技术融合机会发现方法、测度指标及框架构建综述与展望☆

牛子彦; 曾静静

doi:10.15978/j.cnki.1673-5668.20241012

科学观察 ›› 2025, Vol. 20 ›› Issue (2) :1-14 DOI: 10.15978/j.cnki.1673-5668.20241012

前沿观察

技术融合机会发现方法、测度指标及框架构建综述与展望^☆

牛子彦 ¹^,²^,³ ,
曾静静 ¹^,²^,³^,^*

作者信息 +

Synthesis and Prospects of Technological Convergence Opportunity Discovery Methods, Measurement Indicators and Framework Construction

Niu Ziyan ¹^,²^,³ ,
Zeng Jingjing ¹^,²^,³^,^*

Author information +

文章历史 +

摘要

[目的/意义] 技术融合是创新的关键方式和驱动力，运用有效的知识挖掘方法可以提升技术利用与创新水平。通过调研和梳理文献，对技术融合分析方法的研究进展、趋势和面临挑战进行回顾与总结。[方法/过程] 比较和述评了基于引用关系、专利共分类和语义的3类技术融合机会发现方法，构建技术融合测度与预测的一般框架，揭示当前研究的现状与不足，并提出未来研究方向。[结果/结论] 技术融合分析呈现出复合型方法应用、指标向量多元化和流程自动化等趋势，建议未来在该领域的研究中优化监测框架，并开展基于TOD和系统论视角的技术融合研究。

Abstract

[Objective/Significance] Technology convergence is a key approach and driving force of innovation, and the use of effective knowledge mining methods can enhance technology utilization and innovation. Through literature review,the research progress,trends and challenges of technology convergence analysis methods are reviewed and summarized. [Method/Process] Three types of technology convergence opportunity discovery methods based on co-categorization, referential relations and semantics are compared and reviewed, a general framework for technology convergence measurement and prediction is constructed, the current status and shortcomings of current research are revealed, and future research directions are proposed. [Results/Conclusions] Technology convergence analysis shows the trend of composite method application, indicator vector diversification and process automation, etc. It is suggested that the monitoring framework should be optimized in future research in this field, and technology fusion research based on TOD and system theory should be carried out.

Graphical abstract

关键词

技术融合 / 研究方法 / 测度指标 / 专利分析

Key words

technology convergence / research methods / measurement indicators / patent analysis

引用本文

引用格式 ▾

牛子彦, 曾静静. 技术融合机会发现方法、测度指标及框架构建综述与展望^☆[J]. 科学观察, 2025, 20(2): 1-14 DOI:10.15978/j.cnki.1673-5668.20241012

Niu Ziyan, Zeng Jingjing. Synthesis and Prospects of Technological Convergence Opportunity Discovery Methods, Measurement Indicators and Framework Construction[J]. Science Focus, 2025, 20(2): 1-14 DOI:10.15978/j.cnki.1673-5668.20241012

登录浏览全文

4963

注册一个新账户忘记密码

0 引言

根据《全球趋势2040——竞争更为激烈的世界》报告，未来20年技术的发展变革和跨界融合将更加迅速^[1]。科学、技术、市场和产业各层面的交叉融合现象不断扩散并加剧，技术融合已成为普遍存在的创新模式。技术融合作为一种主要的技术机会类型和常见的技术创新方式，其技术机会发现(technology opportunity discovery,TOD)过程实质上是从技术情报中挖掘高价值技术融合机会的分析过程和方法，研究内容包括方法论、框架和指标^[2]。过往研究主要聚焦于技术融合的测度、特定融合技术（如颠覆性融合技术）的识别与关系预测方面，而对于技术融合的特征、影响因素及技术生态系统不同要素的耦合关系等研究的探讨相对不足。根据融合关系构建方式，技术融合研究方法可以分为基于专利共分类、引文分析和语义3类，当前的研究实践广泛使用基于专利共分类的方法，与此同时，学者逐渐重视完善基于语义的方法构建。深入研究技术融合有助于更透彻地理解技术发展的内在逻辑，实现现有技术的创新突破，为应对竞争与机遇的产业决策和战略布局提供重要的风险识别与政策启示。本文梳理并分析了国内外的最新研究成果，归纳技术融合测度与预测的内涵、方法、指标和模型，针对分析方法的现有不足和未来发展方向展开探讨，以期为领域相关研究提供参考和借鉴。

