基于深度學習的成果篩選與評價

劉雪飛 唐帥 唐亮 孫辰軍

摘要：科技成果篩選與評價對于判斷成果的價值非常重要，是科技成果產品產業化領域的一項重要研究課題，也是降低科技成果產業化風險的關鍵，具有重要的研究價值和實際意義。但由于傳統的成果篩選與評價方式存在缺陷，一方面導致了一些產業化能力較弱的成果進入產業化階段，提高了成果轉化的成本、代價與風險；另一方面也導致了一些優質的項目評價指標與結果不佳而失去了有效的機會。為了更好地促進科技成果轉化，提高轉化率，將從目前科技成果篩選與評價過程中存在的問題入手，在貝葉斯理論基礎算法下，滲透深度學習思想，提出了一套科技成果篩選與評價的方法，并建立了相應的評估指標體系，為科技成果轉化提供了有效的參考與借鑒。

關鍵詞：科技成果；成果篩選；成果評價；深度學習

中圖分類號：TP391文獻標志碼：A文章編號：1008-1739（2019）15-65-4

0引言

隨著科學技術的迅猛發展，科技成果產業化的需求也越來越高，科技成果轉化服務在國家或地區的創新體系中發揮著越來越重要的作用。但是我國的科技成果轉化率不高，能在生產中穩定使用且具有一定規模的不足20%，最后形成產業的只有5%左右，原因之一就是尚未形成有效的技術市場評估方法與風險控制體制[1]。盡管目前國內己經建立了許多科技成果立項與轉化評估的組織機構，但是由于知識存量以及知識產權在科技成果中所具有的關鍵性影響[2]，使得評價過程與結果呈現出復雜特性。

傳統的成果評估基本上是以個別專家的個人鑒定因素為依據，而在整個項目評估操作過程中，難免會存在一些人為因素并影響到科技項目評估的獨立性、客觀性、公正性和科學性。因此，提高科技成果的轉化效率以及降低成果轉化的風險，加強對科技成果產業化程度評價的可行性、合理性和公平公正性，已成為科技成果轉化與投資過程中一個迫切需要解決的問題[3]。

針對上述情況，在建立一套科學、完整的科技成果產業化評估指標體系的基礎上[4]，根據科技成果產業化評估的實際情況，采取定性與定量相結合的方法，建立和開發一套完善的科技成果產業化評估系統，運用快速計算來協調不同地域的專家資源，利用專家評估經驗與新的評估方法以及快速準確的高效運算能力，來減少因評估專家的標準差異而導致評估結果的不同，從而保證了評估工作的公正性與效率，為科技成果產業化評估提供快速、準確的科學方法與依據。

1科技成果應用型轉化指標及權重分析

國家大力推動科研工作力度，重視產學研一體化發展模式，科研的深度和廣度要充分體現在產品成果轉化方面，應有一定的成果輸出，研究的理論和算法除了經過實驗室測試外還應能夠經受得住現場的驗證和考驗。科研成果將由過去的理論型向應用型成果轉變，理論型科研成果的評價指標主要檢查理論創新點，是否有新的想法和解決問題的方法，通過查重或者專家評審方式可確定評價指標系數[5]。應用型科技成果評估過程相對要復雜很多，應用型科技成果除了理論性創新要求外，還應形成設備輸出，綜合評價設備性能，具體的轉化指標內容及權重比例如圖1所示。

技術可行性：是科研工作的前提，完全不可行的技術盲目研究對科研經費是一種極大的浪費，因此一般在立項之前，都需要對重點的技術難點實現進行可行性方案論證，在充分說明后則可開展研究。但是在后續的深入研究中也會存在陷入歧途的風險，因此在最后驗收階段同樣對技術要做可行性驗證，對這個指標評價是一個最基礎的參數，占比一般為20%。

對可行性的評估主要分為技術方案和產品應用2個方面。技術方案主要針對技術理論、設計方案、開發方法、軟硬件平臺、網絡結構、系統布局和結構、輸入輸出技術以及系統相關技術是否符合應用設計需求；產品應用主要是針對產品成熟度、產品風險和產品應用場景等現實性指標進行綜合評估，二者同時滿足的情況下，才能給出指標的綜合評分。

技術創新性：是近年國家科技部比較看重的指標，技術在持續推行多年后，已經逐步走向發展瓶頸階段，必須采用科技創新的方式突破難點，為科研創造更廣闊的領域。創新指標由過去的屬于加分項逐步轉為必須項，分值一般為5%，雖然不多，但是將會是整個項目的亮點，項目方案及產品特性應具備一定的差異化特性，在未來市場上有競爭性。在技術報告或者產品說明中一般都會有創新性描述部分，評審專家會以經驗值判斷創新程度，創新性具有前瞻發展性，且創新點數多，得分一般比較高。

投資比例：項目投資包括研發、開發、建設和驗收等周期投資，每個階段的投資金額應配合比例要求，一般開發和建設比例最大，如果研發比例過大則表示此技術的成熟度不夠，投入了大量的人力、物力開發，不具備任何借鑒性的開發是不建議進行的。投資比例的合理性直接影響著投資總金額，占比一般為10%。

