|
|
武玉英, 孙平
, 何喜军, 蒋国瑞
Wu Yuying, Sun Ping, He Xijun, Jiang Guorui
中图分类号: G306
通讯作者:
收稿日期: 2018-03-12
修回日期: 2018-04-4
网络出版日期: 2018-11-25
版权声明: 2018 《数据分析与知识发现》编辑部 《数据分析与知识发现》编辑部
基金资助:
展开
摘要
【目的】通过挖掘专利转让加权网络主体信息及结构特征对交易机会进行预测, 促进技术供需有效对接。【方法】采集新能源领域2012年-2016年数据构建专利转让加权网络, 通过熵权法融合网络结构与内容指标, 结合网络真实权重与结构权重, 利用BP神经网络预测技术交易机会及其权重。【结果】融合结构指标RA与内容指标Cosine的预测精度达到94.28%, 在所有指标组合中最高; 结合网络真实权重与结构权重预测链接权重, 预测误差有所降低。【局限】模型未充分考虑节点属性及网络演化机制。【结论】链路预测方法具有较高预测精度, 能更全面挖掘专利技术交易网络中潜在供需主体对及其权重, 对实践具有一定指导意义。
关键词：
Abstract
[Objective] This paper examines the structure of weighted network for patent transfers as well as the characteristics of agents, aiming to predict transaction opportunities and promote the connection of technology supply and demand. [Methods] First, we constructed a weighted network for patented technology transactions based on data from 2012 to 2016. Then, we used the entropy method to combine its structure and contents. Finally, we used the BP neural network to predict transaction opportunities and weights. [Results] The prediction accuracy by the proposed method, which combined the structure index RA and the content index Cosine, was the highest. The prediction error was also reduced by using the real and structure weights of the network to predict the link weight. [Limitations] More research is needed to study the Node properties and network evolution mechanism. [Conclusions] The link prediction method has a higher precision, which help us find potential supply and demand agents of the technology patent transfers.
Keywords：
伴随新一轮能源科技革命的兴起, 新的能源科技成果不断涌现。国家知识产权局《战略性新兴产业专利统计分析报告(2017年)》显示, 2016年, 中国新能源领域专利申请总量5万件, 新能源领域专利授权量3万件, 均位居世界第一。目前领域技术交易信息不透明, 供需主体对接困难, 导致主体间专利技术转移率低, 2008年-2015年, 中国新能源领域专利许可数仅 2 500余件[1], 根据国家知识产权局《新能源产业专利技术动向分析报告(下)》显示数据: 2008年-2015年, 中国新能源领域专利授权量11.3万余件, 计算得到新能源领域专利许可数约占新能源领域专利授权量的2.2%, 专利技术转移率低已成为制约中国技术创新发挥作用的重要障碍[2]。如何利用新能源领域技术交易信息, 考虑主体间交易关系形成的网络效应, 挖掘主体间技术交易机会, 对提高专利技术转化应用尤为重要。本文基于专利技术历史交易数据, 构建专利转让加权网络, 引入科技主体间专利技术交易的语义信息, 提出基于BP神经网络的主体间潜在技术交易机会权重预测模型。
考虑技术交易关系形成的网络效应进行主体间交易机会预测, 实质是复杂网络链路预测问题。利用节点间相似性进行链路预测是经过实证最简单有效的方法[3], 该方法假设节点相似性越大, 其存在链接的可能性越大。目前, 基于网络结构特征和节点属性的链路预测方法绝大多数针对无权网络[4]。Symeonidis等[5]提出一种FriendTNS算法, 利用全局图特征计算无权网络中节点的相似性。Bai等[6]结合RA(Resource Allocation)指标和LP(Local Path)指标提出半局部相似性RALP指标, 实证表明该指标在无权网络中的预测效果优于单个指标。但基于无权网络的预测忽略节点间相互作用的强度, 影响预测精度, 引入边权刻画节点间相互作用强度的差异从而形成加权网络, 能更加真实、完整地表达网络结构[7]。目前基于加权网络的链路预测研究主要集中在以下两方面。
(1) 加权网络节点结构及内容相似性指标。Lü等[4,8]基于局部信息提出加权CN等指标, 并针对多种真实网络进行相关实验和测试[9]。考虑加权网络的“弱连接效应”, 无权网络中的CN、AA、RA、JC指标被延伸到加权网络[10]。伴随链路预测领域的不断发展和优化, 出现了许多改进的链路预测算法(如LPEOWA[11]和STNMP[12]等)。内容相似性指标因能提高链路预测 精度[13], 因而应用较多, 包括用户微博语义相似度计算[14]、社交网络用户推荐[15]、合作关系预测[16]、用户偏好预测[17]等。
