基于融合數據和生命周期的技術預測方法：以病毒核酸檢測技術為例

張 洋，林宇航，侯劍華

（中山大學信息管理學院，廣州 510006）

1 引 言

在全球化加劇的大背景下，人口流動愈加頻繁，一些傳染性極強的病毒迅速蔓延。在與病毒的抗爭中，人類及時地破譯病毒核酸序列、升級檢測技術成為取勝的關鍵。情報分析方法為學者們提供了一種強有力的技術數據解析與運用的工具。借助當前已有的病毒核酸檢測技術數據，預測未來技術升級的前沿趨勢，對于調整產業結構和提高產業創新能力具有十分重要的意義。

隨著科學論文和專利數據庫的不斷完善和發展，基于文本的技術挖掘方法逐漸成為開展技術預測的主流手段。一方面，已有研究多是以論文或者專利文本為數據源，通過專利的IPC（International Patent Classification）引證關系或論文的關鍵詞共現關系挖掘未來技術前沿趨勢，將論文和專利文本融合作為數據源開展技術預測的研究較少。另一方面，在確定預測基礎數據的時候，如果時間范圍選定過廣，預測基礎過于寬泛，難以保證準度；如果時間選定過窄，可能出現網絡稀疏，漏掉關鍵節點等問題。目前，人們缺乏一套系統的基礎數據選定標準。以往研究在選取訓練集時，往往忽視技術內部的客觀演化規律，導致預測效果具有較大的隨機性。因此，本文遵循技術演化的規律，從數據來源、詞共現關系、技術生命周期等方面對鏈路預測模型進行優化，以更準確識別技術前沿趨勢，具體研究包括：①使用融合數據作為技術演化趨勢分析的依據，提取專利與科學論文的主題詞，共同構建主題詞共現加權網絡。使用加權指標的鏈路預測算法識別新技術演化趨勢，證明融合數據源具備更好的預測效果。②根據技術生命周期理論，提出一種在有限的數據條件下，快速定位最優預測基礎數據的方法，有效提升預測模型的效率。

2 文獻回顧

1959年，Lenz最早提出了技術預測這一概念[1]。技術預測是指在具體的框架內，分析技術發展的條件和潛力。由于專家評議的主觀性和高昂的社會成本[2]，現階段的技術預測中，專家咨詢更多地作為一種輔助和補充手段[3]。而以定量分析為基礎的技術預測方法，憑借其高效和客觀，得到了學術界和產業界的廣泛使用和傳播。

2.1 技術預測的數據基礎

目前，以單一數據源作為技術預測的基礎數據是主流方法，如基于專利的社會網絡分析法[4]、基于文獻計量方法[5]等。當數據量不夠豐富時，以單一數據所構建的預測網絡難免遺漏個別關鍵節點或關系，給預測效果帶來不利影響。

隨著單一數據效果顯現出來的不足，有研究者嘗試采用多源異構數據作為預測基礎。例如，融合專利與論文兩種數據來源[6]，結合相似度計算識別技術演化趨勢；融合社交媒體數據與專利數據[7]擬合新興技術出現的趨勢。以上研究考慮到了多源數據對預測模型的貢獻，解決了數據融合同構化的問題，但是忽略了技術演化的時序性差異。

在為預測模型（特別是鏈路預測模型）選擇訓練集時，主流的數據選取方式多為全網絡數據[8]、十字交叉驗證[9]或隨機百分比劃分[10]。前期研究[11-12]認為以3～5年作為一個網絡的時間跨度進行預測較為合適，但是并未結合技術演化規律，為數據集選定提供依據。

2.2 技術預測的方法

目前，技術預測的方法可以分為定性與定量兩大類。在定量方法中，主流方法有兩種：基于知識單元重組的預測方法、基于鏈路預測和機器學習的方法。

2.2.1 基于知識單元重組的預測方法

1986年，Swanson[13]提出將兩個完全獨立的知識單元放在一起，則很有可能產生新的知識組合。技術融合是原本不相交的兩個領域出現界限上的模糊[14]，同時也是尋找技術的突破點，通過跨領域的知識重組實現技術的升級、替換過程[15]。因此，預測技術的融合在一定程度上可以等同于預測新技術的產生。

基于引用和耦合分析是表征技術知識融合的重要方式。文獻的引用可以抽象為知識流動的過程[16]。文獻耦合通過測算不同文獻之間的相關性，表征知識融合路徑[17]。此外，專利引證與共類同樣反映了技術知識的重組[18-19]。除引用與耦合關系之外，專利轉讓[20]、產學研合作[21]等也是技術知識流動的表征方式。