1 技术融合概念界定

1963年，Rosenberg^[3]首次提出技术融合（technological convergence）概念来描述克服不同行业技术障碍的共同技术知识库现象。1978年，研究人员设计融合模型并预言计算机、广播和出版行业将在2000年将几乎完全重叠^[4-5]，成为媒介融合的先驱。Curran等^[6]对融合和趋同进行了区分与定义，将融合过程分为科学、技术、市场和产业融合4个步骤。当创新出现在明确定义的行业边界的交叉点时，就会出现技术融合现象^[7]。技术整合是技术融合最重要的触发和驱动因素，Arthur^[8]认为，技术依靠层级结构和递归性完成组合进化，通过内部替换、结构深化和颠覆性改变发展。同时，市场结构、社会发展、科研团队规模、监管与法律等外部因素共同影响技术融合^[9]。根据发生形式，Lei^[10]将技术融合分为技术替代和技术互补2类；根据技术客体新颖性的创新差异，Hacklin等^[11]将技术融合分类为应用融合、横向融合和潜在融合；根据技术流动的范围，可分为领域内技术融合（同质技术部门中同质技术领域的水平融合^[12]）、领域间技术融合（同质技术部门中异构技术领域的垂直融合^[12-13]）和跨部门技术融合（异构技术部门间的垂直融合^[13]）。

当前，创新活动呈现显著的协同化与分布式特征，各行业和不同国家地区存在技术融合的环境差异格局，各个领域的技术进步速度也存在较大差异。技术融合的研究领域高度聚焦于新兴技术迭代迅速、跨域融合的行业，涵盖信息和通信技术（ICT）、纳米技术与生物技术（NBT）、物联网技术（IoT）和人工智能（AI）等，最显著的技术融合可能是任何领域的信息数字化。本文选取“Technological Convergence”“Technology Fusion”“技术融合”“技术会聚”“技术收敛”作为检索词在Web of Science核心合集和CNKI数据库中人工筛选出2010—2024年具有强相关性的研究论文78篇，利用Citespace进行主题中心性分析，得到技术融合研究领域的主题词包括识别动态模式与融合度、知识流与复杂网络分析、链路预测、框架、大模型、新兴技术等；此外，技术融合的持续演进不断催生新的热点融合领域，人工智能、生物技术、纳米材料、新能源、智慧系统及医疗健康等领域已成为学术与工业届备受关注的技术融合研究对象。

2 技术融合机会发现方法研究现状

技术融合是创新的关键方式和驱动力，加强构建自动化、规范的方法框架进行技术融合机会发现较为迫切。基于文献调研，本文对国内外技术融合研究论文中采用的方法进行对比分析，并构建了一个系统的技术融合预测研究框架。此外，技术表示、重要关系的提取、融合的动态分析、指标体系构建等关键问题将被嵌入主要步骤逐一探讨。

2.1 技术融合测度与识别方法研究进展

在数据驱动的定量研究中，通常利用专利、学术论文、报告和百科超链接等结构或非结构化的数据源来表征技术。从方法论角度，衡量技术融合的方法主要分为基于专利共分类、引文分析和基于语义的分析，本质是衡量技术领域之间的相关性。重要的研究手段涵盖社会网络分析、指标分析和扩散模型等。结合分析方法和指标，定量衡量技术融合关系、识别技术融合的动态扩散模式等，为技术融合研究提供了有力的证据。

2.1.1 基于专利共分类的方法

基于专利共分类的方法是衡量技术融合的主要手段。当2个或多个分类号频繁地被同时分配给同一专利文献时，表明其知识联系足够紧密^[14]，则这些分类号所代表的技术领域间存在技术融合。大部分定量研究选择国际专利分类（international patent classification,IPC）的子类和主组层级作为分析单元。然而，专利分类号并不能完全定义其所属的技术类别，许多生产方法和产品功能涉及跨分类专利领域中的多种技术^[15]，因此，一些研究使用标准产业分类或通过分类号映射关系表识别技术部门间的技术融合。

基于专利共分类的技术融合识别与测度方法种类众多，大多基于统计性描述、共现网络和回归模型设计指标体系，挖掘技术融合的可能性、融合度与演变路径。图1展示了基于专利分类号共现网络测度技术融合的研究步骤，主要包括预处理专利数据构建分类号共现矩阵，挖掘共现网络及其子网络结构的融合特征，表1汇总了基于专利共分类方法下的融合测度指标。在此类技术融合研究中，李昌等^[16]利用回归模型识别动态演化过程中的技术融合生长点。Han等^[17]引入熵和约束力测度每个IPC在融合中的潜力和重要性，辅以关联规则挖掘方法识别重要的融合技术对。Nguyen等^[18]对垂直融合与水平融合分别进行相互作用的分析。王康等^[19]利用突变检测算法将技术融合模式分类为核心型、经典型、饱和型、发展型和突发型。Song等^[20]使用分类号建立有向加权的技术知识流网络。

