《World Patent Information》：Patent-based technology opportunity identification via semantic–structural coupling entropy: A retrospective validation study of unmanned surface vehicle technologies
编辑推荐：
Jianguang Sun|Yongsheng Zhai|Xiangjie Lin|Delong Zhang|Runze Miao|Mince Li河北工业大学机械工程学院，天津，300400，中国摘要随着创新周期的缩短和技术跨领域的重组加速，技术机会识别（TOI）变得越来越具有
Jianguang Sun|Yongsheng Zhai|Xiangjie Lin|Delong Zhang|Runze Miao|Mince Li
河北工业大学机械工程学院，天津，300400，中国
摘要
随着创新周期的缩短和技术跨领域的重组加速，技术机会识别（TOI）变得越来越具有挑战性。现有的TOI研究通常将语义内容和结构关系分开处理，依赖于浅层的关键词共现，并且很少提供严格的回顾性验证。本研究提出了一个基于专利的TOI框架，该框架将深度语义表示与网络拓扑相结合，以检测跨功能融合的早期信号。首先，使用Sentence-BERT对专利标题和摘要进行编码，以获得密集的语义嵌入，并通过K-means聚类形成可解释的功能模块，这些模块使用TF–IDF关键词进行标记。其次，构建了一个k最近邻语义相似性网络，并通过Louvain社区检测进行划分，以捕捉反映实际技术重组模式的结构社区。第三，我们引入了语义-结构耦合熵，这是一种信息论度量，用于量化每个结构社区内功能模块的异质性；高熵社区被视为潜在的机会区域。最后，通过时间切片回测设计，将识别窗口中测量的耦合熵与验证窗口中新颖模块对的后续出现和扩散联系起来，为预测有效性提供回顾性证据。对全球无人水面船（USV）专利的实证研究表明，高熵社区集中了系统集成轨迹，并产生了更高强度和扩散的新模块组合，这些可以转化为可操作的集成方案。所提出的方法提供了一个可扩展且可复制的工具，用于优先考虑技术机会，并支持在日益复杂的技术环境下的研发决策。
引言
技术的创新周期正在缩短，市场竞争也日益激烈。企业在做出研发决策时面临着复杂的环境[1]。如何准确识别技术机会（TOI）是创新战略的关键起点。有效的TOI可以帮助公司避免研发风险并找到新的竞争优势。另一方面，专利数据包含了大量的技术信息[2]。然而，专利数据的量正在呈指数级增长。因此，使用科学方法从庞大的专利数据集中挖掘潜在机会已成为一个困难的研究课题。
关于TOI的学术研究通常可以分为两类：定性和定量方法[3]。首先，定性分析主要依赖于专家知识和直觉。典型的方法包括德尔菲法、情景分析和层次分析法（AHP）[4]。一些学者还引入了形态学分析来分解技术系统[5]，或者结合了SAO（主题-属性-对象）分析来结构化专家判断[6]。其次，定量分析侧重于从数据中挖掘客观模式。这些方法主要包括关键词分析、网络分析和文本挖掘。研究人员通常使用专利数据来构建共现或引用网络[7]。其他人应用机器学习算法，如LDA主题建模或贝叶斯网络，通过统计模型来发现缺失的链接或预测趋势[8]。
尽管这些方法已经取得了一些成果，但在大数据时代它们面临着局限性。首先，关于定性方法，其核心缺陷是对主观判断的过度依赖[9]。这导致了认知偏差，使得难以覆盖庞大的专利数据集，从而可能遗漏潜在的机会。其次，关于定量方法，它们往往局限于表面的关键词统计。它们难以捕捉复杂技术文本中的深层上下文语义[10]。第三，现有的网络分析可以揭示明确的连接，但在处理紧密交织的关系时缺乏分辨率。最关键的是，这些研究通常将“语义内容”和“网络结构”分开分析。它们缺乏系统性的视角来捕捉两者之间的相互作用[11]。此外，缺乏基于历史数据的严格回顾性验证，这使得难以证明预测的稳健性。
