基于链路预测的智能纺织品技术融合趋势研究

郑巧巧 虎陈霞 徐茜

摘要：技术融合是传统产业实现技术升级的重要手段。本文基于德温特专利数据库中的15 125项智能纺织品发明专利，运用技术生命周期、社会网络、链路预测等方法，从技术领域发展前景、技术融合应用现状、融合机会预测三个方面，对跨领域技术融合在智能纺织领域的发展现状和趋势进行了深入研究。结果表明：智能纺织领域正处于技术发展成熟期，该领域发明专利预计将达21 667项，发展前景良好;跨领域技术融合在智能纺织领域的应用日益广泛，其中数字计算机是智能纺织领域开展跨领域技术融合的重点，已与家用电器等技术领域建立稳定的融合关系;分层产品、电话和数据传输系统等技术领域在后续的技术创新活动中将扮演重要角色。

关键词：技术融合;智能纺织品;链路预测;技术生命周期;社会网络;德温特专利数据库

中图分类号：F407.81文献标志码：A文章编号： 10017003（2022）06001007

引用页码： 061102

DOI： 10.3969/j.issn.1001-7003.2022.06.002（篇序）

基金项目：作者简介：郑巧巧（1998），女，硕士研究生，研究方向为技术创新与环境管理。通信作者：虎陈霞，副教授，hcx115@163.com。

随着领域间技术交流的持续推进，技术创新逐渐朝着多元化、复合化方向发展，技术融合作为一种能实现多领域技术合作与交流的技术创新方法，其应用的广度与深度正不断加强，为产业技术升级提供了新思路。技术融合这一概念最早由Rosenberg^[1]于20世纪60年代提出，他认为技术融合是指相似的技术和生产流程在不同产业中的应用。在接下来的几十年间，许多学者对技术融合提出了新的见解^[2-4]。后来，技术融合作为一种重要的技术创新手段，在许多产业中得以应用，逐渐成为学者们开展产业技术研究的重点。Gambardella等^[5]曾对电子产业开展研究，得出了技术融合有利于提升产业绩效的结论;Song等^[6]对工业安全领域的技术融合情况进行分析，证实了技术融合是实现工业安全的有效途径;罗恺等^[7]将Latent Dirichlet Allocation（LDA）主题模型与社会网络理论相结合，用以分析关节机器人领域的技术发展现状，最终得出该领域的宏觀、微观技术融合特征。由此可见，技术融合的相关研究对产业技术创新决策具有重要意义。

面对瞬息万变的市场需求，敏锐地感知市场动向是企业获利的关键。而掌握技术融合的发展趋势恰能帮助企业捕捉技术热点并预测潜在的技术融合机会，从而制定出可靠的创新战略。当前主流的定量技术预测方法有两类：一是基于知识单元重组的预测方法;二是基于链路预测和机器学习的方法^[8]。其中链路预测方法的适用范围很广，许多学者都曾将链路预测应用到不同领域的研究中，如刘俊婉等^[9]和雷鸣等^[10]分别将链路预测应用到了深度学习领域和医学领域。而在链路预测算法中，基于相似性的链路预测算法的应用领域是最为广泛的^[11]。

随着第四次工业革命的兴起，传统产业正面临产业升级与技术创新的挑战，亟需相关研究为其指引技术发展方向。纺织业是其中极具代表性的产业。长期以来，中国纺织业凭借产品种类齐全、人工成本较低的优势占据着国际纺织市场的竞争高地，但近年来，由于人口红利消失、制造成本上升等原因，竞争优势逐渐弱化。同时，随着传统纺织品的竞争空间日益缩小，以智能化为导向的智能纺织品备受追捧，使许多纺织企业遇到了技术升级的难关。因此，本研究以纺织业为例，基于智能纺织品专利数据，应用技术生命周期和社会网络理论探究智能纺织领域所处的技术发展阶段及跨领域技术融合的应用现状，进而预测该领域的技术发展前景，最后运用链路预测算法预测智能纺织领域的潜在融合关系，以期为纺织企业的创新决策提供建议。

1 方案设计

1.1 研究思路

首先，应用技术生命周期理论分析专利总量的周期性规律，并判断智能纺织领域所处的技术发展阶段;其次，按照技术生命周期的特点划分数据集，取出各数据集中实现跨领域技术融合的专利的德温特分类代码，并据此绘制共现网络，随后计算各网络的网络整体指标，依据网络整体指标的变化趋势判断跨领域技术融合在智能纺织领域的应用前景;然后，以Area Under Curve（AUC）为标准确定各阶段的最佳相似性指标，并取各阶段中相似度最大的15对技术领域作为该阶段的主要融合关系，通过不同阶段间主要融合关系的差异，判断技术热点的变化;最后，基于最后一阶段的网络信息预测下一阶段可能出现的融合关系。技术路线如图1所示。