2.1.2 引文分析方法

在技术融合研究中，专利、论文文献的引用和耦合可以量化跨领域或领域内的知识流动，基于引用-被引关系、书目耦合或同被引关系建立有向加权的技术知识交互（technology knowledge interaction，TKI）网络，衡量技术融合的可能性与动态变化。图2展示了基于专利引文测度技术融合的研究步骤，可以看出，通过构建TKI网络，可系统量化微观层面（如技术间）与宏观层面（如产业、国家间）的知识流动方向和规模，表2汇总了基于引文分析方法的融合测度指标。Geum等^[21]利用知识流衡量不同技术领域融合的可能性，设计方法消除专利年份造成的偏差。Kose等^[30]通过同被引关系计算论文集模块化Q聚类后的簇的融合度，引入分解重叠扇区的概念，改进引文网络的分析。Kim等^[31]生成不同时期的专利引用网络并进行动态分析。王康等^[32]从专利同被引和耦合2个维度进行技术的跨领域融合测度并识别颠覆性技术。

研究表明，专利和论文的引用率随时间的变化没有明显的正比关系。然而，通过比较技术开发与科学研究的水平，可以判断技术融合实现的模式，例如周源等^[33]通过专利和论文数据集识别出新兴技术簇群，并进一步甄别颠覆式技术、渐进式融合和潜在的技术融合驱动3种技术发展模式。

2.1.3 基于语义的方法

基于语义的方法是当前研究者最为关注的优化方向。关键词能够提供更精确的技术描述^[15]，基于语义的方法能够针对专利标题、说明书和权利要求有效挖掘专利文献中的语义属性并对论文主题进行建模。不同技术领域之间语义相似性的增加可以被认为是融合过程的一个指标^[16,40]。技术语义表示方式有关键词簇（语义锚点）、技术主题等^[41]，识别技术语义相关性和提取语义向量的技术方法有PV-DM、Doc2Vec、TF-IDF和主题模型等自然语言处理技术，同时需要嵌入专家智慧来完成关键词的形态分析、标准化、同义词合并和无效词删除等清洗步骤。

基于语义的方法可以与SNA相结合，例如张洋等^[42]实现了专利与论文二源数据的加权网络融合，增加原有共现网络稠度，形成有效互补；Giordano等^[39]应用命名实体识别技术处理论文、专利数据，分析关键词共现网络识别动态技术融合模式。在语义特征向量提取中，Zhu等^[43]提出一种结合图卷积网络与图自动编码器GCN-based GAE的技术融合监控框架，通过分时段提取关键词与专利文本的语义特征向量，基于时空维度计算技术强度坐标，揭示技术融合演化路径。

2.2 技术融合预测方法研究进展

现有研究在预测技术融合模式时主要遵循2种思路，其中，链路预测方法通过学习技术融合网络中节点、图结构的特征表示或权重来捕捉节点之间的关系，挖掘潜在的技术融合目标。关键步骤是将技术特征向量输入链路预测模型进行有效性检验，计算出训练集中给定节点对的概率分数，将得到的预测结果与测试集进行对比得出评价结果^[44]。通过分析新生链接和已存在链接中的强化型、衰退型链接，可以识别渐进性和突破性的技术融合模式^[45]。基于链路预测的研究框架如图3所示，其“链路”来源于技术知识共现、引用2种网络。其他预测方法多以定性、定量结合的方式，如构建以静态指标或增长率为横纵轴的技术融合地图（象限图），划分技术融合的潜伏期、活跃期、成熟期和衰退期等阶段，例如，Ko等^[46]测量技术知识流，绘制不同阶段的技术融合地图并观察融合发展趋势。

目前，链路预测法可分为启发式方法和基于表示学习的方法，常用的相似性指标见表3。启发式方法主要基于网络拓扑结构，计算节点相似性指标的分值并以此作为链接存在的可能性，可使用含权指标进行优化。基于表示学习的方法可分为基于分解、随机游走和深度学习的方法^[47-48]，学习已有的拓扑特征、属性信息、语义特征等向量的权重和贡献。技术融合的链路预测研究采用的机器学习模型涵盖随机森林（RF）、K近邻（KNN）、支持向量机（SVM）、感知机（MP）、逻辑回归（LR）、人工神经网络（ANN）、决策树（DT）等分类算法和LightGBM、XGBoost、CatBoost等梯度提升集成算法。这些方法属于传统的静态预测方法，然而技术融合网络本质上是动态的，其结构和属性会随时间而变化。主流的动态链路预测方法是基于图表示的深度学习算法^[49]。目前,深度学习模型在相关研究中的应用较少，现有实证研究验证有效的代表方法包括动态图卷积神经网络（DGCNN）、图采样与聚合网络（GraphSAGE）及图注意力网络（GAT）等图神经网络算法。

