基于专利主题演化的颠覆性技...研究——以类脑智能领域为例_邢晓昭.pdf

基于专利主题演化的颠覆性技术识别研究以类脑智能领域为例邢晓昭，任亮，雷孝平，刘雨农（中国科学技术信息研究所，北京 100083）摘要：【目的/意义】颠覆性技术具有隐蔽性和突变性，而技术主题在演化过程中会释放颠覆性趋势产生的早期信号，本文提出一种基于专利主题演化的颠覆性技术识别方法。【方法/过程】首先，基于S曲线法判断技术生命周期；其次，综合运用文本挖掘和社会网络分析方法识别技术主题的演化事件；最后，定义新主题出现、原主题趋热和多主题融合三类突变情况，用于识别具有颠覆性潜力的技术主题。【结果/结论】通过类脑智能领域专利实证，发现六个新出现主题、四个趋热型主题和六个融合型主题，通过专家判读，证明了所提方法的有效性，同时筛选出五项主题作为最终预测结果。【创新/局限】本文基于动态社区发现算法对技术主题的演化特征进行分析，进而基于主题突变性筛选颠覆性技术，但数据来源较为单一，将在未来研究中加以扩充。关键词：颠覆性技术识别；主题演化；动态社区发现；社会网络分析；专利文本挖掘中图分类号：G250.2DOI：10.13833/j.issn.1007-7634.2023.03.010收稿日期：2022-05-18基金项目：国家社科基金青年项目“基于多源知识网络的颠覆性技术分类识别方法研究”（21CTQ039）。作者简介：邢晓昭（1988-），女，北京人，副研究馆员，硕士，主要从事颠覆性技术识别研究；任亮（1993-），男，河北保定人，博士，馆员，主要从事信息资源管理研究；雷孝平（1979-），女，山东济南人，研究员，博士，主要从事专利分析研究；刘雨农（1991-），男，甘肃兰州人，助理研究员，博士，主要从事产业情报研究。“颠覆性技术”一词最早由哈佛大学教授Christensen提出，他将技术分为持续性技术和颠覆性技术。持续性技术是指对现有技术进行增量式改进的技术；而颠覆性技术则是指以意想不到的方式取代现有主流技术的技术【1】。当前，许多国家为支撑颠覆性创新成立了专门的研究部门，如美国国防高级研究计划局（DARPA）和俄罗斯先期研究基金会（FPI）等。颠覆性技术的战略意义不言而喻，但由于颠覆性技术的发展具有过程复杂、高度不确定性的特征，目前尚未形成统一的衡量标准。20世纪末以来，网络科学复兴并迅速成为解决复杂问题的重要手段。网络分析的思维和方法充分考虑技术节点之间的关联关系以及网络整体结构，避免了技术识别的孤立性和局部性，为颠覆性技术识别提出了新的思路。专利文献完整记录了技术活动，是世界上反映技术发展最迅速、最全面、最规范的信息资源。本文以专利关键词作为基本知识单元，基于网络的社区结构性识别更具有解释意义的主题类团，通过对主题类团演化特征的考察发现颠覆性趋势。1 相关研究现有颠覆性技术识别方法主要是基于技术管理与应用角度的主观分析方法。以专利、论文等作为数据来源的客观分析方法也在逐渐增多，主要包括以下几个方面：（1）基于文献属性计量的识别方法。专利（论文）数量、被引用特征、专利科学引文数量和专利IPC分布是常用的颠覆性潜力计量属性【2-5】。如Barbieri等人提出专利的范围、原创性、重组新颖性和激进型等指标，用于对颠覆性技术进行事前识别【6】。于光辉等人基于专利后向引用相似度对颠覆性技术的技术特征进行识别【7】。（2）基于知识网络分析的识别方法。属性计量一般将一个知识单元看作一项独立的技术，且计量维度较为单一。网络分析从系统视角出发，能够从技术本身和技术之间的关联角度共同揭示技术节点的所处位置，为颠覆性技术的早期、精准识别提出了新的可能性。R.J.Funk通过网络分析方法挖掘新技术对以往技术以及整个技术轨道的影响【8】。Mariani考虑引文网络拓扑结构和时间信息，提出一种年龄标准化的专利中心性度量指标修正PageRank，以便尽早识别突变性技术（2019）【9】。王燕鹏等人通过文档聚类形成热点技术，并以热点技术为节点构建复杂网络，基于链路预测方法对潜在新兴技术进行识别分析【10】。（3）基于文本内容挖掘的识别方法。文献属性计量方法缺少对科技文本内容的理解，因此有学者开始从计量分析视角转向语义分析，基于内容的文本挖掘方法使分析结果更加深入、直观，提高了技术主题识别的准确性。黄鲁城等人通过AO模型提取关键词，结合系统聚类和多维尺度分析划分主题类团，对技术的市场颠覆潜力进行识别【11】。