1.2 研究方法

1.2.1 技术生命周期

技术生命周期表达了技术发展的周期性特征，包含导入期、成长期、成熟期、衰退期四个阶段^[12]。

当前基于专利信息判断技术生命周期的方法有很多，李春燕^[12]将其归纳为五类：专利指标法、S曲线法、相对增长率法、技术生命周期图法、TCT计算法。其中，S曲线法和TCT计算法为定量研究方法，可以计算出生命周期中的具体数值，但TCT计算法主要用于研究单件专利的技术生命周期，计算技术领域的生命周期时常采用S曲线法。本研究采用S曲线法中的Logistic曲线模型^[13-14]，模型方程为：4EAFA7D6-BE52-47B1-9919-0D0AAEDED6CD

f（t）=k1+a×e^-r×t（1）

式中：f（t）为专利总量;t为时间序列;k、a、r为常数，k为容纳量，表示能达到的最大专利总量;a为曲线的成长率;r为瞬时增长率。

1.2.2 社会网络理论

社会网络理论起始于20世纪30年代，在此后的几十年间，社会网络理论在众多领域得以发展，形成了一套系统的研究方法。社会网络理论以网络的节点及连边为研究对象，能将抽象的关系转化为直观的网络图谱，使关系得以量化，是当前重要的研究方法。本研究选取了平均度、网络密度、平均聚集系数这三个网络整体指标，作为网络宏观分析的依据。

1.2.3 链路预测

链路预测的目的是通过已知的节点和连边信息预测潜在连边形成的可能性。当前研究链路预测的算法有很多，其中，基于局部相似性指标的链路预测算法应用最为广泛且操作更为便捷^[11]。但值得注意的是，局部相似性指标并不唯一，且当同一指标应用于不同数据集时，其精度可能存在差异。所以，为了获得更佳的分析和预测结果，本研究选取了5项相似性指标以供选择，分别是Adamic Adar（AA）^[15]、Common Neighbors（CN）^[16]、Preferential Attachment（PA）^[17]、Resource Allocation（RA）^[18]和Total Neighbors（TN），具体公式如表1所示。

本研究的精度評价指标为AUC，表示预测为正的概率值比预测为负的概率值要大的可能性，即将已有连边记作1，潜在连边记作0，则已有连边构成了正例，潜在连边构成了负例。从正例中取出一条连边，将该连边对应的相似度记作a₁，负例中取出一条潜在连边，将该连边对应的相似度记作a₂，比较两者大小。当a₁>a₂时，记作1分;当a₁=a₂时，记作0.5分;当a₁2

2.4 智能纺织品跨领域技术融合热点与趋势分析

2.4.1 相似性指标评估

本研究选取了5项相似性指标，分别是AA、CN、PA、RA和TN，并分别计算三个网络中已有连边及潜在连边的相似度，然后利用AUC评估5项相似性指标的精度，最后选取各阶段中精度最高的相似性指标用于后续的分析与预测。

由表3可知，本研究选用的5项相似性指标的AUC值都高于0.85，但三个阶段中RA指标的精度均高于其他相似性指标，所以三阶段都将选用RA指标进行分析。

2.4.2 跨领域技术融合热点分析

每阶段选取15对相似度最高的技术领域作为该阶段的主要融合关系（表4），对比不同阶段的主要融合关系的异同，可知产业技术发展过程中技术热点的变化。

由表4可知，T01-X27、T01-X25、T01-W01、T01-W04和X25-X27在三个阶段中都属于主要融合关系，其中前4对技术领域的相似度较稳定，始终维持在较高水平;而X25-X27的相似度总体呈现下滑趋势，可见在后两阶段，纺织产业对X25-X27的关注度有所下降。但整体而言，这些技术领域组合出现的频率仍然很高，企业可继续强化这些技术领域间的合作。P85-T01、A83-T01、T04-W01、T04-X27、T01-T06、A81-A82、W04-X27、S05-W01和F07-T01是仅出现于第一阶段或前两阶段的主要融合关系，说明技术领域间的合作是动态的，存在明显的阶段性差异。同时，由于企业在导入期尚未完全把握市场需求，没有形成完备的技术体系，所以导入期与成长期之间的技术調整更为明显。P21-X27、P21-T01、T01-W05、W01-W04和W01-X27是于第二阶段首次出现在表4中的主要融合关系，其中，前三对融合关系在第三阶段仍然保持着较高的相似度，发展前景良好，企业可以在这些融合关系中投入较多的研发精力;而后两对融合关系在第三阶段的相似度下降明显，鉴于技术创新的风险性，企业应先考虑自身抗风险能力，再考虑是否继续开展相关技术领域的研发工作。第三阶段新增的主要融合关系，如P73-T01、A95-P73、F04-P73，同样面临着机遇与风险并存的局面。

