基于潜在高被引论文与高价值专利的创新前沿识别研究

doi:10.13266/j.issn.0252-3116.2022.18.007

图书情报工作 ›› 2022, Vol. 66 ›› Issue (18): 72-83.DOI: 10.13266/j.issn.0252-3116.2022.18.007

基于潜在高被引论文与高价值专利的创新前沿识别研究

张彪, 吴红, 高道斌, 林艳秋

山东理工大学信息管理研究院淄博 255049

收稿日期:2022-04-25 修回日期:2022-08-17 出版日期:2022-09-20 发布日期:2022-09-29
通讯作者: 吴红,教授,硕士生导师,通信作者,E-mail:wuhong0256@163.com
作者简介:张彪,硕士研究生;高道斌,硕士研究生;林艳秋,硕士研究生。
基金资助:
本文系国家社会科学基金项目"高校图书馆深度嵌入专利运营研究"(项目编号:16BTQ029)研究成果之一。

Research on Identification of Innovation Fronts Based on Potentially High Cited Papers and High Value Patents

Zhang Biao, Wu Hong, Gao Daobin, Lin Yanqiu

Institute of Information Management, Shandong University of Technology, Zibo 255049

Received:2022-04-25 Revised:2022-08-17 Online:2022-09-20 Published:2022-09-29

摘要/Abstract

摘要： [目的/意义]精准识别创新前沿有利于国家、政府、企业对创新战略进行前瞻性部署,对于抢占技术先机、赢取竞争优势具有积极意义。[方法/过程]首先构建机器学习模型,通过预测近期发表的论文被高度引用的概率识别潜在高被引论文,同时基于技术新颖性、技术独特性、技术重要性 3个维度,构建一套评价技术创新水平高低的指标体系来筛选高价值专利;然后采用 LDA主题模型分别对潜在高被引论文和高价值专利进行聚类分析,识别科学创新前沿、技术创新前沿、科技创新前沿;最后根据创建的科学价值、技术价值指标,结合主题强度构建创新前沿地图,量化解读创新前沿之间的发展水平及价值差异。[结果/结论]以智能驾驶汽车领域进行实证研究表明,该方法可以有效识别创新前沿,并能够展现创新前沿之间的科学价值、技术价值、主题强度差异,能够为国家、企业的技术布局、策略制定提供参考。

关键词: 潜在高被引论文, 高价值专利, 创新前沿, 机器学习, 文本主题聚类

Abstract: [Purpose/Significance]Accurately identifying the innovation fronts is conducive to the forward-looking deployment of innovation strategies by the state,the government and enterprises,and is of positive significance for seizing technological opportunities and winning competitive advantages.[Method/Process]Firstly,build a machine learning model to predict the probability that recently published papers are highly cited and identify potential highly cited papers.At the same time,build a set of index system to evaluate the level of technology innovation and screen high value patents based on the three dimensions of technological novelty,technological uniqueness and technological importance.Then,LDA theme model was used to cluster the potentially highly cited papers and high-value patents respectively,so as to identify scientific innovation fronts,technological innovation fronts and scientific-technological innovation fronts.Finally,according to the created scientific value and technical value index,combined with the theme intensity,build a map of the innovation fronts,and quantitatively interpret the development level and value differences between the innovation fronts.[Result/Conclusion]The empirical research based on intelligent driving vehicle data shows that this method can effectively identify the innovation fronts,show the scientific value,technical value and theme intensity differences between the innovation fronts,and provide references for the technical layout and strategy formulation of countries and enterprises.

Key words: potentially highly cited paper, high value patent, innovation front, machine learning, text topic clustering

中图分类号:

G250

张彪, 吴红, 高道斌, 林艳秋. 基于潜在高被引论文与高价值专利的创新前沿识别研究[J]. 图书情报工作, 2022, 66(18): 72-83.

Zhang Biao, Wu Hong, Gao Daobin, Lin Yanqiu. Research on Identification of Innovation Fronts Based on Potentially High Cited Papers and High Value Patents[J]. Library and Information Service, 2022, 66(18): 72-83.

