{"product_id":"数智赋能下技术挖掘的新理论与新方法研究","title":"数智赋能下技术挖掘的新理论与新方法研究","description":"\u003cbr\u003e\u003cstrong\u003e内容简介\u003c\/strong\u003e\u003cbr\u003e数智赋能技术挖掘将大数据、人工智能、深度学习、自然语言处理等一系列“数智技术”拓展、应用和改进到技术挖掘中，提高多种技术挖掘任务的准确性、可解释性和多样性，创新技术挖掘的研究理论和方法，支撑需求驱动的管理决策向数智驱动的管理决策转变。目前，技术挖掘的方法和技术已经取得一定进展，但仍存在一些问题需要通过数智赋能形成新理论与新方法来解决，以提升技术挖掘的效果，使技术挖掘更加准确，更能适应时代需求，更好地提供决策支持服务。这些问题主要包括：对文本信息利用不够全面，不能从细粒度的角度挖掘文本中知识单元及知识间的语义关联；挖掘方法准确性尚需提高，需要结合人工来分析，自动化程度不够，分析效率还需\u003cp\u003e数智赋能技术挖掘将大数据、人工智能、深度学习、自然语言处理等一\u003cbr\u003e系列“数智技术”拓展、应用和改进到技术挖掘中，提高多种技术挖掘任务\u003cbr\u003e的准确性、可解释性和多样性，创新技术挖掘的研究理论和方法，支撑需求\u003cbr\u003e驱动的管理决策向数智驱动的管理决策转变。目前，技术挖掘的方法和技术\u003cbr\u003e已经取得一定进展，但仍存在一些问题需要通过数智赋能形成新理论与新方\u003cbr\u003e法来解决，以提升技术挖掘的效果，使技术挖掘更加准确，更能适应时代需\u003cbr\u003e求，更好地提供决策支持服务。这些问题主要包括：对文本信息利用不够全\u003cbr\u003e面，不能从细粒度的角度挖掘文本中知识单元及知识间的语义关联；挖掘方\u003cbr\u003e法准确性尚需提高，需要结合人工来分析，自动化程度不够，分析效率还需\u003cbr\u003e提升；使用的数据源及方法分析维度较为单一，尚未将多源数据与多种方法\u003cbr\u003e结合以进行全面分析。因此，如何将数智赋能新理论和方法与传统技术挖掘\u003cbr\u003e方法相结合，形成新的研究视角、研究方法及研究框架，从不同层面深度挖\u003cbr\u003e掘潜在知识，从而促进技术创新，辅助管理决策，是当前研究亟待解决的重\u003cbr\u003e要问题。\u003cbr\u003e基于此，本书引入多种数智技术赋能技术挖掘，形成一系列新理论和新\u003cbr\u003e方法，从技术主题演化路径识别、技术主题演化语义关联发现、技术融合关\u003cbr\u003e系预测、技术融合价值评估和新兴技术识别等方面开展系列研究，主要包括\u003cbr\u003e以下内容。\u003cbr\u003e①实体语义表示  技术挖掘：数智赋能下的技术主题演化路径识别（第\u003cbr\u003e3 章）。数智赋能下，知识单元抽取和表示已经从词汇粒度转向更具体的实\u003cbr\u003e体粒度，从浅层语义表示转向深层语义表示。首先，该部分总结“实体语义\u003cbr\u003e表示”赋能技术主题演化路径识别的理论、方法和技术。其次，综述研究基\u003cbr\u003e础，发现实体语义表示能更准确地识别技术主题演化路径，其结果更具可解\u003cbr\u003e释性。最后，设计BiLSTM-CRF 模型抽取专利技术实体，提出基于专利实\u003cbr\u003e体语义表示的主题演化路径识别方法，合并表示形式不同但语义相同的实\u003cbr\u003e体，识别主题之间的消亡、新生、合并、分化和发展等主题演化关系，并在\u003cbr\u003e无人机领域进行实证和可视化分析。