機器學習技術發展現狀與國際競爭分析

黃魯成 薛爽

摘 要：[目的/意義]機器學習作為人工智能的關鍵核心技術，受到了前所未有的重視和快速發展。深入研究其發展現狀和競爭格局，有助于為企業戰略和相關產業政策制定提供科學決策依據。[方法/過程]基于DII數據庫和WOS數據庫，從發展階段、熱點與核心領域識別、競爭國家對比三方面，對該技術領域發展現狀、競爭格局進行了分析。[結果/結論]機器學習技術處于快速成長期，我國目前也處于快速發展期;我國在技術結構布局上存在短板;美國的專利活動最強，我國也屬于技術活躍者;美國的專利質量最高，我國與其相差較大;互聯網企業是重要推動力量;熱點領域有智能診斷、自動駕駛儀、教育輔助、語音識別、計算機視覺等;核心領域有排序、學習、知識處理、搜索、模糊邏輯系統、專家系統等。

關鍵詞：機器學習;專利分析;文獻計量;國際競爭

Abstract：[Purpose/Significance]As the key technology and basic industry for the Artificial Intelligence，Machine Learning receives unprecedented attention and rapid development.Thorough research on its technology trend and competitive posture will provide a scientific basis for the decision making of both relevant industry policies and business strategies.[Methods/Processes]Based on Derwent innovations index and Web of science database，this paper used patent statistical analysis，bibliometric analysis and social network analysis methods to analyze development status of this technology field from three aspects：the technology development stage，the core and hot technology field identification and the comparative analysis of major competitive countries，in order to clarify the strengths and weaknesses of China，and explore future development opportunities.Finally，based on the comprehensive analysis，this paper proposed corresponding countermeasures and suggestions for technological research and development，market layout and industrial development in the field of machine learning in China.[Results/Conclusion]Machine learning technology was in a rapid growth period，and China was also in a period of rapid development;there were shortcomings in the layout of technology structure in China;the United States had the strongest patent activity，and China was also a technology activist;the United States had the highest patent quality，and China was quite different from it;Internet companies were an important driving forces;the hotspots included intelligent diagnosis，autopilot，education aid，speech recognition，computer vision，and so on;the core areas included sequencing，learning，knowledge processing，search，fuzzy logic systems，and expert systems，and so on.

Key words：machine learning;patent analysis;bibliometrics;international competition

中共中央總書記習近平在2018年10月31日主持人工智能發展現狀和趨勢第九次集體學習時強調：人工智能是新一輪科技革命和產業變革的重要驅動力量，加快發展新一代人工智能是事關我國能否抓住新一輪科技革命和產業變革機遇的戰略問題[1]。近年來，人工智能技術對人類社會的影響越來越深遠與廣泛，它正在為農業、醫療、教育、能源、國防等諸多領域提供了大量新的發展機遇[2]。機器學習技術是人工智能的一個核心研究領域[2-4]，對機器學習技術進行競爭國家對比分析，識別機器學習技術熱點和核心領域，理清機器學習技術領域的競爭態勢及我國的地位，對于完善機器學習技術發展的政策，落實好國家人工智能發展戰略，輔助企業戰略決策具有重要意義。

專利信息對技術創新的時效性分析和發展態勢分析具有國家戰略性價值[5]。目前，運用專利和文獻分析機器學習技術現狀的文獻極少，僅發現科睿唯安印度工商業聯合會在《科學觀察》上發表了名為“人工智能，下一代數字轉型的創新力與顛覆力”的文章，該文涉及機器學習技術自身的現狀與發展方向，但缺乏對機器學習應用情況的競爭態勢分析。基于此，本文確定了如下的研究內容：一是從專利和文獻的相互關系上闡述機器學習技術的發展階段，以及各階段的特征;二是應用專利數據分析機器學習技術的核心和熱點領域;三是從專利活躍程度、專利質量、市場布局、技術領域等進行了部分國家競爭對比分析。在此基礎上，為我國發展機器學習技術應用提出了相關對策。

