基于多維空間專利地圖及可拓學的技術創新路徑識別與評價

王金鳳，徐正強，馮立杰，李 康

（上海海事大學，上海 201306）

1 研究背景

黨的十八大以來，創新成為時代的主題。黨的十九大明確提出提高科技創新能力，加快建設創新型國家。我國“十四五”規劃則對加快科技創新提出了更為迫切的要求。企業作為國家技術創新的主體，更加凸顯了提高其科技創新能力的緊迫性及重要性［1］。Kim 等［2］、賴曉敏等［3］、陳欣然等［4］的研究均指出，專利作為技術創新的重要載體，通過挖掘并剖析專利，能夠研判企業的技術創新機會從而提升其創新能力。因此，研究如何從專利數據中精確識別并研判創新路徑，對企業提高技術創新能力和核心競爭力具有重要的理論研究和實踐指導意義。

在技術機會識別中，大數據、文本挖掘、機器學習和自然語言處理等信息處理技術和分析方法提升了技術創新路徑識別的自動化水平和效率，呈現出更加廣泛的應用趨勢，但研判的創新路徑往往較為抽象和模糊，在很多情況下還需領域專家參與并解讀才能加以識別，因而許多研究應用專利地圖、技術形態組合、subject-action-object（SAO）技術鏈等手段解讀技術機會，在減少專家介入的同時大大提高技術機會的可解讀性及具體性。例如，李乾瑞等［5］采用SAO 語義挖掘方法構建技術形態矩陣，以SAO 技術鏈完善技術細節，改善創新路徑抽象問題；馮立杰等［6］將SAO 技術鏈與多維空間專利地圖進行結合，構建了多維導航的創新路徑識別模型，可具象識別創新路徑。多維空間專利地圖是通過捕捉客觀技術創新要素，耦合創新法則進行迭代變換，映射于創新地圖的創新方法，可以識別技術創新機會并具象出系列創新路徑。例如，馮立杰等［7］應用IDE 創新方法（工業設計ID 與工業工程IE 融合形成的IDE 創新方法）多維解析裝備研發領域的多維技術形態并構建專利地圖，迭代產生技術研發方案；王金鳳等［8］基于多維技術專利地圖提出技術創新機會識別路徑，并以此解讀煤層氣開采技術創新機會；岳俊舉等［9］依據文本挖掘及關聯規則構建了簡易技術識別路徑與多維空間專利地圖維法深入進行技術識別，形成完整的技術形態。因此，通過構建目標領域多維空間專利地圖的方式，有利于增強技術機會的可讀性，具象出系列創新路徑。

鑒于此，本研究應用多維空間專利地圖以識別具體技術創新路徑。首先通過詞頻-逆文檔頻率（TF-IDF）算法和隱含狄利克雷分布（LDA）模型，快速精確地提取創新要素，進而運用馮立杰［10］提出的“九法”進行耦合異化，構建多維空間專利地圖以識別具體技術創新路徑，并依據目標技術問題和目標優選創新法則，更精準地捕捉技術創新機會并具象其創新路徑，最后結合可拓學對創新路徑進行綜合指標關聯度評級，優選出有價值、有前景、有現實意義的創新技術路徑，減少企業創新成本，提高創新效率。

2 文獻綜述

2.1 技術機會識別

在技術機會識別中，自然語言處理、統計分析等智慧手段呈現廣泛應用。一是提高知識要素結構化自動化水平。二是引入新的知識要素結構化技術文本，拓展技術機會識別的表現形式，如，張福俊等［11］用共詞分析法和謂詞樹分析法對論文與專利以及專利與專利進行對比，以挖掘海洋科學領域的技術創新機會；李欣等［12］構建了基于SAO 結構的問題-解決路徑模型挖掘并聚類新興技術專利文本中的語義信息，以揭示新興技術形成過程中的進化脈絡與演化軌跡；周健等［13］將文獻按時序劃分為不同的時間段，對不同時間段的文獻進行主題識別，客觀展示了區塊鏈技術主題間的演化關系。另有學者通過構建專利地圖來識別技術創新的空白領域，如Son 等［14］將生成拓撲映射（generative topographic mapping，GTM）應用于機器學習，通過GTM 專利地圖研究技術空白區域的關鍵詞向量以預判目標領域的技術創新機會；而Lee 等［15］、王翠波等［16］則利用可視化技術專利地圖，將地圖中的空白區域定義為技術創新機會。技術機會識別研究在借助各種智慧化、自動化手段減少專家參與的同時，技術機會表示及可讀性方面也在趨向于具體化、定量化，如李乾瑞等［5］在采用SAO 語義挖掘方法構建技術形態矩陣基礎上開展了形態分析，以輸出技術形態組合備選集，然后引入模糊一致矩陣法對得到的技術形態組合進行了綜合評價與排序；馮立杰等［6］抽取SAO 語義鏈結合多維空間專利地圖構建三級技術創新識別路徑，多維、多層次精準識別技術機會。

