亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于表示學(xué)習(xí)的專(zhuān)利科學(xué)關(guān)聯(lián)度分析

        2021-08-30 02:15:18孫曉玲陳娜
        科學(xué)與管理 2021年3期
        關(guān)鍵詞:科學(xué)知識(shí)

        孫曉玲 陳娜

        摘要:創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略下,科學(xué)知識(shí)與技術(shù)創(chuàng)新間關(guān)系愈發(fā)的多層面化和高復(fù)雜化。從引用科學(xué)知識(shí)的專(zhuān)利入手,利用表示學(xué)習(xí)從語(yǔ)義層面上分析專(zhuān)利科學(xué)關(guān)聯(lián)關(guān)系,特別是高價(jià)值專(zhuān)利引用何種特征的科學(xué)知識(shí),并比較中美兩國(guó)專(zhuān)利科學(xué)引文主題的異同,從中美兩國(guó)產(chǎn)學(xué)研合作網(wǎng)絡(luò)中關(guān)鍵創(chuàng)新主體的演化情況來(lái)探索引發(fā)該現(xiàn)象的原因。以人工智能領(lǐng)域?yàn)槔?,研究表明,高價(jià)值專(zhuān)利的科學(xué)關(guān)聯(lián)度更高,生物醫(yī)學(xué)領(lǐng)域?qū)Ω邇r(jià)值專(zhuān)利的支撐作用更為明顯;中國(guó)在高價(jià)值專(zhuān)利數(shù)量上處于劣勢(shì),且在智能醫(yī)學(xué)領(lǐng)域及基礎(chǔ)硬件的技術(shù)創(chuàng)新能力較弱,但近年來(lái)在電力領(lǐng)域的優(yōu)勢(shì)越來(lái)越明顯,這離不開(kāi)國(guó)家電網(wǎng)在產(chǎn)學(xué)研合作網(wǎng)絡(luò)的核心位置。此外,值得關(guān)注的是未來(lái)人工智能在地震監(jiān)測(cè)等新興領(lǐng)域的應(yīng)用。

        關(guān)鍵詞:專(zhuān)利科學(xué)關(guān)聯(lián)度;科學(xué)知識(shí);表示學(xué)習(xí);專(zhuān)利價(jià)值

        中圖分類(lèi)號(hào):G350文獻(xiàn)標(biāo)識(shí)碼: ADOI:10.3969/j.issn.1003-8256.2021.03.002

        開(kāi)放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):

        0引言

        在知識(shí)經(jīng)濟(jì)時(shí)代下,全球創(chuàng)新知識(shí)基因加速流動(dòng),也促進(jìn)著科學(xué)知識(shí)和技術(shù)知識(shí)之間相互影響、相互作用,越來(lái)越多的企業(yè)重視和依賴(lài)科學(xué)創(chuàng)新,科學(xué)知識(shí)對(duì)技術(shù)知識(shí)的遺傳產(chǎn)生了一定的促進(jìn)作用[1]、科學(xué)與技術(shù)網(wǎng)絡(luò)間存在著相互影響關(guān)系[2]。因此,強(qiáng)大的基礎(chǔ)科學(xué)研究是建設(shè)世界科技強(qiáng)國(guó)的基石,世界主要發(fā)達(dá)國(guó)家普遍強(qiáng)化基礎(chǔ)研究戰(zhàn)略部署,全球科技競(jìng)爭(zhēng)不斷向基礎(chǔ)研究前移。經(jīng)過(guò)多年的發(fā)展,我國(guó)基礎(chǔ)科學(xué)研究取得長(zhǎng)足進(jìn)步,整體水平顯著提高,支撐技術(shù)成果產(chǎn)出的作用不斷增強(qiáng),基礎(chǔ)研究與技術(shù)創(chuàng)新之間的關(guān)系更加緊密,但與建設(shè)知識(shí)產(chǎn)權(quán)強(qiáng)國(guó)要求相比,我國(guó)基礎(chǔ)科學(xué)研究短板依然突出,基礎(chǔ)研究投入不足、結(jié)構(gòu)不合理、重大原始創(chuàng)新成果缺乏。基于此環(huán)境背景下,探究科學(xué)與技術(shù)間的關(guān)聯(lián)關(guān)系尤為必要,尤其是掌握基礎(chǔ)科學(xué)研究對(duì)技術(shù)創(chuàng)新價(jià)值的影響規(guī)律,增強(qiáng)支撐引領(lǐng)創(chuàng)新驅(qū)動(dòng)發(fā)展的源頭供給能力,以此加快建設(shè)科技強(qiáng)國(guó)的步伐。

