随着市场竞争的加剧和市场需求的不断演变，快速开发创新产品已成为企业获得竞争优势的关键途径[1]。为此，公司通常会投入大量的财务和人力资源来加速新产品的研发（R&D）[2]。在研发过程中，技术机会发现（TOD）通常被视为初始活动，它决定了技术创新的方向[3]。因此，已有大量研究致力于TOD的研究[4],[5],[6]。
随着大量技术文档的积累和数据科学的进步[7]，研究人员提出了一系列利用历史数据挖掘技术机会的方法[8]。一些研究人员通过分析历史轨迹来揭示技术发展趋势，以识别未来的创新机会[9]。这些研究通常采用主路径分析（MPA）[10]和关联模式挖掘[11]等方法。一些研究人员认为，当前技术的空白表明了未来创新的方向[12]。因此，他们使用生成拓扑映射（GTM）将现有技术投影到二维空间中进行可视化，从而识别出当前研究活动较少或没有的领域，这些领域被视为潜在的技术机会。尽管他们的研究证明了这种尝试的可行性，但它们严重依赖于研究人员的主观分析，这引发了对其可靠性的担忧。相比之下，新兴的机器学习和神经网络方法在不依赖专家经验的情况下预测未来技术趋势，有效地解决了这些限制，因此受到了广泛关注[13],[14]。在这种类型的研究中，链接预测是主要工具[15]。
链接预测方法主要应用于图结构数据，旨在根据历史模式推断网络中潜在的未来链接或当前缺失的链接[16]。链接预测是复杂网络研究中的一个重要课题，在社交网络分析[17]和推荐系统研究[18]中发挥了重要作用。由于图结构数据的广泛存在以及对预测未来或潜在链接的需求不断增加，链接预测已扩展到建筑[19]、医疗保健[20]和制造[21]等领域。同样，许多TOD领域的研究人员尝试将其应用于挖掘技术机会。他们广泛采用专利作为分析数据，因为专利具有技术先进性和全面性[22]。随后，他们使用专利关键词[23]或技术主题[24]作为节点，并利用它们在同一专利中的共现作为边来构建技术交互网络。然后应用各种指标[25]或机器学习方法[26]来预测未来的技术交互。此外，一些研究人员认识到，如国际专利分类（IPC）和合作专利分类（CPC）系统之类的专利分类代码提供了更精确和明确定义的技术描述，使得专利的技术内容能够得到更准确的表示[27]。因此，基于专利分类代码构建专利技术交互网络已成为相关研究中的常见做法[28]。此外，研究人员认识到，现有研究仅依赖于从合并网络（由所有历史共现关系构建的网络，不包括时间分割）中提取的链接特征[24]，并尝试通过结合额外的特征（包括共现网络? ??特征和结构特征[29],[30]以及它们的时间动态[31],[32]）来提高链接预测的准确性。相关研究中使用的特征类型在表1中进行了总结。
尽管当前的研究在多个领域展示了有效性，但仍存在一些局限性。第一个局限性在于未能充分利用技术交互网络中嵌入的多样化特征。使用特定时期数据构建的网络包括节点特征、链接特征和网络结构特征。在不同时期的网络中，链接的表示向量展示了时间演化特征，而合并网络捕获了全局特征。然而，现有的TOD链接预测方法未能充分利用这些特征，从而限制了预测的准确性。另一个局限性在于，当前的研究只能生成与技术融合相关的预测[30]，而将这些技术机会转化为企业所需的新产品或专利的创新想法和解决方案仍然需要广泛的技术整合和细粒度知识。对于这种转换，当前的TOD方法无法提供强有力的支持，预测结果与可操作的创新策略之间存在巨大差距。为了解决这些局限性，本研究旨在解决两个研究问题：
RQ1：如何全面利用分类代码共现网络中的多源特征来提高链接预测的准确性并加强TOD研究？
RQ2：如何缩小链接预测与可操作的创新策略之间的差距，以降低产生创新想法和解决方案的难度？
作为回应，我们开发了一个新的TOD框架，该框架结合了多特征融合动态链接预测网络（MFFDLPNet）和个人化PageRank（PPR）。MFFDLPNet旨在通过利用综合特征来提高链接预测的准确性，从而解决RQ1。具体来说，我们构建了不同时期的分类代码共现网络以及通过叠加这些时间网络形成的合并网络。随后，我们使用图注意力网络（GAT）从时间网络和合并网络中提取节点特征和结构特征，并将这些特征与链接特征连接起来，形成每个网络中每个链接的全面表示。其中，从多个时期构建的合并网络中学到的全面链接表示捕获了全局特征。然后，对于从不同时期的时间网络中学到的链接表示向量，我们使用门控循环单元（GRU）来捕获它们的时间演化特征。最后，我们使用多层感知器（MLP）根据全局特征和时间演化特征独立预测链接形成的概率，并通过决策级融合提高预测准确性。在此基础上，我们引入了PPR方法来解决RQ2。通过从与MFFDLPNet预测结果相关的历史数据中挖掘技术和知识，PPR可以减少对研究人员知识储备的依赖，并帮助弥合预测输出与创新想法和解决方案之间的差距。我们开发的TOD框架与现有框架的区别如图1所示。
总之，本研究的创新和贡献如下：
1.本研究提出了MFFDLPNet，该模型能够全面利用分类代码共现网络中的多样化特征，从而克服了基于链接预测的现有TOD研究中特征利用不足的问题，并提高了预测准确性。
2.将PPR算法引入TOD研究，以推荐技术和知识，同时减少对专家领域专业知识的依赖。这有助于弥合链接预测结果与知识密集型设计任务所需的可操作创新策略之间的差距。
本文的其余部分组织如下：第2节提供了TOD和链接预测的全面回顾。第3节介绍了我们的研究框架，而第4节对提出的MFFDLPNet进行了广泛的性能比较。第5节展示了我们框架的应用案例。第6节总结了本文并讨论了其局限性和未来研究的方向。此外，我们在附录A、B、C和D中提供了MFFDLPNet的额外性能比较以及我们框架在更广泛技术领域的进一步案例研究，从而证明了我们方法的通用性。