2.2.2 基于鏈路預測和機器學習的方法

鏈路預測是根據節點的屬性和網絡結構的特征，預測未知的邊和未來可能產生的邊[22-23]。近年來，該方法被眾多學者運用于新興技術的預測。例如，翟東升等[24]以專利IPC引用網絡結合鏈路預測指標預測未來技術機會；黃璐等[25]運用鏈路預測對專利的手工代碼和加權詞項進行共類分析，以此來預測不同技術的融合趨勢。

自動化文本處理是數據驅動環境下高效、準確預測的重要前提[26]。而自動化文本處理所涉及的自動分區、科技信息提取、情感分析等手段均要借助機器學習才能高效完成。目前，已有研究通過使用K-means算法[27]、圖神經網絡[28]等取得了較好的預測效果。

2.3 研究述評

從技術預測使用的數據源來看，基于單一數據是目前的主流方法。從相關方法研究來看，可以大致分為基于知識單元重組、基于鏈路預測算法和機器學習等。

使用鏈路預測方法時，出于增加網絡密度的考慮，多數研究將收集到的所有數據用于構建訓練網絡。這種方法較為穩妥且簡單，但是當數據量較小時，會受到一定的局限，且帶有主觀色彩。leavein-and-out方法、十字交叉驗證等方法的好處在于能夠充分利用現有數據，但是忽視了時間動態因素。而隨機百分比抽取這一方法，具備了一定的盲目性。罕有研究通過多角度的檢驗和論證，探索一套高效的數據劃分和選定標準，以保證預測效果，并且揭示數據劃分對預測效果的影響。

當前的研究成果存在三點不足：一是相關研究多數通過計算主題詞相似度，進而以聚類算法來預測技術趨勢；二是以單一數據源作為主流預測依據容易造成重要節點的遺漏，影響預測效果；三是構造基礎數據時缺乏科學選取的依據，多數研究并未考量所得到的預測效果是否達到最佳。

3 預測模型構建

針對現有研究的預測數據源單一，未將技術演化因素納入考慮范疇等不足，本文基于數據源選取和構建，以病毒核酸檢測技術為例，提出了一種技術預測改進模型。首先，深入分析已有的病毒核酸檢測技術特征；其次，借鑒Swanson[13]的知識流動思想，以技術主題字段的共現關系定義新技術的產生；再次，引入專利文本和科技文獻，共同作為預測數據的來源；最后，結合技術生命周期理論，為模型的訓練網絡提供選擇依據，通過以上優化手段提升鏈路預測的效果。將新模型與單一數據網絡、不同生命階段網絡的效果進行比較，以此來檢驗改進的模型效果。本文設計的模型分析框架如圖1所示。

圖1 基于融合數據和技術生命周期的技術預測模型分析框架

3.1 病毒核酸檢測技術的特征分析

最早的病毒核酸檢測技術是20世紀80年代初的核酸分子雜交法。隨后，科學家發現一些工具酶具有特異性的序列識別能力，以及高效的生物催化活性[29]。在此之后，許多新發明的分子檢測技術都是在使用工具酶放大信號的基礎之上實現的，例如，1985年首次被發明的聚合酶鏈式反應（poly‐merase chain reaction，PCR）和20世紀90年代初的連接酶鏈擴增技術（ligase chain reaction，LCR）。其中，PCR是核酸檢測的“金標準”，已經相當成熟[30]。2010年以后，較先進的核酸檢測技術包括生物芯片、基因測序等。

在發展和演化的過程中，該技術的某些主題字段是一脈相承的，如熒光標記、聚合酶、擴增技術等。這些字段頻繁地出現在專利和科技論文中，新技術往往帶有上一代技術的痕跡。只有出現某些顛覆性技術時，才可能消除某些老一代的技術主題字段，例如，第四代基因測序技術實現了單分子測序，徹底擺脫了核酸擴增環節。由此可見，時序性對核酸檢測技術發展產生一定的影響，同一時期的技術主題字段往往聯系緊密。因此，在預測時，技術生命周期應當作為一個重要的數據因素，不可簡單地忽視。

3.2 二源數據的加權網絡融合

專利和科學論文都是技術的重要載體，二者之間存在許多契合的字段。同時，二者間也存在不同的字段。同一時期字段所關聯的技術較為貼近，因此二者能夠形成有效互補，增加原有網絡稠度，避免因使用單一數據源造成字段遺漏。本文將兩種數據源進行技術主題字段提取之后，融合形成字段共現矩陣，測試訓練結果，與單純的文獻或專利矩陣的訓練結果進行橫向比較，檢驗融合數據的預測提升效果。

