基于弱信號的潛在競爭對手識別方法研究

史敏 張圓 羅建

摘 要：[目的/意義]識別企業未來的競爭對手，對于企業當前決策非常重要。潛在競爭對手一旦轉變為直接競爭對手，往往會給企業帶來巨大的沖擊，甚至危及企業市場地位。為了盡早識別潛在競爭對手，本研究提出一種基于弱信號的潛在競爭對手識別方法，以期為企業開展潛在競爭對手識別提供方法支持。[方法/過程]以專利數據為信息源，構建三階段的潛在競爭對手識別方法：第一階段通過LDA模型對文本進行主題分類;第二階段采用弱函數對主題進行過濾，獲得弱信號主題;第三階段將弱信號主題分類，采用平均語義量衡量企業的技術競爭力，并結合企業成長速度以識別潛在競爭對手。[結果/結論]本研究以臺積電公司作為焦點企業對方法進行驗證，識別出三星為其晶圓代工市場的潛在競爭對手，說明了方法的有效性。該方法將弱信號引入潛在競爭對手識別領域，既豐富和完善了競爭對手理論，也對弱信號在新領域的應用進行了深入拓展。

關鍵詞：潛在競爭對手;專利;語義分析;弱信號

DOI：10.3969/j.issn.1008-0821.2022.06.010

〔中圖分類號〕G250.25 〔文獻標識碼〕A 〔文章編號〕1008-0821（2022）06-0104-08

Abstract：[Purpose/Significance]Identifying future competitors of an enterprise is very important for the current decision-making of an enterprise.Once a potential competitor turns into a direct competitor，it will often bring a huge impact to the enterprise，and even endanger the market position of the enterprise.In order to identify potential competitors as early as possible，this research proposes a method for identifying potential competitors based on weak signals，in order to provide methodological support for companies to identify potential competitors.[Method/Process]Patent data were used as the information source to construct a three-stage method for identifying potential competitors：In the first stage，the text was classified by subject through the LDA model;in the second stage，a weak function was used to filter the subject to obtain a weak signal subject;in the third stage，weak signal topics were classified，the average semantic quantity was used to measure the technological competitiveness of enterprises，and potential competitors were identified in combination with the growth rate of enterprises.[Result/Conclusion]This study validates the method with TSMC as the focal enterprise，identifies Samsung as a potential competitor in the foundry market，and illustrates the effectiveness of the method.This method introduces weak signals into the field of potential competitor identification，which not only enriches and perfects the theory of competitors，but also expands the application of weak signals in new fields.

Key words：potential competitors;patents;semantic analysis;weak signal

潛在競爭對手是那些現在不被管理者關注，但將來某個時候可能給公司致命一擊的競爭對手[1]。企業由于經營慣性往往將更多的精力聚焦于當前的競爭對手，從而忽視了未來可能動搖自己領先位置的潛在競爭對手。為了提升應對和防范這種風險的能力，企業需要不斷收集外部環境信息，尤其是技術信息，依據信息中的早期微弱信號，識別潛在競爭對手并預測未來的發展和變化。為順應這一需求，本研究將弱信號引入潛在競爭對手識別領域。由于“弱信號”包含了未來事件的最初征兆，而潛在競爭對手識別恰恰也是要透過早期模糊的信息來發現未來的競爭對手，因此，潛在競爭對手識別與弱信號識別具有一致性。潛在競爭對手引發的商業競爭，首先從技術層面顯現，只有在技術上有所布局，才會推出源源不斷的新產品。而技術的獲取和識別往往需要挖掘海量的期刊、報告和專利等數據庫。其中，專利作為技術寶庫具有內容可靠、格式規范等優點，被廣泛應用于學術和工業研究[2]。因此本研究以專利信息為數據源，構建涵蓋LDA主題模型建立、弱信號主題篩選和潛在競爭對手識別三階段的潛在競爭對手識別方法，并以半導體領域的臺積電作為焦點企業開展實證分析，驗證基于弱信號的潛在競爭對手識別方法的有效性。C3BEA568-E82D-4BD0-B478-AA3735F67E0E