2.2.1 基于共现网络的链路预测方法

目前技术融合研究中最常用的方法是基于专利分类号或专利、论文文献主题词共现网络的链路预测。现有研究多为对单一技术和技术对的融合模式进行分析，多元技术融合预测方法的研究相对空白。例如，Lee等^[51]对关联规则挖掘三元组专利集成的IPC共现网络进行基于相似度指标的链路预测。周洪等^[52]引入单纯复形的数学概念构建高阶IPC共现网络，预测哪些开三角形将经历闭包事件形成闭三角形，从而预测特定领域的三元技术融合。

基于语义的链路预测需要生成节点的语义特征。例如，Kim等^[40]提取IPC语义向量，识别技术语义相关性，使用6个文献计量指标和4种机器学习验证模型预测新的融合性。Park等^[53]将专利和媒体数据集转化为共现矩阵，使用GCN建模邻接矩阵和特征矩阵进行机器学习链路预测。刘俊婉等^[54]使用LDA主题模型方法生成关键词共现矩阵，进行基于相似度指标的链路预测。

研究者逐渐重视时间维度特征向量的挖掘，充分利用时间信息以提高预测性能。例如，许杰等^[55]引入时间维度信息，基于DySAT模型建立时序动态技术融合预测框架。李倩^[45]将3种时间特征作为节点的属性纳入GraphSAGE模型训练，获得链接预测后的加权IPC共现图并进行技术组合链接变化分析。

2.2.2 基于引文网络的链路预测方法

基于专利共分类的方法能够监控融合动态，但研究大多集中于无向无权重的共现网络上。知识流动应当存在于：1）2个IPC相似相关；2）IPC对之间还没有知识流动，或只存在一个方向^[34]。引文网络可以视为有向加权图，边权表示引用强度，通过预测潜在技术知识流的方向、类型和强度来确定融合的技术机会。Park等^[56]构建了专利引文网络及其潜在网络预测技术知识流的变化方向和类型。Kim等^[57]开发专利引用矩阵，使用神经网络预测融合状态，采用依赖结构矩阵对多技术融合的依赖关系进行建模。翟东升等^[34]构建IPC引用网络，使用3个特征向量训练基于SVM的未来链接预测模型，使用8个含权拓扑特征向量训练基于线性回归的链接边权预测模型，确定多技术融合创新的技术机会。

2.3 现有研究方法述评

在当前的技术融合研究中，从技术域层面（如技术领域间或领域内的融合前景）到技术层面（如挖掘关键融合技术及其发展模式）的机会发现普遍采用复杂网络分析与机器学习算法的协同框架，以实现多粒度技术关联特征的提取与推演。专利和论文信息的共现、引用网络可以用于微观和宏观的组合分析，这2类方法已经得到充分讨论并趋于成熟，基于语义的方法研究仍处于新兴阶段。本文将基于专利共分类、引用关系和语义的3类方法及其优缺点进行总结，结果见表4。

随着实际需求的不断变化，技术融合机会发现的流程和监测系统的开发方法逐渐被优化并形成体系，但仍需要更多的研究案例辅以验证和改进。观察、比较研究方法结果表明，技术融合的现有研究在技术表征、指标构建和方法创新3个方面呈现以下特点。

1）技术知识挖掘的细粒度提高，由单一的技术表征拓展至二源、多源异构的数据集，充分利用技术与科学的同源性，以提高研究结果的可靠性。研究者开始重视基于语义的知识挖掘方法，并嵌入技术专家领域知识，以克服简单文献计量分析的局限性。

2）目前，技术融合研究的指标体系建设尚缺乏科学、规范化的标准，且多采用数量和维度较少的静态指标对专利知识网络进行测度，机器学习特征向量的选择较单一。对识别融合演化模式的动态指标开发尚不足，使得网络分析和语义分析对信息利用不全面；对技术知识流有向网络的开发不足，缺乏对融合过程中不同阶段关系相互作用的研究。

3）技术融合研究多使用优势互补的复合型方法，但方法论仍有待进一步完善。从分析对象的角度，现有研究侧重对单一技术和技术对的融合模式进行分析，缺乏有效且系统的研究方法来挖掘多元技术融合关系；从研究内容的角度，多聚焦于对过去融合模式的解释，缺乏对预测方法的探索，其中链路预测多基于专利共分类，需要探索新方法或新视角，另外，学习大模型的“黑箱”性质使预测过程可解释性低；从技术机会发现的角度，传统的TOD方法在技术融合研究中的应用仍处于起步阶段。