1 研究方法

1.1 分析方法

根據上述研究內容，確立如下研究框架（如圖1所示）：

技術發展階段分析：使用專利和科技文獻兩種數據源，確定機器學習技術所處的生命周期階段，分析機器學習基礎科學研究和技術應用的情況，以期得出機器學習技術的發展脈絡。

技術核心與熱點領域分析：識別機器學習技術的熱點領域，把握整個機器學習研發動向，為合理布局研究重心、提高科研效率提供有價值參考和決策支持;識別核心技術領域，為國家和企業直擊核心技術，降低投資風險和成本，形成持續的競爭優勢提供一定的決策支持。

技術競爭國家對比分析：從專利活躍程度、專利質量、市場布局、技術領域等進行了部分國家競爭對比分析，有助于識別我國在機器學習技術領域所處的競爭地位，找準市場，更好發力。

1.2 數據獲取

采用德溫特專利數據庫（Derwent Innovation Index）和Web of Science文獻數據庫進行機器學習領域專利和文獻數據收集。對于機器學習技術（“Machine Learning”，簡稱”ML”），我們查閱了相關文獻，也嘗試用其他關鍵詞合并進行檢索，但最終檢索出來的數據會生成大量冗余信息，對后續的分析會造成很大影響。所以，本文以TS=（Machine Learning）為檢索表達式，分別在以上兩個數據庫中進行檢索，檢索日期為2018年10月10日，檢索時間范圍為所有年份，檢索獲取專利（族）8 524件，文獻35 400篇，以下研究將以這些數據為基礎展開。

2 技術發展階段分析

本文使用專利數據和文獻數據相結合的方法來識別機器學習技術發展階段，一般而言：當科技文獻數量大于專利數量時，該技術處于理論探索階段，主要科學原理需要進一步完善，一些重要的科學問題尚未完全解決;反過來，當專利數量與科技文獻數量相差較小時，該技術的科學問題基本得到解決，主導技術趨于穩定[6]。機器學習技術發展的基本過程如圖2所示（因為專利有18個月左右的滯后期，2017年和2018年的專利可能不夠完整，所以暫不做研究）。由圖2可知，機器學習技術整個發展過程呈現3個階段：萌芽期、平穩成長期和快速成長期。

萌芽期（2001年以前），該階段的主要特征是：專利申請數比較少，年申請量少于15件;科技文獻年發表數少于300篇，科技文獻數量遠大于專利數量;專利數量和科技文獻數量基數都比較小，且增長率波動幅度大。根據文獻[6]，這表明機器學習在很多科學問題和學習及算法方面處于初期探索階段。

平穩成長期（2001-2010年），該階段的主要特征是：專利申請量在百件左右;科技文獻數在千篇左右，科技文獻數量遠大于專利數量;專利年均增長率為26.10%，科技文獻年均增長率為20.92%，專利申請量和科技文獻數出現了較快的增長，根據文獻[6]，表明這一階段機器學習開始走向應用，但仍有一些科學問題沒有完全解決。

快速成長期（2011-2018年），該階段的主要特征是：專利申請量首次突破2 000件;科技文獻數突破5 000篇，科技文獻數大于專利數;專利申請年均增長率達52.72%，科技文獻年均增長率達24.63%，專利數和科技文獻數增速較前一時期加快。根據文獻[6]，表明這一階段機器學習開始走向大規模多領域的應用，但相關的一些學習方法和算法需要進一步完善。

總體上，機器學習技術專利數和科技文獻數呈逐年上升趨勢，文獻數量一直高于專利的申請數量，說明目前機器學習領域的很多問題仍未完全得到解決，許多算法還在創新與完善過程當中，機器學習應用研發勢頭強勁。

3 技術熱點與核心領域分析

3.1 技術熱點領域識別

熱點領域是指在某一段時間內，有內在聯系的、投入研究資源較多的領域。識別機器學習技術領域的研發熱點，有助于把握整個機器學習研發動向，使該領域相關研究人員與決策者迅速、準確地把握機器學習研究態勢，為合理布局研究重心、提高科研效率提供有價值參考和決策支持。