        具備哪些特征的科學(xué)知識(shí)與技術(shù)創(chuàng)新聯(lián)系更為緊密?何種領(lǐng)域、何種學(xué)科的科學(xué)知識(shí)更能產(chǎn)生高價(jià)值專(zhuān)利?已有研究沒(méi)有涉及。而我國(guó)專(zhuān)利數(shù)量已領(lǐng)先美國(guó),成為全球?qū)@季肿疃嗟膰?guó)家[3]。要清醒認(rèn)識(shí)到專(zhuān)利數(shù)量的快速增長(zhǎng)與經(jīng)濟(jì)產(chǎn)業(yè)轉(zhuǎn)型、從要素驅(qū)動(dòng)向創(chuàng)新驅(qū)動(dòng)轉(zhuǎn)變的國(guó)情和各類(lèi)激勵(lì)政策有著緊密的聯(lián)系[4]。我國(guó)大量專(zhuān)利申請(qǐng)集中在技術(shù)應(yīng)用方面,缺少重大原創(chuàng)成果,一些關(guān)鍵技術(shù)與美國(guó)等發(fā)達(dá)國(guó)家仍存在差距[5],因此,探究中美兩國(guó)不同等級(jí)價(jià)值專(zhuān)利在引用科學(xué)知識(shí)的差別及產(chǎn)生這種差別核心創(chuàng)新主體的演變情況具有重要意義。

        基于上述問(wèn)題,本文從引用科學(xué)知識(shí)的專(zhuān)利入手,基于文本內(nèi)容表示學(xué)習(xí)方法研究促進(jìn)技術(shù)知識(shí)流動(dòng)的科學(xué)知識(shí)特征,并揭示高價(jià)值專(zhuān)利引用科學(xué)知識(shí)的特征,比較中美兩國(guó)各等級(jí)專(zhuān)利科學(xué)引文主題內(nèi)容的異同以及關(guān)鍵創(chuàng)新主體演化情況對(duì)專(zhuān)利科學(xué)引文主題內(nèi)容不同的影響。

        1相關(guān)研究

        科學(xué)與技術(shù)間的關(guān)系猶如一對(duì)舞者交相呼應(yīng),兩者呈現(xiàn)交叉融合的趨勢(shì)[6]。目前科學(xué)與技術(shù)間關(guān)系的研究已成為科學(xué)計(jì)量學(xué)、情報(bào)學(xué)等領(lǐng)域的熱點(diǎn)研究領(lǐng)域,對(duì)于科學(xué)與技術(shù)關(guān)系研究方法呈現(xiàn)百家爭(zhēng)鳴的情景,主要有科學(xué)技術(shù)哲學(xué)法[7]、模型研究法[8]、基于論文和專(zhuān)利分析的文獻(xiàn)計(jì)量法[9-15]等。

        文獻(xiàn)計(jì)量方法成為研究科學(xué)與技術(shù)關(guān)系的熱點(diǎn)方法,而基于專(zhuān)利的論文引文分析法作為文獻(xiàn)計(jì)量學(xué)研究科學(xué)與技術(shù)關(guān)系常用方法,主要目的是揭示基礎(chǔ)研究對(duì)技術(shù)創(chuàng)新的推動(dòng)作用。專(zhuān)利引用的論文作為非專(zhuān)利引文(Non-Patent References,NPR)的一種類(lèi)型[9],不僅包含申請(qǐng)人引用的科學(xué)論文,還包括審查員審查過(guò)程中加入的科學(xué)文獻(xiàn),分析專(zhuān)利引用的論文常用來(lái)比較不同國(guó)家科學(xué)與技術(shù)間關(guān)系的異同,識(shí)別與科學(xué)知識(shí)關(guān)系較強(qiáng)的技術(shù)領(lǐng)域等[10],如有學(xué)者將論文和專(zhuān)利分別視作科學(xué)研究成果和技術(shù)創(chuàng)新成果的表現(xiàn)形式,采用基于論文和專(zhuān)利分析的文獻(xiàn)計(jì)量方法研究科學(xué)與技術(shù)間的數(shù)量特征[11]和主題內(nèi)容特征[12]。此外,通過(guò)對(duì)專(zhuān)利引用的科學(xué)文獻(xiàn)進(jìn)行深入研究,可發(fā)現(xiàn)科學(xué)與技術(shù)的關(guān)聯(lián)關(guān)系呈現(xiàn)出學(xué)科導(dǎo)向性,生物技術(shù)、制藥和有機(jī)化學(xué)等技術(shù)領(lǐng)域與科學(xué)知識(shí)的關(guān)聯(lián)度更高[13],殷媛媛[14]研究了立體顯示領(lǐng)域的專(zhuān)利引用論文時(shí)滯、科學(xué)關(guān)聯(lián)度、專(zhuān)利引用論文國(guó)家、專(zhuān)利引用論文種類(lèi)等。還有學(xué)者從納米領(lǐng)域?qū)@茖W(xué)引文內(nèi)容角度研究科學(xué)與技術(shù)主題關(guān)聯(lián)度[15],但是,少有學(xué)者研究高價(jià)值專(zhuān)利科學(xué)引文與非高價(jià)值專(zhuān)利科學(xué)引文的主題內(nèi)容及新穎性結(jié)構(gòu)有何異同,是否也具備著學(xué)科導(dǎo)向性?