Xu Shuo等情报科学20232023年第年第3 3期期（第第4141卷卷）业务研究-81人基于N-Grams模型来提取文本主题，并提出快速增长性、激进新颖性和显著影响性三个指标，用于衡量主题的前沿特性【12】。综上所述，文本内容挖掘和知识网络分析是颠覆性技术识别的新方法，且两种方法联合使用会产生更好的识别效果，是未来发展趋势。现有研究的不足之处在于：主要采用静态指标来识别颠覆性技术，对动态趋势的捕捉有待加强。颠覆性技术的发展存在一个从边缘走向主流，并替代现有技术的突变过程。本文将通过文本挖掘技术得到若干专利主题类团，基于动态社区发现算法追踪主题类团的变化情况，以期发现具有颠覆性潜力的技术主题。2 基于主题演化的颠覆性技术识别模型构建本文基于专利技术主题演化的突变性来识别颠覆性技术。首先，采用S曲线法判别技术发展阶段，并据此划分时间窗口；其次，采用两阶段的动态社区识别算法进行主题演化分析。第一阶段，通过对专利关键词网络的主题聚类得到各时间窗静态主题；第二阶段，采用基于相似度的成对比较考察每个主题类团可能经历的“事件”，进而识别出动态主题；最后，基于动态主题的演化特性分三种突变情况筛选出具有颠覆性潜力的候选主题。本文构建的模型框架如图1所示。图1 模型框架图Figure 1 Research framework2 2.1 1 基于基于S S曲线法的技术发展阶段判断曲线法的技术发展阶段判断技术生命周期发展遵循S曲线，每一阶段发展速度和发展特征具有差异性。萌芽期新技术概念被提出，并对其进行科学论证，专利数量较少且一般为原理性、基础性专利，不是进行颠覆性技术识别的最佳时期；成熟期和衰退期，主流技术已然形成，此阶段主要进行外观美化和功能完善，技术的创新程度降低，产生颠覆性技术的概率偏低；成长期是技术发展最为迅速的时期，主要聚焦技术实现路径，是技术方法大量涌现和更迭的时期，因此这一时期最适宜开展颠覆性技术识别。本文基于logistic曲线判断技术发展阶段，采用Loglet Lab作为软件工具。根据技术发展阶段的判断结果，将专利数据划分为若干个时间窗口。2 2.2 2 基于动态社区发现算法的主题演化分析基于动态社区发现算法的主题演化分析主题演化分析是根据文献特征项之间的关联发现主题，再通过分析不同阶段主题内容的变化情况，识别技术领域的热点和未来发展趋势。动态社区发现算法能够跟踪复杂网络中节点和边的增加和减少，在社区级别上定义社区的变化行为，称为“事件”【13】。动态社区发现算法通常包含两个阶段【14】。第一阶段是时间窗内的静态主题识别，第二阶段是通过跨时间窗主题之间的关联来识别动态主题。本文基于这一思路开展主题演化分析。2.2.1 静态主题识别（1）关键词抽取。首先，采用c-value方法构建整个文档集的术语库，并据此抽取每篇专利的候选术语及其频次；其次，采用Tf-Idf方法计算术语权重，并选择高权重术语作为关键词；此外，将专利的重要发明人作为团队标签添加到关键词中。本文假设团队领导者和技术骨干的专利申请量高于其他成员，因而将团队中申请量较高的发明人添加为关键词。这样一方面可以将同一团队的研究主题汇聚在一起，弥补术语同义不同型带来的识别误差，另一方面可以捕捉同一团队在不同阶段研究内容的关联性和变化性。在此基础上，构建关键词共现网络，用于开展主题分析。（2）主题聚类。静态社区识别算法包括重叠和非重叠两类。其中非重叠算法包括：Infomap【15】、谱聚类【16】、louvain算法【17】等，重叠算法包括：CPM【18】、种子扩散【19】、边聚类【20】等。本文选用非重叠算法中的louvain算识别时间窗内的主题类团。louvain算法是 Blondel等人于 2008年提出一种基于模块度最大化的启发式社区发现算法，相比于传统算法其时间复杂度较低，且划分效果更好，是目前最主流的社区发现算法之一。本文基于Python语言的Community库来实现该聚类 算 法。从 第 t 个 时 间 窗 识 别 出 的 nt个 主 题 用Ct=C1t,C2t,C2t,Cntt表示。2.2.2 动态主题识别（1）相似性度量。本文采用修正的Jaccard系数来度量主题相似度。即当相邻时间窗中两个主题的共享关键词数量与此二者平均规模的比值大于时，判定这两个主题相似（如公式1所示），这里将设为0.1。Sim(Cit,Cjt+1)=|CitCjt+1avg(|Cit，|Cjt+1),（1）在此，需要区分主题与动态主题，主题是指在某特定时间窗中紧密相连的关键词集合，即上文中提到Ci中的元素。