國際專利分類（IPC）是目前國際通用的比較完善的專利技術分類體系。本文對IPC大組進行共現網絡分析及聚類分析以識別出機器學習熱點技術領域。具體步驟是：將檢索出的8 471項專利中的IPC字段導入Excel中，將其保留至大組級別，使用Python編程選取頻次大于或等于30的IPC大組生成IPC共現矩陣。將共現矩陣導入到Ucinet中生成共現網絡。其中，節點代表機器學習技術領域，節點大小表示度中心度，節點之間的連線寬度表示不同技術領域共同出現的次數。

在社會網絡中，某些節點之間關系特別緊密，以至于形成一個次級團體，這樣的團體稱為凝聚子群[7]。凝聚子群中的節點之間具有相對較強、直接、緊密的關系。k核是基于點度基礎上的凝聚子群分析方法，要求任何節點至少與k個節點相連，進行k核分析有利于發現一些有意義的凝聚子群[8]。

按照k核算法進行網絡布局，根據IPC分類號所對應的技術領域，形成明顯的14個凝聚子群，選擇最大的前5個k核作為5個熱點技術領域群，如圖3所示，這5個子群中的技術節點之間關聯相對緊密，每個節點都連接了相對較多的鄰居節點：

熱點群Ⅰ：屬于24核子群，包括車輛控制自動駕駛儀等控制調節系統;行政金融管理預測系統;基于知識模式、生物學、數學系統等特定計算模型的計算機系統;放射治療儀器等醫學診斷;語音識別;圖像處理;電視電報無線網絡通信及其安全裝置;報警器等信號裝置。

熱點群Ⅱ：屬于23核子群，包括無線通信網絡的監控系統;語音識別合成;報警器。

熱點群Ⅲ：屬于22核子群，包括教育輔助設備;叩診器械、超聲波診斷。

熱點群Ⅳ：屬于21核子群，包括定位系統;電測試裝置;反射或再輻射系統如雷達系統。

熱點群Ⅴ：屬于20核子群，包括時間指示裝置、預報警及報警系統等控制系統或安全系統;使用無線電波的系統。

3.2 技術核心領域識別

德溫特手工代碼（Derwent Manual Codes）（以下簡稱手工代碼）由標引人員分配給專利，用于表示專利的具體技術創新點及其應用的專有代碼，它們能夠反映出專利的核心內容和主題[9]，本文采用德溫特手工代碼進行核心技術領域分析。

國內學者韓志華[10]給出核心專利的定義，即在某一技術領域中處于關鍵地位，對技術發展具有突出貢獻的，對其他專利或者技術具有重大影響的，并且具有重要經濟價值的專利。由于核心專利承載著核心技術，通過對核心專利的分析，能夠為國家和企業篩選優質專利，直擊核心技術，降低成本，從而形成持續的競爭優勢。Narin F和Schettion F等[11-12]認為，一項專利被后來的許多專利所引用，則表明該專利是一項比較核心的專利。根據普賴斯定律，以被引次數界定核心專利[13-14]，全球機器學習專利中最高被引頻次為273次，定義M=0.749*273=12.3755，故被引頻次不少于13次的專利為核心專利。相對于總被引頻次，年均被引頻次可以校正由時間引起的誤差。因此，本文以年均被引頻次為統計量，選出年均被引頻次大于13的專利，列于表1中。

專利年均被引頻次最高的是美國NARUS公司在2014年申請的一項主題為計算機網絡（如廣域網）中僵尸網絡的識別方法，包括使用機器學習算法分析網絡數據和數據集，生成表示標簽的模型作為特征值的函數的專利。年均被引頻次第二位和第四位的專利主題也是關于僵尸網絡，由此可見，僵尸網絡是機器學習核心技術應用領域，機器學習應用于網絡安全已成為近年來安全領域的研究熱點，具體涉及的核心技術領域有：排序（T01-E01A）;模糊邏輯系統（T01-J16B）;學習，概念學習算法（T01-J16C2）。