为了解决这些局限性，提出了一个新的技术机会识别（TOI）框架，该框架将深度语义表示与网络拓扑分析相结合。首先，收集专利数据作为主要数据来源。其次，使用Sentence-BERT（SBERT）模型对专利标题和摘要进行编码。与传统的关键词匹配不同，SBERT在高维向量中捕捉句子的语义本质。第三，构建了一个k最近邻（k-NN）语义网络，并利用Louvain算法检测结构社区，然后开发了一个“语义-结构耦合网络”。第四，引入了一个称为“语义-结构耦合熵”的新指标，用于量化结构社区内功能模块的异质性，从而识别潜在的重组机会。第五，设计了一个基于时间切片的回顾性验证过程，利用历史数据来验证所提出模型的预测准确性。
从战略管理的角度来看，这个框架为研发决策提供了一个可扩展且可复制的工具。通过将“语义-结构错位”与创新扩散联系起来，本研究提供了可验证的预测证据，而不仅仅是描述性分析。对于管理者和政策制定者来说，这种方法减轻了处理大型数据集的认知负担。它帮助他们超越单一领域的视野，在功能模块的交叉点发现高潜力机会。最终，这项研究提供了一个强大的工具，用于识别新兴组合并在动态环境中指导资源分配。
后续章节的组织结构如下：第2章回顾相关理论基础；第3章详细介绍了基于语义-结构耦合网络的方法论框架及其回顾性验证机制；第4章通过具体领域的实证分析展示了分析过程和识别结果；第5章深入讨论了研究结果；第6章总结了论文的理论和实践意义、局限性以及未来的研究方向。
章节片段
技术机会的定义
技术机会有多种定义。例如[12]，强调技术机会不是静态的库存，而是通过知识的进步不断“补充和再生”的。随后，许多学者从不同的角度定义了技术机会[13]，将技术机会描述为特定行业或领域内“可利用的技术进步可能性”。在
方法论
所提出的TOI框架包括四个主要阶段。首先，获取数据，涉及检索专利、提取标题和摘要以及预处理原始文本。其次，使用Sentence-BERT和K-Means聚类来构建功能模块，以分组不同的技术主题和元素。第三，建立语义相似性网络并进行社区检测。这一步揭示了语义属性如何与网络结构相互作用，
实证分析
由于人工智能、5G通信和先进材料科学的快速发展，无人水面船（USV）技术已经达到了前所未有的发展潜力。作为智能海事系统的一个组成部分，USV已在各个领域得到广泛应用，包括海洋环境监测、水文测量、海上搜救和自主货物运输[54]。尽管某些USV
解释语义-结构错位
研究结果揭示了一个核心发现：“功能模块边界”（来自文本）与“结构社区边界”（来自网络）之间的不匹配与系统级集成密切相关。这些区域经常产生技术机会。USV网络的可视化和社区检测表明，这种现象——称为“语义-结构错位”——并非随机。
相反，这种错位反映了某种进化逻辑。技术
对理论和实践的启示
本研究的理论和实践贡献在于提出的技术机会识别方法论。
首先，本研究超越了浅层的关键词共现或主题模型。相反，它采用Sentence-BERT（SBERT）在句子级别对专利标题和摘要进行编码。这种方法使向量空间距离更准确地反映了语义相似性。基于此，将专利聚类为功能模块。这创建了一个数据驱动的
CRediT作者贡献声明
Jianguang Sun：方法论、概念化。Yongsheng Zhai：撰写——原始草稿、软件、调查、形式分析、数据管理。Xiangjie Lin：软件、资源、项目管理。Delong Zhang：可视化、验证、监督。Runze Miao：撰写——审阅与编辑、可视化。Mince Li：撰写——审阅与编辑、可视化、验证。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。
致谢
本研究没有从公共、商业或非营利部门的资助机构获得任何特定资助。
Jianguang Sun是中国河北工业大学机械工程学院的教授和高级工程师，同时担任国家工程技术创新方法与实施工具研究中心的首席工程师。他的研究重点在于创新方法论、机电产品创新设计、颠覆性创新技术和技术预测，在学术研究和创新实践方面拥有丰富的经验。
