，等待合適的時(shí)機(jī)實(shí)現(xiàn)突破。

3.4技術(shù)主題內(nèi)容演化

首先，根據(jù)技術(shù)生命周期的劃分，分別對(duì)每一階段數(shù)據(jù)進(jìn)行LDA主題建模，獲取各階段主題挖掘結(jié)果并確定技術(shù)主題內(nèi)容，結(jié)果如表3所示。然后，利用主題-詞概率對(duì)Word2vec模型生成的詞向量進(jìn)行加權(quán)，以此得到不同時(shí)間段的主題向量表征。接著計(jì)算相鄰時(shí)間段技術(shù)主題的余弦相似度，圖9展示了人工智能領(lǐng)域主題相似度的數(shù)值分布。經(jīng)試驗(yàn)，當(dāng)設(shè)置相似度閾值為0.925時(shí)，能夠同時(shí)保證主題演化連貫性及清晰性，最終獲得137個(gè)具有演化關(guān)系的主題對(duì)。

圖10展示了人工智能領(lǐng)域近15年3個(gè)階段技術(shù)主題的演化路徑。其中，節(jié)點(diǎn)表示主題，連線表示主題間具有滿足閾值條件的相似性，線條粗細(xì)表示相似程度，若一個(gè)主題同時(shí)與多個(gè)相鄰主題具有演化關(guān)系，其標(biāo)簽塊則較大。結(jié)合表3和圖10可以看出，2009—2023年無消亡主題，部分技術(shù)主題在3個(gè)階段都有出現(xiàn)，呈現(xiàn)出新生、繼承、融合或分化的演化狀態(tài)，如計(jì)算機(jī)視覺、信號(hào)處理、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)處理、機(jī)器人、人機(jī)交互等技術(shù)主題，這些技術(shù)主題一直是人工智能領(lǐng)域的焦點(diǎn)，人工智能的迅速發(fā)展離不開這些技術(shù)的深人研究。

人工智能領(lǐng)域的技術(shù)主題內(nèi)容經(jīng)歷從基礎(chǔ)到多樣化再到爆炸式增長(zhǎng)的演變過程。這一過程中，技術(shù)主體之間的關(guān)聯(lián)和互動(dòng)日益緊密，其演化能力也呈現(xiàn)不斷提升的趨勢(shì)。在萌芽期2009—2014年，技術(shù)主題相對(duì)集中且基礎(chǔ)，主題間的互動(dòng)性和技術(shù)交叉性較低，更多的是單一領(lǐng)域的基礎(chǔ)研究和應(yīng)用實(shí)踐。主題T1_Stage1數(shù)據(jù)處理、T7_Stage1神經(jīng)網(wǎng)絡(luò)和T10_Stage1特征提取表現(xiàn)出較強(qiáng)的主題演化能力，這3個(gè)主題與多個(gè)相鄰主題的相似度較高，形成數(shù)量眾多的相關(guān)主題對(duì)。T6_Stage1控制系統(tǒng)與T14_Stage1人機(jī)交互的主題演化能力相對(duì)較弱，在第二階段與之關(guān)聯(lián)的主題較少。進(jìn)入緩慢增長(zhǎng)期2015—2019年，技術(shù)主題開始呈現(xiàn)多樣化趨勢(shì)，涉及的技術(shù)方向逐漸擴(kuò)展到更為復(fù)雜的應(yīng)用場(chǎng)景和領(lǐng)域。大部分技術(shù)主題同時(shí)與前后兩個(gè)階段多個(gè)主題存在知識(shí)流動(dòng)，符合融合分化演化關(guān)系，其中，主題T19_Stage2算法模型演化能力最強(qiáng)，與第三階段11個(gè)主題均相關(guān)。T5__Stage2網(wǎng)絡(luò)安全及T12_Stage2智能監(jiān)控在演化過程中突然出現(xiàn)并延續(xù)，屬于新生主題，反映了現(xiàn)階段對(duì)數(shù)據(jù)安全與智能化應(yīng)用需求的深刻洞察。此外，有少部分技術(shù)主題僅與第一階段某個(gè)主題有關(guān)聯(lián)，如T2_Stage1信號(hào)處理與故障診斷—T7_Stage2智能傳感器，體現(xiàn)了技術(shù)發(fā)展的繼承性和創(chuàng)新性。到了快速發(fā)展期2020—2023年，技術(shù)主題迎來了前所未有的爆炸式增長(zhǎng)，形成一個(gè)錯(cuò)綜復(fù)雜但又高效協(xié)同的技術(shù)生態(tài)系統(tǒng)。主題融合與分化的趨勢(shì)愈發(fā)明顯，如T37_Stage3智能醫(yī)療由T5_Stage2網(wǎng)絡(luò)安全和T18_ Stage2圖像識(shí)別及處理演化而來，這種跨領(lǐng)域的深度融合，使得T37_Stage3智能醫(yī)療能夠在確保數(shù)據(jù)安全的前提下，實(shí)現(xiàn)對(duì)醫(yī)學(xué)影像的精準(zhǔn)分析和診斷。

