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家在1956 年的達特茅斯會議中提出[1]，此舉標志著人工智能學科的誕生。作為一門致力于模擬、拓展和增強人類智能的新興技術科學[2]，人工智能在電力電子、交通運輸、醫(yī)療健康、電信等[3-6]領域展現(xiàn)出廣泛的應用前景。近年來，全球各科技大國競相推出人工智能相關政策，以期在新一輪國際科技博弈中占據(jù)主導地位。歐盟的“數(shù)字歐洲計劃”、美國的“國家人工智能研發(fā)戰(zhàn)略計劃”等將人工智能上升為國家層面的戰(zhàn)略重點。我國也高度重視并積極推進人工智能的發(fā)展，2017年國務院發(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)略機遇，加快建設創(chuàng)新型國家和世界科技強國。此后，制定《國家人工智能產(chǎn)業(yè)綜合標準化體系建設指南》、《智能安全治理框架》等一系列實施方案和行動計劃，從政策引導、技術創(chuàng)新、產(chǎn)業(yè)培育、安全保障等多個方面，為人工智能的健康可持續(xù)發(fā)展提供了有力支撐。

專利文獻作為承載知識和技術創(chuàng)新成果的重要媒介，具有極高的技術及經(jīng)濟價值，是技術挖掘的理想數(shù)據(jù)來源[。對特定領域海量專利文獻進行主題分析，能夠全面系統(tǒng)地揭示專利數(shù)據(jù)背后的技術態(tài)勢和競爭信息。基于此，本文開展面向人工智能領域的專利文獻主題演化與熱點主題識別研究，從主題強度和內(nèi)容兩個維度進行技術主題演化分析，并引人多維指標識別出階段性的熱點技術主題。本研究旨在協(xié)助研究人員更好地了解人工智能領域的技術發(fā)展脈絡與未來趨勢，及時把握研究方向，同時為技術創(chuàng)新與決策提供一定的參考借鑒。

1文獻綜述

1.1技術主題識別

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

1.2技術演化分析

針對技術演化分析問題已有大量相關研究，傳統(tǒng)的定性分析方法主要基于專家經(jīng)驗和知識，通過分析代表性專利來闡釋技術發(fā)展的模式和趨勢[]，該方法往往受限于個人主觀判斷和信息獲取的全面性。為減少對專家判斷的依賴，學者嘗試采用專利的分類屬性（如IPC 分類號[18]、德溫特手工代碼[19]等）探究領域?qū)＠难葑儦v程，然而，這類方法分析維度較為寬泛，勢必會對技術演化分析的精確性造成影響。為改善這一不足，有學者利用引用關系和共現(xiàn)網(wǎng)絡追蹤領域技術的發(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打印領域的技術演變過程。張嫻等[21]通過整合專利引用網(wǎng)絡中的引用連接、引用動機、主題關聯(lián)三種關系，提出一種融合多元關系的主路徑識別方法，識別出石墨烯傳感技術領域的演化路徑。由于專利引用會產(chǎn)生時滯，因此無法保證技術演化趨勢分析的及時性。相較于IPC分類號和引用網(wǎng)絡，基于文本內(nèi)容的技術演化分析在很大程度上提升了分析的細粒度和深度，且不存在時滯性問題。例如，陳偉等[22]在LDA 模型識別技術主題的基礎上，利用隱馬爾可夫模型（HMM）定量預測技術主題演化趨勢。劉春江等[23]對專利文獻進行SAO（subject-action-object）三元組抽取，結(jié)合LDA模型構(gòu)建技術主題創(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算法和相似度實現(xiàn)技術主題語義演化分析。

綜上所述，技術領域的主題識別及演化研究已取得一定進展，但仍存在進一步研究空間。在技術主題提取方面，學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)果的準確度及效率。在技術演化分析方面，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，為準確識別領域中的技術主題及發(fā)展趨勢，本研究在關鍵詞綜合提取的基礎上，通過融合LDA主題模型和Word2vec詞向量模型，對人工智能領域技術主題的周期性演變進行量化研究，并構(gòu)建主題熱度、新穎度、影響力等指標，識別人工智能階段性的熱點技術主題。