此外，通過分析其他核心專利的手工代碼，識別出核心技術領域：1）專家系統（T01-J16A）、知識處理（T01-J16）、教育輔助工具（T01-J05B3、T01-N01B3）;2）選擇，特殊字符檢測（T01-E01B）;3）搜索和檢索（T01-J05B3）、信息存儲（T01-J05B2）;4）多媒體數據傳輸（T01-N01D1）;5）數據加密和解密（T01-D01）、測試網絡漏洞（T01-N02B3）、偽代碼（T01-S01C）等。

4 機器學習技術主要競爭國家對比分析

4.1 基于專利的量化對比分析

4.1.1 主要競爭國家專利申請總量對比分析

專利優先權國家是指專利申請人就其發明創造第一次在某國提出的專利申請，反映了技術輸出地信息，反映該國家的技術創新能力和活躍程度[15]。本文選取機器學習專利申請數量前5名的國家作為主要競爭國家。根據最早優先權國家/地區統計（圖4），在機器學習技術領域中，美國、中國、日本是主力軍，其次為韓國和加拿大。這5個主要競爭國家在機器學習技術領域中申請的專利數占據了總專利數的86%，其中，美國是最大的技術輸出國，美國優先權專利數量4 894個專利族，達到全球申請總量的53%，處于絕對領軍地位。眾所周知，美國一直走在先進科技的前列，非常重視科學技術的發展，其專利申請數量全球第一也恰恰說明了美國是機器學習技術產出大國。盡管我國的專利申請數量排在全球第二位，但專利數量不及美國的1/2，說明我國研發活躍度及研發實力有待進一步提升。此外，韓國和加拿大的專利申請量與美國、我國的差距較大，兩國的專利申請量相加還不及全球申請總量的10%。

4.1.2 主要競爭國家專利申請增長分析

主要競爭國家機器學習技術專利申請年度變化如圖5所示。從發展趨勢來看，五國的專利申請都經歷了較長的醞釀期，快速的增長期。其中，美國的專利申請量從2000年開始就有所發展，2011年之后快速增長，目前發展勢頭依然很好，遙遙領先于其他國家;我國在機器學習領域的專利申請數量盡管名列第二，但從2011年開始，對機器學習技術才有了一定的重視和發展，比美國晚了10個年頭，2014年之后專利申請數量開始急劇增長，尤其是最近兩年，幾乎呈現直線上升的趨勢，可見，機器學習的技術研發在我國達到了空前的熱度;日本雖然專利總量不及我國，但起步早于我國，目前的發展勢頭也不容小覷;韓國和加拿大在該領域起步較晚，發展速度也跟不上，從圖中可以看出韓國近幾年在該領域的發展步伐也在加快。

4.2 基于市場與技術領域的對比分析

4.2.1 主要競爭國家專利申請市場布局

本文選取技術受理國家或組織作為橫軸，以主要競爭國家作為縱軸，繪制出如圖6所示的主要競爭國家專利市場布局氣泡圖。可以看出，美、中、日、韓4個主要競爭國家在本國申請的專利是最多的，唯獨加拿大在美國申請的專利數量大于在本國申請的數量，說明了目前加拿大機器學習技術創新能力和知識產權保護意識整體比較薄弱。在美國受理的專利中，有93%是本國人申請的。我國的機器學習技術99%的專利都是本國人申請的，目前我國該技術領域創新能力和知識產權保護意識整體不算太弱;另一方面也說明了國外巨頭在我國的專利布局尚未完成，我國企業在國內市場仍舊有大量機會。我國的海外技術市場主要有美國、世界知識產權組織、日本和歐洲專利局，專利國際化程度不夠高，沒有進行大規模的海外專利布局，市場還有待進一步擴大。整體來看，美國不僅是全球重視的市場大國，也是技術產出大國，在各個國家基本都有專利布局，我國與其仍有很大差距。

4.2.2 主要競爭國家專利申請技術領域對比分析

通過分析專利的IPC分類號，可以清楚主要競爭國家的技術關注焦點，識別技術市場，搶占技術制高點。為了了解5個主要競爭國家的技術關注焦點情況，全球及美、中、日、韓和加拿大專利申請數量前十IPC小類示于圖7中。