参考文献

[1] JIBU M.Mapping of scientific patenting:toward the development of'J-GLOBAL foresight'[J].Technology analysis&strategic management,2014,26(4):485-498.
[2] 熊彼特.经济发展理论[M].邹建平,译.北京:中国画报出版社,2012.
[3] 吴金希."创新"概念内涵的再思考及其启示[J].学习与探索,2015,37(4):123-127.
[4] PRICE D.Networks of scientific papers[J].Science,1965,149(3683):510-515.
[5] CHEN C. CiteSpace II:detecting and visualizing emerging trends and transient patterns in scientific literature[J]. Journal of the American Society for Information Science and Technology, 2006, 57(3):359-377.
[6] 杜建,孙轶楠,李永洁,等.从科学-技术交叉处识别创新前沿:方法与实证[J].情报理论与实践,2019,42(1):94-99.
[7] 张雪,张志强,曹玲静,等.学科领域研究前沿识别方法研究进展[J].图书情报工作,2022, 66(12):139-151.
[8] 罗瑞,许海云,董坤.领域前沿识别方法综述[J].图书情报工作,2018,62(23):119-131.
[9] 赖茂生,王琳,李宇宁.情报学前沿领域的调查与分析[J].图书情报工作,2008,52(3):6-10.
[10] GARFIELD E. Citation indexes in sociological and historical research[J]. American documentation, 1963, 14(4):289-291.
[11] SHIBATA N, KAJIKAWA Y, TAKEDA Y, et al. Detecting emerging research fronts based on topological measures in citation networks of scientific publications[J]. Technovation, 2008, 28(11):758-775.
[12] SMALL H, GRIFFITH B C. The structure of scientific literatures I:identifying and graphing specialties[J]. Science studies, 1974, 4(1):17-40.
[13] GLÄNZEL W, CZERWON H. A new methodological approach to bibliographic coupling and its application to the national, regional and institutional level[J]. Scientometrics, 1996, 37(2):195-221.
[14] CALLON M, COURTIAL J P, TURNER W A, et al. From translations to problematic networks:an introduction to co-word analysis[J]. Social science information, 1983, 22(2):191-235.
[15] 黄晓斌,吴高.学科领域研究前沿探测方法研究述评[J].情报学报,2019,38(8):872-880.
[16] 白如江,刘博文,冷伏海.基于多维指标的未来新兴科学研究前沿识别研究[J].情报学报,2020,39(7):747-760.
[17] 王菲菲,刘明.Altmetrics视角下的交叉学科研究前沿探测——以医学信息学领域为例[J].情报学报,2020,39(10):1011-1020.
[18] SMALL H, BOYACK K W, KLAVANS R. Identifying emerging topics in science and technology[J]. Research policy, 2014, 43(8):1450-1467.
[19] 纳尔逊.牛津创新手册[M].北京:知识产权出版社, 2009.
[20] SCHNEIDER J W, COSTAS R. Identifying potential "breakthrough" publications using refined citation analyses:three related explorative approaches[J]. Journal of the Association for Information Science and Technology, 2017, 68(3):709-723.
[21] SCHERER F M,HARHOFF D.Technology policy for a world of skew-distributed outcomes[J].Research policy,2000,29(4/5):559-566.
[22] 莫富传,娄策群.高被引论文应用于研究热点识别的理论依据与路径探索[J].情报理论与实践,2019,42(4):59-63,35.
[23] 孔玲,王效岳,于纯良,等.学术论文离被引有多远——基于影响因素与预测方法的文献述评[J].情报资料工作,2019,40(6):63-72.
[24] DAHLIN K B,BEHRENS D M.When is an invention really radical?Defining and measuring technological radicalness[J].Research policy,2005,34(5):717-737.
[25] 罗家豪,孙巍.基于专利价值的技术成熟度测度与分析方法研究[J].数字图书馆论坛,2022,18(1):17-25.
[26] 马荣康,王艺棠.基于专利相似度的突破性技术发明识别研究——以纳米技术为例[J].科研管理,2021,42(5):153-160.
[27] BREITZMAN A, THOMAS P. Inventor team size as a predictor of the future citation impact of patents[J]. Scientometrics, 2015, 103(2):631-647.
[28] 张彪,吴红,高道斌,等.基于特征融合的高校可转移专利识别研究[J/OL].情报杂志[2022-09-07].http://kns.cnki.net/kcms/detail/61.1167.G3.20220726.1042.002.html.
[29] MARCO A C,SARNOFF J D,CHARLES A W.Patent claims and patentscope[J].Research policy,2019,48(9):103790.
[30] 邱洪华,陆潘冰.基于专利价值影响因素评价的企业专利技术管理策略研究[J].图书情报工作,2016,60(6):77-83.
[31] MIMNO D,WALLACH H,TALLEY E,et al.Optimizing semantic coherence in topic models[C]//Proceedings of the 2011 conference on empirical methods in natural language processing. Edinburgh:Association for Computational Linguistics, 2011:262-272.
[32] JI Y,ZHU X,ZHAO T,et al.Revealing technology innovation, competition and cooperation of self-driving vehicles from patent perspective[J].IEEE Access,2020,8(99):221191-221202.
[33] LI Y,ZHOU Y,MA X,et al.Forecasting the development of self-driving technology in China by multidimensional information[J].Journal of advanced transportation,2021,2021:1693459-1693471.
[34] 吴菲菲,童奕铭,黄鲁成.嵌入社会感知的技术热点主题识别与发展态势分析——基于微信公众平台视域[J].现代情报,2020,40(3):47-57.
[35] 头豹研究院.2021年中国线控系统系列报告:探讨转向控制系统在自动驾驶中的重要性[EB/OL].[2021-05-01].https://pdf.dfcfw.com/pdf/H3_AP202105271494264468_1.pdf?1622129819000.pdf.
[36] 来飞,黄超群,胡博.智能汽车自动驾驶技术的发展与挑战[J].西南大学学报(自然科学版),2019,41(8):124-133.
[37] 中国智能网联汽车产业创新联盟.智能汽车人机交互现状及发展趋势研究报告[EB/OL].[2022-09-07].http://img.sae-china.org/web/2019/03/[003研报]201803智能汽车人机交互现状及发展趋势研究探析.pdf.
[38] 崔明阳,黄荷叶,许庆,等.智能网联汽车架构、功能与应用关键技术[J].清华大学学报(自然科学版),2022,62(3):493-508.
[39] 周云泽,闵超.基于LDA模型与共享语义空间的新兴技术识别——以自动驾驶汽车为例[J].数据分析与知识发现,2022,6(Z1):55-66.
[40] 唐恒,邱悦文.多源信息视角下的多指标新兴技术主题识别研究——以智能网联汽车领域为例[J].情报杂志,2021,40(3):81-88.

