基于LDA算法的關鍵共性技術識別研究

中圖分類號：N99 文獻標志碼：A 文章編號：1009-265X（2025）08-0010-09

面對貿易限制、技術封鎖等嚴峻的外部環境壓力，自主創新成為破題的唯一途徑。為了實現這一目標，產業中的關鍵共性技術的準確識別和選擇變得尤為重要，它幫助產業明確技術創新的方向和重點，促進技術融合和產業升級，這也直接關系到產業能否在技術創新上取得有效突破。因此，準確識別和選擇產業中的關鍵共性技術對于推動產業的自主創新進程，以及應對外部環境壓力具有決定性的意義。

伴隨著創新驅動的不斷推進，對于關鍵共性技術的研究在不斷深人，學者們[1-對關鍵共性技術逐漸達成一致的定義。通常認為關鍵共性技術是關鍵技術與共性技術的交集部分，其中關鍵技術為技術研發過程中制約目標達成的難點技術，對產業的發展起到了決定性的影響，而共性技術是相關研發領域共同關注或具有未來普及潛力的技術，其研發成果具有可共享性。本文認為關鍵共性技術必須同時具備“關鍵性”和“共現性”，在單個產業甚至多個產業中可對技術發展產生限制作用，是需要重點關注的技術。關于關鍵共性技術的識別方法，主要包括以專家經驗為基礎、基于指標評價、基于專利網絡以及基于專利挖掘技術四種識別方法。本文綜合采用指標評價、專利網絡以及專利挖掘3種科學方法，精準識別出關鍵共性技術。

紡織服裝產業作為中國重要的傳統產業之一，其產業創新進程不斷推進的同時，數字化轉型和可持續發展逐漸成為產業關注的聚焦點。如今，紡織技術也面臨著堵點、痛點和“卡脖子”問題[3]，因此將關鍵共性技術識別應用于紡織服裝領域有著迫切的需要。然而關于關鍵共性技術的識別研究目前主要集中在人工智能[4]、新材料[5]以及新能源[1]等領域，還未有學者在紡織服裝領域進行相關研究。其中智能紡織是紡織服裝產業實現高質量發展的重要途徑，是整個產業自動化、信息化、智能化以及數字化程度的代表。因此本文聚焦智能紡織領域，對其進行關鍵共性技術識別與分析，以此為該領域及整個產業提供一定的技術改進創新方面的幫助。

關鍵共性技術識別

1. 1 關鍵共性技術識別路線

本文圍繞關鍵共性技術的共現性及關鍵性展開識別路線，具體的技術路線圖如圖1所示。首先對專利數據進行文本預處理，依據LDA主題模型，提取出合適的技術主題，在提取出的技術主題中根據其“關鍵性”以及“共現性”篩選出最終的關鍵共性技術。

1. 2 技術主題提取模塊

主題模型中隱狄利克雷分布（LatentDirichletallocation，LDA）算法可實現技術主題的提取，該算法最早由Blei[提出，是一種概率主題模型，在自然語言處理（Natural language processing，NLP）領域有重要應用，主要用于文本分類。LDA主要利用Dirichlet分布刻畫文檔生成過程，通過最大化詞語共現概率獲取詞匯聚類，有效提取文檔隱含主題對于文檔 d ，其技術主題 z 發生的概率 θ 服從Dirichlet （α） 分布，其公式為：

圖1關鍵共性技術識別路線圖

Fig.1Roadmap for identifying key generic technologies

式中： θ_d 表示文檔 d 中各主題的概率分布； θ_dz 則是指為文檔 d 中主題 z 的概率分布。為使提取技術的主題質量可行，需要設定合適的主題數量，Blei提出了困惑度法科學選擇主題數量，困惑度是用來衡量LDA模型對新文檔預測能力的指標，其公式為：

式中： N_p 代表整個專利數據集數量； w_d 是文檔 d 中的所有詞匯； P_wd 是基于LDA 模型文檔 d 中的詞匯出現的概率值; N_d 則是文檔 d 中的詞匯總數量。困惑度值越低，代表模型對新文檔的預測能力越強，但該指標未能考慮模型的可解釋性和語義一致性。因此本文還采用一致性指標[8評估LDA模型生成的主題的解釋性和一致性，一致性分數高代表了LDA模型生成的主題具有較好的一致性和穩定性，即主題內部詞語的相關性更強，其公式為：