3.5階段性熱點(diǎn)主題識(shí)別

運(yùn)用前文提出的多維指標(biāo)計(jì)算公式，可以獲取各主題的“主題熱度”“主題新穎度”“主題影響力”測(cè)度指標(biāo)值，將指標(biāo)結(jié)果進(jìn)行最小-最大標(biāo)準(zhǔn)化，利用熵權(quán)法分別計(jì)算每個(gè)指標(biāo)的權(quán)重 w_H 、w_N，w_E ，加權(quán)得到熱點(diǎn)主題識(shí)別的綜合指數(shù)。2009—2014年、2015—2019年、2020—2023年3個(gè)階段的熱點(diǎn)技術(shù)主題識(shí)別結(jié)果如表4-表6所示，本研究將綜合指數(shù)前 30% 的主題界定為熱點(diǎn)技術(shù)主題。

綜合指數(shù)評(píng)估表明，2009—2014年，人工智能領(lǐng)域的熱點(diǎn)技術(shù)主題主要涵蓋了人機(jī)交互、神經(jīng)網(wǎng)絡(luò)、特征提取、控制系統(tǒng)、智能感知與定位。其中，人機(jī)交互技術(shù)關(guān)注于提升機(jī)器理解人類指令及反饋的能力，以實(shí)現(xiàn)更自然、高效的交互體驗(yàn)。神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的核心，其在圖像識(shí)別、語音處理等領(lǐng)域的研究取得了顯著進(jìn)展。特征提取技術(shù)成為提升算法識(shí)別與分類精度的關(guān)鍵，通過有效提取數(shù)據(jù)中的關(guān)鍵信息來優(yōu)化性能。隨著控制系統(tǒng)的成熟，自動(dòng)化和智能化設(shè)備在工業(yè)制造、醫(yī)療健康、居家生活等領(lǐng)域的應(yīng)用愈發(fā)普遍，極大提高了生產(chǎn)效率和生活質(zhì)量。此外，智能感知與定位技術(shù)通過集成GPS、激光雷達(dá)等傳感器和先進(jìn)的算法，為無人駕駛車輛、機(jī)器人導(dǎo)航系統(tǒng)以及增強(qiáng)現(xiàn)實(shí)應(yīng)用提供了精準(zhǔn)的位置信息和環(huán)境感知能力。