而动态主题是属于不同时间窗的一组相似主题，代表了其组成主题随时间的演化，动态主题在此用D表示。设Di(Di D)在上一时间窗t-1的观察值为其前截面，用Fi表示；而由当前Information ScienceInformation ScienceVol.41,No.3 2023-82时间窗网络图Gt划分而得的主题集合Ct中的任意一个主题表示为Nj，相似度比较发生在所有的Fi与Nj之间。（2）演化事件定义。有多项研究定义了在网络演化过程中出现的相关事件【21-23】，这些事件主要包括：创建、终止、扩张、收缩、合并、分解、保持、恢复等。由于本算法用于识别颠覆性技术，因而在扩张、收缩和保持三类延续性事件中更加关注主题的扩张，在合并和收缩两类中断性事件中更加关注主题的合并。基于以上考虑，本文将收缩和保持两类事件统称为保持；当一个主题同时遇到分解和合并事件（即多对多匹配）时，判定其为合并；此外，添加缺失事件，删去恢复事件，并根据涉及主题的规模变化，将其归入扩张和保持两类事件之一。最终定义7类事件：创建：一个不同于现有Di D的新动态主题Dn的诞生。终止：一个动态主题的消失。保持：动态主题中包含的关键词数量保持稳定或减少。扩张：动态主题中包含的关键词数量显著增加。合并：几个动态主题合并为一个新的动态主题。分解：某个动态主题分裂为几个新的动态主题。缺失：在当前时间窗中暂未观察到动态主题Di。（3）动态识别算法。本文基于迭代相似性进行动态主题识别，即对当前时间窗口中，现存动态主题的前截面Fi与新发现的所有静态主题Nj进行两两比较，再依次遍历各个时间窗，具体识别算法如图2。图2 主题动态识别算法Figure 2 Dynamic recognition algorithm of themes2 2.3 3 基于主题突变的颠覆性技术识别基于主题突变的颠覆性技术识别突变性是颠覆性技术的重要特征之一。白光祖等人【24】认为，可以基于专利引用的科学知识主题的时序变化特征，从突变程度较高的主题中发现具有颠覆性潜力的候选技术，并提出三种突变情形：新主题出现；原主题趋热；多主题融合。本研究认为这种知识的突变同样会出现在专利自身所代表的技术主题中，且同样预示颠覆性趋势，对三种突变情形做出如下定义：2.3.1 新主题出现如果某个新技术主题在近两个时间窗内连续出现，那么该技术主题可能代表一项趋于稳定的新兴技术或全新产品，具有较高的颠覆性潜力。即：如果技术主题在近两个时间窗经历“创建”-“保持”事件，或“创建”-“扩张”事件，则将该主题作为候选技术主题。2.3.2 原主题趋热如果某个传统主题的热度在近两个时间窗内出现剧烈波动，那么可能是主题内部某项关键技术产生突破性进展，或某项功能突然吸引主流用户，具有较高的颠覆性潜力。包括两种情况：保持并扩张。如果技术主题经历“创建”-“保持”-“扩张”“创建”-“扩张”-“保持”，或者“创建”-“扩张”-“扩张”，则将该主题作为候选技术主题。中断并恢复。如果技术主题经历“创建”-“缺失”-“保持”，或“创建”-“缺失”-“扩张”，则将该主题作为候选技术主题。2.3.3多主题融合如果某一新技术主题由领域内多个技术主题组合而成，则该主题的融合发展将有可能形成突破性进展。即：如果技术主题在第三阶段经历“融合后创建”，将该主题及其成分主题作为候选技术主题。基于上述方法识别出颠覆性技术的候选主题后，邀请领域专家对这些主题进行分析判读，以检验本研究所提方法的有效性，同时以修正后的结果最为最终颠覆性技术主题。3 实证研究以类脑智能领域为例类脑智能是受大脑神经运行机制和认知行为机制启发，以计算建模为手段，通过软硬件协同实现的机器智能【25】。它借鉴人脑的信息处理方式，突破传统冯 诺依曼架构，在实时处理非结构化信息、自主学习等方面展现强大能力，同时具有超低功耗、超低延时，高鲁棒性等特点，因而引起广泛关注。本研究选择类脑智能领域开展实证研究，以期为该领域技术与产业发展提供参考。在Innography专利数据库中检索类脑智能相关专利，检索时间范围为最早收录时间至2021年截止，数据清洗后，共得到简单专利家族2607个。3 3.1 1 生命周期判断与时间窗口划分生命周期判断与时间窗口划分根据检索结果，类脑智能领域从1988年开始出现专利申请，由于专利从申请到公开具有一定时滞（一般为 18个邢晓昭,任亮,雷孝平,等.基于专利主题演化的颠覆性技术识别研究以类脑智能领域为例J.情报科学,2023,41(3):81-88.