3 总结与展望

技术发展的趋势主要表现为新一代信息技术、新能源、新材料和生物技术之间的深度融合，产业之间的边界日益模糊、信息化与工业化的深度融合、大规模的集成重组不断推动新技术的迭代更新^[65]。对于大多数决策者而言，技术融合的速度和突发性往往使制定适当和及时的战略响应变得具有挑战性^[66]。因此，及早发现高价值技术融合关系、挖掘潜力技术领域，对国家创新体系建设、增强关键核心技术竞争力至关重要。

技术融合研究的整体趋势有多源异构数据的组合分析、指标体系和特征向量的具体化和多元化、分析流程的自动化以及多角度挖掘技术融合视角下的技术机会等。现有研究为技术融合领域的未来发展提供了清晰具体的指导和启示，考虑到当前研究的局限性，本文提出未来展望：

1）优化自动或半自动化的技术融合监测框架，对技术融合模式进行系统性、连续性及全面性挖掘。强化与大模型的协同应用，通过提升预处理能力，优化文本与图挖掘方法，融合时序特征等途径，共同提高图数据的特征学习和表示能力、模型性能和泛化能力，实现多元技术融合关系的动态识别与预测。此外，技术融合研究可以借鉴其他传统TOD方法，例如“主语—行为—宾语”(SAO)识别技术、生成式拓扑映射（GTM）等。

2）拓展TOD视角下的技术融合研究。构建技术攻关体系，实现对识别、评估、预测和异常状态预警等任务的支持。例如，通过异常检测与技术地图等手段跟踪和预测新兴技术、颠覆性技术与关键核心技术的融合动态，识别技术机会的多种模式以及发现融合“弱信号”等。

3）从系统论的视角深入理解技术融合的本质和规律。将技术创新理论、TRIZ理论等研究成果应用于技术融合研究，以揭示产业、技术融合的发展机理。例如，参与技术成熟度与系统功能的评估，重视知识要素结构和技术系统结构的研究，以探索技术融合的内在复杂性^[67]，推动技术发展的跨领域合作与技术的整合创新。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Global trends 2040: a more contested world[EB/OL]. (2021-04-08)[2024-10-01]. https://www.dni.gov/index.php/gt2040-home/gt2040-media-and-downloads.

[2]	Yoon B, Park I, Coh B Y. Exploring technological opportunities by linking technology and products: application of morphology analysis and text mining[J]. Technological Forecasting & Social Change, 2014, 86:287-303.

[3]	Rosenberg N. Technological change in the machine tool industry, 1840-1910[J]. Journal of Economic History, 1963, 23(4): 414-443.

[4]	Fidler R. 媒介形态变化:认识新媒介[M]. 北京: 华夏出版社, 2000:260.

[5]	(Fidler R. Changing media patterns: getting to know the new media[M]. Beijing: Huaxia Publishing House, 2000: 260.)

[6]	Dubberly H. Extending Negroponte's model of convergence.[J]. Interactions, 2011, 18(5):74-79.

[7]	Curran C S, Leker J. Patent indicators for monitoring convergence: examples from NFF and ICT[J]. Technological Forecasting & Social Change, 2011, 78(2):256-273.

[8]	Hacklin F, Marxt C, Fahrni F. Coevolutionary cycles of convergence: an extrapolation from the ICT industry[J]. Technological Forecasting & Social Change, 2009, 76(6):723-736.

[9]	Arthur W B. The nature of technology[M]. NewYork: Free Press, 2010: 246.

[10]	Curran C S. The anticipation of converging industries: a concept applied to nutraceuticals and functional foods[M]. New York: Springer, 2013: 255.

[11]	Lei D T. Industry evolution and competence development: the imperatives of technological convergence[J]. Technology Management, 2000, 19(7/8):699-738.

[12]	Hacklin F, Raurich V, Marxt C. How incremental innovation becomes disruptive: the case of technology convergence[C]// 2004 IEEE International Engineering Management Conference. Singapore: IEEE, 2004: 32-36.

[13]	Kim Y J, Lee D H. Technology convergence networks for flexible display application: a comparative analysis of latecomers and leaders[J]. Japan and the World Economy, 2020, 55(3):101025.

[14]	Jae C, Seongkyoon J, Kyunam K. A study on diffusion pattern of technology convergence: patent analysis for Korea[J]. Sustainability, 2015, 7(9):11546-11546.

[15]	Stefano B, Francesco L. Knowledge-relatedness in firm technological diversification[J]. Research Policy, 2003, 32(1):69-87.

[16]	Concept of a technology classification for country comparisons[EB/OL]. (2009-03-06)[2024-10-01]. https://www.wipo.int/edocs/mdocs/classifications/en/ipc_ce_41/ipc_ce_41_5-annex1.pdf.

[17]	李昌, 周锦锦, 杨中楷. 动态演化过程视角下技术融合生长点识别研究[J]. 图书情报工作, 2022, 66(7):11.