2.2 多維空間專利地圖

多維空間專利地圖是通過對具象專利信息進行多維度導向分析，綜合運用多種創新法則對影響各維度的創新要素進行迭代變換，從而高效形成系列創新路徑的一種創新方法［17］。該方法綜合了TRIZ、系統創新思維（systematic inventive thinking，SIT）方法和檢核表法等創新理論，提出了人機關系維、功能維、動力體系維、環境維、空間維、結構維、機理維、材料維和時序維等九大技術創新維度（以下簡稱“九維”），及智慧化、替代、自服務、動態化、分解與去除、組合與集成、局部優化、柔性化和友好化等九大技術創新法則（以下簡稱“九法”），通過九維導航，借助九法對創新要素進行耦合變換優化，以形成系列技術創新路徑［10］。多維空間專利地圖的拓展性廣、文本結構兼容性強，例如，有研究利用功能-行為-結構（function-behaviorstructure，FBS）結構解析創新層次，并依據文本挖掘的熱點主題構建多維空間專利地圖，解讀系列技術創新機會［18］；有研究基于需求視角構建Kano 模型識別關鍵需求，引入多維空間專利地圖，生成目標APP 的系列技術創新機會［19］；也有研究基于LDA主題聚類構建多維空間專利地圖具象創新方案，并以TexRank-IDF新穎度指標評價技術機會方案［20］。

綜上所述，多維空間專利地圖的運用已經逐漸成熟，但上述研究前期通過專家介入進行解構，獲取技術結構文本，存在主觀性強且效率低等問題；同時，上述研究存在自動化提取創新要素文本精確度不夠等問題。因此，本研究通過TF-IDF 及LDA文本挖掘方法進行嵌套使用，對技術文本經過二次精煉，提高多維空間專利地圖的創新要素及創新維度的精確性。

2.3 LDA 主題聚類

通過詞頻分析、共詞分析及 LDA 概率模型主題提取等文獻統計分析方法，能夠高效遍覽相關領域的專業文獻［21］，而LDA 在主題詞篩選上能很好體現其間的語義關系，尤其是它能夠在大量異構文本數據中提取關鍵主題的同時降低文本維度，避免維度災難［22］。正因如此，LDA 主題模型應用成為文獻計量方法的研究熱點。

式（1）中：θd、βk、k為未知參數；θd和βk可通過Gibbs 抽取樣本估算；最優主題數量k可通過困惑度（perplexity）確定。困惑度一般用于評估LDA 主題模型的優劣程度以對模型性能進行量化評價，計算公式如下：

參考譚春輝等［23］、Liang 等［24］的研究，困惑度表明文檔d從屬主題的不確定性，數值越小表明模型的性能越優，因此，將最低或拐點對應的k值設為文本的最佳主題數，但LDA 模型的主題詞項構成中大多會存在一些不重要甚至是不相關的詞項，因此，需要在輸出結果時借助領域專家加以遴選，或引入其他方法進行預處理，以增強主題詞提取的準確率［24］。如慎金花等［1］、馮立杰等［18］分別采用了Apriori 算法和FBS 模型對文本進行挖掘和分解提取關鍵詞，為LDA 主題聚類提供技術文本數據，提高了主題詞項的精度和準確性；毛太田等［25］將關聯規則算法和LDA 融合，對政府相關信息文本進行了主題提取與聚類以挖掘出相關用戶的興趣；劉自強等［26］通過引入chunk 模塊，通過名詞組塊的構造進行增強LDA 主題的可讀性，改善了LDA 中主題詞的信息不足問題。為進一步在高效提取專利文本中最具代表性關鍵詞的同時減少無用的雜詞，提高主題和主題詞提取的精度和效率，本研究將通過TF-IDF 結合LDA 對專利文本進行關鍵詞篩選，提高專利數據分析的客觀性及自動化水平。