-83月），数据库对于2020和2021年的专利数据收录不全。因此，本研究基于1988-2019年的专利数量来测算技术生命周期。测算结果（见表1和图3）显示，类脑智能领域从2014至今一直处于成长期，呈现加速发展状态，适于开展颠覆性技术预测。表1 类脑智能技术生命周期阶段划分Table 1Life cycle Stage of brain-inspired intelligence technology萌芽期1988成长期2014成熟期2023衰退期2031目前阶段成长期图3 类脑智能专利数量发展趋势Figure 3The development trend of the brain-inspired intelligence patents其中2014-2018年属于成长前期，主要机构相继发布自主研发的类脑芯片，如高通的Zeroth NPU、IBM的True North和英特尔的Loihi都发布于这一阶段。2019至今属于成长后期，研发重点逐渐从技术实现转向商业化应用，英特尔发布了基于Loihi的神经形态系统【26】，同时埃森哲、通用电气和日立等各行业的龙头企业相继加入由英特尔发起的神经形态研究社区（INRC），类脑智能的影响力逐渐扩大。本研究将专利数据划分为 1988-2013、2014-2018 和 2019-2021 三个时间窗口，并据此开展主题演化分析。3 3.2 2 类脑智能领域主题演化情况类脑智能领域主题演化情况关键词由两部分组成，其中术语关键词从标题和摘要中抽取，基于 c-value 和 Tf-Idf 算法得到专利-术语权重矩阵后，选取权值高于0.2，且在每件专利中排名前五的术语作为关键词。团队关键词来自发明人字段，首先对发明人进行重名处理，其次选择专利数量大于2，且在每件专利中排名前三的发明人作为团队关键词。排除关键词数量小于2的专利，剩余2583件专利中，最少包含2个关键词，最多13个，平均值为5.6个。类脑智能领域时间窗网络图和主题识别情况如图4和表2所示。可以发现，关键词网络的密度和平均路径长度均较低，而聚类系数较高，证明这三个网络均属于小世界网络。小世界网络与真实世界网络特征相似，即大多数节点不直接相连，却具有共同的邻居，且主题类团之间可以通过很少步数彼此连接，此类网络具有社区结构性和不均衡性，适于开展颠覆性技术分析【27】。通过对时间窗内网络的主题聚类，共得到静态主题236个，主题的平均规模为32。表2 各时间窗网络指标及静态主题识别情况Table 2 Network indicators and static topic recognition for each time window节点数量网络密度平均路径长度聚类系数主题数量主题平均规模1988-201315730.0054.250.8156524.22014-201830080.0034.160.81690332019-202132090.0034.140.8238140将相似度阈值设置为0.1，共识别出动态主题210个。每个时间窗中大约有69%的静态主题为新创建主题，而剩余31%能与原有动态主题匹配上（第一个时间窗除外）。原图4 类脑智能时间窗内网络结构图Figure 4 Network structure of brain-inspired intelligence for each time windowXING Xiaozhao,REN Liang,LEI Xiaoping,et al.The Identification of Disruptive Technology Basedon Patent Theme Evolution:Taking the Field of Brain-Inspired Intelligence as an ExampleJ.Information Science,2023,41(3):81-88.-84主题重复出现的概率约为 14%，分解或合并的概率为12%。图5展示部分主题的演化过程。其中，动态主题83“异构融合类脑芯片计算架构”创建于 2014-2018 时间窗，在2019-2021时间窗中，网络中节点数由88个增加到102个，引入脉冲神经网络、脑机接口等概念，主题扩张；动态主题27“新存储技术在类脑智能中的应用”在三个时间窗连续出现，节点数分别为：15、18和53，主题呈现扩张趋势。