1 文獻回顧

1.1 潛在競爭對手研究

學界關于競爭對手的研究較多，但關于潛在競爭對手的研究較少。潛在競爭對手的研究大多源于Chen M J的研究，由于市場和資源（或戰略）方面的差異，企業將經歷不同程度的競爭緊張，為了從焦點企業的角度來評估公司之間的競爭緊張關系，建立了基于市場共性和資源相似性兩個維度的競爭對手分析框架[3]。Bergen M等[4]借鑒了Chen M J的分析框架，提出了兩階段的競爭對手識別和分析框架，將競爭對手劃分為直接競爭對手、間接競爭對手（替代者）和潛在競爭對手。劉志輝等在Chen M J建立的資源與市場二維框架的基礎上，將表征企業創新活動的技術威脅加入評估維度中，從而建立了包括資源、市場及創新能力在內的三維企業競爭威脅測度模型[5]。吳菲菲等[6]基于專利信息，構建了兩階段三維度潛在競爭對手識別模型，第一階段從技術應用維和知識維視角測度企業間技術關聯強度;第二階段從技術行業維視角判定技術關聯類型，用于區別競爭對手特征，實現對競爭對手的技術競爭力評價。史敏等[1]基于專利說明書語義分析，開展了潛在競爭對手識別研究。

1.2 弱信號相關研究

弱信號最早是由Ansoff H I[7]于1975年提出。Ansoff H I等[8]將弱信號定義為未來可能發生變化的癥狀，是警告信號或新可能性的跡象。Saul P[9]認為，弱信號隱藏在噪聲中，模糊且具有爭議性，它們逐步匯集形成一種情報模式，用于提醒領導者改變博弈選擇。董尹等[10]認為，弱信號是一個持續的意義構建過程，首先從當前經驗流的異常中注意到模糊且不確切的提示，隨后抽取出線索并進一步潤色和細化，指引可能會產生的變化和趨勢，最終通過事后的反思確定效果。弱信號意味著環境中變化的初步跡象，能為未來的預測提供重要線索。近年來，弱信號識別越來越多地受到國內外學者重視。在基于專利等非結構化數據開展弱信號識別的研究中，國外研究主要分為以詞為基礎[11-14]、以主題識別[15-19]為基礎，以及詞和主題相結合的弱信號識別研究。其中詞和主題相結合的研究主要由Akrouchi M E等[20]提出，這是一種包含主題過濾和術語過濾的全自動弱信號檢測方法。國內則主要基于隱含語義索引[21]、主謂賓結構[22]和專利分類號共現[23]展開弱信號識別。國內學者楊波等[24]也基于Akrouchi M E等提出的詞和主題相結合的方式，再運用深度學習模型對弱信號進行語義拓展，以檢測弱信號。

1.3 研究述評

綜上所述，目前關于潛在競爭對手的研究較少，更無基于弱信號開展潛在競爭對手識別的研究。本研究采用主題和詞相結合的方式發現技術主題的弱信號，并結合潛在競爭對手識別情境，將技術主題弱信號進行歸類，形成弱信號技術主題集，統計弱信號主題中排位靠前的專利權人的專利數量，并計算專利權人的平均語義量，以此表征企業技術競爭力，通過比較技術主題集內企業技術競爭力初步識別潛在競爭對手，最后結合企業成長速度等，確定焦點企業的潛在競爭對手。本研究基于弱信號開展潛在競爭對手識別方法研究，既豐富和完善了競爭對手理論，也對弱信號理論在新領域的應用進行了方法上的拓展，具有一定的創新性。

2 研究設計

基于弱信號的三階段潛在競爭對手識別流程包括3個環節：數據預處理、三階段潛在競爭識別以及識別結果甄別與應用，具體如圖1所示。其中三階段潛在競爭對手識別是核心，主要包括：①第一階段構建LDA主題模型，通過模型對語料庫進行語義分析，獲得技術主題，并得到文檔—主題分布和主題—詞分布兩個矩陣;②第二階段弱信號主題篩選，通過計算弱函數和設置弱信號閾值，獲得弱信號主題;③第三階段潛在競爭對手識別，根據焦點企業主營業務的特點，結合行業的發展情況對弱信號主題進行分類，采用平均語義量衡量企業的技術競爭力，通過分析企業技術競爭力和成長速度識別潛在競爭對手。三階段潛在競爭對手識別方法的優勢在于將弱信號識別與潛在競爭對手識別很好地融合，能對弱信號主題進行分類，從而增強潛在競爭對手發出的弱信號，提升識別的精準性。