(2) 加权网络节点链接权重预测方法。已有对节点间链接的权重进行预测的成果多基于真实权重。其中, 似然算法与加权随机模块结合成的算法[18]能够预测社区链接权重。通过“可靠路径”方法[19], 利用局部相似性指标预测网络权重。使用评级信息调整节点间的链接权重进行预测[20], 能够增加产品推荐效率。而考虑加权网络节点的邻域结构, 提出将网络中节点间的每条边的簇系数作为边权(结构权重)的方法[21], 可有效提高网络预测精度。此外, BP神经网络对加权网络的预测精度优于传统预测算法, 常被用于用户个性化信息推荐[22]、社会网络关系预测[23]、质量预测[24]等。
综上, 本文考虑网络真实权重与结构权重, 基于专利转让加权网络, 融合链路预测结构相似性指标与节点内容相似性指标, 利用BP神经网络, 预测主体间技术交易机会及其权重, 并通过新能源领域数据验证思路的可行性。
借助Python的Scrapy工具爬取Incopat专利数据库中2012年-2016年新能源领域各个科技主体间专利技术转让数据。经去重处理后得到有效记录9 591条, 将单次转让时涉及多主体的记录进行拆分: 即将$A\to BC$结构拆分为$A\to B$、$A\to C$; 将$AB\to C$结构拆分为$A\to C$、$B\to C$; 将$AB\to ABC$结构拆分为$B\to C$、$A\to C$。筛选交易频次大于等于10次的243个主体构建专利转让加权网络, 243个主体包括: 188个公司, 29个科研单位, 26个大专院校, 243个主体间共形成2 954条交易转让记录。公司间的交易次数占总次数的65.30%, 公司与科研单位、大专院校的交易次数分别占总次数的23.76%和7.68%, 其他主体间的交易次数占总次数的3.26%。可以看出, 公司参与专利技术交易的转让行为最为活跃, 科研单位和大专院校参与专利技术交易的转让行为较不活跃。
本文网络表示为$G=(V,A,\ W)$。其中,$V=\text{ }\!\![\!\!\text{ }{{v}_{1}},{{v}_{2}},\cdot \cdot \cdot {{v}_{x}}\text{,}{{v}_{y}}\text{,}\cdot \cdot \cdot \text{,}{{v}_{i}}\text{ }\!\!]\!\!\text{ }$表示主体节点集合, N表示主体个数, 邻接矩阵$A=[{{a}_{xy}}]$表示连边集合, 若${{v}_{x}}$和${{v}_{y}}$间发生交易转让, 则${{a}_{xy}}$=1, 否则${{a}_{xy}}$=0。$W=[{{w}_{xy}}]$表示连边权重, 即${{v}_{x}}$和${{v}_{y}}$间的交易转让频次。本文侧重于研究网络主体间发生交易的可能性, 而不考虑技术流动方向, 因此, 构建的是专利转让加权无向网络。
网络的结构特征指标利用Gephi测量: 网络密度为0.014, 说明网络为稀疏网络, 平均聚类系数0.758, 平均路径长度2.308, 说明网络具有集聚性和小世界特征, 强度分布曲线拟合幂指数r =1.106<3, 表征网络中部分主体间交易行为不活跃, 网络节点的Pearson相关系数R>0, 表明网络具有同配性, 模块度为0.723, 说明网络具有较强的社团性。
专利转让加权网络链路预测分为技术交易机会预测及其权重预测两个步骤: 选取传统链路预测相似性指标, 引入内容相似性指标, 构建专利转让加权网络链接预测模型, 预测主体间技术交易机会; 考虑网络的稀疏性和较强的社团性, 在技术交易机会链接预测基础上, 结合网络真实权重和结构权重, 利用BP神经网络预测技术交易机会链接权重。
(1) 结构相似性指标
加权Resource Allocation(WRA)[8]指标计算如公式(1)所示。
$S_{xy}^{WRA}=\sum\limits_{z\subset \Gamma (x)\cap \Gamma (y)}{\frac{{{w}_{xz}}+{{w}_{zy}}}{2{{S}_{z}}}}$ (1)
(2) 路径相似性指标
加权Local Path(WLP)[25]指标计算如公式(2)所示。
${{S}^{{}}}_{xy}^{WLP}=a\mathop{A}_{xy}+{{a}^{2}}{{({{A}^{{}}}^{2})}_{xy}}+{{a}^{3}}{{({{A}^{{}}}^{3})}_{xy}}$ (2)
(3) 内容相似性指标
①语义相似度指标Cosine
本文对网络中专利转让主体对应的专利摘要集合进行语义相似度测算, 步骤如下。
1)从Incopat数据库获取新能源领域转让方或受让方专利摘要集合。
2)结合jieba分词工具、搜狗停用词表对专利摘要集合进行中文分词。
3)采用LDA主题模型[26]对分词后的文本集合构建50个主题, 并计算243个主体的技术主题概率分布。
4)将计算后的专利摘要文本技术主题概率分布值映射为对应的特征向量, 利用余弦相似度$\cos \theta \in [0,1]$判断文本语义相似度, 若$\cos \theta $值越接近于1, 则文本间相似度越高。
假设文本p的特征向量为$[{{p}_{1}},{{p}_{2}},\cdot \cdot \cdot ,{{p}_{g}}]$, 文本q的特征向量为$[{{q}_{1}},{{q}_{2}},\cdot \cdot \cdot {{q}_{g}}]$, g指主题个数, 两个文本间余弦相似度计算如公式(3)所示。
$Sim(p,q)=\cos \theta =\frac{\sum\limits_{j=1}^{g}{({{p}_{j}}\times {{q}_{j}})}}{\sqrt{(\sum\limits_{j=1}^{g}{p_{j}^{2}})(\sum\limits_{j=1}^{g}{q_{j}^{2}})}}$ (3)
不断迭代, 最终得到文本间的语义相似度矩阵如公式(4)所示。
Cosine$=\left[ \begin{matrix} {{c}_{11}} & {{c}_{12}} & \cdots & {{c}_{1l}} \\ {{c}_{21}} & {{c}_{22}} & \cdots & {{c}_{2l}} \\ \vdots & \cdots & \ddots & \vdots \\ {{c}_{l1}} & {{c}_{l2}} & \cdots & {{c}_{ll}} \\\end{matrix} \right]$ (4)