研究范畴围绕存储技术展开，但研究重点逐渐由单个忆阻器制备，向忆阻器阵列和类脑芯片等方向转移；动态主题156“类脑片上系统及训练算法”由三个分主题合并而成。3 3.3 3 类脑智能领域颠覆性主题识别类脑智能领域颠覆性主题识别基于动态主题的演化事件识别出高突变性技术主题后，a)动态主题83：异构融合类脑芯片计算架构b)动态主题27：新存储技术在类脑智能中的应用c)动态主题156:类脑片上系统及训练算法图5 部分主题演化情况Figure 5 Evolution of some themes邢晓昭,任亮,雷孝平,等.基于专利主题演化的颠覆性技术识别研究以类脑智能领域为例J.情报科学,2023,41(3):81-88.-85执行初步筛选，去掉规模过小和内容过于分散的主题，最终确定颠覆性技术候选主题16个，其中新出现主题6个，趋热性主题 4个，融合性主题 6个，主题名称及研究团队如表 3所示。3 3.4 4 结果验证与讨论结果验证与讨论经领域专家分析判读，以上16个主题中有15个具有较高颠覆性潜力。主题8“神经元模型的基本网络描述”确立了大规模神经元模型的软硬件开发实例，是基于类脑模型开发神经形态硬件的成熟技术标准，将其从颠覆性潜力候选主题中删除。此外，根据科技部重大项目“脑科学与类脑研究”申报指南的重点资助方向，补充“脑机接口与脑机交互”主题。研究团队方面，主题9“面向特定需求的神经形态求解器”主要专利团队是韩国电子通信研究院。但是进一步调研发现，黄如、杨玉超团队开发的高速、低功耗神经形态优化求解器硬件，通过在反馈网络中引入暂态混沌达到了兼顾寻找最优解以及算法收敛性的双重效果，因此将其补充进来。主题10“新存储技术在类脑智能中的应用”的主要团队是宋志棠，但是经专家提醒，发现缪向水团队在存内计算方向主持过重大国家项目，积累较为深厚，也将其补充进来。经专家投票，从15项候选主题中选出5项颠覆性潜力最高的主题作为最终颠覆性技术预测结果。具体内容如下：3.4.1 异构融合类脑计算芯片架构总体设计采用众核架构、可重构功能核模块和混合编码方案。同时支持机器学习模型和类脑计算模型，既能降低能耗，提高速度，又能保持高准确度。主要研究团队为清华大学施路平、裴京团队。3.4.2 与类脑芯片匹配的神经网络算法包括脉冲神经网络、卷积神经网络和循环神经网络的计算模型。主要面向智能感知、环境关联和医疗辅助机器人等应用方向。主要研究机构为美国初创企业Applied Brain Research，该公司是英特尔的重要合作伙伴之一。3.4.3 类脑片上系统及训练算法片上系统(SOC)是指是在单个芯片上集成一个完整的系统，它通过提供增强的时钟频率来降低功耗，符合当前微芯片发展的小型化和集成化趋势。该主题融合了(1)片上训练神经形态架构(2)SOC兼容的神经形态计算单元两个方向。主要研发机构为Microchip公司和惠普公司。3.4.4 新存储技术在类脑智能中的应用该主题包括新存储架构、内外存融合、存内计算等方向，近期热点集中于PCRAM、RRAM和交叉阵列等实现工艺，以及多核类脑存算一体芯片等。主要研发团队为中科院上海微系统所宋志棠团队和华中科技大学缪向水团队。3.4.5 脑机接口与脑机交互脑机接口是类脑智能的一项重要交互产品。主要包括信号采集、信号处理、设备控制和反馈模块四个组成部分。在脑控无人机、智能假肢和全脑建模系统上具有较大应用潜表3 颠覆性候选主题详情列表Table 3 Details of disruptive topics12345678910111213141516主题名称新出现主题神经网络和类脑计算的软硬件协同架构类脑认知计算模型面向感存算一体化的高效能突触器件和神经元电路面向语音识别的超低功耗神经决策处理器。异构融合类脑计算芯片架构与类脑芯片匹配的神经网络算法趋热性主题自主学习神经形态芯片神经元模型的基本网络描述面向特定需求的神经形态求解器新存储技术在类脑智能中的应用融合性主题神经形态电路应用和功能扩展类脑片上系统及训练算法基于新型忆阻器的算数电路实现人工神经网络效能优化和精准度提升基于新材料的低能耗、高可靠性、柔性忆阻器基于非易失性存储的脉冲神经网络和卷积神经网络实现方法主要机构清华大学中科院自动化所IBM公司；中科院微电子所Syntiant公司清华大学Applied Brain Research公司英特尔公司高通公司韩国电子通信研究院中科院上海微系统所SK海力士公司；IBM公司；南京大学Microchip公司；惠普公司TDK株式会社；IBM公司IBM公司；惠普公司；中科院上海微系统所；西南交通大学；中国电子科技大学华中科技大学；北京大学主要发明人钱鹤；吴华强曾毅刘明;Frank,Martin