2015—2019年，人工智能領(lǐng)域的研究不斷深化與擴(kuò)展催生了新的熱點(diǎn)，包括問答系統(tǒng)、模式識(shí)別、信號(hào)處理、智能機(jī)器人以及智能駕駛。問答系統(tǒng)用于從大量結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)中提取相關(guān)信息，并以簡(jiǎn)潔的方式返回給用戶，在搜索引擎、智能家居、在線教育等場(chǎng)景中應(yīng)用廣泛。模式識(shí)別能夠讓計(jì)算機(jī)通過算法分析和識(shí)別數(shù)據(jù)中的特定模式或規(guī)律，對(duì)于生物特征識(shí)別、醫(yī)療診斷、金融監(jiān)控等領(lǐng)域的發(fā)展起到了積極的推動(dòng)作用。信號(hào)處理涉及對(duì)各種類型的電信號(hào)進(jìn)行提取、變換、分析，旨在獲取有用信息、增強(qiáng)信號(hào)質(zhì)量、消除噪聲、提取特征以及實(shí)現(xiàn)數(shù)據(jù)壓縮等。與此同時(shí)，人工智能領(lǐng)域的相關(guān)技術(shù)與各行業(yè)交叉融合、相互促進(jìn)，產(chǎn)生了很多創(chuàng)新性的應(yīng)用場(chǎng)景，其中，智能機(jī)器人和智能駕駛最具代表性，它們?cè)诠I(yè)自動(dòng)化、家庭服務(wù)等領(lǐng)域展現(xiàn)出巨大的潛力，并在推動(dòng)未來交通系統(tǒng)和城市智能化的2020—2023年，人工智能領(lǐng)域聚焦于以GPT為代表的預(yù)訓(xùn)練大模型，這些模型主要由具有大規(guī)模參數(shù)的深度神經(jīng)網(wǎng)絡(luò)架構(gòu)搭建，通過在海量無標(biāo)注數(shù)據(jù)上進(jìn)行自我監(jiān)督學(xué)習(xí)，從而在理解語言和生成文本等任務(wù)上展現(xiàn)出超越以往模型的性能，因此近年來大模型成為學(xué)界和產(chǎn)業(yè)界共同關(guān)注的熱門技術(shù)主題。在計(jì)算機(jī)視覺領(lǐng)域，圖像深度處理和目標(biāo)檢測(cè)也引起了研究者們的廣泛關(guān)注。2023年，鄒征夏及其團(tuán)隊(duì)在發(fā)表于“ProceedingsoftheIEEE”的綜述文章中指出，深度學(xué)習(xí)推動(dòng)的目標(biāo)檢測(cè)技術(shù)正迎來革命性的快速發(fā)展[43]。此外，智能推薦、生產(chǎn)智能化管理、AI算力優(yōu)化等熱點(diǎn)技術(shù)主題同樣占據(jù)了舉足輕重的地位。例如，智能推薦系統(tǒng)利用用戶行為數(shù)據(jù)與深度學(xué)習(xí)算法，精準(zhǔn)捕捉用戶偏好，為用戶提供個(gè)性化的信息和服務(wù)推薦，極大地豐富了用戶體驗(yàn)并促進(jìn)商業(yè)轉(zhuǎn)化。

4總結(jié)與展望

本研究圍繞人工智能技術(shù)主題演化及熱點(diǎn)識(shí)別這一主題，以incoPat數(shù)據(jù)庫中人工智能領(lǐng)域2009—2023年的專利文獻(xiàn)為分析數(shù)據(jù)源，采用LDA-Word2vec模型對(duì)專利總數(shù)據(jù)集進(jìn)行技術(shù)主題識(shí)別，得到全局的主題強(qiáng)度動(dòng)態(tài)變化過程，再通過余弦相似度對(duì)相鄰時(shí)間窗口的技術(shù)主題進(jìn)行關(guān)聯(lián)，以追蹤主題內(nèi)容的演化趨勢(shì)，最后引入主題熱度、新穎度、影響力等構(gòu)建綜合指標(biāo)體系，結(jié)合熵權(quán)法識(shí)別階段性熱點(diǎn)主題。研究發(fā)現(xiàn)： ① 結(jié)合LDA主題建模能力與Word2vec語義處理能力能夠更加準(zhǔn)確地識(shí)別技術(shù)主題，清晰展示技術(shù)主題的階段演化規(guī)律； ② 人工智能領(lǐng)域的技術(shù)主題可以分為核心算法與技術(shù)基礎(chǔ)、感知與交互技術(shù)、自然語言與語義理解、數(shù)據(jù)處理與安全、智能應(yīng)用與自動(dòng)化5大主題范疇，這些主題的強(qiáng)度演變揭示了研究重點(diǎn)的轉(zhuǎn)移、新興技術(shù)的崛起以及市場(chǎng)需求的波動(dòng)，且主題之間的關(guān)聯(lián)和互動(dòng)日益緊密，共同推動(dòng)該領(lǐng)域的整體發(fā)展； ③ 人工智能領(lǐng)域的熱點(diǎn)技術(shù)主題處于不斷轉(zhuǎn)變和發(fā)展歷程之中，在萌芽期（2009—2014年），熱點(diǎn)主題主要包括人機(jī)交互、神經(jīng)網(wǎng)絡(luò)、特征提取等，進(jìn)人緩慢增長(zhǎng)期（2015—2019年），新增了問答系統(tǒng)、模式識(shí)別、信號(hào)處理等熱點(diǎn)主題，到了快速發(fā)展期（2020—2023年）以GPT為代表的預(yù)訓(xùn)練大模型、圖像深度處理、目標(biāo)檢測(cè)等主題成為新的研究焦點(diǎn)。