数智技术“实体语义表示”赋能技术主\u003cbr\u003e题演化路径识别，能够更准确地识别技术主题演化路径，使结果更具可解释\u003cbr\u003e性，有利于管理人员和科研工作者准确掌握技术更迭演进过程，做出科学\u003cbr\u003e决策。\u003cbr\u003e②实体关系抽取  技术挖掘：数智赋能下的技术主题演化语义关联发\u003cbr\u003e现（第4 章）。数智赋能下，知识关联发现逐渐从词汇外层配对转向词义内\u003cbr\u003e层匹配，从比较笼统的共现关系分析转向更加具体微观的细粒度语义关联发\u003cbr\u003e现。首先，该部分总结“实体关系抽取”赋能技术主题演化语义关联发现的\u003cbr\u003e理论、方法和技术。其次，综述研究基础，发现实体关系抽取能更细粒度地\u003cbr\u003e发现技术主题之间的语义关联，更利于解释演化发生的成因。最后，设计实\u003cbr\u003e体关系抽取方法，研究主题演化语义关系判别指标，提出基于实体关系抽取\u003cbr\u003e的技术主题演化语义关联发现方法，并在无人机领域进行可视化分析，对演\u003cbr\u003e化成因进行解读。数智技术“实体关系抽取”赋能技术主题演化语义关联发\u003cbr\u003e现，深化了主题演化路径研究，有助于发掘技术演化成因，有利于把握技术\u003cbr\u003e演化规律和发展态势，选准优势发展方向。\u003cbr\u003e③复杂网络  技术挖掘：数智赋能下的技术融合关系预测（第5 章）。\u003cbr\u003e数智赋能下，复杂网络能有效融合网络结构与文本内容，使技术融合关系预\u003cbr\u003e测更加全面准确。首先，该部分总结“复杂网络”赋能技术融合关系预测的\u003cbr\u003e理论、方法和技术。其次，综述研究基础，发现复杂网络有利于计算专利分\u003cbr\u003e类间的关联强度，据此能够将专利文本内容更精确地分配给对应的专利分\u003cbr\u003e类，实现更准确的技术融合关系预测。最后，融合多种网络结构和文本特\u003cbr\u003e征，形成多种相似性指标，提出基于复杂网络的技术融合关系预测方法，并\u003cbr\u003e在物联网领域进行了实证分析。数智技术“复杂网络”赋能技术融合关系预\u003cbr\u003e测，能更准确、更全面地预测技术融合可能发生的领域、方向和主题，并使\u003cbr\u003e结果更具可解释性，有利于科研管理人员把握科研领域前沿动态。\u003cbr\u003e④机器学习  技术挖掘：数智赋能下的技术融合价值评估（第6 章）。\u003cbr\u003e技术融合价值评估逐渐从定性评估转向流程化、规范化的智能化定量评估。\u003cbr\u003e首先，该部分总结“机器学习”赋能技术融合价值评估的理论、方法和技\u003cbr\u003e术。其次，综述研究基础，发现机器学习能够融合多种指标，不仅能够判断\u003cbr\u003e哪些技术融合具有价值，还能定量评估价值是多少。最后，构建技术知识流\u003cbr\u003e动网络，设计影响力和成长潜力等指标，提出基于机器学习的技术融合价值\u003cbr\u003e评估方法，并在物联网领域定量评估技术融合价值，对结果进行分析解释。\u003cbr\u003e数智技术“机器学习”赋能技术融合价值评估，能够从多角度出发，综合、\u003cbr\u003e定量地对技术融合价值进行计算，有利于行业研究者综合考量技术融合的经\u003cbr\u003e济价值与技术价值，准确把握研发重点。\u003cbr\u003e⑤深度学习  多源数据技术挖掘：数智赋能下的新兴技术识别（第7\u003cbr\u003e章）。数智赋能下，深度学习能够有效融合多源异构数据并进行深层次语义\u003cbr\u003e表示，使得新兴技术识别和预测更加全面准确。首先，该部分总结“深度学\u003cbr\u003e习”赋能新兴技术识别的理论、方法和技术。