2研究設計與方法

2.1研究設計

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

2.2主題識別及向量化

2.2.1基于LDA的主題識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 和每個主題下詞匯分布 φ 的狄利克雷先驗參數(shù)， z_m n 表示第 ?_m 篇文檔中第 n 個詞匯的主題編號， w_?m n 表示第 ?_m 篇文檔的第 n 個詞匯。LDA的生成過程主要如下： ① 針對每篇文檔 ，依據(jù) θ_m ＼～Dirichlet （α） ，獲得文檔 m 在主題上的分布 θ_m ;② 針對每個主題 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 針對文檔 m 中的詞匯 ，分別依據(jù)多項式分布 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)絡捕捉鄰近詞匯的語義特征，進而將詞匯映射為低維空間中富含語義信息的密集實值向量。該模型分為兩種訓練架構(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，中心詞用于預測前后區(qū)間詞的概率；CBOW模型與之恰好相反，是在學習詞語 w（t） 前后語序 、 1）、 、 w（t+2） 的前提下，對 w（t） 的語義關系進行預測[29]。本研究采用 Skip-Gram 模型的訓練方式，結(jié)合LDA生成的主題-詞分布實現(xiàn)文本語義信息提取及向量化，為后續(xù)主題內(nèi)容演化夯實基礎。

具體而言，針對一個專利文檔集 D ，采用Skip-Gram模型對其進行訓練，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 個非重復詞匯來表現(xiàn)，以每個詞對應的概率值作為權(quán)重，對每個主題下 γ 維非重復詞向量進行加權(quán)處理，即可得到統(tǒng)一向量空間中各主題的向量 ，計算方法如式（2）所示。

式（2）中， 為 χ_t 時間窗口下第 χ_i 個主題的向量表示， s 為該主題下概率排名前 s 的詞語數(shù)， ）代表詞語對應的概率值，v（term_{t，i，j}） 代表該詞語對應的詞向量。

2.3技術主題演化分析

主題演化趨勢分析旨在探究主題隨時間變化的動態(tài)過程、進展及其差異性。本研究從強度和內(nèi)容兩個方面進行技術主題演化分析。2.3.1主題強度演化技術主題強度通常衡量技術領域的關注度和研究活躍度，在特定時間段內(nèi)，相關技術主題強度越顯著，則表明在該時間段內(nèi)對這些技術的研究興趣越高，相應的專利申請數(shù)量也會隨之上升[30]。其計算公式[31]如下：

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

2.3.2主題內(nèi)容演化技術主題內(nèi)容演化主要描繪主題內(nèi)容隨著時間推移變化的脈絡與趨勢[32]，為了直觀地揭示人工智能領域技術主題演化趨勢，本研究以前文得到的主題向量為基礎，利用余弦相似度算法[33]對相鄰時間段上的技術主題進行關聯(lián)，余弦相似度通過計算兩個向量夾角的余弦值來表征主題相關性，目前應用較為廣泛。其計算公式如式（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，表明兩個文本在內(nèi)容上越相似。

判斷主題之間是否具有演化關系需要根據(jù)實際情況設置閾值，主題相似度高于閾值則被視為存在演化關系。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演化狀態(tài)的判定依據(jù)。

2.4熱點技術主題識別

本研究通過主題熱度、主題新穎度、主題影響力3個特征指標，來進行生命周期各階段熱點技術主題的甄別、評估和分析。為客觀衡量各指標的權(quán)重，運用CRITIC 熵權(quán)法[37]對各指標進行賦權(quán)。其中，主題熱度用于量化技術主題在領域中的受關注程度，新穎度在時間維度上考察了主題的時效性與前沿性，影響力則從科研成果數(shù)量上揭示了主題對學界和產(chǎn)業(yè)界的實際推動力。

（1）主題熱度指標。技術主題熱度可以通過LDA 模型輸出主題支持文檔[38]的強度值來衡量，強度值反映了主題在文檔集中的普遍性與重要性，進而用于評估技術主題在當前時間段內(nèi)的活躍度和關注度。定義主題熱度計算公式如下：

式（5）中， x_i 代表主題 k 內(nèi)第 i 件專利的強度值， 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。近期申請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年份表示。如果某個主題涉及的研究成果年份越接近當前時間，說明該主題越新穎。具體計算公式如式（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。技術主題影響力可以通過相關主題專利申請數(shù)量占比來表征，若某一技術主題下專利數(shù)量占總專利數(shù)量的比例較高，則表明該主題在推動技術進步、引領產(chǎn)業(yè)發(fā)展等方面具有較大的影響力。其計算公式為：