其中, c代表两个主体间的相似度, l代表主体个数。
②IPC相似度指标
采用IPC号定义专利所属领域的部级计算主体IPC集合间的相似度, 两个主体间的IPC集合相似度定义为两主体相同IPC领域/总IPC领域, 即:
$IPCSim(x,y)=\frac{{{\Gamma }^{IPC}}(x)\cap {{\Gamma }^{IPC}}(y)}{{{\Gamma }^{IPC}}(x)\cup {{\Gamma }^{IPC}}(y)}$ (5)
其中, ${{\Gamma }^{IPC}}(x)$、${{\Gamma }^{IPC}}(y)$分别为主体x和主体y的IPC领域集合。
(1) 指标权重计算及融合
①指标权重[27]
1)数据标准化。消除不同量纲对计算结果的影响, 标准化后矩阵记为$\bar{S}$, 如公式(6)所示。
$\bar{S}={{{S}_{mf}}}/{\sqrt{\sum\limits_{m=1}^{M}{{{({{S}_{mf}})}^{2}}}}}\;$ (6)
其中, Smf表示第m条边的第f个指标值, M表示网络边数。
2)计算指标信息熵${{e}_{f}}$,如公式(7)所示。
${{e}_{f}}=-(1/\ln h)\sum\limits_{m=1}^{M}{({{Y}_{mf}}\times \ln {{Y}_{mf}})}$ (7)
其中, ${{Y}_{mf}}={{{{\bar{S}}}_{mf}}}/{\sum\limits_{m=1}^{M}{{{{\bar{S}}}_{mf}}}}\;$, h表示指标个数。
3)计算指标熵权wf , 如公式(8)所示。
${{w}_{f}}=\frac{{{d}_{f}}}{\sum\limits_{f=1}^{h}{{{d}_{f}}}}$ (8)
其中,${{d}_{f}}=1-{{e}_{f}}$。
②指标融合
根据各个预测指标权重wf , 利用公式(9)对标准化后的指标进行加权求和, 计算预测指标最终融合值, 从而预测链接出现的可能性。
${{P}_{xy}}=\sum\limits_{j=1}^{h}{{{w}_{f}}}{{t}^{{}}}_{xy}^{-f}$ (9)
其中, ${{t}^{{}}}_{xy}^{-f}$表示x、y之间第f个指标值; ${{P}_{xy}}\in [0,1]$表示x、y之间出现链接可能性, 随着Pxy值增加, 未来链接出现的可能性逐渐增大。
(2) 精度评价指标
考虑网络稀疏性, 采用leave-one-out方法进行模型训练, 即每次从网络中选取一条边作为测试集, 剩余边作为训练集, 预测这条测试边出现的可能性。利用ARC和AUC评估模型精度, 如公式(10)-公式(12)所示。
$Rank{{S}_{xy}}={{{r}_{xy}}}/{\left| H \right|}\;$ (10)
$ARC=(\sum{Rank{{S}_{xy}}})/N$ (11)
其中,$H$表示未知边总数,${{r}_{xy}}$表示主体$x$与$y$间连边的排名,$Rank{{S}_{xy}}$值越小表示被成功预测概率越大。对网络中$N$条边取平均值作为预测精度, 值越小代表模型预测精度越高。
$AUC=\frac{{{n}_{1}}+0.5{{n}_{2}}}{n}$ (12)
其中, 将测试边的预测值与随机选择的一条不存在的边的预测值进行比较, 比较次数记为n。若该边预测值大于不存在的边的预测值, 记为1, 比较次数记为n1; 两值相等, 记为0.5, 次数记为n2; 前者小于后者, 记为0, AUC值越高, 代表模型预测精度越高。
采用三层前馈BP神经网络作为训练方法, 以Sigmoid函数作为激活函数, 学习速率取0.05, 目标误差设为0.00001, 迭代次数为1 000次, 具体步骤如下。
(1) 使用真实权重、结构权重以及二者融合后的权重作为网络的边权重新计算4.1节中三类指标, 作为BP神经网络的输入特征。
(2) 根据Basri等[28]提出的确定隐含层数算法, 采用经验公式法和试凑法取隐含层数为5。
(3) 计算真实权重和预测权重的误差。
真实权重是网络中主体间技术交易次数。结构权重表示网络中链接边存在的概率, 用链路簇系数表示[20], 该系数考虑网络具有较强的社团性, 使社团内部的节点相似度得到提升, 对提高基于相似性的链路预测的准确度起促进作用[29], 结构权重计算如公式(13)所示。
${{w}_{xy}}=\frac{{{N}_{xy}}}{\max ({{k}_{x}},{{k}_{y}})}$ (13)
其中, ${{w}_{xy}}$表示网络中边的结构权重, ${{N}_{xy}}$表示节点x和节点y的共同邻居个数, max(kx,ky)表示网络中与节点x或节点y直接相连的邻节点的最大值。
将网络中的45 339条边作为测试集, 得到模型预测精度如表1所示。可见, RA指标预测精度高于LP指标, 表明长路径对预测精度影响较小。
因此, 将RA指标与内容指标进行融合, 模型预测精度如表2所示。
表2 结构-内容融合模型预测精度
| 预测模型 | 指标 | ARC | AUC |
|---|---|---|---|
| 1 | RA+Cosine | 0.0569 | 0.9428 |
| 2 | RA+IPC | 0.0853 | 0.8706 |
| 3 | RA+Cosine+IPC | 0.8706 | 0.9297 |
(1) 内容指标Cosine比IPC相似度预测效果更好。
(2) 融合结构指标RA和内容指标Cosine的链接预测精度最高。说明融合结构-内容相似性指标包含相对全面的网络信息, 可以更好地挖掘专利技术交易潜在信息。
(3) 相关指标预测精度下降。说明指标间的信息重叠导致线性融合具有相关性的指标权重减小, 指标结构失真, 使融合后的指标模型预测精度降低[30]。
利用融合后的结构-内容指标预测结果中排名前20的主体对, 对相似度做归一化处理后如表3所示, 利用BP神经网络对前20名主体对的技术交易机会进行链接权重预测。
表3 技术交易机会及其链接权重预测结果(前20)
| 未来链接 | 相似度 | 融合权重 | |
|---|---|---|---|
| 国家电网公司 | 湖北省电力公司电力科学研究院 | 1.000 | 0.806 |
