一種三級技術機會識別方法及其應用
——基于SAO語義分析和多維技術創新地圖

馮立杰，曾小紅，王金鳳，張 珂

(1.鄭州大學 管理工程學院，河南 鄭州 450001；2.上海海事大學 自貿區供應鏈研究院，上海 201306)

0 引言

新冠病毒疫情疊加的國內外環境使得市場競爭日趨復雜，企業需要精準識別技術機會，不斷提升創新水平，搶占市場先機、奪取競爭優勢[1-2]。然而，鑒于技術機會的隱蔽性，企業需要采用科學方法和工具加以挖掘[3]。作為技術創新的重要載體[4]，專利可為技術機會識別提供豐富信息，但如何從專利中挖掘有效信息從而精準識別技術機會是學界關注的熱點和難點。

作為專利分析的重要手段，關鍵詞分析和SAO語義分析等文本挖掘技術為技術機會識別提供了重要支撐[5]。不同于統計分析視角下的專利計量研究[6-7]，關鍵詞分析方法雖然細化了挖掘技術信息的粒度[8-9]，但難以反映技術系統中的關鍵內容及單詞間的關系，導致企業在剖析技術現狀和預測未來趨勢時容易產生偏差[10-11]。而SAO語義分析法則可以挖掘專利文本中的SAO結構，在獲取技術關鍵詞的同時高效甄別語句要素間的語義關系[12]，以彌補關鍵詞分析的不足。如Wang等[13]將SAO語義分析納入形態分析過程，用來挖掘相關技術組成、技術屬性及其關聯性，從而減少了技術機會識別對專家的過度依賴；Kim等[14]將SAO結構劃分為要素或領域、目的或效果，拓寬了技術機會識別過程中技術信息挖掘范圍；李乾瑞等[15]利用SAO語義分析挖掘技術問題和解決方案，結合技術路線圖識別新興技術創新機會；郭俊芳等[16]基于SAO語義分析獲取SAO結構鏈，分析功能屬性、產品部件、材料組成及技術性能之間的聯系，有效提高了技術機會識別效率；黃魯成等[17]通過計算SAO語義相似度判別論文或專利相似度，利用多維尺度分析聚類技術主題確定技術機會。

綜上所述，現有基于SAO語義分析的技術機會識別研究存在以下不足：①對技術信息的挖掘多側重于從SAO結構中提煉技術組成和要素、問題和對策、功能和效果等，較少考慮空間表征、環境特征、映射機理等，難以精準判斷具象技術的整體特征；②多側重于探討提高專利相似性的計算精度或減少專家干預，較少考慮技術信息之間的內在聯系，在一定程度上影響技術機會識別準確度；③利用SAO語義分析獲取的技術機會只是對現有要素的直觀呈現或組合，較少考慮技術要素迭代變換及如何生成具體技術創新方案，致使識別出的技術機會數量有限且概念性較強。基于此，本文提出一種融合SAO語義分析和多維技術創新地圖的技術機會識別方法，以多維技術創新地圖創新維度為導航，將SAO結構承載的技術形態劃分為創新維度和創新子維，構建基于創新維度的三級語義知識庫，從而系統挖掘技術信息，并清晰呈現技術信息之間的內在聯系；在此基礎上，利用多維技術創新地圖創新法則和維法耦合原理，對三級語義知識庫中的技術形態、創新子維、創新維度進行三級技術機會識別，以獲取具有潛在開發價值的技術創新方案，為企業精準識別技術創新機會提供參考。

1 理論基礎

1.1 SAO語義分析

SAO語義分析是一種事實導向型文本建模技術，起源于TRIZ(Theory of Inventive Problem Solving，發明問題解決理論)，后衍生為識別句子中主語、謂語和賓語等語義要素及其關聯關系的文本挖掘法。利用SAO語義分析法不僅可以獲取句子中的關鍵詞，還可以挖掘語義關系[18]。

對于某種具象技術而言，通過抽取SAO結構可獲得多重系列相關信息。從技術系統視角看，主語和賓語表示技術要素或組件，而謂語則表示技術要素或組件間的關系[19]；從問題與對策視角看，賓語表示創新問題，主語表示解決對策，而謂語則表示對策解決效果或影響[20-21]；從技術和功能視角看，主語表示實現相應功能的技術，而謂賓結構則表示技術實現功能[22]。