式（7）中， n_k 代表第 k 個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實證研究與結(jié)果分析

3.1數(shù)據(jù)來源與預處理

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，在學術研究中得到廣泛應用[39-40]。設定檢索式為標題 Σ=Σ （“人工智能”O(jiān)R“人機交互”O(jiān)R“智能機器人”O(jiān)R“智能系統(tǒng)”O(jiān)R“神經(jīng)網(wǎng)絡”O(jiān)R“深度學習”O(jiān)R“智能技術”），檢索時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，并進行簡單同族合并，檢索于2024年10月18日進行，共檢索到25335條專利數(shù)據(jù)，其中包括標題、摘要、公開日、IPC主分類號等字段。經(jīng)過剔除缺失項和重復記錄等操作，最終獲得25302條專利數(shù)據(jù)。圖5展示了人工智能領域歷年的專利申請數(shù)量，可以看出，前期該領域的專利數(shù)量較少，且增長速度相對平緩，自2019年專利數(shù)量開始大幅增加。結(jié)合技術生命周期理論，將其劃分為3個時期階段：2009—2014年（萌芽期）、2015—2019年（緩慢增長期）、2020—2023年（快速發(fā)展期）。

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

3.2技術主題識別

3.2.1LDA主題建模依照前述基于關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，將這三個關鍵詞集進行融合并去重，以此得到新的語料庫，然后使用LDA模型對新的語料庫進行訓練處理。

本研究選用gensim庫構(gòu)建主題模型，經(jīng)過多次試驗，設置Alph a=0.32 ， Beta=0.05 ，文檔迭代次數(shù)設為100次。建模前還需確定主題數(shù)量K，這一參數(shù)的設定將對技術主題識別效果產(chǎn)生直接影響。本研究通過計算一致性（Coherence）評估最優(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[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參考，具體情況需要根據(jù)領域?qū)嶋H情況及主觀需求進行綜合考量。

圖6為主題個數(shù)在1＼～50時一致性分數(shù)的變化曲線，可以看出，一致性曲線整體呈現(xiàn)波動狀態(tài)，考慮到人工智能技術的多樣性，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技術主題識別結(jié)果經(jīng)過LDA主題建模，本研究對包含25302條專利標題摘要數(shù)據(jù)進行主題分析，最終提取31個主題以及文檔-主題、主題-詞概率分布矩陣，根據(jù)每個主題下的高概率特征詞項，歸納出人工智能技術主題含義，整理結(jié)果見表2。

總體來看，人工智能技術主題按照研究內(nèi)容可以劃分為以下幾類：

（1）核心算法與技術基礎：深度學習（T10）、卷積神經(jīng)網(wǎng)絡（T14）、機器學習（T17）、AI模型訓練優(yōu)化（T23）等技術構(gòu)成人工智能發(fā)展的核心，為人工智能提供強大的計算和學習能力，是智能應用得以實現(xiàn)的關鍵。

（2）感知與交互技術：人機交互（T3）、圖像深度處理（T4）、智能傳感器（T18）、多模態(tài)行為識別（T20）等技術主要關注如何提高計算機系統(tǒng)對用戶行為的理解能力、提升用戶體驗以及增強系統(tǒng)在復雜環(huán)境中的適應性和智能水平。

（3）自然語言與語義理解：語義模型（T5）、自然語言處理（T7）、機器翻譯（T28）等技術主要關注如何讓計算機更好地理解和處理人類的自然語言，從而實現(xiàn)高效的信息檢索、內(nèi)容生成、語言交流和服務自動化。

（4）數(shù)據(jù)處理與安全：隱私保護（T1）、信號處理（T6）、故障監(jiān)測與預警（T16）、網(wǎng)絡流量分析（T24）等技術確保數(shù)據(jù)在采集、存儲、處理、傳輸和銷毀等各個環(huán)節(jié)的安全性和隱私性，同時致力于提升數(shù)據(jù)處理的整體質(zhì)量和效率。

（5）智能應用與自動化：智能機器人（T9）、自動駕駛（T19）、生產(chǎn)智能化管理（T22）、智能輔助診斷（T26）等技術將人工智能成果應用于實際場景，目前幾乎所有行業(yè)都在積極推動智能化轉(zhuǎn)型，以期借助人工智能實現(xiàn)產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化升級。