其次，综述研究基础，发现对\u003cbr\u003e不同来源、不同类型的数据资源进行融合分析，能更全面地揭示新兴技术的\u003cbr\u003e发展现状及趋势，提高新兴技术识别效果。最后，综合利用论文、专利和行\u003cbr\u003e业报告等多源数据，引入和改进LSTM 深度学习模型预测相关技术的新兴\u003cbr\u003e分数，提出基于深度学习的新兴技术识别方法，并在人工智能领域进行实\u003cbr\u003e证，揭示不同数据源的影响，分析和解释识别结果。数智技术“深度学习”\u003cbr\u003e赋能新兴技术识别，综合考虑多源异构数据，自动学习特征间复杂非线性关\u003cbr\u003e联，形成新兴技术识别方法，能够更准确、更高效地识别新兴技术方向，支\u003cbr\u003e撑科研布局。\u003c\/p\u003e显示全部信息\u003cbr\u003e\u003cstrong\u003e目录\u003c\/strong\u003e\u003cbr\u003e第1 章 绪 论 00111 研究背景  002111 数智技术赋能多学科新的增长点  002112 技术挖掘是推动科技创新的重要力量  003113 数智赋能技术挖掘新的机遇  00612 相关概念界定  007121 数智赋能  007122 专利信息  008123 技术知识单元  009124 技术主题演化  011125 技术融合  012126 技术融合关系价值  013127 多源异构数据融合  014128 新兴技术  015\u003cbr\u003e\u003cstrong\u003e内容简介\u003c\/strong\u003e\u003cbr\u003e数智赋能技术挖掘将大数据、人工智能、深度学习、自然语言处理等一系列“数智技术”拓展、应用和改进到技术挖掘中，提高多种技术挖掘任务的准确性、可解释性和多样性，创新技术挖掘的研究理论和方法，支撑需求驱动的管理决策向数智驱动的管理决策转变。目前，技术挖掘的方法和技术已经取得一定进展，但仍存在一些问题需要通过数智赋能形成新理论与新方法来解决，以提升技术挖掘的效果，使技术挖掘更加准确，更能适应时代需求，更好地提供决策支持服务。这些问题主要包括：对文本信息利用不够全面，不能从细粒度的角度挖掘文本中知识单元及知识间的语义关联；挖掘方法准确性尚需提高，需要结合人工来分析，自动化程度不够，分析效率还需\u003cp\u003e数智赋能技术挖掘将大数据、人工智能、深度学习、自然语言处理等一\u003cbr\u003e系列“数智技术”拓展、应用和改进到技术挖掘中，提高多种技术挖掘任务\u003cbr\u003e的准确性、可解释性和多样性，创新技术挖掘的研究理论和方法，支撑需求\u003cbr\u003e驱动的管理决策向数智驱动的管理决策转变。目前，技术挖掘的方法和技术\u003cbr\u003e已经取得一定进展，但仍存在一些问题需要通过数智赋能形成新理论与新方\u003cbr\u003e法来解决，以提升技术挖掘的效果，使技术挖掘更加准确，更能适应时代需\u003cbr\u003e求，更好地提供决策支持服务。这些问题主要包括：对文本信息利用不够全\u003cbr\u003e面，不能从细粒度的角度挖掘文本中知识单元及知识间的语义关联；挖掘方\u003cbr\u003e法准确性尚需提高，需要结合人工来分析，自动化程度不够，分析效率还需\u003cbr\u003e提升；使用的数据源及方法分析维度较为单一，尚未将多源数据与多种方法\u003cbr\u003e结合以进行全面分析。因此，如何将数智赋能新理论和方法与传统技术挖掘\u003cbr\u003e方法相结合，形成新的研究视角、研究方法及研究框架，从不同层面深度挖\u003cbr\u003e掘潜在知识，从而促进技术创新，辅助管理决策，是当前研究亟待解决的重\u003cbr\u003e要问题。