綜上所述，本文利用SAO語義分析，從主語、謂語及賓語等語義要素中挖掘目標領域專利中的技術信息和關聯關系，為利用多維技術創新地圖開展技術機會識別提供有效的數據支撐。

1.2 多維技術創新地圖

在融合TRIZ、SIT、檢核表法和專利功效矩陣等創新理論的基礎上，多維技術創新地圖將創新的本質解讀為利用特定創造方法對創新對象進行重構[23]，繼而衍生出創新維度和創新法則兩大要素，如表1和表2所示。

表1 創新維度

表2 創新法則

將創新維度和創新法則耦合的維法耦合原理是利用多維技術創新地圖開展技術創新活動的基礎，即利用創新法則作用于創新維度及其子維，通過對技術要素的迭代、變換與重構生成具體技術創新方案[24]，如圖1所示。從中可見，維法耦合的4種形式包括單維-單法、多維-單法、單維-多法和多維-多法[25]，通過不同創新維度和創新法則的耦合變換，可以得到豐富多樣的技術創新機會。

圖1 維法耦合原理

綜上所述，本文結合多維技術創新地圖，從多個角度解構利用SAO語義分析獲取的技術信息及其內在聯系，進而識別具體技術機會。具體而言，以創新維度為導航，對SAO語義結構承載的技術形態進行創新維度和創新子維劃分，在明確技術創新方向的基礎上，利用創新法則和維法耦合原理對技術形態、創新子維及創新維度耦合進行變換，獲取一系列技術創新方案，為準確識別技術機會提供參考。

2 技術機會識別方法框架

在融合SAO語義分析和多維技術創新地圖的基礎上，本文技術機會識別過程如圖2所示。

圖2 基于SAO語義分析和多維技術創新地圖的技術機會識別過程

2.1 專利數據獲取

專利數據獲取過程包括：①確定技術領域，聚焦特定技術問題；②依據技術領域的特定表達方式和專家知識制定檢索表達式；③從專利數據庫中檢索專利，獲取形式簡潔規范、蘊含豐富技術信息的專利摘要作為后續分析數據源；④通過人工篩選剔除無效專利后，保留與特定技術問題密切相關的專利數據。

2.2 SAO結構抽取

SAO結構抽取過程包括：①將文本切分為單個句子并分詞；②標注詞性、標記依存關系，將主語(S)和賓語(O)抽取為名詞或名詞短語以獲取豐富的技術信息，將謂語(A)抽取為單個動詞以提高抽取效率；③清洗結果包括去除無意義的停用詞、去除無關語義結構、將縮寫或簡稱轉換為完整形式、詞干提取和詞形還原。在獲取SAO結構后，通過人工篩選與技術主題密切相關的語義結構，將其作為技術形態的載體，為構建基于創新維度的三級語義知識庫提供支撐。

2.3 基于創新維度的三級語義知識庫構建

2.3.1 創新維度初始詞典構建

對于特定技術問題，借助本體思想，可挖掘具有共享性、形式化和結構化特征的明晰知識結構[26]；借助專家知識，可挖掘無法通過語義發現的維度屬性關系，形成分析具象技術信息的基本范式。首先，根據專家訪談獲取的技術問題特征及專利確定相關創新維度；其次，基于帕累托法則、專利知識累積效應[6]，結合實踐經驗，選取包含豐富技術信息、近幾年均勻分布的專利作為樣本專利；再次，基于創新維度內涵、專家經驗及樣本專利SAO結構，按照詞頻較高、形式簡潔、技術信息豐富及表述完整原則，從樣本專利文本中獲取創新維度特征詞；最后，依據“存異并同”標準，即不同創新維度特征詞不重復且存在顯著差別、同一創新維度特征詞具有相同維度屬性，明確創新維度初始詞典的結構特征。根據研究團隊多年實踐經驗，本文總結出各創新維度的規范化表達形式，如表3所示。