從總體來看，全球關注的機器學習技術領域依次是G06F（電數字數據處理）、G06N（基于特定計算模型的計算機系統）、G06K（數據識別）、G06Q（用于行政、金融監督或預測目的的數據處理系統）、H04L（數字信息的傳輸）、G06T（一般的圖像數據處理）、A61B（診斷;外科;鑒定）、G05B（一般的控制或調節系統）、H04N（圖像通信）、G01N（借助于測定材料的化學或物理性質來測試或分析材料）。

美國最關注的技術領域依次是：G06F、G06N、G06Q、H04L、G06K、G06T、A61B、H04W（無線通信網絡）、H04N、G01N;我國最關注的技術領域依次是：G06F、G06K、G06N、G06Q、H04L、G06T、G09B（教育或演示用具）、G05B、H04N、A61B;日本最關注的技術領域依次是：G06F、G06N、G06T、G05B、G06Q、G06K、A61B、B25J

（機械手;裝有操縱裝置的容器）、B23Q（機床的零部件）、G10L;韓國最關注的技術領域是：G06F、G06N、G06Q、G06K、G06T、A61B、H04L、H04N、G10L、G01N;加拿大最關注的技術領域是：G06F、G06N、G06Q、G01N、A61B、C12Q（包含酶或微生物的測定或檢驗方法）、H04L、G06K、G06T、G05B。有括號說明的技術領域是各國獨有的關注焦點。除G05B日本專利數量最多，其余9個領域均是美國排名第一。

總體排名前5的技術領域的專利申請數量均過千件，以下分析這5個領域的國家競爭態勢。G06F領域專利數量全球最多，五國都把其作為關注焦點，美國和我國的研發尤其活躍，美國明顯領先于我國，兩國的專利數量遠遠高于日、韓和加拿大;全球第二受關注的技術領域是G06N，美國的研發實力具有明顯的優勢，美、韓、日和加拿大都將其作為第二關注焦點，唯獨我國是比較薄弱的;對于G06K技術領域，美國實力最強，但我國與美國差別不大，說明我國在此領域技術基礎好，比較有優勢，兩國的專利數量領先于其他國家;在G06Q和H04L領域中，美國和我國的專利數量明顯多于韓國和加拿大，但美國實力更勝一籌。

4.3 基于研發主體的對比分析

專利H指數可判斷專利權人的競爭實力[16]。本文采用H指數判斷專利權人的研發實力，計算方法為專利權人的至多H項專利分別被引用了至少H次。機器學習領域專利申請量前十專利權人的H指數如圖8所示。

整體來看，全球機器學習領域專利申請量排名前十的研發主體中，有8家企業屬于美國，日本、德國企業各占1個，我國的研發主體不在其中，說明美國的研發主體在機器學習技術領域的競爭實力遠高于其他國家。有8個研發主體屬于互聯網企業，分別是國際商業機器公司、微軟公司、谷歌公司、Facebook公司、英特爾公司、思科公司、亞馬遜公司和雅虎公司，可見互聯網企業是機器學習技術的重要推動力量;另外兩個主要研發主體中，發那科株式會社屬于數控系統類企業，西門子公司屬于電氣工程類企業。

根據專利申請量和H指數兩個指標對10個研發主體進行分類，如圖8，其中，國際商業機器公司和微軟公司在機器學習領域不管是專利申請數量還是H指數都遙遙領先于其他研發主體，屬于技術領導者和技術活躍者;西門子公司、雅虎公司、谷歌公司專利申請數量及其H指數相對來說不低，競爭實力較強，屬于技術突破者;發那科株式會社、思科公司、英特爾公司、Facebook公司和亞馬遜公司雖躋身前十，但H指數在10個機構里面較

低，處于技術劣勢地位，屬于技術潛在競爭者。另外，全球專利申請量排名前20的研發主體中，我國企業阿里巴巴集團、珠海格力電器、國家電網、百度，分別位列第15名、第16名、第18名、第20名，5家機構H指數都較低，都在3以下，其中珠海格力電器公司雖然專利數量排名前20，但其H指數為0，機器學習研發實力有待提高，應加大機器學習研發投入，捉住核心技術研發，加強研發創新力度，進入全球前十，提高我國企業的國際競爭力和影響力。

