预测未来技术知识流动的方法技术

本发明专利技术公开了一种预测未来技术知识流动的方法，包括：步骤1、获取每一个时间段上的授权的专利及其所属的技术分类，以及每个专利的引用专利文献；步骤2、将所述专利间的引用聚合成技术间的流动，构建每一年的技术知识流动TKF网络；步骤3、将所述专利数据通过计算得到每一个时间段内技术领域在扩散能力和吸收能力上的初始特征向量；步骤4、将上述每一个时间段上的技术的初始特征向量输入技术流动预测框架，得到下一个时间段上的技术扩散能力的特征向量与吸收能力的特征向量，并将不同技术的扩散能力与吸收能力进行匹配，得到最终的技术之间的流动趋势。该方法能够高效且准确地实现对未来技术领域之间的交互关系以及发展趋势进行预测。进行预测。进行预测。

【技术实现步骤摘要】
预测未来技术知识流动的方法


[0001]本专利技术涉及大数据分析
，具体地，涉及一种预测未来技术知识流动的方法。

技术介绍

[0002]技术知识流动(Technological Knowledge Flow，简称TKF)是指知识从一个
到另一个
的有向流动，反映了两个不同
间的一种交互。在经济全球化的趋势下，许多高新技术企业面临着严峻的创新压力，为了保持竞争优势，它们必须把握技术发展趋势，与时俱进。在这方面，一种有效的方法是预测未来不同
之间的流动，从而把握技术的发展趋势，建立有效的研究和发展战略。
[0003]TKF分析经常在大规模科学文献中进行，其中专利挖掘起着重要作用。在专利领域，每个专利经常引用已经发表的专利，并且在每个专利申请时，都会根据专利分类系统，分配到一个或多个技术分类代码。以目前最常用的联合专利分类体系(CPC)为例，每个分类编码都可以看作是一种
，并且不同的技术可以通过两种方式连接，一种是CPC分类固有的层级结构，另一种是通过专利引用进行连接。因此，借助CPC分类体系和专利引用，我们可以构造每年的技术知识流动图并且预测未来的技术知识流动趋势。