在以往的鏈路預測研究中，部分忽略了網絡連邊的權重問題。事實上，連邊權重也是網絡拓撲結構的重要組成因素，對節點間二次連接，以及周邊節點關系有較大的影響。Zhao等[31]研究驗證了在復雜網絡中，節點間發生連接的概率與節點所涉及關聯邊的權重存在線性關系。翟東升等[24]對多個鏈路預測指標進行加權計算，驗證了兼顧權重方法的科學性和合理性。考慮到已有技術融合的次數在促成未來的新技術誕生上存在一定的影響作用，本文使用加權鏈路預測指標，將比無權指標更加具有說服力。

使用AUC（area under curve）檢驗指標的預測性能，對未知邊和不存在邊進行隨機重復抽樣。每次抽取時，當測試集邊得分高于訓練集邊時，分子加1；測試集邊等于訓練集邊時，分子加0.5，以此類推。分母n為總的抽取次數。AUC的計算公式為

3.3 技術生命周期識別

時序性演化是技術的一個重要特征，技術生命周期可表征不同階段的發展規律。S型曲線不同階段的斜率能夠較準確地貼合技術萌芽期、生長期、成熟期和衰退期的發展速率變化。Logistics曲線是S曲線中的一種，其公式[32]為

其中，l為飽和點的值；α代表斜率；e為自然常數；β代表各個不同時期的轉折點。

本文將使用Logistics曲線來擬定技術生命發展的歷程，探究不同階段對鏈路預測模型效果的影響，為選取最優訓練數據提供參考。不論是專利指標分析法還是S曲線法，都是將各階段專利的數量作為唯一的參照指標。由于專利和論文對技術的演化均具有重要貢獻，同時具備反映技術生命階段的意義，本文使用融合矩陣網絡中每年新增的共詞對數量代替專利新增數量，作為生命周期擬定指標。

3.4 基于生命周期的模型構建

在識別技術生命周期的基礎上，為了利用生命周期改進預測模型，本文須結合技術自身的客觀演化規律，確定同一階段與跨階段技術的關聯特征。

不同的技術小類間存在內生聯系[33]，而技術的網絡具備小世界性[34]，表現為大部分節點間并不直接相連，但是通過少數的幾步路徑就可以到達。相鄰時間段內出現的技術主題字段不是跳躍發展的，而是隨著新舊技術更迭，高頻字段經歷一個逐漸淡化的過程，逐漸被其他字段取代。技術隨著時間推移，相關主題字段呈現一定的過渡演變，相鄰時期或同一時期發生大幅度躍遷的可能性較低。相比之下，不同時期的技術主題字段間則差距較大。

本文通過一個簡單的拓撲結構，來擬定不同生命階段的訓練網絡對模型效果的影響，如圖2所示。假設初始網絡由A、B、C、D點和其間的一些連接構成（圖2a）。對初始網絡進行訓練集與測試集劃分（圖2b）。實線邊為實際存在的邊，即訓練集。在虛線邊中，AB邊為測試集，CD邊為不存在邊。根據鏈路預測算法，本文基于該拓撲結構，計算測試集AB邊的得分，將其與CD邊的得分進行比較。若AB邊得分高于CD邊的概率越大，則說明預測模型效果越好。以加權的共同鄰居指標（weight‐ed common neighbor）為例：

其中，SXY為X、Y兩點間出現連邊的概率得分；節點Z表示X與Y的共同鄰居；WXZ表示節點X與Z連邊的權重；WYZ表示節點Y與Z連邊的權重。在圖2b中，AB邊有共同鄰居C、D，且分別與C、D點均存在一條連接，故SAB=(1+1)/2+(1+1)/2=2。同理，SCD=2。在這種情況下，根據AUC評價算法，預測的準確率為50%。

假如使用與預測目標不同生命階段的數據來補充訓練網絡（圖2c），因與測試邊AB較為疏遠，可以假設補充的點為P。那么P點與AB直接發生關系的可能性較小。相反地，其存在增加了CD邊的權重。在該網絡中，SAB=2，因為P點加入，SCD=3>SAB。使用極限思想，當所有補充的點特征都與P點相似時，則該網絡的AUC=0。這種情況下預測效果將大打折扣。

假如使用與預測目標同一生命階段的數據來補充訓練網絡（圖2d），因同一時期內技術更迭出現大幅度躍遷的可能性較低，可以假設補充的點為P，那么P點有較大的可能會與AB直接發生關系，結果增加了AB邊的權重。在該網絡中，SAB=3，SCD=2

