基于表示學(xué)習(xí)的專利科學(xué)關(guān)聯(lián)度分析

孫曉玲 陳娜

摘要：創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略下，科學(xué)知識與技術(shù)創(chuàng)新間關(guān)系愈發(fā)的多層面化和高復(fù)雜化。從引用科學(xué)知識的專利入手，利用表示學(xué)習(xí)從語義層面上分析專利科學(xué)關(guān)聯(lián)關(guān)系，特別是高價值專利引用何種特征的科學(xué)知識，并比較中美兩國專利科學(xué)引文主題的異同，從中美兩國產(chǎn)學(xué)研合作網(wǎng)絡(luò)中關(guān)鍵創(chuàng)新主體的演化情況來探索引發(fā)該現(xiàn)象的原因。以人工智能領(lǐng)域為例，研究表明，高價值專利的科學(xué)關(guān)聯(lián)度更高，生物醫(yī)學(xué)領(lǐng)域?qū)Ω邇r值專利的支撐作用更為明顯；中國在高價值專利數(shù)量上處于劣勢，且在智能醫(yī)學(xué)領(lǐng)域及基礎(chǔ)硬件的技術(shù)創(chuàng)新能力較弱，但近年來在電力領(lǐng)域的優(yōu)勢越來越明顯，這離不開國家電網(wǎng)在產(chǎn)學(xué)研合作網(wǎng)絡(luò)的核心位置。此外，值得關(guān)注的是未來人工智能在地震監(jiān)測等新興領(lǐng)域的應(yīng)用。

關(guān)鍵詞：專利科學(xué)關(guān)聯(lián)度；科學(xué)知識；表示學(xué)習(xí)；專利價值

中圖分類號：G350文獻標(biāo)識碼： ADOI：10.3969/j.issn.1003-8256.2021.03.002

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

0引言

在知識經(jīng)濟時代下，全球創(chuàng)新知識基因加速流動，也促進著科學(xué)知識和技術(shù)知識之間相互影響、相互作用，越來越多的企業(yè)重視和依賴科學(xué)創(chuàng)新，科學(xué)知識對技術(shù)知識的遺傳產(chǎn)生了一定的促進作用[1]、科學(xué)與技術(shù)網(wǎng)絡(luò)間存在著相互影響關(guān)系[2]。因此，強大的基礎(chǔ)科學(xué)研究是建設(shè)世界科技強國的基石，世界主要發(fā)達國家普遍強化基礎(chǔ)研究戰(zhàn)略部署，全球科技競爭不斷向基礎(chǔ)研究前移。經(jīng)過多年的發(fā)展，我國基礎(chǔ)科學(xué)研究取得長足進步，整體水平顯著提高，支撐技術(shù)成果產(chǎn)出的作用不斷增強，基礎(chǔ)研究與技術(shù)創(chuàng)新之間的關(guān)系更加緊密，但與建設(shè)知識產(chǎn)權(quán)強國要求相比，我國基礎(chǔ)科學(xué)研究短板依然突出，基礎(chǔ)研究投入不足、結(jié)構(gòu)不合理、重大原始創(chuàng)新成果缺乏。基于此環(huán)境背景下，探究科學(xué)與技術(shù)間的關(guān)聯(lián)關(guān)系尤為必要，尤其是掌握基礎(chǔ)科學(xué)研究對技術(shù)創(chuàng)新價值的影響規(guī)律，增強支撐引領(lǐng)創(chuàng)新驅(qū)動發(fā)展的源頭供給能力，以此加快建設(shè)科技強國的步伐。

