利用异构网络把握技术机遇：一种促进企业技术融合的集成链接预测方法

《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》：Embracing technological opportunities based on heterogeneous networks: An integrated link prediction approach for technology convergence of firms

技术融合预测框架构建及企业应用研究，提出整合异构网络、文本语义和神经网络方法的多维分析模型，通过企业-发明人-IPC分类异构网络缓解共现网络稀疏性，利用专利文本语义增强技术融合识别精度，并以智能医疗领域强生公司为例验证框架有效性，为差异化企业战略决策提供技术融合路径支持。

　　

赵建宇|李静格|席曦|刘伟

中国电子科技大学经济与管理学院，成都，611731，中国

摘要

识别并利用技术融合机会对于企业获得竞争优势和确保可持续增长至关重要。以往的研究主要集中在行业层面的技术成果预测上，这并不适用于不同企业的具体发展情况。同时，现有的关于技术融合的文献往往忽视了文本数据中包含的潜在语义信息在提高融合预测方面的作用。此外，样本不平衡的问题（即非融合技术的数量远多于融合技术）也降低了预测的准确性。为了解决这些问题，我们提出了一个预测企业层面技术融合的框架，该框架整合了异构网络、文本语义和基于神经网络的方法。我们的框架能够准确捕捉驱动技术发展的各种实体之间的复杂关系，精确识别与企业特定发展需求相匹配的技术融合机会，并通过边缘过滤标准有效缓解数据不平衡的影响。它还将文本数据中的潜在语义信息与结构信息相结合，以提高预测准确性。以智能医疗行业的专利数据和强生公司为例，我们展示了该框架的有效性，为促进企业的技术创新提供了宝贵的理论和实践见解。

引言

在当今快速变化的商业环境中，抓住新兴的技术融合机会已成为企业维持全球竞争力和实现长期增长的关键战略能力（Choi等人，2019；Coad等人，2016；Schoemaker，2015）。各种跨学科技术日益普遍的互联互通要求企业通过整合和结合多个技术领域的进步来开辟新的增长路径（Li等人，2024）。这种现象被称为技术融合，它是由企业的有意识的战略选择和组织行动积极塑造和推动的（Borés等人，2003；Curran和Leker，2011；Lee，2023）。因此，作为更广泛的技术机会类别中的一个关键子集，技术融合带来的机会正成为推动各行业变革的重要力量，使企业能够重新构建其竞争策略并重塑市场地位。

由于技术融合日益塑造企业创新轨迹和竞争优势，识别和预测潜在的未来融合模式成为技术进步中的一个关键问题。企业必须通过利用技术融合来保持灵活性，以应对快速变化的市场需求。例如，当小米进入电动汽车市场时，它将其在人工智能、物联网和智能硬件方面的积累能力整合到了汽车生态系统中，从而实现了跨领域的技术融合。这种战略方法不仅创造了新的增长机会，还增强了企业的差异化竞争优势（Nuoyi和Permana，2024）。这个案例表明，技术融合重塑了企业的边界，使企业能够通过跨领域创新抓住新的价值空间。因此，准确识别技术融合的潜在方向对于识别企业可能进入或扩展的领域至关重要。能够在早期阶段检测到这些新兴融合趋势的企业能够更好地理解市场动态，在机会完全实现之前主动分配资源，从而抓住创新的机会（Klevorick等人，1995）。然而，新兴技术的融合本质上是复杂的，并且具有高度不确定性（Sick等人，2019），企业的战略目标往往难以形式化和标准化（Shetty，1979）。在这种背景下，准确识别和预测与企业战略目标一致的技术融合路径仍然是一个具有挑战性的研究任务。

尽管越来越认识到将技术融合路径与企业战略目标对齐的重要性，但仍存在一些研究空白。

首先，以往关于技术融合的研究仍然集中在行业层面的融合趋势揭示上。尽管捕捉到了一些融合机会，但这种相对广泛和概括性的见解往往不足以为企业提供可操作的指导（Cho等人，2021；Curran和Leker，2011；Kim和Sohn，2020）。相比之下，企业层面的技术融合强调在特定企业的技术基础、市场地位和资源禀赋的独特背景下识别和利用跨领域的技术机会（Park和Geum，2022；Wambsganss等人，2023；Wu等人，2023）。这与行业层面的融合不同，后者主要强调整个行业内边界模糊和跨行业整合的总体趋势。从这个角度来看，行业层面和企业层面的技术融合预测是互补的（Curran和Leker，2011；Park和Geum，2022）。行业层面的分析提供了技术融合轨迹的宏观概览，有助于为工业技术机构或新兴市场界定广泛的机会空间，而企业层面的分析解释了这些宏观机会是如何被个别企业选择性地识别、解释和实现的（Park和Geum，2022；Wu等人，2023）。鉴于企业在技术能力、市场定位和财务资源方面的巨大差异，仅靠行业层面的预测显然不足以满足企业多样化的战略需求和独特的技术特征（Park和Geum，2022）。在某些情况下，这种概括性的预测甚至可能传递误导性信号，从而削弱企业的技术规划和战略决策。因此，从企业层面推进技术融合的研究至关重要，因为它可以显著提高融合预测的相关性和适用性，同时为企业制定创新战略和维持竞争优势提供更精确的见解。