經過圖2a～圖2d擬定，可以推斷，當使用全網絡數據集（即囊括所有不同生命階段的數據）訓練時，補充進來的節點既可能出現在圖2c的P點位置，也有可能出現在圖2d的P點位置。當全網絡中，技術的主題字段大部分與預測目標節點較為貼近時，此時技術主題躍遷較小，更有利于增加目標節點的連邊得分；而當多數技術主題字段與目標節點較疏遠時，此時預測目標與總體網絡存在較大的躍遷，結果稀釋了目標節點的連邊得分。由于涉及具體技術在不同層面的延伸，技術小類的數量不一，方向也各異，全網絡中技術節點的分布難以預料，總的訓練網效果存在較高的不確定性。因此，為了保證訓練效果，同時減少檢驗數據的實驗成本，在有限的數據條件下，選取與預測目標同一生命周期階段的基礎數據是最優選擇。

圖2 不同生命階段的訓練網絡對模型效果的影響

4 實證分析

經過上述步驟，本文建立起了一個新的鏈路預測改進模型。該模型融合專利與論文數據，并參考技術生命周期的不同階段以選取訓練網絡，優先以同一生命階段的訓練網絡作為預測基礎。下面以病毒核酸檢測技術2001—2019年數據為樣本，對此模型進行實證檢驗。使用鏈路預測對病毒核酸檢測進行技術預測時，網絡中不同節點代表不同的技術主題字段，連邊則表示不同技術主題間發生共現，產生了知識融合，意味著新技術的萌生。

4.1 數據來源與處理

在Incopat網站上，以檢索式“病毒AND核酸檢測”進行檢索，檢索日期為2020年1月30日，設置專利公開年份為2001-2019，得到28259條專利數據。在Web of Science網站上檢索病毒核酸檢測技術相關文獻，檢索式為TS=((virus OR viral)AND nu‐cleic acid AND(detection OR test OR assay))，檢索年份設置為2001-2019，共得到6678條文獻數據。

提取所有文本的標題，創建3個數據集，分別為論文標題數據集、專利標題數據集、論文與專利標題融合數據集（以下分別簡稱為數據集A、數據集B、數據集C）。為了盡可能地排除預測過程中的偶然性，使結果更加客觀，將三個數據集各分為4個階段：2001—2005年數據、2006—2010年數據、2011—2015年數據、2016—2019年數據（下文分別簡稱為階段1、階段2、階段3、階段4），最后得到一個3×4的總數據集合。利用BibExcel軟件提取所有標題數據中的技術主題字段，設置字頻閾值為10以上，剔除無關字段和冗余字段，構建技術主題字段共詞矩陣。在此過程中，共產生12個共詞矩陣，如表1所示。

4.2 加權指標下融合數據矩陣預測效果

在數據集A中，分別以階段1、階段2、階段3的矩陣網絡作為訓練集，以階段4作為測試集檢驗訓練效果。為了降低實驗誤差，需要對多個指標的預測效果進行橫向對比。同時，考慮到已有節點連接的次數同時是拓撲結構的一部分，直接關系到相關節點的中介度和中心性，對新連接的產生具有較大的潛在影響，對每個指標進行加權處理，能夠更好地反映實際情況。本文參照翟東升等[24]對鏈路預測指標的加權方法，使用含權共同鄰居、Jaccard系數、含權Adamic-Adar（AA）指標、含權resource allocation（RA）指標計算連邊得分。最后，以AUC表征的百分比來衡量模型的效果。

同樣地，在數據集B、數據集C中進行類似的訓練和測試。最后，分別得出三個數據集中，不同階段、不同指標的預測效果，如圖3所示。

為了檢驗融合數據是否比單一數據更有優勢，本文橫向對比A、B、C三個數據集中，同一指標且相同階段的預測效果。由圖3可見，在Jaccard系數（圖3b）與含權AA指標（圖3c）的階段3，數據集B效果優于其他。除Jaccard與含權AA的階段3以外，在橫向對比中，由數據集C得出的訓練效果AUC值均為最高。這說明了融合專利與論文技術主題字段的共詞網絡相較于單一數據網絡，鏈路預測性能得到一定程度的提升。

表1 數據集各階段的技術主題字段共詞矩陣大小

圖3 不同數據集預測效果對比

4.3 技術生命周期分析

將每年專利與論文融合網絡中，新增技術主題字段的共詞對數抽取出來，繪制成折線圖，如圖4所示。

由圖4可見，在2008年之前，每年新增共詞對數量在1000～3500內波動，但是總體上每年新增數量有所上升。說明在2001—2008年，技術生長速度有所加快；而2008年之后，每年新增詞對數量呈現出下滑的趨勢，說明技術生長的速度在逐漸放緩。