2.4 TF-IDF 算法

TF-IDF 算法簡單直觀，而且在計算詞語的權值方面應用較多且效果較好。該算法提取關鍵詞的總體思路是：某個詞或短語在某文檔中出現頻率較高而在其他文檔中出現頻率較低，則可認為該詞或短語具有較好的區分能力，可作為該文檔的關鍵詞［27］。由此，可利用該方法進行信息檢索、文本挖掘并確定用戶模型的權重［28］。如彭博［29］利用TF-IDF 算法提取了網絡文物信息資源文檔集中各文檔代表性的主題詞；彭郴等［30］等運用TF-IDF 算法過濾高質量的短語和詞以有效提取相關產品的質量信息，并構建了消費品缺陷領域的詞典庫；唐曉波等［31］則運用TF-IDF 算法抽取關鍵詞并進行抽詞標引，以發現關鍵詞句子內部的特征。不難看出，該算法綜合考慮了文本中高頻詞和低頻詞對文本分類的貢獻。因此，借鑒譚金波［32］的做法，采用TF-IDF 提取的關鍵詞數據集作為 LDA 進行主題聚類的數據源，在提高數據處理效率的同時增強主題詞項提取的精度、準確性。

3 技術創新路徑的識別與評價

本研究以多維空間專利地圖具象出目標領域的技術創新機會，通過TF-IDF 及LDA 高效精準地提取目標領域創新要素的維度，再結合多維空間專利地圖九法進行耦合異化，構建目標領域的多維空間專利地圖，法維交織，可以清晰地識別目標領域的技術創新機會。為進一步提高技術創新的效率，減少盲目投入，先通過問題和目標優選相關創新法則，減少價值不高、前景不明的創新路徑，再通過可拓學計算各創新路徑的綜合評級關聯度進行優選。

3.1 技術創新路徑識別框架的建立

本研究構建的技術創新路徑識別框架主要由技術創新路徑的識別和評價組成，如圖1 所示。

圖1 技術創新路徑識別及評價框架

3.2 技術創新路徑的識別

3.2.1 專利數據的預處理

（1）確定技術創新領域。鑒于每個技術創新領域包含的專利文本數據不一，涵蓋的關鍵詞不同，所以由此得到的創新要素和維度也不盡相同，因此首先應明晰具體的技術創新領域。

（2）甄選專利。針對目標技術創新領域確定專利搜索關鍵詞，并在特定專利檢索平臺收集相關專利數據，在剔除與目標技術創新領域關聯度較低的專利后，得到與之關聯度較高且代表該領域技術創新研發趨勢的專利文本數據。

（3）建立知識圖譜。將上述專利數據進行分詞、停詞、清洗、篩選處理，可提取目標技術領域的創新要素并建立知識圖譜，為萃取創新維度奠定基礎。

3.2.2 創新維度的萃取

（1）挖掘創新要素。基于TF-IDF 算法提取專利文本中的關鍵詞作為影響專利創新的要素。

（2）LDA 挖掘核心創新要素。對專利文本關鍵詞降維并提取主題文本及其核心要素，可將采用TF-IDF 方法得到的關鍵詞文本輸入LDA 模型，以提高基于LDA 降維分析的精準度。

（3）依據專家意見，結合知識圖譜刪減或補充上述數據集，繼而萃取出影響目標技術領域的創新維度。

3.2.3 技術創新路徑的生成

（1）構建多維空間專利地圖。依據LDA 多維要素聚類最終結果將創新要素映射并標注于多維空間，繪制出多維空間創新地圖，依此可視化分析現有要素組合的分布狀態，而且能夠通過變化異化后的要素間組合觸發創新，進而產生超出現有技術領域的創新要素組合，從而為探索目標領域的潛在創新機會提供指引。

（2）通過問題和目標確定創新法則。由于創新要素及創新法則組合分布數量龐大，存在價值及前景較小的創新路徑，因此需要對創新法則及維度組合進行篩選，明確創新目標，提高技術創新的效率。基于現實狀況中目標技術存在的問題及對應達到的目標，邀請專家優選各創新維度選擇進行耦合變換的創新法則，如智慧化、替代、自服務、分解與去除等。

（3）具象技術創新路徑。將上述創新維度與對應的創新法則耦合，根據目標技術存在的問題生成系列技術創新路徑。

3.3 技術創新路徑的評價

為了進一步提高創新效率，減少不必要的創新成本，應用評價模型對以上生成的技術創新路徑進行評價，以研判最佳技術創新機會的過程。鑒于可拓學方法在策略生成與評價技術中的廣泛應用，如，Su 等［33］、Jiang 等［34］均指出，依據可拓學理論構建的區域創新協調的測度模型、空氣質量預警系統的評估模型，可以更好衡量創新對象或評估對象的性質特征，因此本研究采用該方法進行關聯度計算以實現對具體創新路徑的評價。詳細步驟如下。