4.4 基于專利活動與專利質量的對比分析

4.4.1 主要競爭國家專利活動對比分析

專利活動指標使用傳統的衡量指標，包括RSI指數（相對專業化指數，反映某個國家對某技術領域的重視程度和投入力度[17]）、專利占有率和專利成長率。各個專利活動指標列于表2中。

4.4.2 主要競爭國家專利質量對比分析

針對以往研究的不足，對專利質量指標進行優化，增加專利權人合作指標，用此指標來衡量各主要競爭國家相關研發機構的活躍程度，活躍程度一定程度上影響著國家競爭實力，計算方法是各國家在機器學習領域申請專利中有1個以上的專利權人的專利數量。專利質量指標包括技術范圍（反映某個國家在某個領域的技術覆蓋范圍[18]，技術范圍越大，包含的技術應用領域越多，技術范圍越小，包含的技術應用領域越少）、國際范圍（指在哪些國家申請專利，專利經濟性和技術性重要性越高，就會在越多的國家申請專利，反之，就會在較少的國家申請專利）、核心專利數量和專利權人合作。各個專利質量指標列于表4中。對計算后的指標進行標準化（見表5），也同樣進行了可視化（見圖10）。

于5個國家最大值;專利質量排名第二位的是加拿大，其“國際范圍”指標值遠高于其他國家，核心專利數僅次于美國，但與美國差距較大;排名第三位的是我國，其“國家范圍”指標值是5個國家中最少的，核心專利數也缺乏競爭力，“技術范圍”和“合作”指標值僅次于美國;排名第四位的是日本，其核心專利數5個國家最少，其他3項指標處于中間水平;排名第五位的是韓國，其“技術范圍”和“合作”指標處于5個國家最小值，其“國際范圍”指標值僅次于加拿大，核心專利數和我國相平。通過上述對比可以發現，我國專利質量水平在5個國家中排第三，其主要原因是核心專利數量少和國際范圍小。

4.5 基于綜合競爭力的對比分析

本文從專利質量和專利活動兩個維度分析美、中、日、韓和加拿大5個主要競爭國家的技術綜合競爭力。基于4.4部分計算出的數值做出主要競爭國家綜合競爭力圖（見圖11）。

從圖11可以看出，美國屬于機器學習領域的技術領導者，無論是專利活動還是專利質量，都處于絕對的領先地位;其次，我國屬于技術活躍者，

機器學習領域技術實力較弱，缺乏專利對外輸出能力，因此我國應注重向美國等國家學習先進技術，加強對強國技術領域的監測，努力做到量與質兼顧，才能實現技術突破;日本和韓國兩個國家屬于技術落后者，兩國相比之下不太重視機器學習技術的發展，同時專利質量也不高;而加拿大處于技術活躍者和潛在競爭者的邊緣，正朝著技術活躍者方向邁進，實力不容小覷。

5 結論與建議

1）通過技術發展階段分析可知，機器學習技術處于快速成長期，還有非常廣闊的發展空間。我國目前也處于快速發展期，國家或企業應該加強該領域的研發資助和應用研究，努力把握研究前沿，實現并跑到領跑的轉變。

2）通過技術熱點與核心領域分析可知，機器學習技術熱點領域有：醫學診斷、自動駕駛儀、教育輔助、無線通訊網絡、特定計算模型的計算機系統、定位系統、語音識別、計算機視覺等。機器學習核心技術領域有：排序、選擇、學習、知識處理、搜索和檢索、模糊邏輯系統、專家系統、安全等。中國應直擊以上熱點和核心技術領域的研發，加大研發投入，降低技術投資風險，提高國際競爭力。

3）在申請海外專利方面，美國和日本海外市場布局全面，我國的海外申請專利主要集中在美國和世界知識產權組織，這不利于我國在全球機器學習中技術的擴散和占領市場，因此我國應該結合自身技術特點以及海外市場特點，擴大專利申請范圍，加大對歐洲專利局、德國、日本等國家的布局。