\u003cbr\u003e基于此，本书引入多种数智技术赋能技术挖掘，形成一系列新理论和新\u003cbr\u003e方法，从技术主题演化路径识别、技术主题演化语义关联发现、技术融合关\u003cbr\u003e系预测、技术融合价值评估和新兴技术识别等方面开展系列研究，主要包括\u003cbr\u003e以下内容。\u003cbr\u003e①实体语义表示  技术挖掘：数智赋能下的技术主题演化路径识别（第\u003cbr\u003e3 章）。数智赋能下，知识单元抽取和表示已经从词汇粒度转向更具体的实\u003cbr\u003e体粒度，从浅层语义表示转向深层语义表示。首先，该部分总结“实体语义\u003cbr\u003e表示”赋能技术主题演化路径识别的理论、方法和技术。其次，综述研究基\u003cbr\u003e础，发现实体语义表示能更准确地识别技术主题演化路径，其结果更具可解\u003cbr\u003e释性。最后，设计BiLSTM-CRF 模型抽取专利技术实体，提出基于专利实\u003cbr\u003e体语义表示的主题演化路径识别方法，合并表示形式不同但语义相同的实\u003cbr\u003e体，识别主题之间的消亡、新生、合并、分化和发展等主题演化关系，并在\u003cbr\u003e无人机领域进行实证和可视化分析。数智技术“实体语义表示”赋能技术主\u003cbr\u003e题演化路径识别，能够更准确地识别技术主题演化路径，使结果更具可解释\u003cbr\u003e性，有利于管理人员和科研工作者准确掌握技术更迭演进过程，做出科学\u003cbr\u003e决策。\u003cbr\u003e②实体关系抽取  技术挖掘：数智赋能下的技术主题演化语义关联发\u003cbr\u003e现（第4 章）。数智赋能下，知识关联发现逐渐从词汇外层配对转向词义内\u003cbr\u003e层匹配，从比较笼统的共现关系分析转向更加具体微观的细粒度语义关联发\u003cbr\u003e现。首先，该部分总结“实体关系抽取”赋能技术主题演化语义关联发现的\u003cbr\u003e理论、方法和技术。其次，综述研究基础，发现实体关系抽取能更细粒度地\u003cbr\u003e发现技术主题之间的语义关联，更利于解释演化发生的成因。最后，设计实\u003cbr\u003e体关系抽取方法，研究主题演化语义关系判别指标，提出基于实体关系抽取\u003cbr\u003e的技术主题演化语义关联发现方法，并在无人机领域进行可视化分析，对演\u003cbr\u003e化成因进行解读。数智技术“实体关系抽取”赋能技术主题演化语义关联发\u003cbr\u003e现，深化了主题演化路径研究，有助于发掘技术演化成因，有利于把握技术\u003cbr\u003e演化规律和发展态势，选准优势发展方向。\u003cbr\u003e③复杂网络  技术挖掘：数智赋能下的技术融合关系预测（第5 章）。\u003cbr\u003e数智赋能下，复杂网络能有效融合网络结构与文本内容，使技术融合关系预\u003cbr\u003e测更加全面准确。首先，该部分总结“复杂网络”赋能技术融合关系预测的\u003cbr\u003e理论、方法和技术。其次，综述研究基础，发现复杂网络有利于计算专利分\u003cbr\u003e类间的关联强度，据此能够将专利文本内容更精确地分配给对应的专利分\u003cbr\u003e类，实现更准确的技术融合关系预测。最后，融合多种网络结构和文本特\u003cbr\u003e征，形成多种相似性指标，提出基于复杂网络的技术融合关系预测方法，并\u003cbr\u003e在物联网领域进行了实证分析。数智技术“复杂网络”赋能技术融合关系预\u003cbr\u003e测，能更准确、更全面地预测技术融合可能发生的领域、方向和主题，并使\u003cbr\u003e结果更具可解释性，有利于科研管理人员把握科研领域前沿动态。\u003cbr\u003e④机器学习  技术挖掘：数智赋能下的技术融合价值评估（第6 章）。