具備哪些特征的科學(xué)知識與技術(shù)創(chuàng)新聯(lián)系更為緊密？何種領(lǐng)域、何種學(xué)科的科學(xué)知識更能產(chǎn)生高價值專利？已有研究沒有涉及。而我國專利數(shù)量已領(lǐng)先美國，成為全球?qū)＠季肿疃嗟膰襕3]。要清醒認(rèn)識到專利數(shù)量的快速增長與經(jīng)濟產(chǎn)業(yè)轉(zhuǎn)型、從要素驅(qū)動向創(chuàng)新驅(qū)動轉(zhuǎn)變的國情和各類激勵政策有著緊密的聯(lián)系[4]。我國大量專利申請集中在技術(shù)應(yīng)用方面，缺少重大原創(chuàng)成果，一些關(guān)鍵技術(shù)與美國等發(fā)達國家仍存在差距[5]，因此，探究中美兩國不同等級價值專利在引用科學(xué)知識的差別及產(chǎn)生這種差別核心創(chuàng)新主體的演變情況具有重要意義。

基于上述問題，本文從引用科學(xué)知識的專利入手，基于文本內(nèi)容表示學(xué)習(xí)方法研究促進技術(shù)知識流動的科學(xué)知識特征，并揭示高價值專利引用科學(xué)知識的特征，比較中美兩國各等級專利科學(xué)引文主題內(nèi)容的異同以及關(guān)鍵創(chuàng)新主體演化情況對專利科學(xué)引文主題內(nèi)容不同的影響。

1相關(guān)研究

科學(xué)與技術(shù)間的關(guān)系猶如一對舞者交相呼應(yīng)，兩者呈現(xiàn)交叉融合的趨勢[6]。目前科學(xué)與技術(shù)間關(guān)系的研究已成為科學(xué)計量學(xué)、情報學(xué)等領(lǐng)域的熱點研究領(lǐng)域，對于科學(xué)與技術(shù)關(guān)系研究方法呈現(xiàn)百家爭鳴的情景，主要有科學(xué)技術(shù)哲學(xué)法[7]、模型研究法[8]、基于論文和專利分析的文獻計量法[9-15]等。

文獻計量方法成為研究科學(xué)與技術(shù)關(guān)系的熱點方法，而基于專利的論文引文分析法作為文獻計量學(xué)研究科學(xué)與技術(shù)關(guān)系常用方法，主要目的是揭示基礎(chǔ)研究對技術(shù)創(chuàng)新的推動作用。專利引用的論文作為非專利引文（Non-Patent References，NPR）的一種類型[9]，不僅包含申請人引用的科學(xué)論文，還包括審查員審查過程中加入的科學(xué)文獻，分析專利引用的論文常用來比較不同國家科學(xué)與技術(shù)間關(guān)系的異同，識別與科學(xué)知識關(guān)系較強的技術(shù)領(lǐng)域等[10]，如有學(xué)者將論文和專利分別視作科學(xué)研究成果和技術(shù)創(chuàng)新成果的表現(xiàn)形式，采用基于論文和專利分析的文獻計量方法研究科學(xué)與技術(shù)間的數(shù)量特征[11]和主題內(nèi)容特征[12]。此外，通過對專利引用的科學(xué)文獻進行深入研究，可發(fā)現(xiàn)科學(xué)與技術(shù)的關(guān)聯(lián)關(guān)系呈現(xiàn)出學(xué)科導(dǎo)向性，生物技術(shù)、制藥和有機化學(xué)等技術(shù)領(lǐng)域與科學(xué)知識的關(guān)聯(lián)度更高[13]，殷媛媛[14]研究了立體顯示領(lǐng)域的專利引用論文時滯、科學(xué)關(guān)聯(lián)度、專利引用論文國家、專利引用論文種類等。還有學(xué)者從納米領(lǐng)域?qū)＠茖W(xué)引文內(nèi)容角度研究科學(xué)與技術(shù)主題關(guān)聯(lián)度[15]，但是，少有學(xué)者研究高價值專利科學(xué)引文與非高價值專利科學(xué)引文的主題內(nèi)容及新穎性結(jié)構(gòu)有何異同，是否也具備著學(xué)科導(dǎo)向性？