M.Vorenkamp,Pieter施路平；裴京Eliasmith,Christopher DavidKumar,Raghavan;Sumbul,HuseyinEkinIzhikevich,Eugene MPark,Seong Mo;Kim,Sung Eun;宋志棠Hyung-DongLee;AndoTakashi;缪峰Hieu Van Tran;Yang,JianhuaTatsuo Shibata;Li,NingSebastian,Abu;Strachan,John Paul;宋志棠；孙柏；李伟缪向水；黄如XING Xiaozhao,REN Liang,LEI Xiaoping,et al.The Identification of Disruptive Technology Basedon Patent Theme Evolution:Taking the Field of Brain-Inspired Intelligence as an ExampleJ.Information Science,2023,41(3):81-88.-86力。开发无创、柔性、可穿戴的高速、高精度和高鲁棒性脑机接口是目前发展趋势。4 结语本研究以颠覆性技术产生发展的共性规律和基本特征为理论依据，以技术内容变革的量化表现为线索轨迹，以文本挖掘和社会网络分析为方法手段，提出基于主题演化的颠覆性技术识别方法，为技术预测和战略布局提供理论和方法支撑。本研究主要贡献有：首先，基于c-value和Tf-Idf方法抽取专利关键词，将专利的重要发明人作为团队标签添加到关键词中；其次，采用louvain算法获得每个时间窗内的静态主题，并基于迭代相似性算法识别动态主题；第三，基于主题演化特征定义三类具有颠覆性潜力的主题突变情况：新主题出现；原主题趋热；多主题融合；最后，对类脑智能领域颠覆性技术进行识别和分析。本研究的不足之处在于：关键词抽取和动态主题识别的准确率还需要进一步提升，目前仅考虑词形相似和复现，未来将融入语义信息。本研究主要通过专利来进行颠覆性技术识别，具有一定滞后性和片面性，未来将采用多源数据进行颠覆性技术识别。参考文献1CHRISTENSEN C.M.The innovators dilemma:when new technologies cause great firm to failM.Boston:Harvard Business School Press,19972 韩霞,李秀霞,史盛楠.基于Z分数与Sen s 斜率的研究前沿识别方法以图书馆学领域为例J.情报科学,2020,28(1):93-139.3 张迪,冷伏海.基于施引论文的研究前沿追踪方法与实证研究J.情报科学,2020,38(4):62-69.4 张金柱,张晓林.基于被引科学知识主题突变的突破性创新识别J.现代图书情报技术,2016(8):42-50.5 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):153-160.6BarbieriN.,MarzucchiA.,RizzoU.Knowledgesources and impacts on subsequent inventions:Dogreen technologies differ from non-green ones?R.England,Brighthelm:University of Sussex,2019.7 于光辉,宁钟,李昊夫.基于专利和Bass模型的颠覆性技术识别方法研究J.科学学研究,2020(9):1-12.8 Funk R J,Owen S J.A Dynamic Network Measure ofTechnological ChangeJ.Management Science,2016,63(3):587-900.9Mariani M.S.,Medo M.,Lafond F.Early identification of important patents:Design and validation of citation network metricsJ.Technological Forecasting&Social Change,2019,146:644-654.10 王燕鹏,韩涛,陈芳.