表3 創新維度初始詞典規范化表達形式

2.3.2 創新維度劃分

根據SAO結構形式，空間、環境、結構、材料、動力體系和時序等創新維度可從S結構和O結構中獲取；機理維可從S結構、A結構和O結構中獲取；功能維可從AO結構中獲取；人機關系維可從S結構、O結構和AO結構中獲取。基于此，根據SAO結構與創新維度特征詞的語義相似度劃分創新維度。本文采用基于信息內容的相似度計算方法，計算單個詞的相似度公式為[27]：

(1)

式(1)中，Sim(Wi,Wj)表示詞Wi與詞Wj之間基于Wordnet的語義相似度；IC(Lcs)表示兩個詞的共性；IC(Wi)、IC(Wj)分別表示詞Wi和詞Wj的信息內容含量。

對于代表S結構或O結構的兩個名詞詞組N(a)={N(a_1),N(a_2),…,N(a_m)}和N(b)={N(b_1),N(b_2),…,N(b_n)}(m和n均為整數且m、n≥1)，其語義相似度可用笛卡爾積的形式展開計算，相似度矩陣為[28]：

(2)

式(2)中，Sim(N(a_i),N(b_j))為兩個名詞詞組中詞N(a_i)與詞N(b_j)的語義相似度，可用公式(1)計算。

在得到矩陣M中所有Sim(N(a_i),N(b_j))值后，即可計算詞組Na、Nb之間的語義相似度。計算過程為：找出M中語義相似度最大的元素Sim(N(a_i),N(b_j))，將其添加至集合G中，刪除該元素所在行與列的所有值；重復前述過程至矩陣M為空；最終有G={Sim1,Sim2,…,Siml}，(l為集合G中的元素個數，其值為m和n中的較小值)；在標準化處理集合G中的元素后，可得到S結構或O結構的語義相似度，計算公式為[28-29]：

(3)

對于AO結構，語義相似度計算公式為[23]：

(4)

式(4)中，Sim(AO(i),AO(j))表示AO(i)和AO(j)的語義相似度；Sim(A(i),A(j))表示謂語A(i)和謂語A(j)的語義相似度；Sim(O(i),O(j))表示賓語O(i)和賓語O(j)的語義相似度。

若某語義結構僅與某個創新維度特征詞存在語義相似度，則判定其與該創新維度相匹配；否則，判定其與語義相似度最高的創新維度相匹配；若某語義結構與特征詞均無語義相似度，則由專家判斷該語義結構是否屬于現有創新維度，屬于現有創新維度時將該語義結構劃分至對應創新維度，并更新特征詞，否則新建創新維度和特征詞。通過多次迭代，將所有技術形態劃分至相應創新維度，從而確保基于創新維度的三級語義知識庫完整。

2.3.3 創新子維劃分

利用式(1)～(4)分別計算各創新維度下技術形態的語義相似度，形成技術形態語義相似度矩陣。在此基礎上，將各技術形態的語義相似度矩陣分別輸入Gephi軟件，利用該軟件的模塊化功能對各創新維度的技術形態進行主題聚類。Gephi軟件的模塊化功能可通過連邊稠密和稀疏對主題相似的詞或詞組進行聚類[29-30]。其中，連邊稠密的主題詞為同一類別，而連邊稀疏的主題詞為不同類別。因此，該模塊化功能可將語義相似的技術形態劃分至同一創新子維，并區分不同技術形態。

2.3.4 基于創新維度的三級語義知識庫

基于創新維度的三級語義知識庫包括創新維度、創新子維、技術形態3個層級，可從不同層面和不同粒度展示特定領域的技術信息及其內在聯系。創新維度在宏觀層面上描繪技術系統全貌，創新子維在中觀層面上對技術系統特征進行闡釋，而技術形態在微觀層面上反映具體技術信息。基于創新維度三級語義知識庫可為發現技術創新方向和識別具體技術機會提供清晰指導。

2.4 基于維法耦合的三級技術機會識別

根據技術問題特征，選擇相應創新維度和創新法則，利用維法耦合原理對三級語義知識庫中的相關技術形態、創新子維及創新維度耦合進行變換，以實現三級技術機會識別。一般而言，隨著層級升高，可供選擇的技術機會數量增多。由于層級越高的技術機會涉及的技術知識越廣，因此識別難度增加，但創新性增強。