本研究仍然存在一定的局限性：一是未將專利數(shù)據(jù)與其他數(shù)據(jù)源相結(jié)合進(jìn)行綜合分析；二是僅選取了文獻(xiàn)的標(biāo)題和摘要部分，未對(duì)全文內(nèi)容進(jìn)行深入挖掘。下一步研究將融合人工智能領(lǐng)域科技論文/新聞/報(bào)告、政策文本和基金項(xiàng)目等多源數(shù)據(jù)，以進(jìn)一步探索人工智能技術(shù)在科研領(lǐng)域和國家政策方面的實(shí)際應(yīng)用情況。

參考文獻(xiàn)：

[1]ES Brunette，RC Flemmer and CL Flemmer.A review of artificial intelligence[C].2O09 4th Interna-tional Conference on Autonomous Robots and Agents，Wellington，New Zealand，2009，385.

[2]Zhang C，Lu Y.Study on artificial intelligence：The state of the art and future prospects[J]. Journal ofIndustrial Information Integration，2021，23：100224.

[3]Zhao S，Blaabjerg F，Wang H.An overview of artificial intelligence applications for power electronics[J].IEEE Transactions on Power Electronics，2020，36（4） ：4633.

[4]Hou Y，Dong Q，Wang D，et al. Introduction to ‘Artificial inteligence in failure analysis of transporta-tion infrastructure and materials’[J].Philosophical Transactions of the Royal Society A，2023，381（2254） ：20220177.

[5]Sahni NR，Carrus B.Artificial intelligence in US health care delivery[J].New England Journal ofMedicine，2023，389（4） ：348.

[6]Tong W，Li GY. Nine challenges in artificial intellgence and wireless communications for 6G[J].IEEE Wireless Communications，2022，29（4） ：140.

[7]周雋如，劉智勇.醫(yī)學(xué)人工智能領(lǐng)域?qū)＠夹g(shù)主題發(fā)展態(tài)勢(shì)研究[J].世界科技研究與發(fā)展，2024，46（4） ：497.

[8]奉國和，孔泳欣.基于時(shí)間加權(quán)關(guān)鍵詞詞頻分析的學(xué)科熱點(diǎn)研究[J].情報(bào)學(xué)報(bào)，2020，39（1）：100.

[9]任佳妮，張薇，楊陽，等.“人工智能+醫(yī)療”新興技術(shù)識(shí)別研究——以醫(yī)療機(jī)器人為例[J].情報(bào)雜志，2021，40（12） ：45.

[10] Wang Q. A bibliometric model for identifying emerging research topics[J]. Journal of the associationforinformation science and technology，2018，69（2） ：290.

[11]高楠，周慶山.基于共被引方法的情報(bào)學(xué)前沿領(lǐng)域識(shí)別與演進(jìn)趨勢(shì)分析[J].現(xiàn)代情報(bào)，2024，44（5） ：3.

[12] Zhang L，Glanzel W，Ye FY.Thedynamic evolution of core documents ：an experimental study basedonh-related literature （2005 - 2013）[J].Scientometrics，2016，106（1） ：369.

[13]Suominen A，Toivanen H，Sepp?nen M.Firms’ knowledge profiles： Mapping patent data with unsu-pervised learning[J]. Technological Forecasting and Social Change，2017，115（3） ：131.

[14]宋凱，朱彥君.專利前沿技術(shù)主題識(shí)別及趨勢(shì)預(yù)測(cè)方法——以人工智能領(lǐng)域?yàn)槔齕J].情報(bào)雜志，2021，40（1） ：33.

[15]Liu Y，Chen M. The knowledge structure and development trend in artificialintellgence based on la-tent feature topic model[J].IEEE Transactions on Engineering Management，2023.