融合文献知识聚类和复杂网络的关键技术识别方法研究J.图书情报工作,2020,64(8):105-113.11 黄鲁成,蒋林杉,吴菲菲.萌芽期颠覆性技术识别研究J.科技进步与对策,2019,36(1):10-17.12 ShuoXu,Liyuan Hao,Guancan Yang,et al.A topic models basedframework for detecting and forecasting emerging technologiesJ.Technological Forecasting and Social Change,2021,162:120366.13 DAKICHE N,TAYEB F B,SLIMANI Y,et al.Trackingcommunity evolution in social networks:a surveyJ.Information Processing&Management,2019,56(3):1084-1102.14 He Z.,Tajeuna E.G.,Wang S.,et al.A Comparative Studyof Different Approaches for Tracking Communities inEvolving Social NetworksC.2017 IEEE International Conference on Data Science and Advanced Analytics(DSAA).Tokyo:IEEE.2017,doi:10.1109/DSAA.2017.62.15 M.Rosvall,C.T.Bergstrom.Maps of random walks oncomplex networks reveal community structureJ.Proceedings of the National Academy of Sciences,2008,105(4):1118-1123.16 Hu F.,Liu J.,Li L.,et al.Community detection in complexnetworks using Node2vec with spectral clusteringJ.PhysicaA:Statistical Mechanics and its Applications,2020,(545):123633.17 V.D.Blondel,J.L.Guillaume,R.Lambiotte,et al.Fast unfolding of communities in large networksJ.Journal of statistical mechanics:theory and experiment,2008(10):P10008.18 B.Adamcsek,G.Palla,I.J.Farkas,et al.Cfinder:locatingcliques and overlapping modules in biological networksJ.Bioinformatics,2006,22(8):1021-1023.19 Asmi K.,Lotfi D.,Abarda A.The greedy coupled-seeds expansion method for the overlapping community detectionin social networksJ.Computing,2021(4):1-19.20 Guo K,Chen E,Guo W.Overlapping Community Detection Based on Edge Density ClusteringJ.Pattern Recognition and Artificial Intelligence,2018,31(8):693-703.21 Palla G.,Barabasi A.L.,Vicsek T.Quatifying social groupevolutionJ.Nature,2007,446(7136):664-667.22 Cazabet R.,Amblard F.Dynamic community detectionM.Encycolpedia of Socail Network Analysis and Mining,Springer,New