何為高價值專利？Innography專利數(shù)據(jù)庫結(jié)合多種評價指標(biāo)建立數(shù)學(xué)模型評估專利價值，并依次將專利劃分為核心專利、重要專利和一般專利，國內(nèi)外大多數(shù)學(xué)者認(rèn)為核心專利即為高價值專利[16]。因此，本文依據(jù)大多數(shù)專利數(shù)據(jù)庫對專利等級的劃分，并結(jié)合知識表示學(xué)習(xí)中的Doc2vec模型將各等級專利科學(xué)引文的標(biāo)題信息表示為低維稠密實值向量，在低維空間中計算各等級專利的科學(xué)關(guān)聯(lián)度[17]。Doc2vec模型是在經(jīng)典Word2vec模型[18]基礎(chǔ)上進行改進，能從可變長度的文本（如文檔、段落、句子）中學(xué)習(xí)固定長度的特征向量表示[19]。

2研究方法

本文從引用科學(xué)文獻的專利入手，研究具有何種特征的科學(xué)知識更易被高價值專利所引用，中美兩國專利科學(xué)引文主題內(nèi)容有何異同以及從產(chǎn)學(xué)研合作網(wǎng)絡(luò)演變視角闡釋產(chǎn)生差異的原因，技術(shù)路線見圖1。以人工智能領(lǐng)域為例：首先，進行提取專利及科學(xué)引文標(biāo)題、去詞干化、分詞等數(shù)據(jù)預(yù)處理工作；其次，利用Doc2Vec表示學(xué)習(xí)方法對專利標(biāo)題和科學(xué)引文標(biāo)題語義信息進行向量表示，并基于主題聚類算法及向量相似度計算指標(biāo)挖掘何種主題的科學(xué)知識更能支撐高質(zhì)量專利的產(chǎn)生；最后，對比中美兩國專利的科學(xué)引文主題異同，利用中美兩國專利的產(chǎn)學(xué)研合作網(wǎng)絡(luò)中關(guān)鍵創(chuàng)新主體的演化情況來闡釋出現(xiàn)科學(xué)引文主題內(nèi)容不同現(xiàn)象的緣由。

2.1基于表示學(xué)習(xí)的專利科學(xué)引文內(nèi)容語義表示

本文采用Doc2vec中的PV-DM模型將專利標(biāo)題及其科學(xué)引文標(biāo)題分別表示為特定維度稠密的語義向量，其表示原理見圖2。首先，從分詞后的標(biāo)題中滑動采樣固定長度的詞，取其中一個詞（如單詞on）作為預(yù)測詞，其他的（如單詞the、cat、sat）作為輸入詞，輸入詞被映射為向量，由矩陣W的某一列表示，該標(biāo)題也被映射成唯一標(biāo)識的向量，并由矩陣D的某一列表示；其次，對標(biāo)題向量與單詞向量求平均或者累加構(gòu)成一個新的向量，進而使用該向量預(yù)測此次窗口內(nèi)的預(yù)測詞，即預(yù)測句子中的下一個單詞；最后，迭代上述過程，滑動截取句子中另一小部分詞來訓(xùn)練，更新矩陣D和W。該模型的優(yōu)點在于訓(xùn)練過程中標(biāo)題的ID保持不變，扮演著記憶向量的作用，融合了之前訓(xùn)練的每個詞向量，同一個標(biāo)題會有多次訓(xùn)練，更能明確表達出每個標(biāo)題的主題。

