CN107247813A - 一种基于加权技术的网络构建与演化方法 - Google Patents
一种基于加权技术的网络构建与演化方法 Download PDFInfo
- Publication number
- CN107247813A CN107247813A CN201710616932.2A CN201710616932A CN107247813A CN 107247813 A CN107247813 A CN 107247813A CN 201710616932 A CN201710616932 A CN 201710616932A CN 107247813 A CN107247813 A CN 107247813A
- Authority
- CN
- China
- Prior art keywords
- network
- node
- evolution
- technical
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005516 engineering process Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000012010 growth Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 11
- 238000011160 research Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- PGLIUCLTXOYQMV-UHFFFAOYSA-N Cetirizine hydrochloride Chemical compound Cl.Cl.C1CN(CCOCC(=O)O)CCN1C(C=1C=CC(Cl)=CC=1)C1=CC=CC=C1 PGLIUCLTXOYQMV-UHFFFAOYSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 241000201976 Polycarpon Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/338—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
- G06Q50/184—Intellectual property management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Technology Law (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于加权技术的网络构建与演化方法,能够利用现有产品技术构建网络,并实现利用网络预测技术发展趋势的目的。第一步、数据处理:分析现有专利文档,提取组成专利***的结构信息作为子技术信息;第二步、技术网络构建:根据子技术信息在专利文献中的共现关系,将每篇专利文档描述为若干个节点组成的完全图,通过这些完全图中存在的相同的子技术节点将这些完全图连接起来形成加权无向的技术网络;第三步、技术网络演化:在第二步的基础上,进行加权技术网络的演化流程。
Description
技术领域
本发明属于专利分析领域,涉及一种基于加权技术的网络构建与演化方法。
背景技术
专利和技术是产品设计过程中重要参考和依据,以专利为研究对象研究技术的发展趋势对企业提升产品创新设计能力,研发新产品有重要意义。
TRIZ与形态学分析方法作为经典的两种技术演化理论得到了广泛的研究与应用,并推动了技术的发展。TRIZ理论通过逻辑与数据定性识别技术的发展趋势;形态学分析方法根据形态学分析技术,将技术分解为若干因素,分析各因素的可能形态,通过排列组合方法得到若干可能的解决方法,从中选出最优方案。但是这两种理论在应用于创新设计的过程中一定程度上依赖于设计者的经验,其设计结果主要是依托设计人员的个人能力,不能客观的表达技术之间的关系。并且上述两种方法不能很好实现技术分析的自动化,产品设计效率较低。所以,为了实现对技术快速分析,提高企业产品设计效率,有必要构建一种能表示技术之间关系的技术演化与分析模型与自动化的技术分析流程。复杂网络理论是一种很好的分析、描述复杂***的工具,将复杂网络理论应用于技术演化描述,使得构建的技术演化模型与技术分析方法成为可能。
专利作为技术的有效载体,研究技术的网络建模通常以专利文献为研究对象。目前,技术网络的建模方法主要有三种:(1).引文网络:以专利文献为网络节点,专利间的引用关系为连边形成的有向无权网络;(2).共词网络:从专利中提取出专利关键词及关键词频数,并以此评价专利相似度,对相似度设定一定阈值,最后形成由专利文献为网络节点,相似度高于阈值的专利文献间赋予连边的无向无权网络;(3)详细描述专利信息的多层超网络。以上三种技术网络的构建方法在研究关键技术识别、技术趋势研究等方面有一定的作用。但是,专利作为一种可实现某功能的***,其创新之处往往是***内某一个小的子技术,因此,技术的演进通常不是以专利为单位,更多体现为专利中某种子技术的革新、应用或多种子技术创新的组合方式。
发明内容
本发明的目的是提供一种基于加权技术的网络构建与演化方法,该方法能够利用现有产品技术构建网络,并实现利用网络预测技术发展趋势的目的。