基于潜在高被引论文与高价值专利的创新前沿识别研究

Research on Identification of Innovation Fronts Based on Potentially High Cited Papers and High Value Patents

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	孙震, 冷伏海. 一种基于知识元变异的ESI研究前沿知识演进分析方法[J]. 图书情报工作, 2022, 66(2): 136-148.
[2]	陆颖颖, 孙裕彤, 张瑶, 李旭光. 人工智能、机器学习、自动化和机器人技术对信息行业的影响——2021年CILIP专题研讨会综述与启示[J]. 图书情报工作, 2022, 66(19): 143-152.
[3]	严炜炜, 黄为, 温馨. 学术社交网络问答质量智能评价与服务优化研究[J]. 图书情报工作, 2021, 65(6): 129-137.
[4]	郭诗琪, 贠强, 陈亮, 周杰. 专利无效对比文件判定方法研究[J]. 图书情报工作, 2021, 65(2): 117-125.
[5]	谢豪, 吴雪华, 陈茜, 唐晶, 白云, 毛进. 融合多维特征的学术文献下载行为预测研究[J]. 图书情报工作, 2021, 65(12): 112-121.
[6]	潘梦雅, 沈旺, 代旺, 刘嘉宇. 社会化问答社区答题者发现研究[J]. 图书情报工作, 2020, 64(18): 76-88.
[7]	邱科达, 马建玲. 机器学习在术语抽取研究中的文献计量分析[J]. 图书情报工作, 2020, 64(14): 94-103.
[8]	徐璐, 卢小宾, 杨冠灿. 金融科技专利识别与分类方法构建及应用[J]. 图书情报工作, 2020, 64(11): 87-95.
[9]	余传明, 原赛, 王峰, 安璐. 大数据环境下文本情感分析算法的规模适配研究:以Twitter为数据源[J]. 图书情报工作, 2019, 63(4): 101-111.
[10]	张云中, 秦艺源. 社会化标注系统标签质量影响因素研究:基于随机森林算法[J]. 图书情报工作, 2019, 63(24): 119-126.
[11]	尹丽春, 王悦. 基于在线评论的图书消费者满意度影响因素与作用机理[J]. 图书情报工作, 2019, 63(22): 106-117.
[12]	钱力, 张晓林, 王茜. 科技论文的研究设计指纹自动识别方法构建与实现[J]. 图书情报工作, 2018, 62(2): 135-143.
[13]	王伟, 冀宇强, 王洪伟, 郑丽娟. 中文问答社区答案质量的评价研究:以知乎为例[J]. 图书情报工作, 2017, 61(22): 36-44.
[14]	姜雯, 许鑫, 武高峰. 附加情感特征的在线问答社区信息质量自动化评价[J]. 图书情报工作, 2015, 59(4): 100-105.
[15]	沈敏, 杨新涯, 王楷. 基于机器学习的高校图书馆用户偏好检索系统研究[J]. 图书情报工作, 2015, 59(11): 143-148.