| 国网天津市电力公司 | 江苏中科宇泰光能科技有限公司 | 0.733 | 0.675 |
| 杭州南都电池有限公司 | 杭州南都能源科技有限公司 | 0.694 | 0.717 |
| 江苏博特新材料有限公司 | 国网湖北省电力公司经济技术研究院 | 0.659 | 0.679 |
| 江苏省建筑科学研究院有限公司 | 江苏博特新材料有限公司 | 0.659 | 0.635 |
| 中海油东方石化有限责任公司 | 中海油新能源(海南)生物能源化工有限公司 | 0.540 | 0.654 |
| 广东高航知识产权运营有限公司 | 国家电网公司 | 0.535 | 0.483 |
| 深圳市海川实业股份有限公司 | 深圳海川工程科技有限公司 | 0.522 | 0.592 |
| 鸿准精密工业股份有限公司 | 富士迈半导体精密工业(上海)有限公司 | 0.509 | 0.516 |
| 深圳市比克动力电池有限公司 | 郑州比克电池有限公司 | 0.489 | 0.681 |
| 北京维信诺科技有限公司 | 昆山维信诺显示技术有限公司 | 0.488 | 0.619 |
| 富士迈半导体精密工业(上海)有限公司 | 富准精密工业(深圳)有限公司 | 0.480 | 0.659 |
| 中海石油炼化有限责任公司 | 河海大学常州校区 | 0.469 | 0.441 |
| 中海石油炼化有限责任公司 | 上海宏力半导体制造有限公司 | 0.469 | 0.554 |
| 中海油东方石化有限责任公司 | 国网江苏省电力公司 | 0.469 | 0.442 |
| 中海油新能源(海南)生物能源化工有限公司 | 许继电气股份有限公司 | 0.469 | 0.549 |
| 国网浙江省电力公司 | 国网浙江省电力公司杭州供电公司 | 0.459 | 0.485 |
| 国网电力科学研究院武汉南瑞有限责任公司 | 中国电力科学研究院 | 0.450 | 0.523 |
| 南京南瑞集团公司 | 中国电力科学研究院 | 0.447 | 0.391 |
| 广东华博企业管理咨询有限公司 | 北京科技大学 | 0.443 | 0.400 |
(1) BP神经网络误差分析
利用MATLAB工具不断训练优化BP神经网络, 按照4.3节的步骤得到网络真实权重、结构权重和二者融合后的权重, 分别采用7:3、7:3和8:2进行训练集和测试集划分时误差最小, 分别为1.20%、1.07%和1.01%。可以看出, 二者融合后, BP神经网络预测误差减小, 并且最小误差都在2%左右, 说明利用此方法预测网络链接权重具有可行性。
(2) BP神经网络链接权重预测结果分析
为了保证预测结果的可视化, 对链接权重预测结果采用公式(14)进行标准化处理。
${{p}_{norm}}=\frac{p-{{p}_{\min }}}{{{p}_{\max }}-{{p}_{\min }}}$ (14)
①RA指标和Cosine指标的权重分别为0.4907和0.5093。说明节点内容相似性指标在形成网络链接中作用更为明显, 在技术交易机会链路预测中扮演重要角色。
②“国家电网公司”以及多个地区的国家电网公司在链接预测中占据较大比重, 说明在整个网络结构中占据重要位置。由此推断出中国新能源领域的发展模式主要是以国家电网公司及其地方公司为核心, 带动其他地区相关公司的发展。
主体间技术交易机会链路预测中仅有三个科研单位和两个大专院校, 说明大专院校和科研单位在新能源领域的交易合作相对较弱。
③融合结构指标与内容指标预测结果中主体间的相似度越高发生技术交易的机会越大。例如“国家电网公司”和“湖北省电力公司电力科学研究院”、“国网天津市电力公司”和“江苏中科宇泰光能科技有限公司”等主体间相似度较高, 其链接权重结果较大, 因此, 其产生技术交易的可能性较大。
④地域及子母公司关系对专利技术交易具有影响[31]。 表3预测结果发现: “中海油新能源(海南)生物能源化工有限公司”和“中海油东方石化有限责任公司”属于子母公司关系, 在专利技术交易领域产生链接的可能性较大。
北上广以及江浙沪等经济发展迅猛的地区, 主体间专利技术交易产生链接的可能性大, 而其他地区相对较少。
⑤通过BP神经网络误差分析发现: 将融合后的权重作为网络边权, 预测误差有所降低。分析真实权重和结构权重的实际含义, 因为融合后的权重全面考虑网络的内容和结构两个层面的特征, 对主体间技术交易机会进行权重预测, 有利于提高链路预测的准确度。
本文运用2012年-2016年新能源领域专利转让数据构建加权网络, 计算并筛选RA和LP结构指标, 引入IPC相似度和Cosine语义相似度两个内容相似性指标, 通过熵权法对结构与内容指标进行融合, 选择预测精度最高的组合, 预测主体间技术交易机会。结合真实权重和结构权重, 利用BP神经网络预测交易机会链接权重。结构指标中, RA指标预测精度高于LP指标; 内容相似度指标中, Cosine指标预测精度高于IPC指标。在指标融合预测中, 融合RA指标和Cosine指标预测精度最高; 在预测权重时, 综合考虑真实权重和结构权重, 预测误差减小。
基于上述研究, 在加速科技主体技术对接与交易方面提出如下建议。
(1) 创新专利语义识别方法, 丰富专利内容相似性指标, 开展基于内容相似性的供需信息匹配, 提高专利技术交易机会预测精度。
(2) 充分发挥技术交易中介机构的引导作用, 尤其针对非子母公司, 开展专利技术推荐与交易的相关服务, 使技术供需主体轻松、快捷、可靠地完成交易, 提高主体间技术交易成功率。
(3) 整合分散建设的网上技术交易平台, 实现技术供需信息共享, 增强跨区域的技术交易对接, 降低技术供需信息不对称。
(4) 鼓励专利运营机构健康有序发展, 发挥优势地区的核心主体在新能源领域专利技术交易中的带头和辐射作用, 加快新能源领域产学研间的转化力度。
后续需利用BP神经网络探究网络动态变化, 进一步挖掘专利技术交易机会; 未来链路预测研究需充分考虑网络节点属性及网络演化机制。
武玉英, 何喜军: 提出选题及研究思路, 论文最终版本修订;
武玉英, 何喜军, 孙平, 蒋国瑞: 设计研究方案;
孙平: 采集处理数据, 实现预测模型, 负责实验, 论文撰写。
所有作者声明不存在利益冲突关系。
支撑数据由作者自存储, E-mail: 1145382921@qq.com。
[1] 孙平. patentData.csv. 2012-2016新能源领域专利转让数据.