式中： D_wi，wj 指單詞 w_i 和 w_j 在文檔中同時出現的頻次， D_wi 指單詞 w_i 單獨出現的次數。

以上兩個指標是評價LDA模型性能的重要指標。本文對LDA主題模型的困惑度以及一致性進行可視化展示，綜合考慮兩指標情況，確定最優主題數量。

自然語言處理的文本數據都是非結構化的，因此對文本進行向量化處理是LDA主題模型提取技術主題的基礎。文本向量化有多種方法，其中詞頻-逆文檔頻率[9]（Term frequency-inverse documentfrequency，TF-IDF）文本向量化可最大程度地降低普遍的高頻詞語對主題提取效果的影響。因此本文采用TF-IDF提取專利摘要詞語，實現文本向量化，其公式為：

式中： N_d，wj 表示單詞 w_j 在文檔 d 中出現的頻次，N_D，wj 表示出現單詞 w_j 的文檔集合， N_d，w 表示文檔 d 的單詞總數。詞頻 （T） 表示詞語在文檔中出現的頻率，頻率越高往往意味著該詞語對文檔內容的貢獻程度越高，但隨著它出現在其他語料庫中頻率增加使貢獻值降低，而逆向文件頻率 （I） 則衡量詞匯的稀有性。將兩值相乘，得到每個詞語在文本中客觀的重要性分數，根據其分數排名即可得到具有實際意義的詞語。

1.3 關鍵共性技術識別模塊

1.3.1 主題強度

主題強度代表著該主題的前沿性以及受關注程度。通過計算各技術主題的主題強度以及總體主題強度閾值，并以該閾值為標桿，初步過濾低于總體主題強度閾值的部分技術主題，降低對后續研究的干擾影響。主題強度以及閾值的計算公式為：

式中： s 表示該技術主題強度； θ_z^d 為第 d 篇專利中主題 z 的隸屬概率值； D_ι 表示時間段 Ψ_t 內專利文檔的數目； E 表示其閾值； Z 表示主題總數量

1.3.2 主題共現率

技術共現率指標可反映產業關鍵共性技術之間的相關性程度。技術共現率本質是共現主題數與提取的主題數量 h （不考慮本主題）的比值。假設 t_i 為主題 i，N_i，j 為主題 i 與主題 j 在所有文檔中的共現頻次。將閾值設定為 e ，則對于主題 i 而言，滿足共現次數大于閾值 e 此條件的主題數為：

N_ti=M_Ni，jgt;e

式中： M_Ni，jgt;e 為滿足 N_i，jgt;e 的主題數量。

則主題的技術共現率為：

根據相關文獻，設定主題共現率的閾值為 e^′ ，篩選出主題共現率大于閾值 e^′ 的主題，完成共性技術的識別。

1.3.3 主題共現強度

共現強度常用來衡量各技術主題之間相關聯的強弱程度。計算公式為：

P_ιi，ιj=P_ιi×P_ιj

式中： P_ιi，ιj 為技術主題共現強度， P_ιi 和 P_ιj 分別表示技術主題 i 以及技術主題 j 的技術主題概率值。將公式應用于所有文檔中，可得到任意關聯的兩個技術主題共現強度，其公式為：

式中： I_i，j 為任意關聯的技術主題 i 和技術主題 j 遍歷所有文檔的概率值乘積和，代表任意兩技術主題之間的共現強度，為后續關鍵性分析提供支撐

1.3.4 技術重要性分析

關鍵共性技術是共性技術與關鍵技術的交集。因此在獲得共性技術的基礎上，進一步識別關鍵性技術，可實現關鍵共性技術的識別。首先將各技術主題化作為不同的節點，共現強度作為節點之間的邊權，構建技術主題網絡，并使用度中心性，接近中心性以及結構洞量化各技術主題的重要性程度。若某個共性技術主題具有較高度中心性值、較小接近中心性值以及較低結構洞網絡約束指數值，說明該技術主題對于整個網絡而言重要性程度較高。本文利用以上三個社會網絡拓撲指標識別出地位顯著的技術主題，即可得到產業的關鍵共性技術。

2 智能紡織領域中的關鍵共性技術識別

智能紡織作為科技創新在紡織領域的杰出代表，正引領著產業的新一輪變革。現將上文提出的理論方法應用于智能紡織領域，識別出該領域的關鍵共性技術。

2.1 智能紡織領域數據來源

本文將國家知識產權局的專利數據庫作為數據來源，根據智能紡織專利檢索式：IPC分類號 Σ=Σ （D01D02D03D04D05D06D07A41）AND（紡織OR服裝OR纖維OR紡紗OR織造OR編織）AND（智能OR電子OR可穿戴），搜索到相關的完整專利信息。本文以發明專利為分析對象，檢索時間跨度為2015—2024年，獲得有效發明專利10965條。