        何為高價(jià)值專(zhuān)利?Innography專(zhuān)利數(shù)據(jù)庫(kù)結(jié)合多種評(píng)價(jià)指標(biāo)建立數(shù)學(xué)模型評(píng)估專(zhuān)利價(jià)值,并依次將專(zhuān)利劃分為核心專(zhuān)利、重要專(zhuān)利和一般專(zhuān)利,國(guó)內(nèi)外大多數(shù)學(xué)者認(rèn)為核心專(zhuān)利即為高價(jià)值專(zhuān)利[16]。因此,本文依據(jù)大多數(shù)專(zhuān)利數(shù)據(jù)庫(kù)對(duì)專(zhuān)利等級(jí)的劃分,并結(jié)合知識(shí)表示學(xué)習(xí)中的Doc2vec模型將各等級(jí)專(zhuān)利科學(xué)引文的標(biāo)題信息表示為低維稠密實(shí)值向量,在低維空間中計(jì)算各等級(jí)專(zhuān)利的科學(xué)關(guān)聯(lián)度[17]。Doc2vec模型是在經(jīng)典Word2vec模型[18]基礎(chǔ)上進(jìn)行改進(jìn),能從可變長(zhǎng)度的文本(如文檔、段落、句子)中學(xué)習(xí)固定長(zhǎng)度的特征向量表示[19]。

        2研究方法

        本文從引用科學(xué)文獻(xiàn)的專(zhuān)利入手,研究具有何種特征的科學(xué)知識(shí)更易被高價(jià)值專(zhuān)利所引用,中美兩國(guó)專(zhuān)利科學(xué)引文主題內(nèi)容有何異同以及從產(chǎn)學(xué)研合作網(wǎng)絡(luò)演變視角闡釋產(chǎn)生差異的原因,技術(shù)路線(xiàn)見(jiàn)圖1。以人工智能領(lǐng)域?yàn)槔菏紫?,進(jìn)行提取專(zhuān)利及科學(xué)引文標(biāo)題、去詞干化、分詞等數(shù)據(jù)預(yù)處理工作;其次,利用Doc2Vec表示學(xué)習(xí)方法對(duì)專(zhuān)利標(biāo)題和科學(xué)引文標(biāo)題語(yǔ)義信息進(jìn)行向量表示,并基于主題聚類(lèi)算法及向量相似度計(jì)算指標(biāo)挖掘何種主題的科學(xué)知識(shí)更能支撐高質(zhì)量專(zhuān)利的產(chǎn)生;最后,對(duì)比中美兩國(guó)專(zhuān)利的科學(xué)引文主題異同,利用中美兩國(guó)專(zhuān)利的產(chǎn)學(xué)研合作網(wǎng)絡(luò)中關(guān)鍵創(chuàng)新主體的演化情況來(lái)闡釋出現(xiàn)科學(xué)引文主題內(nèi)容不同現(xiàn)象的緣由。

        2.1基于表示學(xué)習(xí)的專(zhuān)利科學(xué)引文內(nèi)容語(yǔ)義表示

        本文采用Doc2vec中的PV-DM模型將專(zhuān)利標(biāo)題及其科學(xué)引文標(biāo)題分別表示為特定維度稠密的語(yǔ)義向量,其表示原理見(jiàn)圖2。首先,從分詞后的標(biāo)題中滑動(dòng)采樣固定長(zhǎng)度的詞,取其中一個(gè)詞(如單詞on)作為預(yù)測(cè)詞,其他的(如單詞the、cat、sat)作為輸入詞,輸入詞被映射為向量,由矩陣W的某一列表示,該標(biāo)題也被映射成唯一標(biāo)識(shí)的向量,并由矩陣D的某一列表示;其次,對(duì)標(biāo)題向量與單詞向量求平均或者累加構(gòu)成一個(gè)新的向量,進(jìn)而使用該向量預(yù)測(cè)此次窗口內(nèi)的預(yù)測(cè)詞,即預(yù)測(cè)句子中的下一個(gè)單詞;最后,迭代上述過(guò)程,滑動(dòng)截取句子中另一小部分詞來(lái)訓(xùn)練,更新矩陣D和W。該模型的優(yōu)點(diǎn)在于訓(xùn)練過(guò)程中標(biāo)題的ID保持不變,扮演著記憶向量的作用,融合了之前訓(xùn)練的每個(gè)詞向量,同一個(gè)標(biāo)題會(huì)有多次訓(xùn)練,更能明確表達(dá)出每個(gè)標(biāo)題的主題。