[2] 孙平. LDA.py. LDA主题模型源代码.
[3] 孙平. predict.m. 链路预测指标计算及其精度预测源代码.
[4] 孙平. BP.csv. BP神经网络训练代码.
| [1] |
基于专利许可的新能源技术转移网络演变特征研究 [J].
基于我国2008—2015年太阳能、燃料电池及风能技术领域的专利许可数据,运用社会网络分析方法对我国新能源技术转移网络的演变特征进行了研究。结果表明:整体上看,我国新能源技术转移网络仍处于初期发展阶段,太阳能领域网络规模和连接数远高于燃料电池和风能领域,但3个领域的网络结构均呈现比较松散的状态且未随时间变化有明显改善;个人、学研机构、国内企业、国外企业等不同类型参与主体在3个新能源领域技术转移网络中的角色有所差异,但国内企业在新能源领域技术供需中均已占据主体地位;3个新能源领域技术转移网络演变的邻近性、优先链接及路径依赖特征存在一定差异,组织和地理邻近性在太阳能和燃料电池技术转移网络形成与发展中发挥主导作用,而优先链接和路径依赖机制主要在风能领域网络演变中有所体现。在此基础上,进一步提出提升我国新能源技术转化效果的政策启示。
Research on the Evolution of Technology Transfer Network in New Energy Fields Based on Patent Licensing [J].
基于我国2008—2015年太阳能、燃料电池及风能技术领域的专利许可数据,运用社会网络分析方法对我国新能源技术转移网络的演变特征进行了研究。结果表明:整体上看,我国新能源技术转移网络仍处于初期发展阶段,太阳能领域网络规模和连接数远高于燃料电池和风能领域,但3个领域的网络结构均呈现比较松散的状态且未随时间变化有明显改善;个人、学研机构、国内企业、国外企业等不同类型参与主体在3个新能源领域技术转移网络中的角色有所差异,但国内企业在新能源领域技术供需中均已占据主体地位;3个新能源领域技术转移网络演变的邻近性、优先链接及路径依赖特征存在一定差异,组织和地理邻近性在太阳能和燃料电池技术转移网络形成与发展中发挥主导作用,而优先链接和路径依赖机制主要在风能领域网络演变中有所体现。在此基础上,进一步提出提升我国新能源技术转化效果的政策启示。
|
| [2] |
识别有技术转移潜力的专利方法综述 [J].Research Review on Patent Analysis Methods of Identifying Technology’s Transfer Potential [J]. |
| [3] |
结合链路预测和ET机器学习的科研合作推荐方法研究 [J].Recommending Scientific Research Collaborators with Link Prediction and Extremely Randomized Trees Algorithm [J]. |
| [4] |
Link Prediction in Complex Networks: A Survey [J].https://doi.org/10.1016/j.physa.2010.11.027 URL [本文引用: 2] 摘要
78 Link prediction has found applications in network analysis and reconstruction. 78 We give a comprehensive survey on physical and machine learning methods. 78 We emphasize the statistical physical methods like maximum likelihood methods. 78 We outline promising directions for further research and some open problems.
|
| [5] |
Transitive Node Similarity for Link Prediction in Social Networks with Positive and Negative Links [C]// |
| [6] |
Link Prediction Based on a Semi-Local Similarity Index [J].https://doi.org/10.1088/1674-1056/20/12/128902 URL [本文引用: 1] 摘要
Missing link prediction provides significant instruction for both analysis of network structure and mining of un-known links in incomplete networks.Recently,many algorithms have been proposed based on various node-similarity measures.Among these measures,the common neighbour index,the resource allocation index,and the local path index,stemming from different source,have been proved to have relatively high accuracy and low computational effort.In this paper,we propose a similarity index by combining the resource allocation index and the local path index.Simulation results on six unweighted networks show that the accuracy of the proposed index is higher than that of the local path one.Based on the same idea of the present index,we develop its corresponding weighted version and test it on several weighted networks.It is found that,except for the USAir network,the weighted variant also performs better than both the weighted resource allocation index and the weighted local path index.Due to the improved accuracy and the still low computational complexity,the indices may be useful for link prediction.