2.2 智能紡織領域專利文本分析與主題挖掘

2. 2.1 特征關鍵詞和網絡圖

本文使用動態規劃算法中的Viterbi[10]算法進行分詞，該算法可識別專利文本中的專業詞匯，以概率最大化詞匯切分路徑切分詞匯，對詞庫進行有效補充，提高分詞效率，并結合停用詞表和TF-IDF算法，提取能有效代表專利文本的特征關鍵詞，為后續研究提供支持。

網絡關系圖是一種用來展示網絡結構的可視化方式，可表示各種復雜系統中的節點以及它們之間的關系。網絡關系圖的可視化分析有助于深人理解復雜系統的關系結構，為決策制定和問題解決提供重要參考。本文首先使用Python工具得到關鍵詞之間的共現矩陣，隨后導人Gephi工具，進行模塊化操作以及共現網絡圖的繪制，其中節點以及字體越大表示該詞語的關鍵程度越高，專利特征詞網絡關系圖如圖2所示。

由圖2可知，文本關鍵詞可大致分為兩個模塊，分別為化學分支和物理分支。其中化學分支主要包括了化學材料、化學性質以及化學反應；物理分支主要包含了物理設備、物理過程以及物理條件，該分類為后續技術分類提供參考。此外，模塊內部以及模塊之間存在強相關性，該強關聯性確保了產業生產流程的整體協調性，增加了產業鏈對單一變化的敏感度。因此，整個產業鏈需要在不斷地調整和優化中保持高度的靈活性和一致性，

2.2.2 技術主題提取

本文運用LDA模型進行主題提取，其主題數以及相關參數的設置影響著模型運行的整體效果，因此選擇合理的主題數和參數至關重要。為提高LDA主題模型準確度，利用困惑度以及一致性指標可視化圖，綜合選擇主題數量，

運用Python工具導人專利文本數據，基于公式（2）和公式（3），得到文本數據的困惑度以及一致性指標可視化圖，如圖3和圖4所示。本文采用“手肘法”[11]，將困惑度圖中呈現肘形的肘點對應的主題數量納入備選。結合一致性圖（見圖4）中的較高點對應的主題數量，綜合兩指標得到最佳主題數 Z 為34。借鑒相關研究[5]，設置參數 α=50/34，β=0.1

圖3困惑度隨主題數變化的折線圖

圖4一致性隨主題數變化的折線圖

Fig.4Line chart of consistency varying with the number of topics

隨后，使用LDA主題模型，提取出技術主題及主題特征詞。LDA主題模型運行后得到34個技術主題，各技術主題分界明顯，因此本文認為該模型成功提取出有效技術主題。根據LDA主題模型，得到10965×68 的\"文檔-主題\"矩陣以及 34×20 的“主題-特征詞\"矩陣，部分節選數據如表1和表2所示。

表1專利文檔-主題矩陣（節選）

由表1可知，一個專利文檔由多個主題所構成，每個主題與其概率值所對應。若某一文檔內含超過百分之十的詞匯屬于某主題，則該文檔可歸類為該主題下，實現從一個主題到一系列相關文檔的映射機制。通過LDA主題模型計算結果，本文剔除其概率值未超過0.1的技術主題，以此有效避免低概率技術主題可能帶來的干擾與混淆

表 1 專利文檔-主題矩陣（節選）Tab.1 Patent documents-topic matrix （excerpts）

提取的34個技術主題，每個主題類下設有20個特征詞，依據各主題的核心關鍵詞，將主題賦予明確的名稱。表2詳細列出了每個技術主題的前三個關鍵詞，并根據這些高概率分布的關鍵詞對其進行主題命名。

表2各技術主題關鍵詞及命名

Tab.2Keywords and naming for various technical topics

結合上文的分類結果以及該些主題技術在專利文本中的實際應用，將以上34主題技術歸納在工藝設備、工藝流程、工藝材料3大類別之下，如表3所示

續表

Tab.3 Classification of various technical topics

2.3 智能紡織領域關鍵共性技術篩選過程

2.3.1 初步篩選

主題強度用于量化主題的影響程度，高技術主題強度代表著高的技術影響力。為避免低強度技術主題對實驗過程的干擾，本文通過設定閾值，刪除閾值以下的技術主題，完成初步篩選，便于后續分析。根據上文的公式（5）一（6），本文得出主題強度的閾值為0.028524，以及34個技術主題的主題強度，其中超過該閾值的主題共有11個，剔除23個主題，其中主題15的主題強度是最高的，結果如圖5所示。