經濟效益：國家提倡整體集約化發展，主要針對財務方面，項目開發和建設一定要綜合考慮資金的全壽命周期的配比及銜接，以及產品上市后的效益成效，此指標值很低，說明科技成果轉化的應用意義越低，因此它的占比較高，為45%。在科研編制階段會重點對項目經濟效益進行分析，包括試點應用及大規模商用經濟分析。經濟效益和投資成本應該按照一定比例計算，符合條件的項目才允許開展，效益太低不利于整體科研發展。

產業化水平：說明產品的大規模應用及產業滲透的能力，評價產品適應市場的能力高低，越高說明產品能更好地符合目前市場需求，并且能夠同已有產品完美兼容，可進一步推動產業化發展，形成良性的產業鏈發展，此指標占比一般為10%。

市場推廣性：主要是說明未來發展的前景，具備可持續發展的能力。如果某個產品使用周期很短，說明產品的綜合效能有限，指標太低，會給市場的連貫性和融合性造成一定困擾，此指標一般占比為10%。

評價一個科技成果的綜合性能主要從這6個指標進行說明，總分為1，分為3個等級：0≤撤銷<45，45≤可接受<70，70≤大力推薦<100。

2科技成果定量篩選及產業培育規劃方法研究

為了有效規劃未來產業發展，應對已有的科技成果進行綜合評價，提取重點研究方向并聯合分析，結合市場產業鏈發展現狀，給出較準確的發展藍圖。前瞻性技術制定越貼近未來發展需求，越能形成可持續發展的產業生態鏈。

對于一個企業而言，每年會產生大量的科技成果，梳理和清洗成果集合，從龐大的數量和復雜的內容中提取出有條理的信息，需要經過系列數據處理，通過智能學習算法中準確地判斷重要指標信息，不同類型成果之間形成合理組合策略，有效整合技術資源，充分運用企業已有的科技成果做鋪墊，不斷提升企業重點技術及產品的市場競爭能力[6]。科技成果定量篩選及產業培育規劃方法如圖2所示。

一級分類：首先利用關鍵字搜索將科技成果大致分類，關鍵字一般為專利、論文、技術報告、軟著、專著、產品和軟件等，將科技成果庫的所有成果按照類型分為不同類別，并統計各子集合數量；其次對子集合進行降維，成果庫中文檔和產品存在很多濫竽充數的問題，針對每個子集制定一定的初步篩選規則，如技術報告可規定頁面數、創新點數和關鍵詞等作為評判規則，能夠將品質極度差的成果直接作為備份，不再進入下一級評價過程，如果某些得分會預估很低，可能會降低整體得分，導致誤判結果。

二級分類：主要是根據研發方向進行主題分類，按照樹形結構進行逐一搜索分類，形成正三角的篩選模型，以論文篩選為例，將論文做了4級分類，并統計了每一個子集的數量，下一步對每一個子集進行算法訓練，這樣會提升訓練的時效，一類相似數據更具有聚合性，在訓練的過程中很容易收斂，并且判斷結果相對準確。

指標評價算法：目前指標評價的算法很多，包括聚類算法、因子分析法、貝葉斯分析法、權重分析法和主成分分析法等，這些方法的目的都是為了把不同指標的評價得分取得更加精確，但這些算法都存在一個難題就是缺乏對較相近的點特性區分。

規劃優化：在指標計算結果出來后，充分分析評分細節，應對企業科技規劃重新編排，根據現實研究進展，深度挖掘指標得分等級，進行相應的優化調整。國家政策和市場需求都會不停地變化，計算的指標評價結果也會有所變化，有時方向會呈較大的扭向，因此必須及時調整規劃方向，否則對企業來說造成效率低下的辦公模式。

產業培育：規劃的作用是為了企業形成核心的產品體系，并配有輔助的產品增加營業收入。那么規劃優化后進一步就是做產業培育。企業的產品研制一定具有持續性和兼容性，主流方向應有自己的明星產品，作為企業招牌，并且可持續性衍生和擴大產品類型，最終形成產品生態圈；而針對特殊時期或特色需求時可視實考慮研制少量產品填補市場的空缺，這樣就形成了主打+配合的產品體系，企業將產業培育方向作為基準培養科學技術人才，并部署配套科研基礎設施，逐步提升企業的市場占有率。

3貝葉斯算法模型

貝葉斯分類方法是以統計學的相關知識為基礎進行分類的算法，能夠為未知類別的數據屬性進行分類，即指出數據屬性屬于哪個類別的概率。其本質就是利用先驗概率進行分類的一種方法，因此，可以說各個類別中所有的樣本全體為待分類樣本進行分類提供了基礎[7]。貝葉斯分類方法的特點如下：

①貝葉斯分類方法是通過計算得出數據對象屬于不同類的概率。對于確定屬性屬于哪個類，分為單類標數據和多類標數據2種情況。單類標數據是選取其中概率值最大的作為類的對象，而多類標數據則有些不同，它不一定選最大值，只選取較大的類作為對象的類。