實現(xiàn)技術主題聚類后，利用pyLDAvis庫對LDA模型輸出結(jié)果進行可視化展示，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個最具代表性的特征詞，紅色的表示該詞在當前主題中所占的權(quán)重，藍色的表示該詞在整個語料庫中的詞頻。右上方的參數(shù)入能夠調(diào)整詞語與主題的相關性，當入值趨近于0時，主題中特有的詞與主題更相關，趨近于1時，頻繁出現(xiàn)的詞與主題更相關。

3.3技術主題強度演化

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

從核心算法與技術基礎的主題強度演化來看，各技術主題經(jīng)歷了一系列顯著的波動。在2010—2012年期間，除了AI模型訓練優(yōu)化（T23），其余主題強度均出現(xiàn)下降趨勢，盡管一些早期的AI算法（如決策樹、支持向量機等）已經(jīng)取得一些進展，但這些方法的應用受限于計算能力和數(shù)據(jù)規(guī)模。許多傳統(tǒng)AI技術并未能夠解決復雜的實際問題，學術界和產(chǎn)業(yè)界的關注度出現(xiàn)一定程度的下降。2012年AlexNet在ImageNet挑戰(zhàn)賽中以驚人的識別準確率奪得冠軍，激發(fā)了深度學習的研究熱潮，因此2013年各主題強度稍顯緩和，到了2014年呈現(xiàn)出爆發(fā)式的增長態(tài)勢。在2015—2021年期間，深度學習（T10）、卷積神經(jīng)網(wǎng)絡（T14）、機器學習（T17）、AI硬件加速（T30）穩(wěn)定在平均主題強度0.0446以上，表明這些主題是人工智能領域持續(xù)關注的對象。2021年后再次觀察到多個主題強度的下降，可能源于市場逐漸趨于飽和，導致研發(fā)資源的重新分配和技術的優(yōu)化調(diào)整。

從感知與交互技術的主題強度演化來看，各技術主題整體上呈現(xiàn)先波動后穩(wěn)定的發(fā)展態(tài)勢。圖像深度處理（T4）在多個年份中表現(xiàn)出較高的主題強度，這與深度學習技術水平提高和應用場景不斷拓展有著密切關聯(lián)。人機交互（T3）與智能視頻監(jiān)控（T11）的演化趨勢基本一致，在2012年達到峰值，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，預示著在新一輪技術和產(chǎn)業(yè)革命中將扮演更加關鍵的角色。目標檢測（T31）保持在平均主題強度0.0327附近波動，表明其發(fā)展速度和市場影響力較為穩(wěn)定。虛擬現(xiàn)實（T15）與智能傳感器（T18）的演化強度分別在2010年和2013年達到峰值，隨后可能由于應用場景限制或市場飽和，其強度值穩(wěn)定在平均主題強度以下。相比于其他感知與交互技術，多模態(tài)行為識別（T20）與三維視覺與重建（T29）面臨更多的技術挑戰(zhàn)，因此其演化強度始終較小且保持在相對平衡的狀態(tài)。

從自然語言與語義理解的主題強度演化來看，各技術主題存在波動性和趨勢性并存的現(xiàn)象。在2013—2017年期間，自然語言處理（T7）主題強度持續(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技術的提出標志著NLP進人深度學習時代，之后諸如LSTM、Seq2Seq等模型的成功應用，為語音識別、機器翻譯等多個NLP任務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上實現(xiàn)前所未有的突破。語義模型（T5）在多個年份中維持相對穩(wěn)定的主題強度，說明其在自然語言處理領域中的基礎性和重要性。機器翻譯（T28）作為自然語言處理的一個重要應用方向，其主題強度整體呈現(xiàn)波動上升趨勢，由于機器翻譯本身涉及復雜的語種差異、多語言對的挑戰(zhàn)以及大規(guī)模訓練語料的依賴，因此未能突破平均主題強度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度演化來看，各技術主題均呈現(xiàn)一種無序演化狀態(tài)。隱私保護（T1）在2009—2012年保持上升趨勢，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《中華人民共和國個人信息保護法》，旨在加強個人信息保護，確保公民隱私安全。信號處理（T6）與時序預測（T8）的演化趨勢較為同步，雖然在2009—2016年經(jīng)歷較大的起伏，但在整個演化區(qū)間仍呈現(xiàn)略微上升趨勢，這可能與其在制造業(yè)、能源、交通等領域的廣泛應用有關。故障監(jiān)測與預警（T16）的演化強度在2009—2017年波動較大，于2013年達到峰值，反映當時工業(yè)界對安全生產(chǎn)和故障預防的高度重視，隨后平穩(wěn)上升，可以預見其將更多依賴于數(shù)據(jù)分析和智能算法的融合應用，以實現(xiàn)更加精確的故障預測和有效的預警響應。網(wǎng)絡流量分析（T24）的主題強度一直處于平均主題強度0.0257以下，說明其發(fā)展態(tài)勢一般，關注度普遍偏低。