        3專(zhuān)利科學(xué)關(guān)聯(lián)度的實(shí)證分析

        3.1數(shù)據(jù)來(lái)源與處理

        本文數(shù)據(jù)來(lái)源于incoPat科技創(chuàng)新情報(bào)平臺(tái),該平臺(tái)是一個(gè)涵蓋世界范圍海量專(zhuān)利信息的檢索系統(tǒng)。根據(jù)新興技術(shù)行業(yè)研究公司Venture Scanner對(duì)人工智能的分類(lèi),借鑒張振剛等[21]、趙蓉英等[22]采用的檢索策略,參考中國(guó)《人工智能領(lǐng)域標(biāo)準(zhǔn)化白皮書(shū)2018》,并結(jié)合專(zhuān)家意見(jiàn),最終檢索式為:((TIAB=人工智能OR深度學(xué)習(xí)OR自然語(yǔ)言處理OR語(yǔ)音識(shí)別OR計(jì)算機(jī)視覺(jué)OR遙感控制OR智能機(jī)器人OR視頻識(shí)別OR語(yǔ)音翻譯OR圖像識(shí)別OR機(jī)器學(xué)習(xí))OR(TIAB=("Artificial intelligence*" OR "Depth learning*" OR"Natural language processing*" OR "Speech Recognition*" OR "Computer vision*" OR "Gesture control* " OR "Smart robot*" OR "Video recognition*" OR "Voice translation*" OR "Image Recognition*" OR "Machine learning*")))NOT((IPC-SUBCLASS=("H04M"))OR(IPCSUBCLASS=("A61B"))OR(IPC-SUBCLASS=("G08G"))OR(IPC-SUBCLASS=("G05B"))OR(IPC-SUBCLASS=("G09B"))OR(IPCSUBCLASS=("B60R"))),共檢索到人工智能領(lǐng)域發(fā)明專(zhuān)利總共127246條(檢索時(shí)間為2019年6月8日)。人工智能領(lǐng)域?qū)@?000—2018年間的申請(qǐng)量和公開(kāi)量如圖3所示,本文將其發(fā)展階段分為三個(gè)階段來(lái)研究,分別是:2000—2008、2009—2013、2014—2018。

        IncoPat數(shù)據(jù)庫(kù)依托其自主研發(fā)的專(zhuān)利價(jià)值模型(該模型融合了技術(shù)穩(wěn)定性、技術(shù)先進(jìn)性、保護(hù)范圍層面等20多個(gè)專(zhuān)利分析行業(yè)內(nèi)最常見(jiàn)和重要的技術(shù)指標(biāo))對(duì)專(zhuān)利價(jià)值進(jìn)行計(jì)算,將專(zhuān)利分為1~10分,分?jǐn)?shù)越高代表專(zhuān)利價(jià)值越高,部分評(píng)價(jià)指標(biāo)如圖4所示。

        本文依此將專(zhuān)利分為三個(gè)等級(jí),分別是核心專(zhuān)利(9~10分)、重要專(zhuān)利(4~8分)、一般專(zhuān)利(1~3分)。各等級(jí)專(zhuān)利量如表1所示,一般專(zhuān)利、重要專(zhuān)利、核心專(zhuān)利占總專(zhuān)利量分別為8.73%、60.57%、30.71%,有引證科技文獻(xiàn)的專(zhuān)利占比19.03%,其中核心專(zhuān)利引用的科技文獻(xiàn)比例最高,這是否說(shuō)明核心專(zhuān)利更易引用科技文獻(xiàn)。從中美兩國(guó)專(zhuān)利占比率可看出,中國(guó)專(zhuān)利量高于美國(guó),但核心專(zhuān)利占比率不足美國(guó)的一半。

        從中美兩國(guó)專(zhuān)利價(jià)值度數(shù)量分布情況(圖5),美國(guó)核心專(zhuān)利占美國(guó)專(zhuān)利總量的比例高達(dá)46.6%,其中專(zhuān)利價(jià)值度為10的比例為29%;而中國(guó)專(zhuān)利價(jià)值度為10的占中國(guó)專(zhuān)利總量的比例只有1.8%,僅有美國(guó)的1/ 16左右??梢?jiàn),中國(guó)專(zhuān)利數(shù)量領(lǐng)先美國(guó),但高價(jià)值專(zhuān)利數(shù)量落后于美國(guó)。

        引證科技文獻(xiàn)中包含論文、專(zhuān)利文獻(xiàn)、科技報(bào)告、政府出版物和產(chǎn)品資料等,本文目的是為了研究專(zhuān)利的科學(xué)知識(shí)特征,故利用Python代碼提取會(huì)議論文、期刊論文和學(xué)位論文等科學(xué)引文標(biāo)題。此外,由于論文標(biāo)題中包含不同語(yǔ)言,故本文統(tǒng)一翻譯為中文語(yǔ)料,其處理流程見(jiàn)圖6所示,對(duì)翻譯后的標(biāo)題進(jìn)行詞干化、分詞等數(shù)據(jù)預(yù)處理后導(dǎo)入Doc2vec模型中進(jìn)行句子向量表示。