[18]	(Li C, Zhou J J, Yang Z K. A study on the identification of growth points of technology convergence from the perspective of dynamic evolutionary process[J]. Library and Intelligence Work, 2022, 66(7):11.)

[19]	Han E J, Sohn S Y. Technological convergence in standards for information and communication technologies[J]. Technological Forecasting & Social Change, 2016, 106:1-10.

[20]	Nguyen N U P, Moehrle M G. Combining the analysis of vertical and horizontal technology convergence: insights from the case of urban innovation[J]. IEEE Transactions on Engineering Management, 2021, 99:1-14.

[21]	王康, 陈悦. 基于突变检测的技术融合前沿及其演进分析:以生物芯片专利为例[J]. 情报杂志, 2021, 40(7):8.

[22]	(Wang K, Chen Y. Frontiers of technology convergence based on mutation detection and its evolutionary analysis:an example of biochip patents[J]. Intelligence Journal, 2021, 40(7):8.)

[23]	Song C H, Elvers D, Leker J. Anticipation of converging technology areas:a refined approach for the identification of attractive fields of innovation[J]. Technological Forecasting and Social Change, 2017, 116:98-115.

[24]	Geum Y J, Kim C H, Lee S J, et al. Technological convergence of IT and BT: evidence from patent analysis[J]. ETRI Journal, 2012, 34(3):439-449.

[25]	Lee D, Yoo C. Predicting a promising fusion technology in geoscience and mineral resources engineering using Korean patent data[J]. Geosystem Engineering, 2014, 17(1):34-42.

[26]	Kleinberg J. Bursty and hierarchical structure in streams[J]. Data Mining and Knowledge Discovery, 2003, 7(4):373-397.

[27]	李树刚, 刘颖, 郑玲玲. 基于专利挖掘的感知人工智能技术融合趋势分析[J]. 科技进步与对策, 2019, 36(23):8.

[28]	(Li S G, Liu Y, Zheng L L. Analysis of the trend of perceptual AI technology convergence based on patent mining[J]. Scientific and Technological Progress and Responses, 2019, 36(23):8.)

[29]	陈悦, 王康, 宋超, 等. 一种用于技术融合与演化路径探测的新方法:技术群相似度时序分析法[J]. 情报学报, 2021, 40(6):565-574.

[30]	(Chen Y, Wang K, Song C, et al. A new method for technology convergence and evolutionary path detection: a technology cluster similarity time series analysis approach[J]. Journal of Intelligence, 2021, 40(6):565-574.)

[31]	刘颖. 基于图卷积链路预测的无人驾驶汽车技术融合演化研究[D]. 长沙: 湖南大学, 2021.

[32]	(Liu Y. Evolutionary study of driverless vehicle technology convergence based on graph convolutional link prediction[D]. Changsha: Hunan University, 2021.)

[33]	Vincent D B, Renaud L, Etienne L, et al. Fast unfolding of communities in large networks[J/OL]. Journal of Statistical Mechanics: Theory and Experiment. [2024-10-01]. https://arxiv.org/abs/0803.0476.

[34]	夏凡. 新兴产业技术融合方向预测:方法及实证[D]. 哈尔滨: 哈尔滨理工大学, 2021.

[35]	(Xia F. Predicting the direction of technology convergence in emerging industries: methodology and empirical evidence[D]. Harbin: Harbin Institute of Technology, 2021.)

[36]	Burt R S. Structural holes: the social structure of competition[M]. Cambridge: Harvard University Press, 1992:323.

[37]	Kose T, Sakata I. Identifying technology convergence in the field of robotics research[J]. North-Holland, 2019, 146:751-766.

[38]	Kim E, Cho Y, Kim W. Dynamic patterns of technological convergence in printed electronics technologies: patent citation network[J]. Springer Netherlands, 2014, 98:975-998.

[39]	王康, 陈悦. 技术融合视角下基于专利的颠覆性技术识别研究[J]. 情报杂志, 2022, 41(4):29-36.

[40]	(Wang K, Chen Y. Research on patent-based identification of disruptive technologies under the perspective of technology convergence[J]. Journal of Intelligence, 2022, 41(4):29-36.)

[41]	周源, 刘宇飞, 薛澜. 一种基于机器学习的新兴技术识别方法:以机器人技术为例[J]. 情报学报, 2018, 37(9):939-955.

[42]	(Zhou Y, Liu Y F, Xue L. A machine-learning based approach for identifying emerging technologies: an example from robotics[J]. Journal of Intelligence, 2018, 37(9):939-955.)

[43]	翟东升, 刘鹤, 张杰, 等. 一种基于链路预测的技术机会挖掘方法[J]. 情报学报, 2016, 35(10):1090-1100.