2.1 主題分析

2.1.1 LDA主題模型

2003年，Blei D M等[25]提出一種無監督的機器學習技術LDA（Latent Dirichlet Allocation），是用于文本語料庫等離散數據集合的生成性概率模型，如圖2所示。它采用了詞袋（Bag of Words）的方法，不考慮文檔中的詞語順序，將每一篇文檔視為一個詞頻向量，從而將文本信息轉化為易于建模的數字信息。每一篇文檔代表了一些主題所構成的一個概率分布，而每一個主題又代表了很多單詞所構成的一個概率分布。每個單詞都是從單個主題生成的，文檔中的不同單詞可以從不同的主題生成[26]。因此，每個文檔被表示為這些混合成分的混合比例列表。LDA常用于挖掘文本的隱藏主題，現在已經被應用于弱信號探測領域。

LDA主題模型如圖2所示，其中α和β均為Dirichlet先驗參數，M為文檔的數量，K為設定的主題數，Nm為第m篇文檔中單詞的總數。θ為一個M*K的矩陣，θm代表第m篇文章的文檔—主題分布，由參數α控制，φ是一個K*V的矩陣，V為詞袋的長度，φk代表編號為k的主題—詞分布，由β控制。Wm，n為第m篇文檔的第n個詞，是可以被觀測的參數變量，Zm，n為文檔m中第n個詞被觀測到的隱藏主題。

2.1.2 主題數確定方法

在LDA主題建模中，如何確定合適的K值一直是最具挑戰性和爭議性的問題之一。一般情況下，確定主題數的方法有3種：困惑度計算[28]、層次狄利克雷過程（HDP）[29]、彎頭法[30]。過多的主題容易造成結果分散，會加大弱信號識別中噪音的干擾。由于彎頭法可以有效地減少主題數，因此本研究采用彎頭法來確定最佳主題數。該方法通過計算不同主題數的專利對之間的平均余弦相似度值來確定最佳主題數。專利對之間的平均余弦相似度，將隨著主題數的增加而迅速下降，直到出現某個合適的主題數后，其相似度趨于平緩。C3BEA568-E82D-4BD0-B478-AA3735F67E0E

彎頭法確定主題數K涉及到余弦相似度指標，利用β矩陣中主題在V維詞空間的分布p（wv|Zi）來表示主題向量，主題i與主題j按下列公式計算余弦相似度[31]：

cos（Zi，Zj）=cos（βi，βj）=∑Vv=0βivβjv∑Vv=0（βiv）2∑Vv=0（βjv）2（1）

在此基礎上，所有主題間的平均余弦相似度公式如下：

avg_cos（structure）=∑K-1i=1∑Kj=i+1cos（Zi，Zj）K*K（K-1）/2（2）

2.2 弱信號程度計算

本研究借鑒Akrouchi M E等的研究采用Logistic函數構造弱函數。Logistic函數是在傳統線性回歸模型的基礎上，添加邏輯轉換函數后的一種變體，其邏輯映射函數能夠確保模型的結果保持在[0，1]之間[32]。Logistic函數常用于分類，如信用評估模型，判定違約概率。采用Logistic函數構造弱函數，并通過設置合理的閾值，將主題劃分為噪音、弱信號和強信號3類。弱函數中涉及3個參數，分別為接近中心度、主題權重和自相關系數。

接近中心度，為主題t與其他主題之間的距離之和的倒數。主題t距離其他主題越近，那么它的中心度越高，越是核心主題。常見的距離計算方法有：余弦距離、歐幾里得距離、Hellinger距離。由于Hellinger距離常被用來衡量概率分布之間相似度，并且滿足距離的非負性[33]，因此采用該距離公式計算每個主題與其余主題之間的距離。接近中心度計算公式為：