结合表4和表5可以发现，T01（数字计算机）一直是智能纺织领域开展技术创新的重点，并且该领域正不断尝试与其他技术领域建立新的融合关系，尤其是与通讯设备及计算机外围设备相关的技术领域。同时，A83（服装、鞋类）、P21（穿着服装）等技术领域也频繁与其他技术领域建立融合关系，说明智能穿戴设备逐渐成为智能纺织品的重点研发方向。

2.4.3 技术领域融合机会预测

为向企业提供技术创新的新方向，本研究计算了第三阶段中潜在连边的RA值（表6），通过相似度大小判断下一阶段节点间产生新连边的可能性。

由表6可知，在智能纺织领域的后续创新活动中，P73-W05、P73-S05、A83-W01、P73-Q46、P21-P25、A89-W01、A93-T01和P25-X25这几对技术领域间极可能建立新融合关系。其中，P73（分层产品）将尝试与电气医疗设备及基础建设相关的技术领域开展合作。同时，研究发现潜在融合关系中涉及的技术领域大多曾出现在表4中，可见技术融合的热门领域是相对稳定的，当两个技术领域建立融合关系并取得成功后，将尝试与其他技术领域建立联系，有较大的技术发展潜力。本研究还对潜在融合关系中涉及的技术领域进行频数统计（表7），发现P73的频数显著大于其他技术领域，所以P73可能是智能纺织领域下一阶段的研发重点，若尝试建立P73与其他领域间的新融合关系，预计会带来较大的经济价值。

4 结 论

通过运用技术生命周期、社会网络、链路预测等方法对德温特专利数据库中的15 125项智能纺织品发明专利开展研究，分析了智能纺织领域的技术发展前景，以及跨领域技术融合在智能纺织领域的应用现状和技术热点，并预测了下一阶段技术领域间的潜在融合关系，可得到如下结论。

1） 智能纺织领域正处于技术发展成熟期，该领域的发明专利预计将达21 667项，发展前景良好。虽然专利数量的增长速度有所放缓，但每年的专利申请量仍然可观，企业可继续尝试不同技术领域间的合作与交流。

2） 跨领域技术融合在智能纺织领域的应用日益广泛，其中数字计算机是智能纺织领域开展跨领域技术融合的重点，已与家用电器等技术领域建立稳定的融合关系。对于技术发展过程中较为稳定的融合关系，如T01-X27（数字计算机-家用电器）、T01-X25（数字计算机-工业电气设备）等，企业可投入更多的研发成本，强化技术领域合作。

3） P73（分层产品）、P21（穿着服装）、A89（摄影、实验室设备、光学，包括电子照相、热成像用途）和W01（电话和数据传输系统）在后续的技术创新活动中将扮演重要角色，极有可能与其他技术领域形成新融合关系，其中分层产品是实现突破性创新的关键。当然，尝试两个技术领域间的新融合将面临较大的研发风险和市场风险，企业还需要综合考虑自身的发展状况和抗风险能力再做决策。

参考文献：

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

[2]AN O. Green paper on the convergence of the telecommunications， media and information technology sectors， and the implications for regulation towards an information society approach[R]. Brussels： Information Society Project Office Eu， 1997.4EAFA7D6-BE52-47B1-9919-0D0AAEDED6CD

[3]KODAMA F. Technology fusion and the new R & D[J]. Harvard Business Review， 1992， 70（4）： 353-354.

[4]汤文仙. 技术融合的理论内涵研究[J]. 科学管理研究， 2006， 24（4）： 31-34.

TANG Wenxian. Exploration on theory of technology convergence[J]. Scientific Management Research， 2006， 24（4）： 31-34.

[5]GAMBARDELLA A， TORRISI S. Does technological convergence imply convergence in markets？ Evidence from the electronics industry[J]. Research Policy， 1998， 27（5）： 445-463.

[6]SONG B， SUH Y. Identifying convergence fields and technologies for industrial safety： LDA-based network analysis[J]. Technological Forecasting & Social Change， 2019， 138： 115-126.

[7]罗恺， 袁晓东. 基于LDA主题模型与社会网络的专利技术融合趋势研究： 以关节机器人为例[J]. 情报杂志， 2021， 40（3）： 89-97.

LUO Kai， YUAN Xiaodong. A study on the technology convergence trend of patent based on LDA and social network： An example of joint robot[J]. Journal of Intelligence， 2021， 40（3）： 89-97.