（1）劃分評價等級。參照TRIZ 理論可將具象技術創新路徑劃分為5 個等級代表創新路徑的投入價值，即I 級（高級）、Ⅱ級（較高級）、Ⅲ級（一般）、Ⅳ級（較低級）和V 級（低級），各級別對應的值域分別為I 級（4，5］、Ⅱ級（3，4］、Ⅲ級（2，3］、Ⅳ級（1，2］和V 級（0，1］。

（2）構建待評物元。作為可拓學的邏輯細胞，物元可表述為R=（N，b，r）=（事物名稱，特征，特征值），由此對待評的技術創新路徑i構建待評物元矩陣如下：

（3）計算關聯度。根據可拓學的關聯度計算規則，第k個指標關于等級j的關聯函數可表述如下：

（5）通過計算上述各創新路徑的綜合關聯度判定其創新等級。首先計算各創新路徑的綜合關聯度如下：

最后，選取關聯度最高者作為最優創新路徑。

4 案例應用——以冷庫技術為例

冷庫作為肉禽類、果蔬、冷飲、藥品、化工原料和電子儀器儀表等必不可少的恒溫貯藏基礎設施［35］，同時也是冷鏈物流中最重要的一環，探究冷庫技術設施的創新路徑對冷鏈物流企業的創新發展極為重要。利用上述技術機會識別模型識別冷庫創新路徑，精準把握冷庫技術領域創新規律，具象冷庫技術創新路徑，結合可拓學理論進行關聯度綜合指標計算并評級擇優，為冷鏈物流企業制定科學合理的技術創新研發方案提供決策參考。

4.1 冷庫技術的多維空間專利地圖構建

4.1.1 數據收集及預處理

在中國知識產權網平臺檢索相關專利數據，具體檢索方案見表1。

表1 冷庫技術專利檢索方案

將檢索到的專利文本數據進行關聯度篩選，剔除不符合冷庫技術創新主題要求的專利數據，共得到2 668 項有效專利文本數據（以下簡稱“樣本”）。為更精確地獲取目標技術領域的創新要素，通過分詞及停詞處理對文檔清洗并進行多次迭代構建冷庫技術的專業停詞表，通過計算關鍵詞的共詞矩陣和詞頻并進行可視化處理，繪制冷庫技術的創新要素共線網絡如圖2 所示。

圖2 冷庫技術創新要素共線

圖2 中，關鍵詞字體大小代表詞頻的高低；各關鍵詞及其之間的連線代表各專利文獻進行創新的要素及其組合，連線粗細代表該組合的創新次數，連線越粗越多代表創新的頻次越高、結構也越緊密。由此看出，現有冷庫領域的技術創新熱點主要集中在制冷系統的各設備與構件（如壓縮機、蒸發器、冷凝器及冷風器等）；在現有技術熱點四周密布的創新要素為冷庫技術專利研究的稀疏區或空白區，這些創新要素的關注度較低，例如熱交換器、散熱器、截止閥、聲光報警器、增壓風機等，但這些專利支持文檔少、出現頻率低的創新要素對冷庫的未來技術創新極為重要。

4.1.2 冷庫技術的創新要素挖掘

運用TF-IDF 算法在樣本數據中提取得到各冷庫技術專利的創新要素（見表2）。

表2 冷庫技術專利文本創新要素

4.1.3 冷庫技術創新維度確定

選取最小困惑度對應的主題數作為LDA 模型的最優主題數，計算得出1～10 個主題數對應的困惑度（見圖3）。

圖3 冷庫技術專利文本主題個數與其對應的困惑度

由圖3 可以看出，當主題數為4 時困惑度最低，因此冷庫的LDA 模型最優主題數為4。進一步建立LDA 模型得到聚類的主題和主題關鍵詞，如表3 所示。

表3 冷庫技術專利文本的LDA 聚類數據

其次，運用多維空間專利地圖對主題核心創新要素進行分類，并將冷庫技術的創新維度劃分為材料維、機理維、結構維和功能維。由于TF-IDF 和LDA 均為基于詞頻的智能算法，在提取聚類中可能會漏掉具有創新性的關鍵詞，因此將表3 結合知識圖譜進行查驗，得到載冷劑、增壓風機、油液分離器等創新要素。此外，邀請相關領域專家共補充了20 個創新要素，最終確定的創新維度見表4。