York,2014:404-414.23 Wencong Wan,Fang Huang,et al.Dynamic detection ofacademic team communities based on temporal coauthornetworkAIn:Proceedings of 2017 IEEE InternationalSymposium on Parallel and Distributed Processing with Application(ISPA/IUCC)C.China:IEEE,2017:464-469.24 白光祖,郑玉荣,吴新年,等.基于文献知识关联的颠覆性技术遇见方法研究与实证J.情报杂志,2017,26(9):38-44.邢晓昭,任亮,雷孝平,等.基于专利主题演化的颠覆性技术识别研究以类脑智能领域为例J.情报科学,2023,41(3):81-88.-87（责任编辑：赵红颖）25 曾毅,刘成林,谭铁牛.类脑智能研究的回顾与展望J.计算机学报,2016,39(1):212-222.26 刘琦岩,等.重点科技领域前沿态势报告M.北京:科学技术文献出版社,2021:45-49.27 Dotsika,Andrew Watkins.Identifying potentially disruptivetrends by means of keyword network analysisJ.Technological Forecasting&Social Change,2017(119):114-127.The Identification of Disruptive Technology Based on Patent Theme Evolution:Taking theField of Brain-Inspired Intelligence as an ExampleXING Xiaozhao,REN Liang,LEI Xiaoping,LIU Yunong(Institute of Scientific and Technological Information of China,Beijing 100083,China)Abstract:【Purpose/significance】Disruptive technologies are concealed and mutated,and technological topics will release early signals of disruptive trends during the evolution process.This paper proposes a method to identify disruptive technology based on the evolution of patent themes.【Method/process】Firstly,the technology life cycle is judged based on the S-curve method;Secondly,methodson text mining and social network analysis are adopted to identify the evolutional events of technological topics;finally,three types ofmutation situations are defined aim at selecting technological topics with high disruptive potential.【Result/conclusion】Empiricalstudy on patents of brain-inspired intelligence has discovered six emerging topics,four hot ting topics and six merging topics.Throughexpert interpretation,the effectiveness of the proposed method is proved,and five topics are screened out as the final prediction results.【Innovation/li