3專利科學(xué)關(guān)聯(lián)度的實證分析

3.1數(shù)據(jù)來源與處理

本文數(shù)據(jù)來源于incoPat科技創(chuàng)新情報平臺，該平臺是一個涵蓋世界范圍海量專利信息的檢索系統(tǒng)。根據(jù)新興技術(shù)行業(yè)研究公司Venture Scanner對人工智能的分類，借鑒張振剛等[21]、趙蓉英等[22]采用的檢索策略，參考中國《人工智能領(lǐng)域標(biāo)準(zhǔn)化白皮書2018》，并結(jié)合專家意見，最終檢索式為：（（TIAB=人工智能OR深度學(xué)習(xí)OR自然語言處理OR語音識別OR計算機視覺OR遙感控制OR智能機器人OR視頻識別OR語音翻譯OR圖像識別OR機器學(xué)習(xí)）OR（TIAB=（"Artificial intelligence*" OR "Depth learning*" OR"Natural language processing*" OR "Speech Recognition*" OR "Computer vision*" OR "Gesture control* " OR "Smart robot*" OR "Video recognition*" OR "Voice translation*" OR "Image Recognition*" OR "Machine learning*"）））NOT（（IPC-SUBCLASS=（"H04M"））OR（IPCSUBCLASS=（"A61B"））OR（IPC-SUBCLASS=（"G08G"））OR（IPC-SUBCLASS=（"G05B"））OR（IPC-SUBCLASS=（"G09B"））OR（IPCSUBCLASS=（"B60R"））），共檢索到人工智能領(lǐng)域發(fā)明專利總共127246條（檢索時間為2019年6月8日）。人工智能領(lǐng)域?qū)＠?000—2018年間的申請量和公開量如圖3所示，本文將其發(fā)展階段分為三個階段來研究，分別是：2000—2008、2009—2013、2014—2018。

IncoPat數(shù)據(jù)庫依托其自主研發(fā)的專利價值模型（該模型融合了技術(shù)穩(wěn)定性、技術(shù)先進性、保護范圍層面等20多個專利分析行業(yè)內(nèi)最常見和重要的技術(shù)指標(biāo)）對專利價值進行計算，將專利分為1～10分，分?jǐn)?shù)越高代表專利價值越高，部分評價指標(biāo)如圖4所示。

本文依此將專利分為三個等級，分別是核心專利（9～10分）、重要專利（4～8分）、一般專利（1～3分）。各等級專利量如表1所示，一般專利、重要專利、核心專利占總專利量分別為8.73%、60.57%、30.71%，有引證科技文獻的專利占比19.03%，其中核心專利引用的科技文獻比例最高，這是否說明核心專利更易引用科技文獻。從中美兩國專利占比率可看出，中國專利量高于美國，但核心專利占比率不足美國的一半。

從中美兩國專利價值度數(shù)量分布情況（圖5），美國核心專利占美國專利總量的比例高達46.6%，其中專利價值度為10的比例為29%；而中國專利價值度為10的占中國專利總量的比例只有1.8%，僅有美國的1/ 16左右。可見，中國專利數(shù)量領(lǐng)先美國，但高價值專利數(shù)量落后于美國。

引證科技文獻中包含論文、專利文獻、科技報告、政府出版物和產(chǎn)品資料等，本文目的是為了研究專利的科學(xué)知識特征，故利用Python代碼提取會議論文、期刊論文和學(xué)位論文等科學(xué)引文標(biāo)題。此外，由于論文標(biāo)題中包含不同語言，故本文統(tǒng)一翻譯為中文語料，其處理流程見圖6所示，對翻譯后的標(biāo)題進行詞干化、分詞等數(shù)據(jù)預(yù)處理后導(dǎo)入Doc2vec模型中進行句子向量表示。

3.2基于各等級價值的專利科學(xué)關(guān)聯(lián)度分析

3.2.1各等級專利科學(xué)主題聚類分析

采用K-means++算法對各等級專利標(biāo)題及其科學(xué)引文標(biāo)題進行主題聚類，最終一般專利被劃分為3類，重要專利和核心專利被劃分為4類，統(tǒng)計每個類別頻次排名前五的關(guān)鍵詞（表2）。從表中可見各等級專利均涉及3類，分別是視覺類（關(guān)鍵詞有圖像識別、機器視覺等）、語音類（關(guān)鍵詞有語音識別、語音采集等）和自然語言處理類（關(guān)鍵詞有機器翻譯、文本等），但重要專利和核心專利的科學(xué)引文包含蛋白質(zhì)、基因、細(xì)胞、磷酸化等關(guān)鍵詞，說明生物醫(yī)學(xué)領(lǐng)域的科學(xué)知識對重要專利和核心專利的產(chǎn)生具有一定的促進作用，也體現(xiàn)了學(xué)科交叉性對于技術(shù)創(chuàng)新的促進作用。