表4 冷庫技術的創新維度

4.1.4 構建冷庫技術的多維空間專利地圖

依據LDA 多維要素聚類結果繪制出多維空間創新地圖（見圖4 和圖5），對現有要素組合的分布狀態進行可視化分析；同時，通過變化異化后的要素間組合觸發創新，進而產生超越現有技術領域的創新要素組合，為探索冷庫創新技術提供指引。

圖4 冷庫技術機理、功能、結構維空間專利地圖

圖5 冷庫技術材料、功能、結構維空間專利地圖

4.2 冷庫技術的技術創新路徑識別

多維空間創新地圖蘊含了豐富的 創新要素及創新法則組合分布，但推導出的一些技術創新路徑方案可能存在價值及前景較小的問題，為了避免創新盲目性和提升創新效率，從當前我國冷庫技術存在的問題出發，分析冷庫領域當前急需解決的問題。我國生產的分體制冷器、庫體材料、冷凝材料、溴化鋰吸收式冷水機組等產品取得一定的優勢，但在制冷壓縮機的研究開發、制冷空調系統、冷庫設施自動及智慧化設計、網絡化運行等方面仍具有明顯的差距［36］。例如，存在冷庫設施功能單一，不能很好地適應如今市場多樣化的要求；加之其自動化程度普遍偏低，與發達國家相比差距較大，整體冷庫技術大多僅針對某一制冷設備部件，較少系統考慮制冷循環的前沿領域，因此無法精細控制冷庫設施各個環節，造成大量能量浪費的情況［37］。在分析我國現有冷庫的問題后，邀請專家對此優選耦合的創新法則（見表5），并分別從不同維度的不同創新要素與優選的創新法則進行迭代變換，具象出了6 種冷庫技術創新路徑（見圖6），其中每種路徑連線表示其所涉及的維度，不同的形狀表示該路徑涉及的創新法則，具體如表6 所示。

表5 我國冷庫存在問題與對應創新法則

表6 冷庫技術的創新路徑

圖6 基于4 類維度的冷庫技術方案

4.3 冷庫技術的技術創新路徑評價

分別從技術和市場兩個層面構建指標體系，通過可拓學建立評價物元，然后運用關聯度計算規則計算各路徑的評價指標對評價等級綜合關聯度，進而優選出最合理的技術創新路徑。其中，各路徑的潛在價值由技術層面諸如新穎度x1i、技術實現可能性x2i、市場價值層面的經濟效益x3i、社會效益x4i等指標共同決定。首先，邀請相關專家及企業技術人員對各具象指標打分，以構建冷庫技術各創新路徑的待評物元Ri（i=1，2，3，4，5，6）如下：

其次，通過式（4）～（6）分別計算冷庫技術各創新路徑評價指標與各等級的關聯度。以路徑①為例，計算指標x11的r11關于 I、Ⅱ等級的關聯度，其余計算結果見表7。由于所以r11關于 I、Ⅱ等級的關聯度為：

表7 冷庫技術待評創新路徑各指標值對創新等級的關聯度

表7（續）

則冷庫技術的各創新路徑關于各等級的最大關聯度為：

從上述創新路徑的最大關聯度可知，路徑①和路徑④為高級創新路徑的Ⅰ類創新等級；而路徑②③⑤⑥為較高級創新路徑Ⅱ類創新等級。其中，①、④相較于其他路徑，在冷庫的制冷系統和設備上，采用組合與集成或自服務創新法則對其進行組合優化實施難度小而且成本低，在冷庫節能和提高設備使用壽命等方面效果顯著，具有更高的創新價值。

5 結論

本研究使用TF-IDF 及LDA 文本挖掘方法對技術文本經過二次精煉，提高多維空間專利地圖的創新要素及創新維度的精確性，并依據目標技術問題和目標優選創新法則建立可拓學評價體系，具象出符合現狀、有價值有前景的技術路徑。基于此技術機會識別評價模型，通過計算各創新路徑綜合評級關聯度進行進一步擇優，以減少盲目創新投入的成本，提高創新的效率和科學性。

但在完善創新要素以及確定方案評價權重時，本研究主要依據專家的經驗可能會加大擇優結果的主觀性，后續研究需要從主客觀兩方面綜合考慮并確定其權重。