2.4.1 技術形態層級技術機會識別

根據技術問題特征，在某一創新維度的創新子維中選擇一個或多個技術形態，再選擇一個或多個創新法則耦合變換可得到技術形態層級技術機會，如圖3所示。其中，Di表示任意創新維度(1≤i≤9)，dij表示Di的第j個創新子維(1≤j≤p)，Mijk表示dij的第k個技術形態(1≤k≤q)，Vt表示第t個創新法則(1≤i≤9)。由圖3可知，該層級技術機會數量有限，取值范圍為T1≤(29-1)*(2q-1)。由于僅對單一技術形態進行耦合變換，該層級技術機會涉及的技術知識較少，因而容易識別，但創新性較弱。

圖3 技術形態層級技術機會識別

2.4.2 創新子維層級技術機會識別

根據技術問題特征，在某一創新維度下選擇兩個或兩個以上的創新子維及其相應技術形態，再選擇一個或多個創新法則耦合變換得到創新子維層級技術機會，如圖4所示。其中，di1和di2表示某創新維度Di的任意兩個創新子維，Mi1k、Mi2k表示創新子維di1和di2的任意技術形態。由圖4可知，較之技術形態層級，該層級技術機會數量有所增加，取值范圍為(29-1)*(2q-1)≤T2≤(29-1)*(2p-1)*(2q-1)。由于是對一個創新維度下多個創新子維進行耦合變換，該層級技術機會涉及的技術知識更廣，因而識別難度加大，但創新性有所增強。

圖4 創新子維層級技術機會識別

2.4.3 創新維度層級技術機會識別

根據技術問題特征，選擇兩個或兩個以上相關創新維度、相應創新子維及技術形態，再選擇一個或多個創新法則耦合變換可得到創新維度層級技術機會，如圖5所示。其中，D1、D2表示任意兩個創新維度，d1j、d2j分別表示D1和D2的創新子維，M1jk、M2jk分別表示d1j和d2j的技術形態。由圖5可知，較之創新子維層級，該層級技術機會數量有所增加，取值范圍為(29-1)*(2p-1)*(2q-1)≤T3≤(29-1)2*(2p-1)*(2q-1)。由于跨越多個創新維度，該層級技術機會涉及的技術知識最廣，因而識別難度最大，但創新性最強。

圖5 創新維度層級技術機會識別

3 應用分析

作為簡化產品制造程序、縮短研制周期、具有劃時代工業革命意義的增材制造技術，3D打印近年來在智能制造領域發揮越來越重要的作用。然而，現有3D打印機大多存在打印質量低下的問題，因此3D打印機亟需技術創新以提高打印質量，進而推動3D打印技術快速發展。本文將基于SAO語義分析和多維技術創新地圖的技術機會識別方法應用于3D打印機領域，可為解決3D打印機技術創新問題提供參考。

3.1 專利數據獲取

鑒于美國是3D打印的全球領先者，且美國專利和商標局USPTO數據庫提供了統一、規范的專利文本。因此，本文以USPTO數據庫為檢索平臺，檢索相關專利。檢索時間為2021年1月3日，檢索時間范圍為1991-2020年，檢索式為TTL/(((3D or 3-D or three-dimension$ or “three dimension$”) and (printer or “printing system”)) or (“additive manufacturing” and (system or apparatus or device or machine)))。共檢索到812條專利，由專家篩選保留663條有效專利。

3.2 SAO結構抽取

本文采用自然語言處理工具Stanford Parser和Spacy工具包，利用Python語言編程，從專利摘要中抽取并清洗SAO結構，部分結果如表4所示。

表4 部分SAO結構抽取結果

3.3 基于創新維度的三級語義知識庫構建

根據專家訪談結果，影響3D打印機打印質量的因素主要包括供料中斷、噴頭堵塞、打印機傾斜和打印材料性能等。其中，供料中斷是指由于送料機構發生故障或打印材料耗盡造成打印中斷，使得打印制品質量低下甚至報廢；噴頭堵塞是指由于打印材料堵塞在噴頭處影響打印成型；打印機傾斜是指打印機未調平造成打印模型傾斜從而影響打印精度；打印材料性能是指由于打印材料性能較差導致打印制品質量較低。