3.2.2各等級專利的科學(xué)關(guān)聯(lián)度分析

從表2可看出，各等級專利的主題類型與其科學(xué)引文主題類型大致對應(yīng)。計算各等級專利的科學(xué)關(guān)聯(lián)度見圖7，重要專利的科學(xué)關(guān)聯(lián)度均值最高，一般專利的相似度均值最低，僅有0.258。從誤差線可看出，重要專利的標(biāo)準(zhǔn)差最高，達到了0.241，核心專利的科學(xué)關(guān)聯(lián)度均值雖低于重要專利，但其誤差最小。由此可見，核心專利和重要專利的科學(xué)關(guān)聯(lián)度較高。

3.3基于中美兩國專利的科學(xué)關(guān)聯(lián)度分析

3.3.1不同等級價值專利的科學(xué)引文主題聚類分析

通過對中美兩國各等級專利引用科學(xué)文獻的主題進行聚類分析，依據(jù)CH指標(biāo)評估分類效果，KMeans++算法最終將中美兩國各等級專利科學(xué)引文分類（見表3）。從各等級專利科學(xué)引文的主題類別可看出，首先，除了中國的一般專利未出現(xiàn)生物醫(yī)學(xué)領(lǐng)域的關(guān)鍵詞，中美兩國各等級專利均涉及生物醫(yī)學(xué)、視覺類、語音類等熱門領(lǐng)域關(guān)鍵詞；其次，中國重要專利和核心專利均出現(xiàn)電力領(lǐng)域的關(guān)鍵詞，人工智能應(yīng)用于電力工程領(lǐng)域值得關(guān)注，此外，中國的重要專利還出現(xiàn)了巖石細(xì)觀圖像、表征分析等關(guān)鍵詞，值得留意人工智能在地震檢測新興產(chǎn)業(yè)領(lǐng)域的應(yīng)用；最后，美國核心專利涉及傳感器、揚聲器、芯片等關(guān)鍵詞，說明美國在基礎(chǔ)硬件方面占據(jù)一定的地位。

3.3.2基于社會網(wǎng)絡(luò)分析的專利科學(xué)引文主題不同緣由分析

研究關(guān)鍵創(chuàng)新主體的革新情況，能夠及時準(zhǔn)確把握人工智能領(lǐng)域主題走向，對于科研人員及政府機構(gòu)制定決策具有一定的參考作用。首先，基于中美兩國專利申請人的共現(xiàn)關(guān)系構(gòu)建產(chǎn)學(xué)研合作網(wǎng)絡(luò)，其中節(jié)點代表申請機構(gòu)，邊是機構(gòu)間的合作共現(xiàn)關(guān)系，研究產(chǎn)學(xué)研合作網(wǎng)絡(luò)整體演化情況；其次，利用中介中心性[23]指標(biāo)識別關(guān)鍵創(chuàng)新主體。從整體產(chǎn)學(xué)研合作網(wǎng)絡(luò)看，2000—2008年，處于核心位置前列的均是美國巨頭企業(yè)，如摩托羅拉、IBM等，見圖8。而2009—2013年，國家電網(wǎng)人工智能領(lǐng)域的專利申請量明顯增多，位于產(chǎn)學(xué)研合作網(wǎng)絡(luò)的中介位置，除此之外，還有美國的英特爾和日本電氣公司（NEC），見圖9。2014—2018年出現(xiàn)了一個最大的中心節(jié)點——國家電網(wǎng)，見圖10。因此，對比中美專利申請人分布情況，可看出2013年以前，美國的企業(yè)占據(jù)著產(chǎn)學(xué)研合作網(wǎng)絡(luò)的中心位置，而2014—2018年國家電網(wǎng)人工智能專利數(shù)量可謂突飛猛進，逐步成為產(chǎn)學(xué)研合作網(wǎng)絡(luò)中的核心節(jié)點。該現(xiàn)象闡明了為何中國重要專利和核心專利科學(xué)引文主題涉及電力領(lǐng)域的關(guān)鍵詞，即專利科學(xué)引文主題與創(chuàng)新主體具有一定的聯(lián)系。