        3.2基于各等級(jí)價(jià)值的專(zhuān)利科學(xué)關(guān)聯(lián)度分析

        3.2.1各等級(jí)專(zhuān)利科學(xué)主題聚類(lèi)分析

        采用K-means++算法對(duì)各等級(jí)專(zhuān)利標(biāo)題及其科學(xué)引文標(biāo)題進(jìn)行主題聚類(lèi),最終一般專(zhuān)利被劃分為3類(lèi),重要專(zhuān)利和核心專(zhuān)利被劃分為4類(lèi),統(tǒng)計(jì)每個(gè)類(lèi)別頻次排名前五的關(guān)鍵詞(表2)。從表中可見(jiàn)各等級(jí)專(zhuān)利均涉及3類(lèi),分別是視覺(jué)類(lèi)(關(guān)鍵詞有圖像識(shí)別、機(jī)器視覺(jué)等)、語(yǔ)音類(lèi)(關(guān)鍵詞有語(yǔ)音識(shí)別、語(yǔ)音采集等)和自然語(yǔ)言處理類(lèi)(關(guān)鍵詞有機(jī)器翻譯、文本等),但重要專(zhuān)利和核心專(zhuān)利的科學(xué)引文包含蛋白質(zhì)、基因、細(xì)胞、磷酸化等關(guān)鍵詞,說(shuō)明生物醫(yī)學(xué)領(lǐng)域的科學(xué)知識(shí)對(duì)重要專(zhuān)利和核心專(zhuān)利的產(chǎn)生具有一定的促進(jìn)作用,也體現(xiàn)了學(xué)科交叉性對(duì)于技術(shù)創(chuàng)新的促進(jìn)作用。

        3.2.2各等級(jí)專(zhuān)利的科學(xué)關(guān)聯(lián)度分析

        從表2可看出,各等級(jí)專(zhuān)利的主題類(lèi)型與其科學(xué)引文主題類(lèi)型大致對(duì)應(yīng)。計(jì)算各等級(jí)專(zhuān)利的科學(xué)關(guān)聯(lián)度見(jiàn)圖7,重要專(zhuān)利的科學(xué)關(guān)聯(lián)度均值最高,一般專(zhuān)利的相似度均值最低,僅有0.258。從誤差線(xiàn)可看出,重要專(zhuān)利的標(biāo)準(zhǔn)差最高,達(dá)到了0.241,核心專(zhuān)利的科學(xué)關(guān)聯(lián)度均值雖低于重要專(zhuān)利,但其誤差最小。由此可見(jiàn),核心專(zhuān)利和重要專(zhuān)利的科學(xué)關(guān)聯(lián)度較高。

        3.3基于中美兩國(guó)專(zhuān)利的科學(xué)關(guān)聯(lián)度分析

        3.3.1不同等級(jí)價(jià)值專(zhuān)利的科學(xué)引文主題聚類(lèi)分析

        通過(guò)對(duì)中美兩國(guó)各等級(jí)專(zhuān)利引用科學(xué)文獻(xiàn)的主題進(jìn)行聚類(lèi)分析,依據(jù)CH指標(biāo)評(píng)估分類(lèi)效果,KMeans++算法最終將中美兩國(guó)各等級(jí)專(zhuān)利科學(xué)引文分類(lèi)(見(jiàn)表3)。從各等級(jí)專(zhuān)利科學(xué)引文的主題類(lèi)別可看出,首先,除了中國(guó)的一般專(zhuān)利未出現(xiàn)生物醫(yī)學(xué)領(lǐng)域的關(guān)鍵詞,中美兩國(guó)各等級(jí)專(zhuān)利均涉及生物醫(yī)學(xué)、視覺(jué)類(lèi)、語(yǔ)音類(lèi)等熱門(mén)領(lǐng)域關(guān)鍵詞;其次,中國(guó)重要專(zhuān)利和核心專(zhuān)利均出現(xiàn)電力領(lǐng)域的關(guān)鍵詞,人工智能應(yīng)用于電力工程領(lǐng)域值得關(guān)注,此外,中國(guó)的重要專(zhuān)利還出現(xiàn)了巖石細(xì)觀(guān)圖像、表征分析等關(guān)鍵詞,值得留意人工智能在地震檢測(cè)新興產(chǎn)業(yè)領(lǐng)域的應(yīng)用;最后,美國(guó)核心專(zhuān)利涉及傳感器、揚(yáng)聲器、芯片等關(guān)鍵詞,說(shuō)明美國(guó)在基礎(chǔ)硬件方面占據(jù)一定的地位。