[16]徐宗煌，李小樂，石進(jìn)，等.基于多源異構(gòu)數(shù)據(jù)的關(guān)鍵核心技術(shù)識(shí)別研究——以光刻技術(shù)為例[J].中國科技論壇，2024，40（12）：127.

「17]余江，陳凱華.中國戰(zhàn)略性新興產(chǎn)業(yè)的技術(shù)創(chuàng)新現(xiàn)狀與挑戰(zhàn)——基于專利文獻(xiàn)計(jì)量的角度［J」.不T子子呀九，zU1∠，JU（J）：0o∠.

[18]曾聞，王日芬，周琺宇.產(chǎn)業(yè)領(lǐng)域?qū)＠暾?qǐng)狀態(tài)分布與演化研究——以人工智能領(lǐng)域?yàn)槔齕J].情報(bào)科學(xué)，2020，38（12）：4.

[19]韓震，沈君，曲莎莎.RFID技術(shù)趨勢(shì)及競(jìng)爭(zhēng)態(tài)勢(shì)的專利計(jì)量分析[J].科研管理，2013，34（7）：11.

[20]Huang Y，Zhu D，Qian Y，et al. A hybrid method to trace technology evolution pathways： a casestudy of 3D printing[J]. Scientometrics，2017，111（1） ：185.

[21]張嫻，曾榮強(qiáng)，李姝影，等.基于多元關(guān)系融合的專利技術(shù)演化路徑識(shí)別方法研究[J].圖書情報(bào)工作，2024，68（3）：71.

[22]陳偉，林超然，李金秋，等.基于LDA-HMM的專利技術(shù)主題演化趨勢(shì)分析——以船用柴油機(jī)技術(shù)為例[J].情報(bào)學(xué)報(bào)，2018，37（7）：732.

[23]劉春江，劉自強(qiáng)，方曙.基于SAO的技術(shù)主題創(chuàng)新演化路徑識(shí)別及其可視化研究[J].情報(bào)學(xué)報(bào)，2023，42（2） ：164.

[24]侯艷輝，荊明月，王家坤.基于專利異構(gòu)數(shù)據(jù)融合的技術(shù)演化路徑識(shí)別方法[J].情報(bào)雜志，2024，43（9） ：188.

[25]Blei DM，Ng AY，Jordan MI.Latent dirichlet allocation[J]. Journal of Machine Learning Research，2003，3（1） ： 993.

[26]胡澤文，韓雅蓉，王夢(mèng)雅.基于LDA-Word2vec的圖書情報(bào)領(lǐng)域機(jī)器學(xué)習(xí)研究主題演化與熱點(diǎn)主題識(shí)別[J].現(xiàn)代情報(bào)，2024，44（4）：154.

[27]Mikolov T，Sutskever I，Chen K，et al.Distributed representations of words and phrases and theircompositionality[J]. Advances in neural information processing systems，2O13，26.

[28]周愛霞，嚴(yán)亞蘭，查先進(jìn).基于神經(jīng)網(wǎng)絡(luò)詞嵌入的大數(shù)據(jù)關(guān)注熱點(diǎn)和詞嵌入概貌比較研究［J].現(xiàn)代情報(bào)，2024，44（1）：37.

[29]胡澤文，王夢(mèng)雅，韓雅蓉.基于LDA2Vec-BERT的新興技術(shù)主題多維指標(biāo)識(shí)別與演化分析研究——以顛覆性技術(shù)領(lǐng)域：區(qū)塊鏈為例[J].現(xiàn)代情報(bào)，2024，44（9）：42.

[30]楊恒，王日芬，張露.基于核心專利技術(shù)主題識(shí)別與演化分析的技術(shù)預(yù)測(cè)[J].情報(bào)雜志，2022，41（7） ：49.

[31]李湘東，張嬌，袁滿.基于LDA 模型的科技期刊主題演化研究[J].情報(bào)雜志，2014，33（7）：115.

[32]曾江峰，黃泳潼，陳靜怡，等.面向融合出版技術(shù)的主題演化研究[J].數(shù)字圖書館論壇，2023，19（4） ：9.

