论文摘要
专利分类方法以及技术发展趋势预测是当前进行专利引用分析的两个主要方向,传统研究手段往往只根据节点属性或者节点拓扑结构进行分类研究,没有充分挖掘引文网络的信息,对于研究技术发展趋势,通常关注的是专利之间直接的引用关系,不能分析隐含其中的知识流动轨迹。针对以上问题,本文综合节点属性,节点拓扑结构特征和节点的结构模式,提出采用监督学习的方法进行专利分类分析,并在此基础上采用结构模式发现的方法分析专利技术的发展趋势,掌握知识流动的方向。论文的主要研究工作和创新点如下:1、对专利引文网络的建模和中心性分析。阐述了专利要素、专利引文以及专利引用网络的分类,并采用图论方法对专利引文网络进行建模,研究了网络的四类中心性评价指标,包括度中心性、接近中心性、介数中心性以及特征向量中心性,并且提出了进行中心性分析的具体框架和方法。2、根据图神经网络模型进行专利分类分析。针对专利分类分析,提出了采用投影的方法把网络中的节点投影到多维空间中进行数据分析的思路。采用图神经网络模型把节点属性,节点拓扑特征和节点结构模式综合到统一的框架下,以监督学习的方式实现了网络分析到多维空间的数据分析的投影,并且具体介绍了模型参数的学习和模型的执行,并以人工网络和实际专利引文网络为案例验证了此方法的有效性和可行性。3、提出了专利引文网络的结构模式发现过程。定义了专利引文网络的结构模式,通过缩略图和映像矩阵来表示结构模式,提出了基于密度的结构模式发现的算法。同时假设了理想结构模式对进一步分析网络的结构,掌握知识流动的方法有重要意义,把理想结构模式的发现转换为图匹配问题,并采用图仿真方法对专利引文网络的结构模式进行理想结构模式的挖掘与分解。结合中心性分析,解释了结合网络结构模式进行核心专利探测的方法更加科学和准确。