其次，以往用于预测技术融合的共现网络通常非常稀疏，这意味着连接的节点对数量远远少于未连接的节点对数量，从而导致数据严重不平衡（Kim和Sohn，2020）。这种不平衡可能导致过度强调频繁共现的关系，而低估了罕见但可能重要的连接，从而阻碍企业准确发现和评估技术融合中的关键创新机会（Carvalho等人，2025）。预测的稳健性和可靠性因此受到影响。此外，尽管共现网络为技术发展的方向提供了有价值的信息，但它们未能捕捉到企业技术融合过程中涉及的多个实体之间的复杂和动态联系。因此，建立一种新的网络结构以更准确地描绘不同企业的技术融合复杂关系至关重要，从而增强企业对技术趋势决策的洞察力。

此外，以往关注技术融合共现网络的研究大多忽视了专利文本数据的潜力，并没有充分挖掘和利用专利中的文本内容（Cho等人，2021；Hong和Lee，2021）。这一限制阻碍了从文本描述中提取细粒度的语义信息，而这些信息对于揭示隐藏的联系和准确预测技术融合路径至关重要（Li等人，2025）。

为了解决这些空白，我们开发了一个整合了异构网络、文本语义和基于神经网络方法的框架。这三种方法从互补的角度衡量技术融合：结构关系（异构网络）、知识内容（语义分析）和综合预测（神经网络）。我们的系统整合有效地形成了一个多维的融合过程评估框架。与以往文献中的传统技术挖掘方法相比，我们的框架有三个新颖的贡献：

首先，我们构建了一个以企业为中心的异构网络，涉及企业、发明人和国际专利分类（IPC）等实体。这种设计有效解决了忽视企业特征差异的问题，使得预测技术融合方向更加精确。其次，我们使用边缘和节点过滤标准来缓解共现网络中常见的数据不平衡问题，从而提高预测准确性。因此，企业不仅可以识别与行业层面技术发展趋势一致的技术融合路径，还可以符合其特定的发展需求。此外，我们整合了先进的方法从文本专利数据中提取语义和上下文信息，然后将其与网络的结构数据相结合。这种潜在语义信息的整合显著提高了技术融合预测的稳健性和准确性。

本文的其余部分如下：第2节是文献综述。第3节详细描述了所提出的模型。第4节报告了使用的数据集和相应的实验结果。第5节讨论了实证分析的发现。最后，第6节总结了研究的结论、贡献和局限性。

章节片段

基于技术融合的技术机会发现

技术机会通常指的是一般或特定技术领域内的一系列潜在进步（Yun等人，2021）。识别这些机会的过程通常可以用两种方式描述：技术机会发现（Olsson，2005；Ren和Zhao，2021；Yoon和Magee，2018）和技术机会分析（Han等人，2019；Porter和Detampel，1995；Zhu等人，1999）。技术机会发现通常被定义为

研究框架

本研究的目标是为企业提供与其特定特征和战略需求相匹配的技术机会的实用见解。为此，我们提出了一个以企业为中心的框架，该框架整合了异构网络、文本语义和基于神经网络的方法来预测企业层面的技术融合前景。这个框架使企业能够更好地理解跨学科技术的发展趋势

数据收集和预处理

为了评估所提出的模型，我们选择智能医疗领域进行实证分析，原因有三点。

首先，智能医疗的进步是由多种跨学科技术的融合强烈推动的，包括无线通信、物联网、人工智能、医疗技术和信息安全。其次，智能医疗被广泛认为是未来医疗创新的基石（Wang和Lee，2023），具有潜力

强生公司的案例

作为全球公认的医疗保健领导者，强生拥有多元化的技术组合，并在整合新兴技术（如AI驱动的诊断、可穿戴健康设备和先进的医疗机器人）方面给予了战略重视。这些特点使强生成为研究技术融合对企业战略决策影响的理想案例。

讨论与结论

本文提出了一个整合了异构网络、文本语义和基于神经网络的方法的框架，用于预测企业层面的技术融合前景。该框架构建了一个包含企业、发明人和IPC的异构网络，并通过NESS生成的节点嵌入将文本信息与共现网络的拓扑结构相结合。它进一步使用随机森林模型来预测企业特定的

CRediT作者贡献声明

赵建宇：撰写 – 审稿与编辑、软件、方法论、概念化。李静格：撰写 – 原始草稿、形式分析。席曦：可视化、验证、方法论、调查、概念化。刘伟：撰写 – 审稿与编辑、可视化、验证、数据管理。

伦理声明

作者已阅读并同意出版伦理委员会（COPE）的国际标准。

利益冲突声明

作者声明没有利益冲突。

致谢

本文部分资金由国家自然科学基金（资助编号：72072046 和 72473142）提供。

赵建宇是中国电子科技大学经济与管理学院的教授。他获得了哈尔滨工程大学的管理科学与工程博士学位。他的研究兴趣包括战略创新管理、知识管理和技术预测。他的研究成果发表在战略管理、创新管理和预测领域的学术期刊上。