数智赋能技术挖掘将大数据、人工智能、深度学习、自然语言处理等一系列“数智技术”拓展、应用和改进到技术挖掘中，提高多种技术挖掘任务的准确性、可解释性和多样性，创新技术挖掘的研究理论和方法，支撑需求驱动的管理决策向数智驱动的管理决策转变。目前，技术挖掘的方法和技术已经取得一定进展，但仍存在一些问题需要通过数智赋能形成新理论与新方法来解决，以提升技术挖掘的效果，使技术挖掘更加准确，更能适应时代需求，更好地提供决策支持服务。这些问题主要包括：对文本信息利用不够全面，不能从细粒度的角度挖掘文本中知识单元及知识间的语义关联；挖掘方法准确性尚需提高，需要结合人工来分析，自动化程度不够，分析效率还需提升；使用的数据源及方法分析维度较为单一，尚未将多源数据与多种方法结合以进行全面分析。因此，如何将数智赋能新理论和方法与传统技术挖掘方法相结合，形成新的研究视角、研究方法及研究框架，从不同层面深度挖掘潜在知识，从而促进技术创新，辅助管理决策，是当前研究亟待解决的重要问题。基于此，本书引入多种数智技术赋能技术挖掘，形成一系列新理论和新方法，从技术主题演化路径识别、技术主题演化语义关联发现、技术融合关系预测、技术融合价值评估和新兴技术识别等方面开展系列研究，主要包括以下内容。①实体语义表示技术挖掘：数智赋能下的技术主题演化路径识别（第3 章）。数智赋能下，知识单元抽取和表示已经从词汇粒度转向更具体的实体粒度，从浅层语义表示转向深层语义表示。首先，该部分总结“实体语义表示”赋能技术主题演化路径识别的理论、方法和技术。其次，综述研究基础，发现实体语义表示能更准确地识别技术主题演化路径，其结果更具可解释性。最后，设计BiLSTM-CRF 模型抽取专利技术实体，提出基于专利实体语义表示的主题演化路径识别方法，合并表示形式不同但语义相同的实体，识别主题之间的消亡、新生、合并、分化和发展等主题演化关系，并在无人机领域进行实证和可视化分析。数智技术“实体语义表示”赋能技术主题演化路径识别，能够更准确地识别技术主题演化路径，使结果更具可解释性，有利于管理人员和科研工作者准确掌握技术更迭演进过程，做出科学决策。②实体关系抽取技术挖掘：数智赋能下的技术主题演化语义关联发现（第4 章）。数智赋能下，知识关联发现逐渐从词汇外层配对转向词义内层匹配，从比较笼统的共现关系分析转向更加具体微观的细粒度语义关联发现。首先，该部分总结“实体关系抽取”赋能技术主题演化语义关联发现的理论、方法和技术。其次，综述研究基础，发现实体关系抽取能更细粒度地发现技术主题之间的语义关联，更利于解释演化发生的成因。最后，设计实体关系抽取方法，研究主题演化语义关系判别指标，提出基于实体关系抽取的技术主题演化语义关联发现方法，并在无人机领域进行可视化分析，对演化成因进行解读。数智技术“实体关系抽取”赋能技术主题演化语义关联发现，深化了主题演化路径研究，有助于发掘技术演化成因，有利于把握技术演化规律和发展态势，选准优势发展方向。③复杂网络技术挖掘：数智赋能下的技术融合关系预测（第5 章）。数智赋能下，复杂网络能有效融合网络结构与文本内容，使技术融合关系预测更加全面准确。首先，该部分总结“复杂网络”赋能技术融合关系预测的理论、方法和技术。其次，综述研究基础，发现复杂网络有利于计算专利分类间的关联强度，据此能够将专利文本内容更精确地分配给对应的专利分类，实现更准确的技术融合关系预测。最后，融合多种网络结构和文本特征，形成多种相似性指标，提出基于复杂网络的技术融合关系预测方法，并在物联网领域进行了实证分析。数智技术“复杂网络”赋能技术融合关系预测，能更准确、更全面地预测技术融合可能发生的领域、方向和主题，并使结果更具可解释性，有利于科研管理人员把握科研领域前沿动态。④机器学习技术挖掘：数智赋能下的技术融合价值评估（第6 章）。技术融合价值评估逐渐从定性评估转向流程化、规范化的智能化定量评估。首先，该部分总结“机器学习”赋能技术融合价值评估的理论、方法和技术。其次，综述研究基础，发现机器学习能够融合多种指标，不仅能够判断哪些技术融合具有价值，还能定量评估价值是多少。最后，构建技术知识流动网络，设计影响力和成长潜力等指标，提出基于机器学习的技术融合价值评估方法，并在物联网领域定量评估技术融合价值，对结果进行分析解释。数智技术“机器学习”赋能技术融合价值评估，能够从多角度出发，综合、定量地对技术融合价值进行计算，有利于行业研究者综合考量技术融合的经济价值与技术价值，准确把握研发重点。⑤深度学习多源数据技术挖掘：数智赋能下的新兴技术识别（第7章）。数智赋能下，深度学习能够有效融合多源异构数据并进行深层次语义表示，使得新兴技术识别和预测更加全面准确。首先，该部分总结“深度学习”赋能新兴技术识别的理论、方法和技术。其次，综述研究基础，发现对不同来源、不同类型的数据资源进行融合分析，能更全面地揭示新兴技术的发展现状及趋势，提高新兴技术识别效果。最后，综合利用论文、专利和行业报告等多源数据，引入和改进LSTM 深度学习模型预测相关技术的新兴分数，提出基于深度学习的新兴技术识别方法，并在人工智能领域进行实证，揭示不同数据源的影响，分析和解释识别结果。数智技术“深度学习”赋能新兴技术识别，综合考虑多源异构数据，自动学习特征间复杂非线性关联，形成新兴技术识别方法，能够更准确、更高效地识别新兴技术方向，支撑科研布局。
鄂公网安备 42010302001612号 