融合SVM-LDA与加权相似度的潜在新兴技术识别研究——以人工智能领域为例

在新一轮科技革命和产业变革加速发展的大背景下,如何在新技术不断涌现的技术大海中精准找到和识别出有颠覆性潜力的新兴技术,对于国家、企业参与主体和相关商业投资机构把握科技创新发展趋势和方向、合理配置科技资源、提前进行科技战略规划与技术布局具有重要的意义。本文提出一种基于知识增强SVM-LDA(Support Vector Machine-Latent Dirichlet Allocation)的新兴技术主题识别模型。首先,基于专家小组的先验知识,制定基础技术类别划分标准;其次,将技术类别划分标准作为先验知识输入SVM-LDA模型,得到技术主题聚类结果;再其次,基于类别主题词的加权相似度计算,确定潜在新兴关键技术;最后,以人工智能领域为例进行实证研究。采用本文模型共得到24项潜在新兴技术,主要分布在特种机器人技术、监测预警技术、视频图像处理技术、语音识别技术、自动规划和决策技术以及自然语言处理技术6个大类方向。

文本挖掘在主题发现和相关性评估中的应用——以人工智能和机器人领域的专利为例

人工智能和机器人是当前技术发展的重要领域,专利反映了基础研究和技术创新的进展。将两者结合起来进行学科发现与关联性评价以及演化趋势分析,有利于对知识的挖掘,对于理解科学技术的互动与渗透、识别技术机会、发现潜在商业机会具有重要意义。在LDA算法的基础上,通过对专利主题强度和主题内容演变的分析,探索并构建了能够全面揭示专利主题关系的相关进化图。人工智能和机器人专利领域的实证研究表明,该方法能够充分展示领域主题随时间的变化趋势,揭示专利主题之间的相互继承关系。

Artificial intelligence empowering research on loneliness, depression and anxiety-Using Covid-19 as an opportunity

The COVID-19 pandemic has had a profound impact on public mental health,leading to a surge in loneliness,depression,and anxiety.And these public psychological issues increasingly become a factor affecting social order.As researchers explore ways to address these issues,artificial intelligence(AI)has emerged as a powerful tool for understanding and supporting mental health.In this paper,we provide a thorough literature review on the emotions(EMO)of loneliness,depression,and anxiety(EMO-LDA)before and during the COVID-19 pandemic.Additionally,we evaluate the application of AI in EMO-LDA research from 2018 to 2023(AI-LDA)using Latent Dirichlet Allocation(LDA)topic modeling.Our analysis reveals a significant increase in the proportion of literature on EMO-LDA and AI-LDA before and during the COVID-19 pandemic.We also observe changes in research hotspots and trends in both field.Moreover,our results suggest that the collaborative research of EMO-LDA and AI-LDA is a promising direction for future research.In conclusion,our review highlights the urgent need for effective interventions to address the mental health challenges posed by the COVID-19 pandemic.Our findings suggest that the integration of AI in EMO-LDA research has the potential to provide new insights and solutions to support individuals facing loneliness,depression,and anxiety.And we hope that our study will inspire further research in this vital and revelant domin.

中文期刊知识图谱研究范式的优化

在科学知识图谱领域,代表性软件CiteSpace对于期刊数据的分析具有重要价值,但是CiteSpace软件对中文期刊数据的分析仅能完成几类基础聚类和数据分析,如若希望做深入解读就需要对已有中文期刊CiteSpace研究范式进行完善和创新。本研究通过深入分析CiteSpace两篇代表性文献,提取了标准研究范式,从CSSCI收录的文献中梳理出通用的CiteSpace中文期刊研究范式,并将两种范式进行对比,探究中文期刊研究范式需要优化之处。基于此,本研究通过使用自然语言处理技术(简称“NLP”)主题挖掘的典型模型Latent Dirichlet Allocation(简称“LDA”)处理论文摘要数据,通过这种技术完善文献检索策略和文献数据处理方法,提出的“优化范式”丰富了中文期刊CiteSpace研究来源数据,增强了中文期刊CiteSpace研究内容的深度和系统性,并通过对国内人工智能在教育领域应用的研究进一步验证了该“优化范式”的可操作性,揭示出国内人工智能在教育领域应用研究的前沿主要聚焦于智慧学习环境的构建和相关技术支持。在与国内CSSCI同类型文献的对比中,“优化范式”在数据收集、数据分析、数据解读三个阶段的表现均优于传统中文期刊CiteSpace研究范式。