4）從機器學習專利申請總量來看，美國專利申請量排第一，中國排第二，日本排第三;從機器學習技術結構上來看，美國的機器學習技術結構布局與全球重點關注的機器學習技術結構基本吻合，但是我國在技術結構布局上存在短板，突出反映在GO6N技術領域（基于特定計算模型的計算機系統）具有較大差距。因此，為避免“卡脖子”，企業應該加大該領域的研發投入。

5）在專利活動方面，美國的專利活動最強，日本最弱，我國屬于技術活躍者，但是RSI指數比較差，說明我國對機器學習技術領域的重視程度和投入力度不足，應該引起重視，各個相關研發機構，尤其是互聯網企業應該想方設法把機器學習技術應用到自己的研發過程中，實現技術突破;國家也應該健全相關法律法規制度，給予相關企業一定的支持和資助。

6）在專利質量方面，美國的專利質量最高，韓國的專利質量最弱，中國的專利質量水平有待提高，主要提升路徑是提升核心專利數量和擴大國際申請范圍，應積極開拓和布局海外市場，提高技術影響力。

參考文獻

[1]新華社.抓住新一代人工智能發展的重大機遇[EB/OL].http：//www.gov.cn/xinwen/2018-11/02/content_5336686.htm，2018-11-20.

[2]閆志明，唐夏夏，秦旋，等.教育人工智能（EAI）的內涵、關鍵技術與應用趨勢——美國《為人工智能的未來做好準備》和《國家人工智能研發戰略規劃》報告解析[J].遠程教育雜志，2017，35（1）：26-35.

[3]陳康，向勇，喻超.大數據時代機器學習的新趨勢[J].電信科學，2012，28（12）：88-95.

[4]科睿唯安印度工商業聯合會.人工智能，下一代數字轉型的創新力與顛覆力[J].科學觀察，2017，（5）：45-55.

[5]中國專利保護協會.人工智能技術專利深度分析報告[EB/OL].http：//www.ppac.org.cn/news/detail-38.html，2018-11-20.

[6]黃魯成，吳菲菲，李欣，等.新興技術未來分析理論方法與產業創新研究[M].北京：科學出版社，2018.

[7]車堯，李雪夢，璐羽.社會網絡視角下戰略性新興產業的專利情報研究[J].情報科學，2015，（7）：138-144.

[8]劉軍.整體網分析講義：UCINET軟件實用指南[M].上海：格致出版社，2009.

[9]杜宏巍.基于德溫特數據庫的關鍵共性技術分析[J].中國市場，2016，（31）：273-273.

[10]韓志華.核心專利判別的綜合指標體系研究[J].中國外資，2010，（4）：193-196.

[11]Narin F.Patent Bibliometrics[J].Scientometrics，1994，30（1）：147-155.

[12]Schettino F，Sterlacchini A，Venturini F.Inventive Productivity and Patent Quality：Evidence from Italian Inventors[J].Journal of Policy Modeling，2013，35（6）：1043-1056.

[13]劉云，劉璐，閆哲，等.基于專利計量的全球碳納米管領域技術創新特征分析[J].科研管理，2016，（s1）：337-345.

[14]楊曦，余翔，劉鑫.基于專利情報的石墨烯產業技術競爭態勢研究[J].情報雜志，2017，（12）：75-81.

[15]李婧，古翔，蔡靜，等.燃氣輪機技術全球專利態勢分析[J].世界科技研究與發展，2017，（6）：483-490.

[16]官建成，高霞，徐念龍.運用h-指數評價專利質量與國際比較[J].科學學研究，2008，26（5）：932-937.

[17]黃魯成，常蘭蘭，苗紅，等.基于ESTP-Chain四維分析法的老年福祉技術競爭態勢分析[J].科技管理研究，2016，36（12）：213-219.

[18]Lerner J.The Importance of Patent Scope：An Empirical Analysis[J].Veterinary Record，1994，25（2）：319-333.

[19]孫濤濤，唐小利，李越.核心專利的識別方法及其實證研究[J].圖書情報工作，2012，56（4）：80-84.

（責任編輯：陳 媛）