由此可見，提高打印質量需要對3D打印機結構和材料進行優化，而結構和材料優化創新離不開功能分析。而功能維、結構維和材料維是提高3D打印機打印質量的關鍵創新維度。此外，包含功能維、結構維和材料維的專利在所有專利中占比分別為98.8%、97%和84%，進一步驗證了3個創新維度的重要性。因此，本文從功能維、結構維和材料維著手開展3D打印機領域技術機會識別。

本文選取3D打印機領域近3年的135條專利作為樣本專利。在參考功能維、結構維、材料維內涵以及專家知識和樣本專利SAO結構的基礎上，遵循創新維度特征詞提取標準獲取特征詞。依照“存異并同”標準將特征詞劃分至創新維度，形成3D打印機創新維度初始詞典。根據公式(1)～(4)計算AO結構與特征詞語義相似度以劃分功能維。根據公式(1)～(3)，分別計算S結構、O結構與相應特征詞的語義相似度以劃分結構維和材料維。以功能維為例，部分語義相似度結果如表5所示。

表5 3D打印機功能維劃分的語義相似度結果

在對技術形態劃分創新維度后，利用公式(1)～(4)分別構建功能維、結構維和材料維技術形態語義相似度矩陣。以功能維為例，部分技術形態語義相似度矩陣如表6所示。

表6 3D打印機部分技術形態語義相似度矩陣

將上述技術形態語義相似度矩陣分別輸入Gephi軟件，利用模塊化功能進行主題聚類，劃分不同創新維度的創新子維，并采用ForceAtlas 2布局方式予以可視化呈現。以功能維為例，其可視化結果如圖6所示。在圖6中，各聚類類別內部聯系較強，而聚類類別之間的聯系較弱，表明聚類結果能夠較為明晰地映射3D打印機創新子維。

圖6 3D打印機功能維創新子維

基于可視化結果，構建3D打印機基于創新維度的三級語義知識庫，部分結果如圖7所示。

圖7 3D打印機基于創新維度的三級語義知識庫

3.4 三級技術機會識別

結合專家經驗，從3D打印機基于創新維度的三級語義知識庫中獲取與打印質量相關的因素，如表7所示。根據專家經驗和多次迭代發現，針對供料中斷，可通過任一層級維法耦合變換提出具體技術機會，而針對其它影響因素則需要通過對創新子維層級和創新維度層級的維法耦合提出具體技術機會。

表7 與打印質量相關的影響因素

(1)技術形態層級技術機會識別。針對供料中斷，可利用組合與集成法則對送料機構進行耦合變換，如表8所示。本層級技術機會涉及技術知識較少，較易識別，但數量和創新性有限。

表8 3D打印機技術形態層級技術機會

(2)創新子維層級技術機會識別。①針對供料中斷，可利用智慧化法則對結構維下控制模塊和供料模塊進行變換；②針對打印機傾斜，可利用動態化法則對結構維下控制模塊、輔助模塊和打印機通用部件進行變換，如表9所示。較之技術形態的技術機會，該層級技術機會涉及技術知識增多，識別難度提高，但數量和創新性均有所提升。

表9 3D打印機結構維子維層級技術機會

(3)創新維度層級技術機會識別。①針對供料中斷，可利用動態化法則對送料機構+供應材料進行變換；②針對噴頭堵塞，可利用局部優化和動態化法則對噴頭+移除粘合劑進行變換，也可利用動態化法則對調節溫度+噴頭+冷卻液進行變換；③針對打印機傾斜，可利用智慧化和動態化法則對存儲單元+控制單元+記錄移動進行變換；④針對打印材料性能，可利用組合與集成法則對供料箱+金屬粉末進行變換，如表10所示。較之創新子維的技術機會，該層級技術機會涉及的技術知識要素增多，識別難度提高，但數量和創新性均有所提升。