技术实现思路

[0004]本专利技术的目的是提供一种预测未来技术知识流动的方法，该方法能够高效且准确地实现对未来
之间的交互关系以及发展趋势进行预测。
[0005]为了实现上述目的，本专利技术提供了一种预测未来技术知识流动的方法，所述方法包括：
[0006]步骤1、获取每一个时间段上的授权的专利及其所属的技术分类，以及每个专利的引用专利文献；
[0007]步骤2、将所述专利间的引用聚合成技术间的流动，构建每一年的技术知识流动TKF网络；
[0008]步骤3、将所述专利数据通过计算得到每一个时间段内
在扩散能力和吸收能力上的初始特征向量；
[0009]步骤4、将上述每一个时间段上的技术的初始特征向量输入技术流动预测框架，得到下一个时间段上的技术扩散能力的特征向量与吸收能力的特征向量，并将不同技术的扩散能力与吸收能力进行匹配，得到最终的技术之间的流动趋势。
[0010]优选地，步骤3中的技术扩散能力初始特征向量d包括：
[0011]技术成长率，即过去几年一项技术的授权数量占该技术总授权数量的比例；
[0012]技术扩散量，即一项技术所包含的知识扩散到的其他
的数量；
[0013]技术扩散率，即一项技术的扩散量占所有技术总扩散量的比例。
[0014]优选地，步骤3中的技术吸收能力的初始特征向量a包括：
[0015]技术成长率，即过去几年一项技术的授权数量占该技术总授权数量的比例；
[0016]技术吸收量，即一项技术吸收的知识来自其他
的数量；
[0017]技术吸收率，即一项技术的吸收量占所有技术总吸收量的比例。
[0018]优选地，步骤4包括：
[0019]将每一个时间段上的技术的技术扩散能力初始特征向量d和技术吸收能力的初始特征向量a输入技术流动预测框架的高阶交互模块HOI，计算得到
聚合周围高阶邻居之后的扩散能力特征向量d
o
和吸收能力特征向量a
o
；
[0020]将特征向量d
o
和a
o
输入层级传递模块，通过计算得到包含技术体系特有的层级结构信息的技术扩散能力和吸收能力特征向量；
[0021]将上述每一个时间段的技术扩散能力和吸收能力的特征向量输入技术流动追踪模块，得到下一个时间段内的
的扩散能力和吸收能力的特征向量；
[0022]将所述的未来时间段上的技术的扩散能力和吸收能力进行匹配，得到两个不同
之间的流动概率；
[0023]将得到的概率与真实值输入损失函数中，进行梯度更新。
[0024]优选地，步骤4中的高阶交互模块的计算公式为：
[0025][0026][0027]其中，和表示技术U
i
第k层邻居的扩散和吸收嵌入表示，和分别表示技术U
i
的流出和流入的邻居集合；在聚合K层的高阶邻居特征之后，得到更新后的技术扩散能力表示和吸收能力表示
[0028][0029][0030]其中，α
k
≥0表示第k层邻居的重要性，即第k层邻居对于技术U
i
的影响。
[0031]优选地，步骤4中的层级传递模块包括：
[0032]向上收敛模块，用于将下层节点的信息聚合到上层节点，该模块采用注意力机制来自动学习下层节点的权重以表示不同下层节点的重要性，公式如下所示：
[0033][0034][0035][0036]其中，w
ij
表示下层节点j相对于上层节点i的权重，是转换矩阵，是偏移向量，|g
i
|是上层技术节点g
i
所包含的所有下层技术节点的数量，β
ij
是标准化后的权重，是上层节点i的最终表示；
[0037]向下更新模块，用于将上层节点的信息更新到下层节点计算公式如下：
[0038][0039]其中，是更新后的下层节点表示，是转换矩阵，是偏移向量，σ是激活函数。
[0040]优选地，在步骤4的技术流动追踪模块中，将双向长短时记忆模型BiLSTM用于动态特征的建模，具体公式如下：
[0041]将连续时间段T内的扩散特征d＝[d1，d2，...，d
T
]输入BiLSTM，
[0042][0043][0044][0045]d
t
★
＝h
t
[0046]得到在T+1时间段上的扩散特征
[0047]根据上述技术方案，本专利技术首先提取连续时间段内各个
的初始扩散特征和吸收特征，包括技术的成长率，技术的扩散量和吸收量以及技术的扩散率和吸收率；然后将初始扩散特征与吸收特征输入到预设的技术流动框架中，这些特征依次经过技术的高阶交互模块和层级传递模块，得到每个时间段内技术在扩散方面和吸收方面的特征向量，之后将各个时间段内技术的扩散能力向量和吸收能力向量输入技术流动追踪模块，得到每个
在未来时间段上的扩散能力与吸收能力向量；最终通过将技术的扩散能力和吸收能力进行匹配，得到两个不同
之间的流动概率。充分利用了现有的专利分类体系的层级结构性质，以及技术间的高阶流动，并利用图神经网络的方法，构造了基于专利引用的技术流动网络，并根据技术的动态性特征，预测未来的技术流动方向。本专利技术克服了现有的方法主要依靠专家经验，需要耗费大量人力的不足，以及无法充分利用技术流动的特点以及专利层级结构性质的缺点，可以高效准确的预测未来的技术流动方向。
[0048]本专利技术的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0049]附图是用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测未来技术知识流动的方法，其特征在于，所述方法包括：步骤1、获取每一个时间段上的授权的专利及其所属的技术分类，以及每个专利的引用专利文献；步骤2、将所述专利间的引用聚合成技术间的流动，构建每一年的技术知识流动TKF网络；步骤3、将所述专利数据通过计算得到每一个时间段内技术领域在扩散能力和吸收能力上的初始特征向量；步骤4、将上述每一个时间段上的技术的初始特征向量输入技术流动预测框架，得到下一个时间段上的技术扩散能力的特征向量与吸收能力的特征向量，并将不同技术的扩散能力与吸收能力进行匹配，得到最终的技术之间的流动趋势。2.根据权利要求1所述的预测未来技术知识流动的方法，其特征在于，步骤3中的技术扩散能力初始特征向量d包括：技术成长率，即过去几年一项技术的授权数量占该技术总授权数量的比例；技术扩散量，即一项技术所包含的知识扩散到的其他技术领域的数量；技术扩散率，即一项技术的扩散量占所有技术总扩散量的比例。3.根据权利要求1所述的预测未来技术知识流动的方法，其特征在于，步骤3中的技术吸收能力的初始特征向量a包括：技术成长率，即过去几年一项技术的授权数量占该技术总授权数量的比例；技术吸收量，即一项技术吸收的知识来自其他技术领域的数量；技术吸收率，即一项技术的吸收量占所有技术总吸收量的比例。4.根据权利要求1所述的预测未来技术知识流动的方法，其特征在于，步骤4包括：将每一个时间段上的技术的技术扩散能力初始特征向量d和技术吸收能力的初始特征向量a输入技术流动预测框架的高阶交互模块HOI，计算得到技术领域聚合周围高阶邻居之后的扩散能力特征向量d
o
和吸收能力特征向量a
o
；将特征向量d
o
和a
o
输入层级传递模块，通过计算得到包含技术体系特有的层级结构信息的技术扩散能力和吸收能力特征向量；将上述每一个时间段的技术扩散能力和吸收能力的特征向量输入技术流动追踪模块，得到下一个时间段内的技术领域的扩散能力和吸收能力的特征向量；将所述的未来时间段上的技术的扩散能力和吸收能力进行匹配...

【专利技术属性】
技术研发人员：刘慧杰，陈恩红，刘淇，武晗，张乐，于润龙，刘烨，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：