從智能應用與自動化的主題強度演化來看，除了個別技術主題在特定年份出現(xiàn)大幅度起伏，其余主題強度在整體上保持相對穩(wěn)定。機器人控制（T25）在2009—2013年持續(xù)上升，標志著工業(yè)機器人技術的快速發(fā)展與應用。2013年，隨著《關于推進工業(yè)機器人產(chǎn)業(yè)發(fā)展的指導意見》的頒布，工業(yè)機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，但這并不意味著機器人技術的發(fā)展停滯不前，相反，這一時期為智能機器人（T9）的崛起奠定基礎。生產(chǎn)智能化管理（T22）也經(jīng)歷了早期的快速增長，隨后下降進入穩(wěn)定發(fā)展期，這一趨勢反映出智能制造領域從注重個別設備的自動化升級，轉(zhuǎn)向追求整個生產(chǎn)流程的智能化管理和優(yōu)化。其余主題如自動駕駛（T19）、智能輔助診斷（T26）在整個演化過程中的變化不明顯，這些領域正在經(jīng)歷技術積累和市場需求的雙重考驗，等待合適的時機實現(xiàn)突破。

3.4技術主題內(nèi)容演化

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

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

人工智能領域的技術主題內(nèi)容經(jīng)歷從基礎到多樣化再到爆炸式增長的演變過程。這一過程中，技術主體之間的關聯(lián)和互動日益緊密，其演化能力也呈現(xiàn)不斷提升的趨勢。在萌芽期2009—2014年，技術主題相對集中且基礎，主題間的互動性和技術交叉性較低，更多的是單一領域的基礎研究和應用實踐。主題T1_Stage1數(shù)據(jù)處理、T7_Stage1神經(jīng)網(wǎng)絡和T10_Stage1特征提取表現(xiàn)出較強的主題演化能力，這3個主題與多個相鄰主題的相似度較高，形成數(shù)量眾多的相關主題對。T6_Stage1控制系統(tǒng)與T14_Stage1人機交互的主題演化能力相對較弱，在第二階段與之關聯(lián)的主題較少。進入緩慢增長期2015—2019年，技術主題開始呈現(xiàn)多樣化趨勢，涉及的技術方向逐漸擴展到更為復雜的應用場景和領域。大部分技術主題同時與前后兩個階段多個主題存在知識流動，符合融合分化演化關系，其中，主題T19_Stage2算法模型演化能力最強，與第三階段11個主題均相關。T5__Stage2網(wǎng)絡安全及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)階段對數(shù)據(jù)安全與智能化應用需求的深刻洞察。此外，有少部分技術主題僅與第一階段某個主題有關聯(lián)，如T2_Stage1信號處理與故障診斷—T7_Stage2智能傳感器，體現(xiàn)了技術發(fā)展的繼承性和創(chuàng)新性。到了快速發(fā)展期2020—2023年，技術主題迎來了前所未有的爆炸式增長，形成一個錯綜復雜但又高效協(xié)同的技術生態(tài)系統(tǒng)。主題融合與分化的趨勢愈發(fā)明顯，如T37_Stage3智能醫(yī)療由T5_Stage2網(wǎng)絡安全和T18_ Stage2圖像識別及處理演化而來，這種跨領域的深度融合，使得T37_Stage3智能醫(yī)療能夠在確保數(shù)據(jù)安全的前提下，實現(xiàn)對醫(yī)學影像的精準分析和診斷。

3.5階段性熱點主題識別

運用前文提出的多維指標計算公式，可以獲取各主題的“主題熱度”“主題新穎度”“主題影響力”測度指標值，將指標結(jié)果進行最小-最大標準化，利用熵權(quán)法分別計算每個指標的權(quán)重 w_H 、w_N，w_E ，加權(quán)得到熱點主題識別的綜合指數(shù)。2009—2014年、2015—2019年、2020—2023年3個階段的熱點技術主題識別結(jié)果如表4-表6所示，本研究將綜合指數(shù)前 30% 的主題界定為熱點技術主題。