该一种基于加权技术的网络构建与演化方法,包括以下步骤:
第一步、数据处理:分析现有专利文档,提取组成专利***的结构信息作为子技术信息;
第二步、技术网络构建:根据子技术信息在专利文献中的共现关系,将每篇专利文档描述为若干个节点组成的完全图,通过这些完全图中存在的相同的子技术节点将这些完全图连接起来形成加权无向的技术网络;
第三步、技术网络演化:在第二步的基础上,进行加权技术网络的演化流程。
进一步的,第三步中网络演化流程采用以下步骤:
第(1)步、初始化网络:根据第二步构建的技术网络,作为网络演化的初始状态;
第(2)步、完全子图的增长:每经过一个网络演化的时间步,网络中均增加一个完全子图,新增的完全子图中包含若干个新增节点与旧节点;
第(3)步、适应度驱动的网络选点机制:网络演化中,按节点被选中概率与节点的适应度成正比的方法选择若干个旧节点。
进一步的,所述网络演化中,按节点被选中概率与节点的适应度成正比的方法选择m个旧节点,节点的适应度定义为:
上式中:N表示网络的总节点数目;fj表示节点j的适应度;wj表示与节点j相连的边权值的和。
进一步的,第二步中网络中的边的权重为节点对共现的专利文档数量。
本发明的有益效果:
本发明的方法首先从技术包含的子技术出发,以完全子图描述技术,以相同子技术在不同技术中的共现关系构建网络,与现有的技术网络模型相比,更加清晰得描述了技术间的内在联系。其次,本发明提出的加权技术网络演化流程,其演化结果为若干个子技术构成的完全图,对技术发展趋势与新技术概念的产生具有指导意义。
附图说明
图1为本发明的数据处理及技术网络构建流程示意图;
图2为本发明中技术网络建模流程示意图;
图3为本发明中技术网络演化示意图;
图4为本发明中技术网络示意图。
具体实施方式
下面结合附图对本发明作进一步的介绍。
(1)基本概念定义
1)网络节点及关联定义
技术网络的主体是技术节点和节点间的关联。综合考虑技术的定义,本发明中对技术及技术网络的具体定义如下:
技术网络:G={V,E};
技术节点集合:V={v1,v2,…,vn},
技术节点间关联集合:E={e1,e2,…,em};
v的值是指从专利文档中提取得到的子技术信息形成的技术节点。专利文献通常描述的是可实现特定功能的***,而这个***由多个子***组成,因此,可将构成专利***的每个组成结构定义为此专利描述的技术的子技术。
e的值是指子技术节点对共现的专利文档数量。
2)完全子图
将专利文档描述为完全图是本发明所描述流程的重要基础。若一个图的每一对不同顶点恰有一条边相连,则称为完全图。子图是指节点集和边集分别是某一图的节点集的子集和边集的子集的图。
本发明中,以专利文档中提取的若干个子技术为节点,子技术在专利文档中共现关系为连边,因此,专利文档被描述为完全图,这些完全图是技术网络中的子图。
(2)技术网络建模流程
首先根据领域需要,从相关专利库中获取相关专利文档,通过对专利文档的分析获得子技术信息,最后根据子技术信息在专利文献中的共现关系构建技术网络(如图1)。网络构建具体流程如图2。
本发明以子技术为节点,子技术在专利文献中的共现关系为连边,将专利文献描述为由若干个子技术组成的完全图。当专利网络中存在多个专利文献时,通过每个专利文献中共有的子技术可以将多个专利整合到一个网络中。
(3)网络演化流程
本发明提出的网络模型演化的基础是由个子技术节点组成的某技术的网络模型,每个时间步连入一个这样的完全子图,形成完整的网络模型。网络的演化基于以下两条原则:
1).基于完全子图的增长:a个节点组成的完全子图与中包含m个旧节点,新增节点为a-m个,的大小随机产生,满足1≤m≤a。
2).适应度驱动的网络选点机制:网络演化中,按选中概率与节点的适应度成正比的方法选择m个旧节点,节点的适应度定义为:
上式中:N表示网络的总节点数目;fj表示节点j的适应度;wj表示与节点j相连的边权值的和。
由此,网络演化的一般流程描述为:
1).初始网络(网络演化时间T=0)为a(a>1)的完全子图;
2).T=T+1,按适应度公式计算每个节点的适应度,以此选择旧节点m个,同时新增节点a-m个,将这a个节点全联通,已有连边的节点对,对应的连边权值加1;
3).重复执行步骤B,直到满足网络演化的终止条件。
(4)网络演化结果
通过(2)构建技术网络如图4(以a=6为例,构建了三篇专利的技术网络)。
根据(3)中所描述的网络演化步骤,将现有技术网络作为网络演化的时刻,通过上述演化过程,得到子技术为6个的新完全子图若干个,这些新的完全子图包含的子技术有来自于已有专利的已知节点,也有未知节点。若新形成的完全子图中不含未知节点,则说明通过子技术的重新组合能实现新的功能;若新形成的完全子图中包含未知节点,则说明需要补充、研发新的子技术以实现新功能。
至此,本发明通过网络构建进一步描述了技术与技术之间的关系,通过网络演化得到由若干个子技术节点构成的完全图,这些完全图将作为刺激引导技术研发者发现技术发展趋势,研发新技术。
Claims (4)
1.一种基于加权技术的网络构建与演化方法,其特征在于,包括以下步骤:
第一步、数据处理:分析现有专利文档,提取组成专利***的结构信息作为子技术信息;
第二步、技术网络构建:根据子技术信息在专利文献中的共现关系,将每篇专利文档描述为若干个节点组成的完全图,通过这些完全图中存在的相同的子技术节点将这些完全图连接起来形成加权无向的技术网络;