本文使用Logistics曲線來擬合病毒核酸檢測技術發展的不同階段。把累計專利公開數量替換成專利與論文融合矩陣中累計技術主題字段共詞對數量，將2001—2019年的病毒核酸檢測技術融合數據輸入Loglet Lab 4軟件，經過多次調整參數進行擬合，結果得到如圖5所示的S曲線。

擬合結果顯示，技術生命周期各階段的轉折點時間t10、t50、t90分別為1998年、2007年和2025年。即1998年以前，為病毒核酸檢測技術的萌芽期；1998—2007年為技術生長期；2007—2025年為技術的成熟期預測；預測2025年以后將進入技術的衰退期。

圖4 歷年新增與累計共詞對數量趨勢

圖5 技術生命周期擬合曲線

4.4 不同生命階段的預測效果

為了驗證不同技術生命周期階段的訓練網絡對結果的影響，本文對數據集時間段重新劃分，分別是2001—2007年（即成長期訓練集）、2008—2015年（即成熟期訓練集）、2001—2015年（即全網絡訓練集），對這三個網絡進行訓練，同樣使用2016—2019年作為測試集來檢測訓練效果。

利用BibExcel軟件提取所有標題數據中的技術主題字段，設置字頻閾值為10以上，剔除無關字段和冗余字段，構建出每個階段的技術主題字段共詞矩陣。

根據第4.3節的分析，2008—2015年的訓練集與測試集數據同屬于技術成熟期內；而2001—2007年的訓練集則在相鄰的成長期內；2001—2015年的訓練網絡則同時囊括了成長期與成熟期。訓練得出的指標效果如圖6所示。

圖6 不同生命階段的訓練集預測效果對比

在數據集A、B、C當中分別進行縱向對比，考察不同生命階段的網絡預測效果。在數據集B（專利技術主題字段）中，全網絡訓練集的效果最佳。根據第3.4節的分析，推測是因為對于專利來說，全網絡時段的技術主題字段分布與預測目標較為貼近，意味著在長時間內，技術主題較為集中，未產生較大的躍遷，這使得全網絡有更佳的預測表現。而在數據集A（論文技術主題字段）和數據集C（融合技術主題字段）當中，以成熟期數據（橙色柱體）作為訓練網絡的所有參數，幾乎均取得了最優效果。由此可見，全網絡的預測效果存在較大的不確定性，未必是最好的。這說明在選取訓練網絡時，優先考慮與預測目標同一生命階段的數據，能夠較大限度地保證預測效果。

5 研究結論與討論

本文提出了一種使用融合多源數據來改進技術預測效果的方法，針對病毒核酸檢測技術的特征，結合技術演化規律，并檢驗了提出的新模型效果。研究發現，相較于原有模型，新模型在預測效果上得到了有效提升。

研究結論主要包括：①融合多源數據的訓練網絡比單一數據有更好的預測效果。多源數據間互為補充，克服技術主題字段完整性不足的問題，更加客觀真實地刻畫實際技術的發展狀況，有助于提升預測性能。②技術生命周期與預測模型的效果關系密切。由于技術的內生演化，不同階段的網絡較為疏遠，因而跨階段的網絡稀釋了預測目標的得分，影響了預測的效果。實驗發現，在使用同一生命階段數據進行預測時，大部分效果優于不同階段和全網絡數據，能夠較大程度地保證模型的預測效果。選定正確高效的數據集，不僅能夠提升模型性能，而且能夠減少運算負荷，達到事半功倍的效果。針對以往研究選取基礎數據的隨機性缺陷，本文提供了一種快速定位高效基礎數據的方法，在保障預測效果的同時有助于減少實驗成本。

隨著科學大數據和人工智能技術的快速發展，更加客觀有效的技術預測模型將不斷地被改進。本文的局限性在于實驗部分僅比較了病毒核酸檢測技術成長期與成熟期兩個階段。在涵蓋完整的技術生命周期數據下，將提出的模型拓展至其他技術領域，還有待進一步研究。未來，整合包括專利與論文在內（如圖書、標準、行業報告等）的多源異構數據，對技術前沿進行預測的方法將逐漸取代單一數據源方法。此外，結合機器學習對大規模文本的高效處理能力，將有更多的算法被開發出來。將文獻計量、專利分析、鏈路預測以及機器學習等多種方法綜合起來，通過對比效果衡量出最佳標準，將成為技術預測的未來方向。