4結(jié)論與建議

專利通過對人工智能領(lǐng)域各等級專利的科學(xué)引文主題及專利科學(xué)關(guān)聯(lián)度進行對比分析，得到以下結(jié)論：首先，各等級專利主題及科學(xué)引文主題均涉及語音類、視覺類和自然語言類；其次，生物醫(yī)學(xué)領(lǐng)域的科學(xué)知識更能支撐高價值專利的產(chǎn)生；最后，核心專利和重點專利的科學(xué)關(guān)聯(lián)度遠高于一般專利，說明核心專利和重點專利引用的科學(xué)文獻更相關(guān)。

通過對中美兩國人工智能領(lǐng)域?qū)＠麛?shù)量、科學(xué)引文主題及關(guān)鍵創(chuàng)新主體的演化情況，得出以下結(jié)論：第一，中國專利數(shù)量領(lǐng)先美國，但中國高價值專利數(shù)量未達美國的一半，美國在高價值專利方面遙遙領(lǐng)先；第二，除中國一般專利科學(xué)引文未涉及生物醫(yī)學(xué)領(lǐng)域，中美兩國專利科學(xué)引文主題均涉及生物醫(yī)學(xué)、語音類、視覺類；第三，人工智能在電力領(lǐng)域的應(yīng)用逐漸成為我國的優(yōu)勢，從國家電網(wǎng)在產(chǎn)學(xué)研合作網(wǎng)絡(luò)中逐漸占據(jù)中介位置亦能看出，但我國在基礎(chǔ)硬件方面實力有待加強；最后，值得注意人工智能在地震檢測等新興產(chǎn)業(yè)的應(yīng)用。

以上結(jié)論顯示，語音識別、圖像識別、自然語言處理是各等級專利的熱點研究領(lǐng)域，生物醫(yī)學(xué)領(lǐng)域的科學(xué)知識與技術(shù)知識之間的流動性較為頻繁，更能支撐高價值專利的產(chǎn)生。我國人工智能雖在電力領(lǐng)域的應(yīng)用處于優(yōu)勢地位，但在基礎(chǔ)硬件領(lǐng)域還有待提高。未來工作將在更多領(lǐng)域中研究基礎(chǔ)研究與技術(shù)創(chuàng)新的關(guān)聯(lián)性，為國家制定相關(guān)科技政策提供決策依據(jù)。

參考文獻：

[1]孫曉玲，李冰，楊陽，等.科學(xué)知識對技術(shù)知識遺傳的影響研究——基于多引用代與語義內(nèi)容視角[J].科學(xué)學(xué)與科學(xué)技術(shù)管理， 2019， 40（2）： 3-15.

[2]朱桂龍，李興耀. AI領(lǐng)域基礎(chǔ)科學(xué)網(wǎng)絡(luò)對技術(shù)創(chuàng)新網(wǎng)絡(luò)影響研究[J].科學(xué)學(xué)研究， 2019， 37（3）： 135-143.

[3]周伯柱， GUPTAA.基于論文和專利分析的人工智能發(fā)展態(tài)勢研究[J].世界科技研究與發(fā)展， 2019， 41（4）： 380-391.

[4]張涵.？中國人工智能發(fā)展報告2018？正式發(fā)布[J].中國國情國力， 2018（8）： 80.

[5]黃辛.？中國新一代人工智能發(fā)展報告2019？發(fā)布[N].中國科學(xué)報，2019-05-30（ 007）.

[6]RIP A.Scienceandtechnologyasdancingpartnersin technological development and science in the industrial age[M]. Bakker： Kroes Press， 1992： 231-270.

[7]郭慧志，郭紅燕，施鳳丹.大腦與手：從工業(yè)革命論科學(xué)與技術(shù)的關(guān)系[J].科學(xué)學(xué)研究， 2007， 25（2）： 178-183.

[8]ZHAO Q， GUAN J . Modeling the dynamic relation between science and technology in nanotechnology [J]. Scientometrics， 2012（2） ： 561-579.