綜合指數(shù)評估表明，2009—2014年，人工智能領域的熱點技術主題主要涵蓋了人機交互、神經(jīng)網(wǎng)絡、特征提取、控制系統(tǒng)、智能感知與定位。其中，人機交互技術關注于提升機器理解人類指令及反饋的能力，以實現(xiàn)更自然、高效的交互體驗。神經(jīng)網(wǎng)絡作為深度學習的核心，其在圖像識別、語音處理等領域的研究取得了顯著進展。特征提取技術成為提升算法識別與分類精度的關鍵，通過有效提取數(shù)據(jù)中的關鍵信息來優(yōu)化性能。隨著控制系統(tǒng)的成熟，自動化和智能化設備在工業(yè)制造、醫(yī)療健康、居家生活等領域的應用愈發(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通過集成GPS、激光雷達等傳感器和先進的算法，為無人駕駛車輛、機器人導航系統(tǒng)以及增強現(xiàn)實應用提供了精準的位置信息和環(huán)境感知能力。

2015—2019年，人工智能領域的研究不斷深化與擴展催生了新的熱點，包括問答系統(tǒng)、模式識別、信號處理、智能機器人以及智能駕駛。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)中提取相關信息，并以簡潔的方式返回給用戶，在搜索引擎、智能家居、在線教育等場景中應用廣泛。模式識別能夠讓計算機通過算法分析和識別數(shù)據(jù)中的特定模式或規(guī)律，對于生物特征識別、醫(yī)療診斷、金融監(jiān)控等領域的發(fā)展起到了積極的推動作用。信號處理涉及對各種類型的電信號進行提取、變換、分析，旨在獲取有用信息、增強信號質(zhì)量、消除噪聲、提取特征以及實現(xiàn)數(shù)據(jù)壓縮等。與此同時，人工智能領域的相關技術與各行業(yè)交叉融合、相互促進，產(chǎn)生了很多創(chuàng)新性的應用場景，其中，智能機器人和智能駕駛最具代表性，它們在工業(yè)自動化、家庭服務等領域展現(xiàn)出巨大的潛力，并在推動未來交通系統(tǒng)和城市智能化的2020—2023年，人工智能領域聚焦于以GPT為代表的預訓練大模型，這些模型主要由具有大規(guī)模參數(shù)的深度神經(jīng)網(wǎng)絡架構(gòu)搭建，通過在海量無標注數(shù)據(jù)上進行自我監(jiān)督學習，從而在理解語言和生成文本等任務上展現(xiàn)出超越以往模型的性能，因此近年來大模型成為學界和產(chǎn)業(yè)界共同關注的熱門技術主題。在計算機視覺領域，圖像深度處理和目標檢測也引起了研究者們的廣泛關注。2023年，鄒征夏及其團隊在發(fā)表于“ProceedingsoftheIEEE”的綜述文章中指出，深度學習推動的目標檢測技術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)化等熱點技術主題同樣占據(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)與深度學習算法，精準捕捉用戶偏好，為用戶提供個性化的信息和服務推薦，極大地豐富了用戶體驗并促進商業(yè)轉(zhuǎn)化。

4總結(jié)與展望

本研究圍繞人工智能技術主題演化及熱點識別這一主題，以incoPat數(shù)據(jù)庫中人工智能領域2009—2023年的專利文獻為分析數(shù)據(jù)源，采用LDA-Word2vec模型對專利總數(shù)據(jù)集進行技術主題識別，得到全局的主題強度動態(tài)變化過程，再通過余弦相似度對相鄰時間窗口的技術主題進行關聯(lián)，以追蹤主題內(nèi)容的演化趨勢，最后引入主題熱度、新穎度、影響力等構(gòu)建綜合指標體系，結(jié)合熵權(quán)法識別階段性熱點主題。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確地識別技術主題，清晰展示技術主題的階段演化規(guī)律； ② 人工智能領域的技術主題可以分為核心算法與技術基礎、感知與交互技術、自然語言與語義理解、數(shù)據(jù)處理與安全、智能應用與自動化5大主題范疇，這些主題的強度演變揭示了研究重點的轉(zhuǎn)移、新興技術的崛起以及市場需求的波動，且主題之間的關聯(lián)和互動日益緊密，共同推動該領域的整體發(fā)展； ③ 人工智能領域的熱點技術主題處于不斷轉(zhuǎn)變和發(fā)展歷程之中，在萌芽期（2009—2014年），熱點主題主要包括人機交互、神經(jīng)網(wǎng)絡、特征提取等，進人緩慢增長期（2015—2019年），新增了問答系統(tǒng)、模式識別、信號處理等熱點主題，到了快速發(fā)展期（2020—2023年）以GPT為代表的預訓練大模型、圖像深度處理、目標檢測等主題成為新的研究焦點。