|
| [7] |
Using Clustering Coefficient to Construct Weighted Networks for Supervised Link Prediction [J].https://doi.org/10.1007/s13278-014-0215-3 URL [本文引用: 1] 摘要
Link prediction problem has drawn much attention in the analysis of complex networks. A lot of previous works are devoted for performing link prediction both on weighted and un-weighted networks. Clustering coefficient is a well-studied attribute in graph theory. It measures the degree to which nodes in a graph tend to cluster together. In this paper, we apply normalized clustering coefficient as a weighting scheme to construct weighted networks for supervised link prediction. Unlike the weighting approaches used in some existing literatures which have to consider properties outside the scope of network topology, we take only the topological properties into consideration. Several proximity metrics like Common Neighbors, Jaccard’s coefficient and Adamic – Adar coefficient are chosen as predictor attributes. Learning algorithms like Na07ve Bayes , J48 and SVM available in the WEKA environment are used to perform binary classification experiments on the constructed networks. Both weighted and un-weighted versions of networks are used and experimental results show that the proposed weighting approach could bring benefits to link prediction.
|
| [8] |
Link Prediction in Weighted Networks: The Role of Weak Ties [J].https://doi.org/10.1209/0295-5075/89/18001 URL [本文引用: 2] 摘要
Plenty of algorithms for link prediction have been proposed and were applied to various real networks. Among these algorithms, the weights of links are rarely taken into account. In this letter, we use local similarity indices to estimate the likelihood of the existence of links in weighted networks, including Common Neighbor, Adamic-Adar Index, Resource Allocation Index, and their weighted versions. We have tested the prediction accuracy on real social, technological and biological networks. Overall speaking, the resource allocation index performs best. To our surprise, sometimes the weighted indices perform even worse than the unweighted indices, which reminds us of the well-known Weak-Ties Theory. Further experimental study shows that the weak ties play a significant role in the link prediction, and to emphasize the contributions of weak ties can remarkably enhance the prediction accuracy for some networks. We give a semi-quantitative explanation based on the motif analysis. This letter provides a start point for the possible weak-ties theory in information retrieval.
|
| [9] |
6(5): Article No. |
| [10] |
Influence of Edge Weight on Node Proximity Based Link Prediction Methods: An Empirical Analysis [J].https://doi.org/10.1016/j.neucom.2014.11.089 URL [本文引用: 1] 摘要
Tie weight plays an important role in maintaining cohesiveness of social networks. However, influence of the tie weight on link prediction has not been clearly understood. In few of the previous studies, conflicting observations have been reported. In this paper, we revisit the study of the effect of tie weight on link prediction. Previous studies have focused on additive weighting model. However, the additive model is not suitable for all node proximity based prediction methods. For understanding the effect of weighting models on different prediction methods, we propose two new weighting models namely, min-flow and multiplicative. The effect of all three weighting models on node proximity based prediction methods over ten datasets of different characteristics is thoroughly investigated. From several experiments, we observe that the response of different weighting models varies, subject to prediction methods and datasets. Empirically, we further show that with the right choice of a weighting model, weighted versions may perform better than their unweighted counterparts. We further extend the study to show that proper tuning of the weighting function also influences the prediction performance. We also present an analysis based on the properties of the underlying graph to justify our result. Finally, we perform an analysis of the weak tie theory, and observe that unweighted models are suitable for inter-community link prediction, and weighted models are suitable for intra-community link prediction.
|
| [11] |
OWA Operator Based Link Prediction Ensemble for Social Network [J].https://doi.org/10.1016/j.eswa.2014.07.018 URL [本文引用: 1] 摘要
The objective of link prediction for social network is to estimate the likelihood that a link exists between two nodes. Although there are many local information-based algorithms which have been proposed to handle this essential problem in the social network analysis, the empirical observations show that the stability of local information-based algorithm is usually very low, i.e., the variabilities of local information-based algorithms are high. Thus, motivated by obtaining a stable link predictor with low variance, this paper proposes a kind of ordered weighted averaging (OWA) operator based link prediction ensemble algorithm (LPEOWA) for social network by assigning the aggregation weights for nine local information-based link prediction algorithms with three different OWA operators. The finally experimental results on benchmark social network datasets show that LPEOWA obtains a more stable prediction performance and considerably improves the prediction accuracy which is measured by the area under the receiver operating characteristic curve (AUC) in comparison with nine individual prediction algorithms.
|
| [12] |
加权网络中基于多路径节点相似性的链接预测 [J].Link Prediction Based on Similarity of Nodes of Multipath in Weighted Social Networks [J]. |
| [13] |
基于主题模型的有向社交网络链接预测方法 [J].
社交网络链接预测方法通常针对简单网络,且只考虑单一的网络结构特征,难以适应不断复杂化的社交网络.针对此问题,提出一种有向网络的链接预测方法,基于主题模型分析节点语义信息,综合节点属性特征和网络结构特征进行链接预测.实验证明可以更真实地还原社交网络的用户关系,提高链接预测的精度.
A Topic Model-Based Method of Link Prediction for Directed Social Network [J].
社交网络链接预测方法通常针对简单网络,且只考虑单一的网络结构特征,难以适应不断复杂化的社交网络.针对此问题,提出一种有向网络的链接预测方法,基于主题模型分析节点语义信息,综合节点属性特征和网络结构特征进行链接预测.实验证明可以更真实地还原社交网络的用户关系,提高链接预测的精度.
|
| [14] |
Topic Model Based Link Prediction for Directed Social Network [J].