2.3.2 共性技術識別

為完成共性技術識別，首先需確定技術主題之間的關聯情況。本文結合“文檔-主題”矩陣，計算出技術主題之間共現頻次，如圖6所示。借鑒相關學者研究[12]，設定主題之間共現頻次閾值為100，篩選出每個技術主題下與其他技術主題共現頻次不低于100的總主題量，便于下一步共現率的計算。

基于以上操作，結合公式（7）一（8）計算剩余各技術主題的主題共現率。借鑒相關研究，設定技術共現率閾值為 0.2^[12] ，篩選出主題共現率大于閾值的技術主題，實現共性技術的識別，滿足條件的技術主題以及其相應的主題共現率如表4所示

表4主題共現率Tab.4Topic co-occurrence rate

2.3.3 關鍵技術識別

在實現共性識別的基礎上，進行關鍵技術的識別。在社會網絡分析中，度中心性是直接度量節點重要性的指標;接近中心性用來衡量節點在其連通分量中到其他各點的最短距離的平均值，此概念可以幫助選出連通分量內距離各點最近的點；結構洞指在復雜網絡中某些節點之間因缺少直接聯系而形成的間隙，通常由其他節點通過橋接作用連接這些間隙，占據結構洞的節點能控制信息和資源的流動，其網絡約束指數是衡量節點在結構洞理論中位置程度的一個重要指標，其值越低，表明該節點的連接更廣泛地跨越不同的、缺乏直接聯系的群體，表明該節點在網絡中越重要。因此綜合該三個拓撲指標可識別最終的關鍵共性技術。首先，根據“文檔-主題”矩陣，結合式（9）和式（10）計算得到技術主題共現強度，結果如圖7所示。

隨后，以技術主題為節點、技術主題之間的共現強度為邊權，計算各節點度中心性、接近中心性以及結構洞網絡約束指數三類拓撲指標值，并對其進行排名，結果如表5所示。

根據表5，本文將度中心性、接近中心性以及結構洞網絡約束指數排名均在前10的技術主題作為最終智能紡織領域的關鍵共性技術，分別為主題15石墨烯纖維；主題11柔性納米纖維；主題19聚氨酯整理劑；主題12智能縫制技術；主題13超疏水涂層技術；主題31傳感器；主題10水凝膠導電技術；主題17碳纖維復合材料；主題7接枝技術；主題43D打印技術。其中主題15石墨烯纖維的三個拓撲指標值都為第一，可見它是智能紡織領域至關重要的關鍵共性技術。接下來，本文將從工藝材料、工藝流程以及工藝設備三個方面闡述這些關鍵共性技術

圖7技術主題之間的共現強度

Fig.7Co-occurrence intensity between technical topics

工藝材料類，主題15石墨烯纖維是一種集高強度、高導電性、高導熱性、化學惰性和多功能性于一身的新型材料，可用于制作電加熱服裝、智能傳感器紡織品等，大大助力了紡織品的創新和智能化發展主題11柔性納米纖維是具有納米級直徑并且具備良好柔韌性的纖維材料，利用其導電性和敏感性，可制作出各種智能傳感器。主題19聚氨酯整理劑能夠增加織物的柔軟度、耐磨性以及阻燃性，同時固定纖維，防止纖維脫落或變形，從而提升紡織品的整體品質。主題17碳纖維復合材料具有高強度、輕質、高剛度和良好的抗腐蝕等性能，碳纖維復合材料可以用于制造各種高性能的紡織品部件。

表5技術主題中心性

Tab.5Centrality of technical topics

工藝流程類，主題12智能縫制技術在傳統縫制設備的基礎上，通過集成先進的傳感器、控制器、通信模塊和數據分析系統，實現縫制過程的自動化、智能化和高效化。主題13超疏水涂層技術過模仿自然結構，結合低表面能材料為紡織品賦予了卓越的疏水性能以及像自清潔性等多元化功能。主題10水凝膠導電技術用于制備具有導電功能的智能紡織品。這些紡織品可以用于制作可穿戴電子設備的電極、傳感器等部件，實現人體健康監測、人機交互等功能。主題7接枝技術是一種重要的表面改性方法，它通過將特定的官能團或聚合物鏈“接枝”到紡織材料表面，從而賦予紡織品新的性能或功能，如抗菌、防紫外線、阻燃和智能感應等。主題43D打印技術實現了將虛擬的三維模型數據轉換成物理實體的過程，可應用于導電紡織品、溫控紡織品以及形狀記憶紡織品。