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)合進行綜合分析；二是僅選取了文獻的標題和摘要部分，未對全文內(nèi)容進行深入挖掘。下一步研究將融合人工智能領域科技論文/新聞/報告、政策文本和基金項目等多源數(shù)據(jù)，以進一步探索人工智能技術在科研領域和國家政策方面的實際應用情況。

參考文獻：

[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)學人工智能領域?qū)＠夹g主題發(fā)展態(tài)勢研究[J].世界科技研究與發(fā)展，2024，46（4） ：497.

[8]奉國和，孔泳欣.基于時間加權(quán)關鍵詞詞頻分析的學科熱點研究[J].情報學報，2020，39（1）：100.

[9]任佳妮，張薇，楊陽，等.“人工智能+醫(yī)療”新興技術識別研究——以醫(yī)療機器人為例[J].情報雜志，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學前沿領域識別與演進趨勢分析[J].現(xiàn)代情報，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.專利前沿技術主題識別及趨勢預測方法——以人工智能領域為例[J].情報雜志，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，等.基于多源異構(gòu)數(shù)據(jù)的關鍵核心技術識別研究——以光刻技術為例[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)的技術創(chuàng)新現(xiàn)狀與挑戰(zhàn)——基于專利文獻計量的角度［J」.不T子子呀九，zU1∠，JU（J）：0o∠.

[18]曾聞，王日芬，周琺宇.產(chǎn)業(yè)領域?qū)＠暾垹顟B(tài)分布與演化研究——以人工智能領域為例[J].情報科學，2020，38（12）：4.

[19]韓震，沈君，曲莎莎.RFID技術趨勢及競爭態(tài)勢的專利計量分析[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，李姝影，等.基于多元關系融合的專利技術演化路徑識別方法研究[J].圖書情報工作，2024，68（3）：71.

[22]陳偉，林超然，李金秋，等.基于LDA-HMM的專利技術主題演化趨勢分析——以船用柴油機技術為例[J].情報學報，2018，37（7）：732.

[23]劉春江，劉自強，方曙.基于SAO的技術主題創(chuàng)新演化路徑識別及其可視化研究[J].情報學報，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)融合的技術演化路徑識別方法[J].情報雜志，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，王夢雅.基于LDA-Word2vec的圖書情報領域機器學習研究主題演化與熱點主題識別[J].現(xiàn)代情報，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，嚴亞蘭，查先進.基于神經(jīng)網(wǎng)絡詞嵌入的大數(shù)據(jù)關注熱點和詞嵌入概貌比較研究［J].現(xiàn)代情報，2024，44（1）：37.

[29]胡澤文，王夢雅，韓雅蓉.基于LDA2Vec-BERT的新興技術主題多維指標識別與演化分析研究——以顛覆性技術領域：區(qū)塊鏈為例[J].現(xiàn)代情報，2024，44（9）：42.

[30]楊恒，王日芬，張露.基于核心專利技術主題識別與演化分析的技術預測[J].情報雜志，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].中文信息學報，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識別研究——以類腦智能領域為例[J].情報科學，2023，41（3）：81.

[36]單曉紅，韓晟熙，劉曉燕.基于技術主題演化的顛覆性技術識別研究[J].情報理論與實踐，2023，46（8） ：113.

[37]王偉明，徐海燕，張發(fā)明.基于CRITIC-G1和Bonferroni 算子的學術期刊綜合評價研究[J].情報理論與實踐，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)新興技術識別與演化路徑分析：以新能源

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

[41]呂鯤，項旻昊，靖繼鵬.基于LDA2Vec和DTM模型的顛覆性技術主題識別研究———以能源科技領域為例[J].圖書情報工作，2023，67（12）：89.

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

（責任編輯 王一諾）