表10 3D打印機創新維度層級技術機會

4 結論與討論

4.1 研究結論

本文將SAO語義分析和多維技術創新地圖有機融合，提出一種三級技術機會識別方法，通過將其應用于3D打印機領域驗證了該方法的可行性與有效性。具體過程包括：從專利文本中抽取SAO結構作為技術形態載體，以多維技術創新地圖創新維度為導航構建創新維度初始詞典，利用SAO語義相似度計算和主題聚類構建基于創新維度的三級語義知識庫，進而運用多維技術創新地圖中的創新法則和維法耦合原理對三級語義知識庫進行迭代變換，以識別技術形態、創新子維、創新維度三級技術機會。本文提出的三級技術機會識別方法能夠幫助企業在復雜多變的市場競爭環境下快速、精準地識別技術創新機會，準確把握研發方向，獲取先發競爭優勢。

4.2 理論貢獻

本文理論貢獻主要體現在以下幾個方面：

(1)深度挖掘技術信息，提高了技術機會識別的可靠性。通過SAO語義分析獲取的語義信息深化了技術形態提取結果，而多維技術創新地圖創新維度為深入挖掘豐富的技術形態提供了多維度導航。相比于以往研究，SAO語義分析和多維技術創新地圖相結合提供了一種便于深入描繪技術整體特征的技術信息挖掘方法，為識別技術機會提供了可靠支撐。

(2)厘清技術信息之間的內在聯系，提高了技術機會識別的準確性。本文通過SAO語義相似度計算對技術形態進行主題聚類，進而對不同創新維度下的技術形態劃分創新子維，從而形成基于創新維度的三級語義知識庫，明晰了技術信息的關聯關系和邏輯層次，有利于準確定位技術創新方向。

(3)提供一種三級技術機會識別方法，拓展了技術創新管理領域理論研究。本文利用多維技術創新地圖創新法則對基于創新維度的三級語義知識庫進行耦合變換，進而獲取技術形態、創新子維、創新維度3個層級技術機會。一方面，從不同層級識別技術機會增加了技術機會數量，拓展了技術創新活動管理空間；另一方面，基于維法耦合原理，選擇不同創新法則對技術形態、創新子維和創新維度進行迭代變換，可識別具體技術機會，便于對技術創新結果進行深入分析。

4.3 實踐啟示

針對上述研究結論，本文提出如下啟示：

(1)企業應明確自身面臨的技術問題，提高技術機會識別效率。面對復雜多變的市場競爭環境，企業應綜合分析市場需求、競爭對手情況及自身技術水平，深入剖析企業當前面臨的技術短板或發展瓶頸，聚焦具體技術創新問題，縮短研發周期、降低研發成本。

(2)企業應充分挖掘相關技術信息，準確把握技術創新方向。一方面，企業應結合語義分析法，從多個角度充分挖掘技術信息，并提取創新維度；另一方面，企業還應細分創新子維，厘清技術信息之間的內在聯系和邏輯層次，打造和完善企業創新知識庫，為明確技術發展現狀、把握技術發展方向提供有力支撐。

(3)企業應合理評估自身資源約束和發展階段，以便精準定位技術創新機會。資源匱乏的企業應側重于技術機會的易識別性[31]，而資源豐富的企業應側重于技術機會的創新性[32]。例如，對于資源匱乏的初創期企業，應重視創新性弱但易識別性強的技術形態層級技術機會，利用有限資源立足市場；對于積累了一定資源的成長期企業，應重視創新性和易識別性中等的創新子維層級技術機會，從而實現市場份額穩健擴張；而對于資源豐富的成熟期企業，應重視易識別性弱但創新性強的創新維度層級技術機會，從而獲取更強的市場競爭力。

4.4 不足與展望

本文存在如下不足：①SAO語義相似度及聚類結果精度有待提高，未來可引入領域知識庫以提高結果精度；②基于創新維度的三級語義知識庫內容及呈現形式有待優化，后續可結合知識圖譜法和可視化工具予以完善；③本文未涉及技術機會評價篩選問題，未來可通過制定科學合理的評價指標體系，從眾多技術機會中篩選出符合企業發展規劃的技術創新機會。