[33]武永亮，趙書良，李長(zhǎng)鏡，等.基于TF-IDF和余弦相似度的文本分類方法[J].中文信息學(xué)報(bào)，2017，31（5） ：138.

[34]Zhang Y，Zhang G，Zhu D，et al. Scientific evolutionary pathways： Identifying and visualizing rela-tionships for scientific topics[J].Journal of the Asociation for Information Science and Technology，2017，68（8） ：1925.

[35]邢曉昭，任亮，雷孝平，等.基于專利主題演化的顛覆性技術(shù)識(shí)別研究——以類腦智能領(lǐng)域?yàn)槔齕J].情報(bào)科學(xué)，2023，41（3）：81.

[36]單曉紅，韓晟熙，劉曉燕.基于技術(shù)主題演化的顛覆性技術(shù)識(shí)別研究[J].情報(bào)理論與實(shí)踐，2023，46（8） ：113.

[37]王偉明，徐海燕，張發(fā)明.基于CRITIC-G1和Bonferroni 算子的學(xué)術(shù)期刊綜合評(píng)價(jià)研究[J].情報(bào)理論與實(shí)踐，2020，43（5）：104.

[38]Mann G S，Mimno D，McCallum A. Bibliometric impact measures leveraging topic analysis[C]//Proceedings of the 6th ACM/IEEE-CSjoint conference on Digital libraries.2006：65.

[39]鄭榮，魏明珠，高志豪，等.基于SCAN-CPM的產(chǎn)業(yè)新興技術(shù)識(shí)別與演化路徑分析：以新能源

[40]劉明信，李丹丹，李榮，等.專利視閾下產(chǎn)業(yè)技術(shù)創(chuàng)新合作網(wǎng)絡(luò)演化分析——以腫瘤疫苗為例[J].圖書情報(bào)工作，2022，66（9）：117.

[41]呂鯤，項(xiàng)旻昊，靖繼鵬.基于LDA2Vec和DTM模型的顛覆性技術(shù)主題識(shí)別研究———以能源科技領(lǐng)域?yàn)槔齕J].圖書情報(bào)工作，2023，67（12）：89.

[42]郝保帥.基于知識(shí)圖譜的船舶中文專利推薦技術(shù)研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2022.

[43]ZOU Zhengxia，CHEN Keyan，SHI Zhenwei，et al. Object detection in 2O years： a survey[J]. ProcIEEE，2023，111（3） ：257.

Topic Evolution and Hot Topic Identification of Artificial Intelligence Technology Based on LDA-Word2vec

WANG Xiangqian1， GAO Runfeng'，LI Huizong （ I School of Economics and Management， Anhui University of Science and Technology， Huainan， Anhui 232Ool ； 2 School of Artificial Intelligence and Software Engineering，Nanyang Normal University，Nanyang，Henan 47306l，China）

ABSTRACTIdentifying keytechnologies of artificial intellgence and in-depth research on the development trendof artificial inteligencetechnologycanhelpcountriesandenterprises graspthedevelopmentstateofartificial inteligenceintime.Basedon2O09-2023 patentliteratureinthefieldofartificial intelligence，LDA modeland Word2vec word vectortechnologywere integrated tosystematicallyinvestigatethedynamicevolutionprocessof technical themes fromthe dualdimensionsof theme intensityandcontent.At the same time，the topic popularity，noveltyand influence indicators were constructed to identify the hot topics of artificial intelligence stages.The results showed that ① Combining LDA topic modelingabilityand Wordvec semantic processng abilitycould efectively improve theaccuracyof technicaltopic ecognition，andintutivelypresenttheevolutionlawandcharacteristicsoffine-grainedtechnicaltopicsinthefieldofartificialintelligence; ② The technical topics in the fieldof artificial intelligence were mainly divided into five categories：core algorithmand technical basis，perceptionand interaction technology，natural languageandsemantic understanding，data procesing nd security，intellgent aplicationand automation，and thecorelationand interactionbetween the topics were increasingly close； ③ Through the comprehensive evaluation of the design indicators，we could better identify the hot technical topics in three different stages during 2009-2014，2015-2019 and 2020-2023.

KEY WORDS artificial intelligence；LDA model；topic identification；Word2vec；topic evolution；hot topics

（責(zé)任編輯 王一諾）