CC（t）=1∑id（t，ti）（3）

式（3）中d（t，ti）為兩個主題之間的Hellinger距離。

主題權重，是基于主題的一致性分數（Coherence Score）進行計算的。主題擁有更高的一致性意味著主題更有意義。主題權重由主題t的一致性分數除以所有主題一致性分數之和獲得，具體計算公式為：

W（t）=Coh（t）∑Coh（4）

式（4）中Coh（t）為主題t的一致性分數。

自相關系數表示一個信號在不同時間點的相關性程度，可用于找出被噪聲掩蓋的周期信號。自相關描述了同一類數據在不同時間段的關系，因為專利數據會隨著時間的推移而發生變化，為了過濾掉不含弱信號的主題，采用自相關系數作為衡量工具。自相關系數，是主題t在滯后k時的協方差與其方差的比值，具體計算公式為：

AC（t）=Cov（t）kVar（t）（5）

式（5）中Cov（t）k為主題t在滯后K時的協方差，Var（t）為方差。基于上述（3）～（5）3個公式，構造主題過濾函數WK（t），見式（6）。

WK（t）=W（t）*CC（t）1+exp-（AC（t））（6）

綜合前人研究，將概率低于1%的主題作為噪音，將介于1%到10%之間的界定為弱信號，將高于10%的作為強信號[34]。

2.3 潛在競爭對手識別

2.3.1 弱信號主題分類

弱信號本身具有微弱、模糊的特點，因此如果僅僅針對某個弱信號主題進行潛在競爭對手分析，很可能將一些偶爾出現的企業納入，致使識別結果存在偏差。為此，本研究首先對識別出來的弱信號主題進行分類，由于本研究是針對焦點企業開展的潛在競爭對手識別，因此依據焦點企業主營業務的特點，結合行業的發展情況對弱信號進行劃分，以便對弱信號進行增強，為后續潛在競爭對手打下基礎。弱信號主題的類別確認主要根據LDA主題模型獲得的主題—詞分布，并通過文檔—主題分布查閱部分有代表性的專利原文后進行綜合判斷。

2.3.2 專利權人平均語義量計算

將一個專利屬于某個技術主題的概率視為專利對技術主題的語義量，語義量由文檔—主題概率獲得。企業在某個主題中競爭力的強弱，可以通過企業在該主題中擁有的專利平均語義量進行評判。為了簡化計算，采用二八法則選擇專利。二八法則認為在任何一組東西中，最重要的只占其中小部分，約20%，其余80%盡管是多數，卻是次要的。根據二八法則，篩選出每個弱信號主題中主題語義排位在前20%，且專利權人為企業的專利。再對每個專利權人擁有的專利數量和語義量進行統計，然后計算各專利權人擁有的平均語義量，具體計算如式（7）所示，其中e表示某家企業，P（e）表示該企業擁有的某專利的語義量，由LDA主題模型獲得的文檔—主題分布決定，N表示該企業在該主題下前20%語義量中的專利數量。

S（e）=∑Ni=1P（e）N（7）

2.3.3 獲得潛在競爭對手

對每個弱信號主題的專利權人專利數量從高到低排序，獲得專利權人專利數量排名前10的企業名單。針對與焦點企業相關的弱信號主題集，統計專利權人出現的頻次。進一步將頻次較高的企業與焦點企業的技術競爭力進行對比，初步發現可能的潛在競爭對手。其中企業的技術競爭力采用平均語義量表征。最后，結合候選企業的戰略、市場、研發和成長速度等進行綜合判斷，以最終識別潛在競爭對手。

3 實證分析

3.1 案例企業選擇

臺積電創立于1987年，是一家專門從事晶圓代工的企業。半導體行業有三大商業模式：IDM、Fabless、Foundry。IDM（垂直集成）是全包半導體的產業鏈，Fabless（無廠）專注于設計，而Foundry（代工）專注于制造。臺積電的成立開創了半導體集成電路行業的Foundry商業模式。據半導體市場研究公司IC Insights的最新報告顯示，臺積電公司擁有56%的晶圓代工市場份額。本研究以臺積電作為焦點企業，開展潛在競爭對手識別，以對潛在競爭對手識別方法進行驗證。C3BEA568-E82D-4BD0-B478-AA3735F67E0E