②通常情況下，所有屬性對于貝葉斯分類來說都是有其潛在作用的，即要想得到更好的分類就要包括所有的屬性，當然可能存在一些對分類有很大影響的屬性。

③利用貝葉斯分類方法的數據格式沒有具體要求，這保證了貝葉斯分類的實用性和通用性。

3.1樸素貝葉斯分類方法

貝葉斯分類方法中比較經典的分類方法有樸素貝葉斯分類方法和樹擴展模型TAN分類方法等，樸素貝葉斯分類模型方法的步驟如下：

①樸素貝葉斯一般只能處理離散的數據，因此，第1步是分別對訓練樣本數據集和測試樣本數據集進行缺失值處理和離散化處理。

②對訓練樣本數據集進行掃描，分別統計訓練集中類別和類別的樣本中屬性取值為的實例樣本個數，分別用，表示，并根據結果構成統計表。

③分別計算先驗概率（ ）= /和條件概率（= | ）的結果。

④根據上面的知識構建分類模型。

⑤最后掃描待分類的樣本數據集，調用前面已經完成得到的統計表或概率表以及構建好的分類模型，并得出結果。

上面表達了樸素貝葉斯實現的一個過程，從中可以看出貝葉斯分類方法的優點，簡單且易實現，通過試驗證明算法健壯性和魯棒性都較好。

4科技成果篩選與評價逆向耦合模型建立

單一的貝葉斯網絡屬于基礎算法模型，根據概率來預測樣本類別，但是會因為樣本的特殊性，導致判斷誤差。科技成果評價經過一次計算過程得出的結果并不精確，必須設置反復訓練，通過隱含層的設置，將先驗信息經過反復推理得到后驗信息，后驗信息在逆向耦合到算法輸入側，作為評價參考，自調整網絡參數關系，不斷優化網絡結構，提升輸出結果的有效性。

本文采用貝葉斯+深度學習算法，貝葉斯算法主要單純從概率估計角度判斷數據歸屬類別，但是一次性判斷往往缺乏可信度，而深度學習的思維恰好是利用多次自學習方式，加深算法的驗證能力，因此結合二者的優勢，提出深度學習思想輔助貝葉斯算法的模式，對原始性能指標數據反復訓練，確保評價結果的精準性。科技成果篩選和評價逆向耦合模型如圖3所示。

一般的數據分類法都是正向計算法，很少算法會進行自反評估，但實際評估時，測算的評估結果往往對計算過程會有一定的影響，所謂的評價逆向耦合就是所謂的反評估過程。貝葉斯算法的后驗結果對先驗數據的遞歸過程則體現了逆向性，在通過選擇合適的深度計算權值矩陣，進行神經網絡訓練學習，獲取可信評估結果。設置訓練集權值為1，2，...，，輸入采樣集合為，根據以往專家系統經驗初設先驗參考值，計算二者的概率分布值，并通過1權值進行訓練，得到后驗概率1，計算過程中會摻雜白色噪聲，混合作為一級輸出，輸出結果逆向耦合到先驗值和下一級權值，并自動優化調整，進行二次權值訓練，直到訓練耦合性符合閾值要求，則說明已經收斂，結果可作為最后輸出。

此模型的優點是計算的中間參考數據都具備智能調節能力，可朝著最優化方向調整，過程無需人工干預，并依靠數據結構間的關聯性，判斷指標的發展趨勢，多層級的訓練計算，避免了判斷的偶然性，綜合提升了計算的可靠穩定性。

5結束語

科技成果的發展關系存在必然性和偶然性，通過貝葉斯算法確定指標間的必然性，通過多次計算規避指標的偶然性，成果指標的判斷精準性對公司的技術發展成敗起到決定性的作用，因此算法性能的選擇是至關重要的。本文提出的貝葉斯+深度學習算法首先在計算模式上是一種創新的逆向耦合思維，在分析過程中利用概率論和多層級計算等提供一種更穩固的保障，將智能計算深入滲透到科技成果評價系統中，為固步的科技成果分析評價發展歷程注入了創新血液。

參考文獻

[1]劉家樹，菅利榮.科技成果轉化效率測度與影響因素分析[J].科技進步與對策，2010，27（20）：113-116.

[2]黃偉.我國科技成果轉化績效評價、影響因素分析及對策研究[D].長春：吉林大學，2013.

[3]曹晟，田大山.美國科技評估立法實踐及其對中國的借鑒意義[J].自然辯證法通訊，2004（6）：57-61.

[4]宋小燕，汪克強.科技成果評價體系中的知識產權保護問題[J].科技與法律，2003（1）：24-25.

[5] Al-Najjar N， Weinstein J. A Bayesian Model of Knightian Uncertainty [R].Reihekonomie/Economics Series， Institutfür Hhere Studien （IHS）， No.300， 2013.

[6]畢克，吳甜，謝迎新.重大科技成果智能評價體系模型研究[J].企業技術開發，2012，31（23）：57-59.

[7]張明衛，王波，張斌，等.基于相關系數的加權樸素貝葉斯分類算法[J].東北大學學報（自然科學版），2008（7）：952-955.