        3.3.2基于社會(huì)網(wǎng)絡(luò)分析的專(zhuān)利科學(xué)引文主題不同緣由分析

        研究關(guān)鍵創(chuàng)新主體的革新情況,能夠及時(shí)準(zhǔn)確把握人工智能領(lǐng)域主題走向,對(duì)于科研人員及政府機(jī)構(gòu)制定決策具有一定的參考作用。首先,基于中美兩國(guó)專(zhuān)利申請(qǐng)人的共現(xiàn)關(guān)系構(gòu)建產(chǎn)學(xué)研合作網(wǎng)絡(luò),其中節(jié)點(diǎn)代表申請(qǐng)機(jī)構(gòu),邊是機(jī)構(gòu)間的合作共現(xiàn)關(guān)系,研究產(chǎn)學(xué)研合作網(wǎng)絡(luò)整體演化情況;其次,利用中介中心性[23]指標(biāo)識(shí)別關(guān)鍵創(chuàng)新主體。從整體產(chǎn)學(xué)研合作網(wǎng)絡(luò)看,2000—2008年,處于核心位置前列的均是美國(guó)巨頭企業(yè),如摩托羅拉、IBM等,見(jiàn)圖8。而2009—2013年,國(guó)家電網(wǎng)人工智能領(lǐng)域的專(zhuān)利申請(qǐng)量明顯增多,位于產(chǎn)學(xué)研合作網(wǎng)絡(luò)的中介位置,除此之外,還有美國(guó)的英特爾和日本電氣公司(NEC),見(jiàn)圖9。2014—2018年出現(xiàn)了一個(gè)最大的中心節(jié)點(diǎn)——國(guó)家電網(wǎng),見(jiàn)圖10。因此,對(duì)比中美專(zhuān)利申請(qǐng)人分布情況,可看出2013年以前,美國(guó)的企業(yè)占據(jù)著產(chǎn)學(xué)研合作網(wǎng)絡(luò)的中心位置,而2014—2018年國(guó)家電網(wǎng)人工智能專(zhuān)利數(shù)量可謂突飛猛進(jìn),逐步成為產(chǎn)學(xué)研合作網(wǎng)絡(luò)中的核心節(jié)點(diǎn)。該現(xiàn)象闡明了為何中國(guó)重要專(zhuān)利和核心專(zhuān)利科學(xué)引文主題涉及電力領(lǐng)域的關(guān)鍵詞,即專(zhuān)利科學(xué)引文主題與創(chuàng)新主體具有一定的聯(lián)系。

        4結(jié)論與建議

        專(zhuān)利通過(guò)對(duì)人工智能領(lǐng)域各等級(jí)專(zhuān)利的科學(xué)引文主題及專(zhuān)利科學(xué)關(guān)聯(lián)度進(jìn)行對(duì)比分析,得到以下結(jié)論:首先,各等級(jí)專(zhuān)利主題及科學(xué)引文主題均涉及語(yǔ)音類(lèi)、視覺(jué)類(lèi)和自然語(yǔ)言類(lèi);其次,生物醫(yī)學(xué)領(lǐng)域的科學(xué)知識(shí)更能支撐高價(jià)值專(zhuān)利的產(chǎn)生;最后,核心專(zhuān)利和重點(diǎn)專(zhuān)利的科學(xué)關(guān)聯(lián)度遠(yuǎn)高于一般專(zhuān)利,說(shuō)明核心專(zhuān)利和重點(diǎn)專(zhuān)利引用的科學(xué)文獻(xiàn)更相關(guān)。

        通過(guò)對(duì)中美兩國(guó)人工智能領(lǐng)域?qū)@麛?shù)量、科學(xué)引文主題及關(guān)鍵創(chuàng)新主體的演化情況,得出以下結(jié)論:第一,中國(guó)專(zhuān)利數(shù)量領(lǐng)先美國(guó),但中國(guó)高價(jià)值專(zhuān)利數(shù)量未達(dá)美國(guó)的一半,美國(guó)在高價(jià)值專(zhuān)利方面遙遙領(lǐng)先;第二,除中國(guó)一般專(zhuān)利科學(xué)引文未涉及生物醫(yī)學(xué)領(lǐng)域,中美兩國(guó)專(zhuān)利科學(xué)引文主題均涉及生物醫(yī)學(xué)、語(yǔ)音類(lèi)、視覺(jué)類(lèi);第三,人工智能在電力領(lǐng)域的應(yīng)用逐漸成為我國(guó)的優(yōu)勢(shì),從國(guó)家電網(wǎng)在產(chǎn)學(xué)研合作網(wǎng)絡(luò)中逐漸占據(jù)中介位置亦能看出,但我國(guó)在基礎(chǔ)硬件方面實(shí)力有待加強(qiáng);最后,值得注意人工智能在地震檢測(cè)等新興產(chǎn)業(yè)的應(yīng)用。