工藝設備類，主題31傳感器實現紡織品功能化和智能化的關鍵組件，例如壓力傳感器、應變傳感器以及光纖傳感器等。

以上是各個關鍵共性技術的具體應用，這些技術不僅存在于智能紡織領域，更是整個紡織服裝產業應予以高度重視的共性要素。它們將成為影響眾多企業生存與發展的關鍵技術要素。

3 結論與展望

本文從國家知識產權局數據庫獲取智能紡織領域相關專利數據，對其進行數據清理與分詞預處理，運用LDA主題模型并結合多個指標，從技術主題具備的“共現性”和“關鍵性”展開研究，通過主題強度、主題共現率度中心性、接近中心性以及結構洞指標篩選出10個關鍵共性技術。其中工藝設備類1個，工藝流程類5個，工藝材料類4個。石墨烯纖維、柔性納米纖維、聚氨酯整理劑和碳纖維復合材料是工藝材料中的關鍵共性技術，可見具有高技術含量和環保特征的纖維是目前紡織產業需要關注的重點；智能縫紉技術、超疏水涂層技術、水凝膠導電技術等是工藝流程中的關鍵共性技術，這說明提升生產效率和產品功能性的技術創新對于紡織產業的轉型升級至關重要；傳感器是工藝設備中的關鍵共性技術，表明實現生產過程的智能化、自動化監控與管理需求日益增強。這些技術不僅在智能紡織領域應用廣泛，更是整個紡織服裝領域都需重點關注的共性的技術，對于推動整個產業的智能化轉型升級起著至關重要的作用。

紡織服裝企業可參考10項關鍵共性技術，結合現代智能科技，加速數字化轉型，解決行業瓶頸。針對企業與職能部門，建議其選用可持續材料，推廣有機棉、竹纖維等環保材料，替代對環境影響大的傳統材料；環保化生產過程，優化生產流程，節能降耗，實施高效廢棄物管理，推動綠色轉型；加強信息化、智能化、自動化技術創新，利用AI、物聯網、大數據等技術，整合機器人、3D打印等新興科技，提升生產智能化水平；推廣循環經濟理念，鼓勵回收利用廢棄紡織品，使用可循環包裝，構建閉環經濟體系；出臺相關鼓勵政策，提供研發稅收優惠、出口退稅及稅費減免，激勵企業技術創新與綠色發展

參考文獻：

[1］王鵬飛，程華．中國紡織業關鍵共性技術創新能力與發展趨勢分析[J]．現代紡織技術，2025，33（2）：23-32.WANGPF，CHENGH. Analysis of innovation capabilities anddevelopment trendsof keygeneric technologies in China's textileindustry[J].Advanced Textile Technology，2025，33（2）：23-32.

[2]陳偉，林超然，孔令凱，等．基于專利文獻挖掘的關鍵共性技術識別研究[J].情報理論與實踐，2020，43（2）：92-99.CHEN W，LIN C R，KONGL K，et al．Research on key generictechnology identification based on text mining of patent document92-99.

［3］佘敏楚楚，管麗媛，俞建勇，等．新質生產力驅動下紡織行業的創新發展與轉型研究［J]．東華大學學報（自然科學版），2024，50（5）： 1-11.SHE MCC，GUANL Y，YU JY，et al.Research on innovationdevelopment and transformation of textile industry driven by newquality productive forces[J]. Journal of Donghua University（Natural Science），2024，50（5） ： 1-11.

［4］方曦，崔梁雨，劉云．基于專利特征的人工智能領域核心技術識別及發展趨勢分析：層次分析（AHP）-熵權法[J]．科技管理研究，2024，44（2）：35-44.FANG X，CUI L Y，LIU Y. Core technology identification anddevelopment trend analysis in the field of artificial intelligence basedon patent characteristics： Analytic Hierarchy Process （AHP）：Entropy weight method[J].Science and Technology ManagementResearch，2024，44（2） ： 35-44.

[5]馬永紅，孔令凱，林超然，等.基于專利挖掘的關鍵共性技術識別研究［J].情報學報，2020，39（10）：1093-1103.MA Y H， KONG L K，LIN C R，et al. Key generic technologyidentification based on patent mining[J].Journal of the ChinaSociety for Scientific and Technical Information，2O20，39（10）：1093-1103.