3.2 數據獲取與預處理

智慧芽數據庫包含美國、歐洲、世界知識產權組織、中國、日本、韓國、挪威和全球法律專利數據庫，可以為研究提供優質的原始數據來源。本研究通過智慧芽數據庫檢索2002—2018年的半導體行業的專利，檢索式為：IPC：（H01L） AND TAC_ALL：（半導體） AND APD：[20020101 TO 20181231]AND LEGAL_STATUS：（3），過濾掉空白摘要和重復摘要文本，得到262 338份有效文本。在預處理階段，編寫Python程序對各年份中文專利摘要文本進行切割分詞處理。首先利用TF-IDF算法對文本中的名詞和動名詞進行關鍵詞提取，然后利用Jieba工具包去除特殊符號，并去除過于高頻和無意義的停用詞（如：半導體，實用新型，方法等）。得到分詞結果后對詞頻進行統計，將閾值設置15，大于等于該閾值的為特征詞，進而將特征詞轉化為結構化的向量空間模型，建立語料庫。

3.3 三階段潛在競爭對手識別

3.3.1 LDA主題分析

利用Python編寫LDA主題分析程序，采用彎頭法確定每年的主題數為9，根據已有研究，設定超參數α和β的初始值分別為“Asymmetric”和0.61，模型迭代次數為1 000，共獲得153個主題。表1列出了部分主題—詞分布情況。

3.3.2 弱信號主題篩選

針對每個主題計算弱函數所需的3個參數：①采用Hellinger距離計算各主題間的相似性，據此計算接近中心度;②使用Gensim計算每個主題的一致性分數，從而獲得主題權重;③根據各個主題的專利數量計算專利自相關系數。在計算3個參數的基礎上，計算弱函數WK（t），將結果處于1%～10%區間的主題作為弱信號主題，共獲得18個弱信號主題，其年度分布情況如表2所示。表2中主題名稱是根據主題—詞分布，并結合文檔—主題分布中排位靠前的專利內容進行命名。根據半導體集成電路行業的特點，將其劃分為設計、制造和封裝測試3個細分領域，將每個弱信號主題分別歸類到3個領域中，如表2所示。

3.3.3 潛在競爭對手識別

鑒于臺積電的主要業務是晶圓代工，屬于制造領域，因此針對10個制造領域的弱信號主題進行分析。根據二八法則，對每個弱信號主題中主題語義排位在前20%，且專利權人為企業的專利數量和語義量進行統計，獲得各弱信號主題下的主要企業的專利數量和平均語義量。表3呈現了制造領域弱信號主題專利數量TOP10的企業名單。

由于表3中，僅三星電子在10個弱信號主題中均位于TOP10名單中，且在2003—2008年和2011年的5個主題上超過臺積電，因此重點對三星電子和臺積電的平均語義量進行對比分析，如圖3所示。在制造領域弱信號主題中，三星電子平均語義量在2003—2009年均高于臺積電，2011—2014年略低于臺積電，2016年和2018年又高于臺積電，說明三星電子一直在深耕半導體制造領域，且不斷推陳出新。根據表3和圖3所呈現的數據，在2003—2009年，三星電子有成為臺積電潛在競爭對手的可能性。

3.4 識別結果甄別

以下結合三星電子的戰略、市場、研發，以及成長速度等對識別結果進行甄別。2005年，三星電子宣布進入晶圓代工行業。據當時Barrons采訪三星電子半導體事業部總裁黃昌圭的報道顯示，三星代工的產品主要是面向高端的芯片產品，與臺積電的市場定位并不相同，可見當時的三星電子雖然進入了晶圓代工行業，但與臺積電處于不同的細分市場，還尚未成為其競爭對手。2005—2009年，三星代工業務的年營收額均未超過4億美元。而在2010—2012年，三星的晶圓代工業務有了飛速發展，從2009年的3.25億美元躍至2012年的43.3億美元，如圖4所示。從企業的成長速度這一關鍵變量來判斷，這個階段三星已經成為臺積電的潛在競爭對手。隨著2017年，三星正式宣布將晶圓代工業務部門獨立為純晶圓代工企業，并計劃在5年內獲得代工市場25%的份額，三星正式成為臺積電的競爭對手。2018年，三星在全球晶圓代工行業躍居第二，且表示未來要爭奪晶圓代工領域的龍頭。