[44]	(Zhai D S, Liu H, Zhang J, et al. A technology opportunity mining method based on link prediction[J]. Journal of Intelligence, 2016, 35(10):1090-1100.)

[45]	Jaccard P. The distribution of the flora in the alpine zone[J]. New Phytologist, 2010, 11(2):37-50.

[46]	翟东升, 蔡力伟, 张杰, 等. 基于专利的技术融合创新轨道识别模型研究:以云计算技术为例[J]. 情报学报, 2015, 34(4):352-360.

[47]	(Zhai D S, Cai L W, Zhang J, et al. Research on patent-based technology convergence innovation track identification model:taking cloud computing technology as an example[J]. Journal of Intelligence, 2015, 34(4):352-360.)

[48]	Lee C, Hong S, Kim J. Anticipating multi-technology convergence: a machine learning approach using patent information[J]. Scientometrics, 2021, 126: 1867-1896.

[49]	魏红芹, 周成. 专利间知识流动与技术融合趋势研究[J]. 科技进步与对策, 2018, 35(22):17-22.

[50]	(Wei H Q, Zhou C. Study on trends in inter-patent knowledge flows and technology convergence[J]. Scientific and Technological Progress and Responses, 2018, 35(22):17-22.)

[51]	Giordano V, Chiarello F, Melluso N, et al. Text and dynamic network analysis for measuring technological convergence: a case study on defense patent data[J]. IEEE Transactions on Engineering Management, 2023, 70:1490-1503.

[52]	Kim T S, Sohn S Y. Machine-learning-based deep semantic analysis approach for forecasting new technology convergence[J]. Technological Forecasting and Social Change, 2020, 157:120095.

[53]	吕璐成, 赵亚娟. 基于专利数据的技术融合研究综述[J]. 图书情报工作, 2021, 65(6):138-148.

[54]	(Lü L C, Zhao Y J. A review of research on technology convergence based on patent data[J]. Library and Intelligence Work, 2021, 65(6):138-148.)

[55]	张洋, 林宇航, 侯剑华. 基于融合数据和生命周期的技术预测方法:以病毒核酸检测技术为例[J]. 情报学报, 2021, 40(5): 462-470.

[56]	(Zhang Y, Lin Y H, Hou J H. A technology prediction approach based on fusion data and life cycle: an example of viral nucleic acid detection technology[J]. Journal of Intelligence, 2021, 40(5): 462-470.)

[57]	Zhu C, Motohashi K. Identifying the technology convergence using patent text information: a graph convolutional networks (GCN)-based approach[J]. Technological Forecasting and Social Change, 2022, 176:121477.

[58]	张月霞, 冯译萱. 链路预测的方法与发展综述[J]. 测控技术, 2019, 38(2):8-12.

[59]	(Zhang Y X, Feng Y X. A review of methods and developments in link prediction[J]. Measurement and Control Technology, 2019, 38(2):8-12.)

[60]	李倩. 基于链接预测的技术机会识别方法与应用研究[D]. 上海: 华东师范大学, 2022.

[61]	(Li Q. Research on the methodology and application of technology opportunity identification based on link prediction[D]. Shanghai: East China Normal University, 2022.)

[62]	Ko N, Yoon J, Seo W. Analyzing interdisciplinarity of technology fusion using knowledge flows of patents[J]. Expert Systems with Applications, 2014, 41: 1955-1963.

[63]	李慧, 庞经纬, 孟玮. 基于专利知识流网络和图表示学习的技术机会链路预测研究[J]. 情报理论与实践, 2023, 46(7):107-114.

[64]	(Li H, Pang J W, Meng W. A study of technology opportunity link prediction based on patent knowledge flow networks and graph representation learning[J]. Intelligence Theory and Practice, 2023, 46(7):107-114.)

[65]	Feng J, Chen S. Link prediction based on orbit counting and graph auto-encoder[J]. IEEE Access, 2020,99:1-1.

[66]	罗世杰, 吕文韬, 李凡, 等. 融合拓扑和属性的动态网络链路预测方法[J]. 计算机工程与应用, 2023, 59(5):122-130.

[67]	(Luo S J, Lü W T, Li F, et al. A dynamic network link prediction method fusing topology and attributes[J]. Computer Engineering and Applications, 2023, 59(5):122-130.)

[68]	Choi S, Afifuddin M, Seo W. A supervised learning-based approach to anticipating potential technology convergence[J]. IEEE Access, 2022, 10: 19284-19300.

[69]	Lee W S, Han E J, Sohn S Y. Predicting the pattern of technology convergence using big-data technology on large-scale triadic patents[J]. Technological Forecasting and Social Change, 2015, 100:317-329.