        以上結(jié)論顯示,語(yǔ)音識(shí)別、圖像識(shí)別、自然語(yǔ)言處理是各等級(jí)專(zhuān)利的熱點(diǎn)研究領(lǐng)域,生物醫(yī)學(xué)領(lǐng)域的科學(xué)知識(shí)與技術(shù)知識(shí)之間的流動(dòng)性較為頻繁,更能支撐高價(jià)值專(zhuān)利的產(chǎn)生。我國(guó)人工智能雖在電力領(lǐng)域的應(yīng)用處于優(yōu)勢(shì)地位,但在基礎(chǔ)硬件領(lǐng)域還有待提高。未來(lái)工作將在更多領(lǐng)域中研究基礎(chǔ)研究與技術(shù)創(chuàng)新的關(guān)聯(lián)性,為國(guó)家制定相關(guān)科技政策提供決策依據(jù)。

        參考文獻(xiàn):

        [1]孫曉玲,李冰,楊陽(yáng),等.科學(xué)知識(shí)對(duì)技術(shù)知識(shí)遺傳的影響研究——基于多引用代與語(yǔ)義內(nèi)容視角[J].科學(xué)學(xué)與科學(xué)技術(shù)管理, 2019, 40(2): 3-15.

        [2]朱桂龍,李興耀. AI領(lǐng)域基礎(chǔ)科學(xué)網(wǎng)絡(luò)對(duì)技術(shù)創(chuàng)新網(wǎng)絡(luò)影響研究[J].科學(xué)學(xué)研究, 2019, 37(3): 135-143.

        [3]周伯柱, GUPTAA.基于論文和專(zhuān)利分析的人工智能發(fā)展態(tài)勢(shì)研究[J].世界科技研究與發(fā)展, 2019, 41(4): 380-391.

        [4]張涵.?中國(guó)人工智能發(fā)展報(bào)告2018?正式發(fā)布[J].中國(guó)國(guó)情國(guó)力, 2018(8): 80.

        [5]黃辛.?中國(guó)新一代人工智能發(fā)展報(bào)告2019?發(fā)布[N].中國(guó)科學(xué)報(bào),2019-05-30( 007).

        [6]RIP A.Scienceandtechnologyasdancingpartnersin technological development and science in the industrial age[M]. Bakker: Kroes Press, 1992: 231-270.

        [7]郭慧志,郭紅燕,施鳳丹.大腦與手:從工業(yè)革命論科學(xué)與技術(shù)的關(guān)系[J].科學(xué)學(xué)研究, 2007, 25(2): 178-183.

        [8]ZHAO Q, GUAN J . Modeling the dynamic relation between science and technology in nanotechnology [J]. Scientometrics, 2012(2) : 561-579.

        [9]陳凱,徐峰,程如煙.非專(zhuān)利引文分析研究進(jìn)展[J].圖書(shū)情報(bào)工作, 2015, 59(5): 137-144.

        [10]劉小玲,譚宗穎,張超星.國(guó)內(nèi)外"科學(xué)-技術(shù)關(guān)系"研究方法述評(píng)——聚焦文獻(xiàn)計(jì)量方法[J].圖書(shū)情報(bào)工作, 2015, 59(13): 142-148.

        [11] NARINFN.Istechnologybecomingscience?[J]. Scientometrics, 2007, 7(3/6): 369-381.

        [12]孫曉玲,丁堃.基于知識(shí)基因發(fā)現(xiàn)的科學(xué)與技術(shù)關(guān)系研究[J].情報(bào)理論與實(shí)踐, 2017, 40(6): 17, 23-26.

        [13] GUAN J, HE Y. Patent-bibliometric analysis on the Chinese science—technology linkages [J]. Scientometrics, 2007, 72(3): 403-425.

        [14]殷媛媛.基于論文專(zhuān)利引證關(guān)系的科學(xué)技術(shù)互動(dòng)研究——以立體顯示為實(shí)證分析[J].圖書(shū)情報(bào)工作, 2012, 56(16): 65-70, 74.

        [15]張金柱,王玥,胡一鳴.基于專(zhuān)利科學(xué)引文內(nèi)容表示學(xué)習(xí)的科學(xué)技術(shù)主題關(guān)聯(lián)分析研究[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn), 2019, 3(12): 52-60.

        [16]陸萍,柯嵐馨. Innography在學(xué)科核心專(zhuān)利挖掘中的應(yīng)用研究[J].圖書(shū)館工作與研究, 2012(8): 122-125.

        [17]劉知遠(yuǎn),孫茂松,林衍凱,等.知識(shí)表示學(xué)習(xí)研究進(jìn)展[J].計(jì)算機(jī)研究與發(fā)展, 2016, 53(2): 247-261.

        [18] MIKOLOV T , CHEN K , CORRADO G , et al. Efficient Estimation of Word Representations in Vector Space[J]. Computer Science, 2013: 1-12.