[6] BLEI D M，NG A Y， JORDAN MI. Latent Dirichlet allocation[J].Journal of Machine Learning Research，2003，3： 993-1022.

[7]AMATO I. Re： Large language models （LLMs） in evaluation ofemergency radiology reports：Performance of ChatGPT-4，perplexity，and bard[J].Clinical Radiology，2024，79（7）： 974.

[8］韓亞楠，劉建偉，羅雄麟．概率主題模型綜述[J]．計算機學報，2021，44（6）：1095-1139.HAN Y N， LIU J W，LUO X L. A survey on probabilistic topicmodel[J].Chinese Journal of Computers，2021，44（6）： 1095-1139.

[9] ZHOU J， YE Z， ZHANG S，et al. Investigating response behaviorthrough TF-IDF and Word2Vec text analysis： A case study of PISA2012 problem-solving process data[J].Heliyon，2024，10（16）：35945.

[10］宋延紅，王志成．部分狀態可見的隱馬爾可夫模型的Viterbi算法[J]．數學學報（中文版），2024，67（3）：500-510.SONG Y H，WANG Z C. Viterbi algorithms for hidden Markovmodels with partially visible states[J].Acta Mathematica Sinica（Chinese Series），2024，67（3）： 500-510.

[11］趙蓉英，戴祎璠，王旭．基于LDA 模型與ATM 模型的學者影響力評價研究：以我國核物理學科為例[J]．情報科學，2019，37（6） ： 3-9.ZHAO R Y，DAI YF，WANG X. Scholar influence evaluationresearch based on LDA model and ATM model： A case study ofnuclear physics in China[J]. Information Science，2019，37（6）：3-9.

［12］欒春娟．戰略性新興產業共性技術測度指標實證研究［J]．中國科技論壇，2012（6）：73-77.LUAN C J. Emperical study on the measuring indicators of generictechnology of emerging industries of strategic importance[J].Forum on Science and Technology in China，2012（6）： 73-77.

Abstract：Research on key generic technologies serves as a crucial support for advancing the innovative development of China's manufacturing industry.Accurate identification of key generic technologies has become a significant impetus for accelerating the transformation andupgrading of the industry.After extensively reviewing relevant references，it is found that research on the identification of key generic technologies has been applied in fields such as new materials，artificial intellgence，and new energy.However，no scholars have conducted relevant research in the textileand garment industry to date.Therefore，thispaper focuses on the fieldof textile and garment，identifies the key generic technologies inthis field，and provides substantive guidanceand suggestions for relevant enterprises and departments.Firstly，the patent database of China National Intellctual Property Administration is used as the data source to colect patent data in the field of intelligent textiles.Basedon the patent data，preprocessing operations are conducted.Subsequently，feature keyword extractionand the construction of a network relationship diagram are caried ut to gain a preliminary understanding of the patent data，including the keyclassifications andcorrelation of patents inthisindustry.Secondly，the LDA topic model isused to uncover hidden high-intensity technical topics.Then，screening is conducted based on the \"co-occurrence\" and \"criticality\" of these technical topics.The co-occurrence degree of technical topics is evaluated through the co-occurrence rate index，soas to summarize the generic technologies.Afterwards，network analysismethodsare applied，and the criticality of each node is quantifid using three topological indicators： degree centrality，closeness centralityand structure holes.This further identifies the key generic technologies.The fieldof intelligent textilesrepresents thelevel of automation，informatization，intellectualizationand digitalization oftheentire industry，playing asignificantrole inpromoting the digitaltransformationand high-quality developmentof the entire industry.Therefore，this paperfocuseson the fieldof inteligent textiles within thetextile and garment sector.The results indicate that graphene fibers，flexible nanofibers，polyurethane finishing agents， inteligent sewing technology， superhydrophobic coating technology，sensors，hydrogel conductive technology， carbon fiber composites，grafting technology，and3D printing technologyare the key generic technologies in this field.Finally，acording to the identification results and the curent development trendsof the industry，substantive guidance and suggestions are provided for relevant enterprisesand governments.Itis recommended that related enterprises choose sustainable materials，manage production processes environmentally friendly，and strengthen technological innovation.Forrelevant governments，itissuggested to activelypromote theconcept of circular economy to relevant enterprises and consumers，and isue strong incentive policies to encourage enterprises to strive for upward development.

Keywords： key generic technologies; LDA topic model; social network analysis; intellgent textiles