[70]	周洪, 魏凤, 王辉. 基于高阶网络的三元技术融合过程和预测研究[J]. 情报理论与实践, 2023, 46(12): 149-156.

[71]	(Zhou H, Wei F, Wang H. A study of ternary technology fusion process and prediction based on higher-order networks[J]. Theory and Practice of Intelligence, 2023, 46(12): 149-156.)

[72]	Park M, Geum Y. Two-stage technology opportunity discovery for firm-level decision making: GCN-based link-prediction approach[J]. Technological Forecasting and Social Change, 2022, 183: 121934.

[73]	刘俊婉, 龙志昕, 王菲菲. 基于LDA主题模型与链路预测的新兴主题关联机会发现研究[J]. 数据分析与知识发现, 2019, 3(1):104-117.

[74]	(Liu J W, Long Z X, Wang F F. Emerging topic association opportunity discovery study based on LDA topic modeling and link prediction[J]. Data Analysis and Knowledge Discovery, 2019, 3(1):104-117.)

[75]	许杰, 刘俊康, 王崇锋. 基于DySAT模型的时序动态技术融合预测:以中国5G通信领域为例[J]. 情报科学, 2023, 41(6):94-102.

[76]	(Xu J, Liu J K, Wang C F. Timing dynamic technology convergence prediction based on DySAT model:a case study of 5G communication in China[J]. Intelligence Science, 2023, 41(6):94-102.)

[77]	Park I, Yoon B. Technological opportunity discovery for technological convergence based on the prediction of technology knowledge flow in a citation network[J]. Journal of Informetrics, 2018, 12(4):1199-1222.

[78]	Kim J, Lee S. Forecasting and identifying multi-technology convergence based on patent data: the case of IT and BT industries in 2020[J]. Scientometrics, 2017, 111: 47-65.

[79]	Yun J, Geum Y. Analysing the dynamics of technological convergence using a co-classification approach: a case of healthcare services[J]. Technology Analysis and Strategic Management, 2019, 31(12):1-18.

[80]	祝娜, 尹俊华, 翟羽佳. 一种专利共类与深度学习模型结合的技术融合预测方法研究[J]. 情报理论与实践, 2024, 47(1):145-153.

[81]	(Zhu N, Yin J G, Zhai Y J. Research on a technology fusion prediction method combining patent co-classification and deep learning models[J]. Theory and Practice of Intelligence, 2024, 47(1):145-153.)

[82]	Wang J, Lee J J. Predicting and analyzing technology convergence for exploring technological opportunities in the smart health industry[J]. Computers & Industrial Engineering, 2023, 182: 109352.

[83]	刘鑫慧, 康乐乐, 魏铭辕. 基于隐马尔可夫模型的技术融合趋势识别研究[J]. 情报科学, 2024, 42(1):143-152.

[84]	(Liu X H, Kang L L, Wei M X. A hidden markov model-based study on identifying trends in technology convergence[J]. Intelligence Science, 2024, 42(1):143-152.)

[85]	Kim J, Kim S, Lee C Y. Anticipating technological convergence: link prediction using Wikipedia hyperlinks[J]. Technovation, 2019, 79: 25-34.

[86]	苗红, 赵润博, 黄鲁成, 等. 基于LDA-SVM分类算法的技术融合测度研究[J]. 科学学与科学技术管理, 2018, 39(10):13-29.

[87]	(Miao H, Zhao R B, Huang L C, et al. Research on technology convergence measurement based on LDA-SVM classification algorithm[J]. Science and Science and Technology Management, 2018, 39(10):13-29.)

[88]	张金柱, 李溢峰. 专利分类序列和文本语义表示视角下的技术融合预测研究[J]. 情报学报, 2022, 41(6): 609-624.

[89]	(Zhang J Z, Li Y F. A study of technology fusion prediction from the perspective of patent classification sequences and textual semantic representation[J]. Journal of Intelligence, 2022, 41(6): 609-624.)

[90]	在新一轮科技革命和产业变革中发展战略性新兴产业[EB/OL]. [2024-10-01]. http://theory.people.com.cn/n1/2021/0927/c40531-32237668.html.

[91]	(Developing strategic emerging industries in the new round of scientific and technological revolution and industrial change[EB/OL]. [2024-10-01]. http://theory.people.com.cn/n1/2021/0927/c40531-32237668.html.)

[92]	Hacklin F, Wallin M W, Bjorkdahl J, et al. The making of convergence: knowledge reuse, boundary spanning, and the formation of the ICT industry[J]. IEEE Transactions on Engineering Management, 2021, 99:1-13.

[93]	Lai I C, Su H N. Knowledge spectrum explored: understanding source-recipient interactions and their influence on technology convergence[J]. Technovation, 2024, 133: 103000.