以上以臺積電為焦點企業，基于弱信號主題發現三星電子可能成為其潛在競爭對手，再結合三星電子在晶圓代工行業的成長速度等，確認三星電子為其潛在競爭對手，且在隨后5年就迅速發展成為直接競爭對手，說明了潛在競爭對手識別方法的有效性。

4 結 論

鑒于弱信號檢測與潛在競爭對手識別具有一致性，本研究將弱信號引入潛在競爭對手識別領域，構建了基于弱信號的三階段潛在競爭對手識別方法。該方法具有3個特點：一是充分運用LDA語義分析所獲得的主題—詞分布和文檔—主題分布，通過這兩個矩陣不僅開展了弱信號檢測，還利用文檔—主題分布獲得專利權人平均語義量，以表征企業的技術競爭能力;二是結合焦點企業所處行業的特點對弱信號進行分類，由于弱信號本身的模糊性，僅僅依靠單一的弱信號主題開展識別，容易出現偏差，因此將檢測的弱信號主題根據細分領域進行劃分，形成弱信號主題集，以便通過時間的變化發現候選潛在競爭對手;三是本研究是基于領域內處于領先地位的焦點企業開展的潛在競爭對手識別，除了在新技術研發方向上發現可能對自己產生威脅的企業之外，還結合企業成長速度這一關鍵因素來做進一步判斷，以提高識別的準確性。本研究以臺積電為焦點企業，識別出三星電子為其潛在競爭對手，說明了方法的有效性。期望本研究能夠為領先企業開展潛在競爭對手識別提供理論與實踐支持。下一步將在更多行業采用該方法識別潛在競爭對手，以進一步總結和完善該方法。

參考文獻

[1]史敏，羅建，蔡麗君.基于專利說明書語義分析的潛在競爭對手識別研究[J].情報學報，2020，39（11）：1171-1181.

[2]楊辰，王楚涵，陶琬瑩，等.基于專利的技術機會識別：深度學習領域的案例分析[J].科技管理研究，2021，41（12）：172-176.C3BEA568-E82D-4BD0-B478-AA3735F67E0E

[3]Chen M J.Competitor Analysis and Interfirm Rivalry：Toward a Theoretical Integration[J].Academy of Management Review，1996，21（1）：100-134.

[4]Bergen M，Peteraf M A.Competitor Identification and Competitor Analysis：A Broad-based Managerial Approach[J].Managerial and Decision Economics，2002，23（4-5）：157-169.

[5]劉志輝，李輝，李文絢，等.基于多維框架的企業競爭威脅測度方法研究[J].情報學報，2017，36（7）：654-662.

[6]吳菲菲，楊梓，黃魯成.基于專利信息的企業潛在競爭對手識別——以OLED技術為例[J].情報學報，2017，36（9）：954-963.

[7]Ansoff H I.Managing Strategic Surprise By Response to Weak Signals[J].California Management Review，1975，18（2）：21-33.

[8]Ansoff H I，Mcdonnell E J.Implanting Strategic Management[M].New York：Prentice-Hall International Inc.，1984

[9]Saul P.Seeing the Future in Weak Signals[J].Futures Studies，2006，10（3）：93-102.

[10]董尹，劉千里，宋繼偉.基于系統動態學方法的弱信號生命周期建模與仿真[J].圖書情報工作，2019，63（13）：75-84.

[11]Yoo S H，Park H W，Kim K H.A Study on Exploring Weak Signals of Technology Innovation Using Informetrics[J].Technology Innovation，2009，17（2）：109-130.