第三步、技术网络演化:在第二步的基础上,进行加权技术网络的演化流程。
2.如权利要求1所述的一种基于加权技术的网络构建与演化方法,其特征在于,进一步的,第三步中网络演化流程采用以下步骤:
第(1)步、初始化网络:根据第二步构建的技术网络,作为网络演化的初始状态;
第(2)步、完全子图的增长:每经过一个网络演化的时间步,网络中均增加一个完全子图,新增的完全子图中包含若干个新增节点与旧节点;
第(3)步、适应度驱动的网络选点机制:网络演化中,按节点被选中概率与节点的适应度成正比的方法选择若干个旧节点。
3.如权利要求2所述的一种基于加权技术的网络构建与演化方法,其特征在于,进一步的,所述网络演化中,按节点被选中概率与节点的适应度成正比的方法选择m个旧节点,节点的适应度定义为:
<mrow>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
上式中:N表示网络的总节点数目;fj表示节点j的适应度;wj表示与节点j相连的边权值的和。
4.如权利要求1所述的一种基于加权技术的网络构建与演化方法,其特征在于,进一步的,第二步中网络中的边的权重为节点对共现的专利文档数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710616932.2A CN107247813A (zh) | 2017-07-26 | 2017-07-26 | 一种基于加权技术的网络构建与演化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710616932.2A CN107247813A (zh) | 2017-07-26 | 2017-07-26 | 一种基于加权技术的网络构建与演化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107247813A true CN107247813A (zh) | 2017-10-13 |
Family
ID=60013248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710616932.2A Pending CN107247813A (zh) | 2017-07-26 | 2017-07-26 | 一种基于加权技术的网络构建与演化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107247813A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229743A (zh) * | 2018-01-05 | 2018-06-29 | 东北大学 | 一种基于最大震级比的构建加权网络的方法 |
CN111008874A (zh) * | 2019-12-20 | 2020-04-14 | 浙江大学 | 技术趋势预测方法、***及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425868A (zh) * | 2013-07-04 | 2013-12-04 | 西安理工大学 | 基于分形特征的复杂网络社区发现方法 |
CN104504082A (zh) * | 2014-12-24 | 2015-04-08 | 北京德塔普博软件有限公司 | 多个知识网络的目标知识节点集合的路径展现方法和*** |
CN104657429A (zh) * | 2015-01-27 | 2015-05-27 | 北京理工大学 | 基于复杂网络的技术驱动型产品创新方法 |
CN106844658A (zh) * | 2017-01-23 | 2017-06-13 | 中山大学 | 一种中文文本知识图谱自动构建方法及*** |
-
2017
- 2017-07-26 CN CN201710616932.2A patent/CN107247813A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425868A (zh) * | 2013-07-04 | 2013-12-04 | 西安理工大学 | 基于分形特征的复杂网络社区发现方法 |
CN104504082A (zh) * | 2014-12-24 | 2015-04-08 | 北京德塔普博软件有限公司 | 多个知识网络的目标知识节点集合的路径展现方法和*** |
CN104657429A (zh) * | 2015-01-27 | 2015-05-27 | 北京理工大学 | 基于复杂网络的技术驱动型产品创新方法 |
CN106844658A (zh) * | 2017-01-23 | 2017-06-13 | 中山大学 | 一种中文文本知识图谱自动构建方法及*** |
Non-Patent Citations (3)
Title |
---|
中国***工程学会、上海交通大学: "《钱学森***科学思想研究》", 31 January 2007 * |
方锦清: "《驾驭强流束晕与探索网络科学》", 30 November 2008 * |
李琰等: "《煤矿安全专家合作网动态演化机理研究》", 31 January 2016 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229743A (zh) * | 2018-01-05 | 2018-06-29 | 东北大学 | 一种基于最大震级比的构建加权网络的方法 |