\u003cbr\u003e技术融合价值评估逐渐从定性评估转向流程化、规范化的智能化定量评估。\u003cbr\u003e首先，该部分总结“机器学习”赋能技术融合价值评估的理论、方法和技\u003cbr\u003e术。其次，综述研究基础，发现机器学习能够融合多种指标，不仅能够判断\u003cbr\u003e哪些技术融合具有价值，还能定量评估价值是多少。最后，构建技术知识流\u003cbr\u003e动网络，设计影响力和成长潜力等指标，提出基于机器学习的技术融合价值\u003cbr\u003e评估方法，并在物联网领域定量评估技术融合价值，对结果进行分析解释。\u003cbr\u003e数智技术“机器学习”赋能技术融合价值评估，能够从多角度出发，综合、\u003cbr\u003e定量地对技术融合价值进行计算，有利于行业研究者综合考量技术融合的经\u003cbr\u003e济价值与技术价值，准确把握研发重点。\u003cbr\u003e⑤深度学习  多源数据技术挖掘：数智赋能下的新兴技术识别（第7\u003cbr\u003e章）。数智赋能下，深度学习能够有效融合多源异构数据并进行深层次语义\u003cbr\u003e表示，使得新兴技术识别和预测更加全面准确。首先，该部分总结“深度学\u003cbr\u003e习”赋能新兴技术识别的理论、方法和技术。其次，综述研究基础，发现对\u003cbr\u003e不同来源、不同类型的数据资源进行融合分析，能更全面地揭示新兴技术的\u003cbr\u003e发展现状及趋势，提高新兴技术识别效果。最后，综合利用论文、专利和行\u003cbr\u003e业报告等多源数据，引入和改进LSTM 深度学习模型预测相关技术的新兴\u003cbr\u003e分数，提出基于深度学习的新兴技术识别方法，并在人工智能领域进行实\u003cbr\u003e证，揭示不同数据源的影响，分析和解释识别结果。数智技术“深度学习”\u003cbr\u003e赋能新兴技术识别，综合考虑多源异构数据，自动学习特征间复杂非线性关\u003cbr\u003e联，形成新兴技术识别方法，能够更准确、更高效地识别新兴技术方向，支\u003cbr\u003e撑科研布局。\u003c\/p\u003e显示全部信息\u003cbr\u003e\u003cstrong\u003e目录\u003c\/strong\u003e\u003cbr\u003e第1 章 绪 论 00111 研究背景  002111 数智技术赋能多学科新的增长点  002112 技术挖掘是推动科技创新的重要力量  003113 数智赋能技术挖掘新的机遇  00612 相关概念界定  007121 数智赋能  007122 专利信息  008123 技术知识单元  009124 技术主题演化  011125 技术融合  012126 技术融合关系价值  013127 多源异构数据融合  014128 新兴技术  015","brand":"当当","offers":[{"title":"Default Title","offer_id":46173081665694,"sku":"9787523510087","price":28.07,"currency_code":"USD","in_stock":true}],"url":"https:\/\/timesbook.com\/products\/%e6%95%b0%e6%99%ba%e8%b5%8b%e8%83%bd%e4%b8%8b%e6%8a%80%e6%9c%af%e6%8c%96%e6%8e%98%e7%9a%84%e6%96%b0%e7%90%86%e8%ae%ba%e4%b8%8e%e6%96%b0%e6%96%b9%e6%b3%95%e7%a0%94%e7%a9%b6","provider":"Timesbook Inc","version":"1.0","type":"link"}