[12]Yoon J.Detecting Weak Signals for Long-term Business Opportunities Using Text Mining of Web News[J].Expert Systems with Applications，2012，39（16）：12543-12550.

[13]Kim J，Lee C.Novelty-focused Weak Signal Detection in Futuristic Data：Assessing the Rarity and Paradigm Unrelatedness of Signals[J].Technological Forecasting & Social Change，2017，120：59-76.

[14]Griol-Barres I，Milla S，Cebrián A，et al.Detecting Weak Signals of the Future：A System Implementation Based on Text Mining and Natural Language Processing[J].Sustainability，2020，12（19）：7848.

[15]Pépin L，Kuntz P，Blanchard J，et al.Visual Analytics for Exploring Topic Long-term Evolution and Detecting Weak Signals in Company Targeted Tweets[J].Computers & Industrial Engineering，2017，112：450-458.

[16]Gutsche T.Automatic Weak Signal Detection and Forecasting[D].University of Twente，Faculty of Behavioral Management and Social Sciences，2018.

[17]Maitre J，Ménard M，Chiron G，et al.A Meaningful Information Extraction System for Interactive Analysis of Documents[C]//2019 International Conference on Document Analysis and Recognition.Sydney.IEEE.2019.92-9.

[18]Krigsholm P，Riekkinen K.Applying Text Mining for Identifying Future Signals of Land Administration[J].Land，2019，8（12）：181.

[19]Klbl L，Grottke M.Obtaining More Specific Topics and Detecting Weak Signals by Topic Word Selection[J].Springer Series in Reliability Engineering，2020：193-206.C3BEA568-E82D-4BD0-B478-AA3735F67E0E

[20]Akrouchi M E，Benbrahim H，Kassou I.End-to-end LDA-based Automatic Weak Signal Detection in Web News[J].Knowledge-Based Systems，2021，212：106650.

[21]顧偉，傅德勝，蔡瑋.基于語義Web挖掘的寬范圍掃描環境弱信號識別[J].科學技術與工程，2013，13（29）：8791-8797.

[22]翟東升，夏軍，張杰，等.基于專利新興技術弱信號識別方法研究[J].情報雜志，2015，34（8）：31-36.

[23]賈軍，魏潔云.新興產業核心技術早期識別方法與應用研究[J].科學學研究，2018，36（7）：1206-1214.

[24]楊波，邵婉婷.面向企業競爭情報的弱信號識別研究[J].現代情報，2021，41（9）：53-63.

[25]Blei D M，Ng A N，Jordan M I.Latent Dirichlet Allocation[J].Machine Learning Research，2003，3（4/5）：993-1022.

[26]邱均平，沈超.基于LDA模型的國內大數據研究熱點主題分析[J].現代情報，2021，41（9）：22-31.

[27]杜景瑋.基于LDA主題模型的情感分析研究[D].廣州：暨南大學，2020.

[28]關鵬，王曰芬.科技情報分析中LDA主題模型最優主題數確定方法研究[J].現代圖書情報技術，2016，（9）：42-50.

[29]Teh Y W，Jordan M，Beal M，et al.Hierarchical Dirichlet Processes[J].American Statistical Association，2006，101（476）：1566-1581.

[30]Jeong B，Yoon J.Competitive Intelligence Analysis of Augmented Reality Technology Using Patent Information[J].Sustainability，2017，9（4）：1-22

[31]曹娟，張勇東，李錦濤，等.一種基于密度的自適應最優LDA模型選擇方法[J].計算機學報，2008，（10）：1780-1787.

[32]張潤馳，張誼浩，趙輝，等.銀行信用評估模型效果的量化比較[J].金融監管研究，2021，（1）：66-85.

[33]趙亮，劉建輝，王星.基于Hellinger距離的混合數據集中分類 變量相似度分析[J].計算機科學，2016，43（6）：280-282，307.

[34]Thorleuchter D，Poel D V D.Weak Signal Identification with Semantic Web Mining[J].Expert Systems With Applications，2013，40（12）：4978-4985.

（責任編輯：陳 媛）C3BEA568-E82D-4BD0-B478-AA3735F67E0E