CN111008874A (zh) * | 2019-12-20 | 2020-04-14 | 浙江大学 | 技术趋势预测方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alyasseri et al. | Variants of the flower pollination algorithm: a review | |
Wang et al. | Fuzzy rule based decision trees | |
Loreggia et al. | Deep learning for algorithm portfolios | |
Kashan et al. | Grouping evolution strategies: An effective approach for grouping problems | |
CN107808278A (zh) | 一种基于稀疏自编码器的Github开源项目推荐方法 | |
CN109325231A (zh) | 一种多任务模型生成词向量的方法 | |
CN109189926A (zh) | 一种科技论文语料库的构建方法 | |
CN109635946A (zh) | 一种联合深度神经网络和成对约束的聚类方法 | |
Özbakır et al. | Exploring comprehensible classification rules from trained neural networks integrated with a time-varying binary particle swarm optimizer | |
CN109448703A (zh) | 结合深度神经网络和主题模型的音频场景识别方法及*** | |
Pal et al. | Deep learning for network analysis: problems, approaches and challenges | |
Zhang et al. | Reconstructing heterogeneous networks via compressive sensing and clustering | |
CN107247813A (zh) | 一种基于加权技术的网络构建与演化方法 | |
Qiu et al. | Scalable deep text comprehension for Cancer surveillance on high-performance computing | |
Schubert et al. | Mapping of science journals based on h-similarity | |
CN107085655A (zh) | 基于属性的约束概念格的中医数据处理方法及*** | |
Anupama et al. | A novel approach using incremental oversampling for data stream mining | |
Wang et al. | Using text mining and clustering to group research proposals for research project selection | |
Nakashima et al. | Incremental learning of fuzzy rule-based classifiers for large data sets | |
Agrawal et al. | Learning edge properties in graphs from path aggregations | |
Hui et al. | Analysis of decision tree classification algorithm based on attribute reduction and application in criminal behavior | |
Tian et al. | [Retracted] Intrusion Detection Method Based on Deep Learning | |
CN105871630A (zh) | 一种确定网络用户的上网行为类别的方法 | |
Khan et al. | Towards the Formulation of a Unified Data Mining Theory, Implemented by Means of Multiagent Systems (MASs) | |
Siddiqi et al. | Evolution of system connectivity to support food production in the Indus Basin in Pakistan |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171013 |
|
RJ01 | Rejection of invention patent application after publication |