Methods of link prediction for social network are usually designed for simple networks,and they consider single features only.In view of this problem,we present a method for directed network link prediction,which analyses semantic information based on topic models and synthesizes the attributes of nodes and network structure for link prediction.An experiment shows that the proposed method can improve the accuracy of link prediction as it better recovers the relationships of users from social networks.
|
| [15] |
A Joint Link Prediction Method for Social Network[A]// Intelligent Computation in Big Data Era [M]. |
| [16] |
科研社交网络中基于链接预测的专家推荐研究 [J].https://doi.org/10.3969/j.issn.1002-1965.2015.06.027 URL [本文引用: 1] 摘要
随着Web2.0理念和技术的引入,科研社交网络为科研人员之间进行交流和协作提供了一个新的便捷平台。但近年来随着科研社交网络的不断发展,如何在海量专家信息中找到自己感兴趣的专家并与之建立合作关系变得十分困难。为此,通过综合分析科研社交网络中专家所具有的知识信息以及社会关系信息,并以此为基础,构建链接预测模型对科研社交网络中的用户进行相关专家推荐。最后,选取科研社交网络Scholar Mate平台进行实验,验证了本文提出方法的有效性。
Expert Recommendation in Scientific Social Network Based on Link Prediction [J].https://doi.org/10.3969/j.issn.1002-1965.2015.06.027 URL [本文引用: 1] 摘要
随着Web2.0理念和技术的引入,科研社交网络为科研人员之间进行交流和协作提供了一个新的便捷平台。但近年来随着科研社交网络的不断发展,如何在海量专家信息中找到自己感兴趣的专家并与之建立合作关系变得十分困难。为此,通过综合分析科研社交网络中专家所具有的知识信息以及社会关系信息,并以此为基础,构建链接预测模型对科研社交网络中的用户进行相关专家推荐。最后,选取科研社交网络Scholar Mate平台进行实验,验证了本文提出方法的有效性。
|
| [17] |
基于用户偏好与商品属性情感匹配的图书个性化推荐研究 [J].
【目的】识别并获取细粒度的用户偏好信息,优化图书个性化推荐的效果。【方法】使用情感分析方法对用户图书评论进行属性层文本挖掘,通过用户本身的图书评论获取用户对图书属性的偏好;基于每本图书的所有评论的情感计算获得其属性评分;将用户偏好矩阵、图书属性得分矩阵进行匹配,从而实现用户对图书属性情感偏好的个性化推荐。【结果】利用亚马逊图书评论数据作为数据来源分别对传统的协同过滤方法与本文提出的推荐方法进行实验对比。结果表明,本文提出的方法在准确性、召回率、覆盖率上分别提高了0.030、0.097、0.2812。【局限】未考虑时间因素对用户偏好的影响,并且属性类型的全面程度受亚马逊图书评论数量和质量的限制。【结论】本文计算用户对图书属性的情感得分,得到细粒度的用户偏好信息,并通过与图书属性的得分进行匹配,提升了图书个性化推荐的效果。
Personalized Book Recommendation Based on User Preferences and Commodity Features [J].
【目的】识别并获取细粒度的用户偏好信息,优化图书个性化推荐的效果。【方法】使用情感分析方法对用户图书评论进行属性层文本挖掘,通过用户本身的图书评论获取用户对图书属性的偏好;基于每本图书的所有评论的情感计算获得其属性评分;将用户偏好矩阵、图书属性得分矩阵进行匹配,从而实现用户对图书属性情感偏好的个性化推荐。【结果】利用亚马逊图书评论数据作为数据来源分别对传统的协同过滤方法与本文提出的推荐方法进行实验对比。结果表明,本文提出的方法在准确性、召回率、覆盖率上分别提高了0.030、0.097、0.2812。【局限】未考虑时间因素对用户偏好的影响,并且属性类型的全面程度受亚马逊图书评论数量和质量的限制。【结论】本文计算用户对图书属性的情感得分,得到细粒度的用户偏好信息,并通过与图书属性的得分进行匹配,提升了图书个性化推荐的效果。
|
| [18] |
Learning Latent Block Structure in Weighted Networks [J]. |
| [19] |
Prediction of Links and Weights in Networks by Reliable Routes [J]. |
| [20] |
Heterogeneous Network Linkage-weight Based Link Prediction in Bipartite Graph for Personalized Recommendation [J].https://doi.org/10.1016/j.procs.2016.07.119 URL [本文引用: 2] 摘要
In this paper, we attempt to use the rating information to adjust linkage-weight between nodes to improve effectiveness of product recommendation. As we all known, sometimes we purchase goods or watch a movie do not really mean we like or we would purchase them again. Thus, it is necessary to take the relationship of nodes into account, which we use linkage-weight to indicate. However, most of prior work only consider the existence of linkages, ignoring the remarkable meaning of linkage between nodes. To evaluate our algorithm, we compare both the original link prediction local path index and simplified linkage-weight index (-1,0,1) to our index and our results achieve significantly better performance.
|
| [21] |
Robustness of Link-Prediction Algorithm Based on Similarity and Application to Biological Networks [J].https://doi.org/10.2174/157489360901140120160332 URL [本文引用: 1] |
| [22] |
基于BP神经网络的情境化信息推荐服务研究 [J].Research on Contextual Information Recommendation Service Based on BP Neural Network [J]. |
| [23] |
Link Prediction in Social Networks: A Similarity Score Based Neural Network Approach [C]// |
| [24] |
图书馆数字资源聚合质量预测模型构建——基于改进遗传算法和BP神经网络 [J].Construction of Aggregation Quality Predicting Model for Digital Resource in Library——Based on Improved Genetic Algorithm and BP Neural Network [J]. |
| [25] |
Similarity Index Based on Local Paths for Link Prediction of Complex Networks [J].https://doi.org/10.1103/PhysRevE.80.046122 URL PMID: 19905405 [本文引用: 1] 摘要
Abstract Predictions of missing links of incomplete networks, such as protein-protein interaction networks or very likely but not yet existent links in evolutionary networks like friendship networks in web society, can be considered as a guideline for further experiments or valuable information for web users. In this paper, we present a local path index to estimate the likelihood of the existence of a link between two nodes. We propose a network model with controllable density and noise strength in generating links, as well as collect data of six real networks. Extensive numerical simulations on both modeled networks and real networks demonstrated the high effectiveness and efficiency of the local path index compared with two well-known and widely used indices: the common neighbors and the Katz index. Indeed, the local path index provides competitively accurate predictions as the Katz index while requires much less CPU time and memory space than the Katz index, which is therefore a strong candidate for potential practical applications in data mining of huge-size networks.