[9]陳凱，徐峰，程如煙.非專利引文分析研究進展[J].圖書情報工作， 2015， 59（5）： 137-144.

[10]劉小玲，譚宗穎，張超星.國內(nèi)外"科學(xué)-技術(shù)關(guān)系"研究方法述評——聚焦文獻計量方法[J].圖書情報工作， 2015， 59（13）： 142-148.

[11] NARINFN.Istechnologybecomingscience？[J]. Scientometrics， 2007， 7（3/6）： 369-381.

[12]孫曉玲，丁堃.基于知識基因發(fā)現(xiàn)的科學(xué)與技術(shù)關(guān)系研究[J].情報理論與實踐， 2017， 40（6）： 17， 23-26.

[13] GUAN J， HE Y. Patent-bibliometric analysis on the Chinese science—technology linkages [J]. Scientometrics， 2007， 72（3）： 403-425.

[14]殷媛媛.基于論文專利引證關(guān)系的科學(xué)技術(shù)互動研究——以立體顯示為實證分析[J].圖書情報工作， 2012， 56（16）： 65-70， 74.

[15]張金柱，王玥，胡一鳴.基于專利科學(xué)引文內(nèi)容表示學(xué)習(xí)的科學(xué)技術(shù)主題關(guān)聯(lián)分析研究[J].數(shù)據(jù)分析與知識發(fā)現(xiàn)， 2019， 3（12）： 52-60.

[16]陸萍，柯嵐馨. Innography在學(xué)科核心專利挖掘中的應(yīng)用研究[J].圖書館工作與研究， 2012（8）： 122-125.

[17]劉知遠，孫茂松，林衍凱，等.知識表示學(xué)習(xí)研究進展[J].計算機研究與發(fā)展， 2016， 53（2）： 247-261.

[18] MIKOLOV T ， CHEN K ， CORRADO G ， et al. Efficient Estimation of Word Representations in Vector Space[J]. Computer Science， 2013： 1-12.

[19] LE Q V， MIKOLOV T. Distributed representations of sentences and documents [C]. // 31st International Conference on Machine Learning， ICML ， 2014.

[20] ARTHUR D ， VASSILVITSKII S . K-means++： the advantages of careful seeding[C].// In Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms， New Orleans， SIAM， 2007： 1027-1035.

[21]張振剛，黃潔明，陳一華.基于專利計量的人工智能技術(shù)前沿識別及趨勢分析[J].科技管理研究， 2018， 38（5）： 36-42.

[22]趙蓉英，李新來，李丹陽.專利引證視角下的核心專利研究——以人工智能領(lǐng)域為例[J].情報理論與實踐， 2019， 42（3）： 78-84.

[23] FREEMAN L C.Centrality in social networks conceptual clarification [J]. Social Networks， 1979， 1（3）： 215-239.

Analysis of Patent Science Relevance Based on Representation Learning

SUN Xiaoling，CHEN Na（Institute of Science of Science and S.&T. Management， Dalian University of Technology ， Dalian 116024，China）

Abstract： Under the innovation-driven development strategy， the relationship between scientific knowledge and technological innovation has become increasingly multi-faceted and highly complex. Starting from patents that cite scientific knowledge， use representation learning to analyze the relationship of patent science from a semantic level， especially the scientific knowledge of which features are cited in high-value patents， and compare the similarities and differences in the subject matter of patent science citations between China and the United States. The evolution of key innovation entities in the domestic university-research cooperation network to explore the reasons for this phenomenon. Taking the field of artificial intelligence as an example， the result has shown that high-value patents are more scientifically related， and the biomedical field has a more obvious supporting role for high-value patents； China is at a disadvantage in the number of high-value patents， and it is in the field of intelligent medicine and the technological innovation capability of basic hardware is relatively weak， but in recent years， the advantages in the power field have become more and more obvious. This is inseparable from the core position of State Grid in the industry-university-research cooperation network. In addition， it is worth paying attention to the application of artificial intelligence in emerging fields such as earthquake monitoring in the future.

Keywords： patent science relevance；scientific knowledge；representation learning；patent value