        [19] LE Q V, MIKOLOV T. Distributed representations of sentences and documents [C]. // 31st International Conference on Machine Learning, ICML , 2014.

        [20] ARTHUR D , VASSILVITSKII S . K-means++: the advantages of careful seeding[C].// In Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, New Orleans, SIAM, 2007: 1027-1035.

        [21]張振剛,黃潔明,陳一華.基于專(zhuān)利計(jì)量的人工智能技術(shù)前沿識(shí)別及趨勢(shì)分析[J].科技管理研究, 2018, 38(5): 36-42.

        [22]趙蓉英,李新來(lái),李丹陽(yáng).專(zhuān)利引證視角下的核心專(zhuān)利研究——以人工智能領(lǐng)域?yàn)槔齕J].情報(bào)理論與實(shí)踐, 2019, 42(3): 78-84.

        [23] FREEMAN L C.Centrality in social networks conceptual clarification [J]. Social Networks, 1979, 1(3): 215-239.

        Analysis of Patent Science Relevance Based on Representation Learning

        SUN Xiaoling,CHEN Na(Institute of Science of Science and S.&T. Management, Dalian University of Technology , Dalian 116024,China)

        Abstract: Under the innovation-driven development strategy, the relationship between scientific knowledge and technological innovation has become increasingly multi-faceted and highly complex. Starting from patents that cite scientific knowledge, use representation learning to analyze the relationship of patent science from a semantic level, especially the scientific knowledge of which features are cited in high-value patents, and compare the similarities and differences in the subject matter of patent science citations between China and the United States. The evolution of key innovation entities in the domestic university-research cooperation network to explore the reasons for this phenomenon. Taking the field of artificial intelligence as an example, the result has shown that high-value patents are more scientifically related, and the biomedical field has a more obvious supporting role for high-value patents; China is at a disadvantage in the number of high-value patents, and it is in the field of intelligent medicine and the technological innovation capability of basic hardware is relatively weak, but in recent years, the advantages in the power field have become more and more obvious. This is inseparable from the core position of State Grid in the industry-university-research cooperation network. In addition, it is worth paying attention to the application of artificial intelligence in emerging fields such as earthquake monitoring in the future.

        Keywords: patent science relevance;scientific knowledge;representation learning;patent value

        猜你喜歡
        科學(xué)知識(shí)
        中醫(yī)舌象特征客觀(guān)化研究領(lǐng)域科學(xué)知識(shí)圖譜與可視化分析
        蝸??囱泪t(yī)
        基于科學(xué)知識(shí)圖譜的中醫(yī)藥防治急性病毒性呼吸道傳染病進(jìn)展的可視化研究
        基于科學(xué)知識(shí)圖譜的滑雪運(yùn)動(dòng)研究可視化分析
        2000-2017國(guó)外關(guān)系從句研究動(dòng)態(tài)的科學(xué)知識(shí)圖譜分析
        論高校英語(yǔ)教師科學(xué)素養(yǎng)的培養(yǎng)
        例談學(xué)生言語(yǔ)想象力的養(yǎng)護(hù)
        淺談衛(wèi)生科教片的拍攝風(fēng)格
        戲劇之家(2017年6期)2017-05-04 13:23:05
        社會(huì)化知識(shí)及其客觀(guān)性探析——兼議朗基諾的科學(xué)知識(shí)觀(guān)
        飲料瓶中的云
        邻居少妇张开腿让我爽视频| 欧美日韩中文国产一区| 欧美日韩视频在线第一区 | 久久久久无码精品亚洲日韩| www.av在线.com| 国产在线一区二区三区四区乱码 | av在线不卡一区二区三区| 日本道免费一区二区三区日韩精品| 狠狠色丁香婷婷综合潮喷| 纯爱无遮挡h肉动漫在线播放| 色伊人国产高清在线| 色噜噜色哟哟一区二区三区| www婷婷av久久久影片| 国产av无码专区亚洲av琪琪| 国产精在线| 被驯服人妻中文字幕日本| 国产自拍在线视频91| 亚洲va无码va在线va天堂| 天天爽夜夜爽人人爽曰喷水| 国产一区二区三区资源在线观看| 国产在线视频91九色| 免费看美女被靠的网站| 日韩免费小视频| 亚洲国产精品成人一区二区三区 | 亚洲AV无码国产精品色午夜软件| 国产成人精品一区二区不卡| 欧美丰满熟妇bbb久久久| 韩国三级中文字幕hd久久精品| 人妻丰满熟妇av一区二区 | 人妻少妇被粗大爽视频| 九色综合九色综合色鬼| 婷婷四房播播| 国产精品自产拍在线观看中文| 不卡av一区二区在线| 日韩av高清在线观看| 欧美老妇与禽交| 青青草原亚洲在线视频| 日本视频二区在线观看| 日韩人妻无码免费视频一区二区三区 | 免费无码专区毛片高潮喷水| 国产精品美女久久久久久久久|