|
| [26] |
Gaussian LDA for Topic Models with Word Embeddings [C]// |
| [27] |
基于链接预测的科学研究机会发现方法研究 [J].https://doi.org/10.3969/j.issn.1002-1965.2016.10.010 URL [本文引用: 1] 摘要
[目的/意义]概念的新组合在一定程度上可以带来科学研究上的新突破和新发现,需要探索一套方法来客观有效地挖掘科学知识网络中基于关联关系的研究机会,从而为科研决策提供定量依据。[方法/过程]提出了一种基于链接预测模型的科学研究机会发现方法,以领域中的关键词共现矩阵为数据基础,基于多种评价指标全面评估并选取链接预测算法,最后通过熵权融合指标值,从而预测关键词组合成为有前途研究机会的可能性。[结果/结论]将此方法用于分析和预测自然语言处理领域的研究机会,预测的动态准确率可达50%左右,高于利用单个预测指标的动态准确率,验证了所提方法的可行性和准确性。
A Method for Discovering Scientific Research Opportunities Based on Link Prediction [J].https://doi.org/10.3969/j.issn.1002-1965.2016.10.010 URL [本文引用: 1] 摘要
[目的/意义]概念的新组合在一定程度上可以带来科学研究上的新突破和新发现,需要探索一套方法来客观有效地挖掘科学知识网络中基于关联关系的研究机会,从而为科研决策提供定量依据。[方法/过程]提出了一种基于链接预测模型的科学研究机会发现方法,以领域中的关键词共现矩阵为数据基础,基于多种评价指标全面评估并选取链接预测算法,最后通过熵权融合指标值,从而预测关键词组合成为有前途研究机会的可能性。[结果/结论]将此方法用于分析和预测自然语言处理领域的研究机会,预测的动态准确率可达50%左右,高于利用单个预测指标的动态准确率,验证了所提方法的可行性和准确性。
|
| [28] |
Lambertian Reflectance and Linear Subspaces [J].https://doi.org/10.1109/TPAMI.2003.1177153 URL [本文引用: 1] |
| [29] |
Using Community Information to Improve the Precision of Link Prediction Methods [C]// |
| [30] |
消除评价指标相关性的权值计算方法 [J].
根据评价指标的构成要素,提出了一种消除评价指标相关性的代表系权值计算方法。该方法不改变原有的指标体系,在提出的评价因子概念及其具有的等价性和可加性假设基础上,利用互异代表系理论给出了评价因子贡献值的计算方法,以消除各指标间的相关性。最后,借助于一个已有案例,说明了代表系权值计算方法的应用步骤,并通过对比分析,表明了该方法的合理性。
A Study on Eliminating Correlation of Evaluation Index and Obtaining Modified Weights [J].
根据评价指标的构成要素,提出了一种消除评价指标相关性的代表系权值计算方法。该方法不改变原有的指标体系,在提出的评价因子概念及其具有的等价性和可加性假设基础上,利用互异代表系理论给出了评价因子贡献值的计算方法,以消除各指标间的相关性。最后,借助于一个已有案例,说明了代表系权值计算方法的应用步骤,并通过对比分析,表明了该方法的合理性。
|
| [31] |
基于新能源汽车的加权专利合作网络研究 [J].https://doi.org/10.3772/j.issn.1000-0135.2016.006.001 URL [本文引用: 1] 摘要
以加权专利合作网络为研究对象，通过建立新能源汽车的技术专利检索表达式，筛选出所需要的相关专利数据，构建基于新能源汽车的加权专利合作网络，运用社会网络分析方法，深度挖掘新能源汽车的加权专利合作网络基本结构、内部结构、网络关联性、社团结构以及重要节点等结构特征。研究结果表明：新能源汽车的加权专利合作网络具有幂律分布的特性；企业和个人在新能源汽车的专利合作申请中占据主导地位，北上广等经济发达地区是该网络节点的重要组成；度值较大的专利申请人呈现明显的连接偏好，节点的权重比度值增加的更快，网络具有同配性质；国家电网公司是该网络最为重要的节点，浙江吉利以及重庆长安等汽车转型制造商占据该网络中的重要位置。最后给出促进新能源汽车产业发展的对策和建议。
Research on the Weighted Patent Cooperation Network Based on New Energy Vehicles [J].https://doi.org/10.3772/j.issn.1000-0135.2016.006.001 URL [本文引用: 1] 摘要
以加权专利合作网络为研究对象，通过建立新能源汽车的技术专利检索表达式，筛选出所需要的相关专利数据，构建基于新能源汽车的加权专利合作网络，运用社会网络分析方法，深度挖掘新能源汽车的加权专利合作网络基本结构、内部结构、网络关联性、社团结构以及重要节点等结构特征。研究结果表明：新能源汽车的加权专利合作网络具有幂律分布的特性；企业和个人在新能源汽车的专利合作申请中占据主导地位，北上广等经济发达地区是该网络节点的重要组成；度值较大的专利申请人呈现明显的连接偏好，节点的权重比度值增加的更快，网络具有同配性质；国家电网公司是该网络最为重要的节点，浙江吉利以及重庆长安等汽车转型制造商占据该网络中的重要位置。最后给出促进新能源汽车产业发展的对策和建议。
|
| 版权所有 © 2015 《数据分析与知识发现》编辑部 地址：北京市海淀区中关村北四环西路33号 邮编：100190 电话/传真：(010)82626611-6626，82624938 E-mail:jishu@mail.las.ac.cn |
/
| 〈 |
|
〉 |