[8]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.

ZHANG Yang， LIN Yuhang， HOU Jianhua. Technology prediction method based on data fusion and life cycle： Empirical analysis of virus nucleic acid detection[J]. Journal of the China Society for Scientific and Technical Information， 2021， 40（5）： 462-470.

[9]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.

LIU Junwan， LONG Zhixin， WANG Feifei. Finding collaboration opportunities from emerging issues with LDA topic model and link prediction[J]. Data Analysis and Knowledge Discovery， 2019， 3（1）： 104-117.

[10]雷鸣， 夏梦鸽， 汪雪锋， 等. 基于链路预测的协同药物组合推荐研究： 面向疾病并发症诊疗[J]. 图书情报工作， 2021， 65（12）： 122-129.

LEI Ming， XIA Mengge， WANG Xuefeng， et al. Research on drug combination recommendation based on link prediction for concurrent diseases treatment[J]. Library and Information Service， 2021， 65（12）： 122-129.

[11]李艷丽， 周涛. 链路预测中的局部相似性指标[J]. 电子科技大学学报， 2021， 50（3）： 422-427.

LI Yanli， ZHOU Tao. Local similarity indices in link prediction[J]. Journal of University of Electronic Science and Technology of China， 2021， 50（3）： 422-427.

[12]李春燕. 基于专利信息分析的技术生命周期判断方法[J]. 现代情报， 2012， 32（2）： 98-101.

LI Chunyan. The distinguishing methods of technology life cycle based on patent analysis[J]. Journal of Modern Information， 2012， 32（2）： 98-101.

[13]方曦， 张莉萍. 国内外新能源汽车充电桩技术预测分析： 基于生命周期和国际专利分类号[J]. 科技管理研究， 2021， 41（8）： 148-155.

FANG Xi， ZHANG Liping. Prediction and analysis on new energy vehicle charging pile technology at home and abroad： Based on lifecycle and international patent classification[J]. Science and Technology Management Research， 2021， 41（8）： 148-155.4EAFA7D6-BE52-47B1-9919-0D0AAEDED6CD

[14]殷祚云. Logistic曲線拟合方法研究[J]. 数理统计与管理， 2002（1）： 41-46.

YIN Zuoyun. Study on the fitting methods of Logistic curve[J]. Journal of Applied Statistics and Management， 2002（1）： 41-46.

[15]ADAMIC L A， ADAR E. Friends and neighbors on the web[J]. Social Networks， 2003， 25（3）： 211-230.

[16]NEWMAN M E J. Clustering and preferential attachment in growing networks[J]. Physical Review E， 2001， 64（2）： 025102.

[17]BARABASI A L， ALBERT R. Emergence of scaling in random networks[J]. Science， 1999， 286（5439）： 509-512.

[18]ZHOU T， LV L， ZHANG Y C. Predicting missing links via local information[J]. The European Physical Journal B， 2009， 71（4）： 623-630.

[19]郭欢. 智能纺织品的研究进展及在康复辅具领域的发展前景[J]. 纺织导报， 2020（2）： 81-84.

GUO Huan. Research progress of intelligent textiles and its prospects in the field of rehabilitation assistant devices[J]. China Textile Leader， 2020（2）： 81-84.

Research on the trend of technology convergence for smart textile based on link prediction

ZHENG Qiaoqiao， HU Chenxia， XU Qian

（College of Economics & Management， China Jiliang University， Hangzhou 310018， China）

Abstract：The decreasing demographic dividend and rising manufacturing costs have gradually weakened Chinas competitive advantage in the international textile market， but the rise of smart textiles provides a new opportunity for the development of Chinas textile industry. Technological innovation gradually becomes a key factor affecting the development of the textile industry. In order to meet ever-changing market demands， technological innovation develops in the direction of diversification and compounding. Technology convergence as a technological innovation method that can realize technical cooperation in multiple fields is widely used in the textile field.

In order to help textile enterprises capture technological development hot spots and enhance competitiveness， this research deeply analyzes the application status and the technological development prospect of cross-domain technology convergence in the smart textile field based on 15 125 smart textile invention patents in the Derwent Innovation Index. This paper applies the technology life cycle to judge the development stage of the smart textile field. It takes the stage characteristic of the technology life cycle as the basis for dividing data sets， and extracts Derwent Class Codes of invention patents which have realized cross-domain technology convergence in each data set as the follow-up research data. The co-occurrence network of each data set is drawn based on the social network theory， and the difference between each networks overall network indicators is used as the basis for judging the application prospect of cross-domain technology convergence in the smart textile field. Then， this paper uses the link prediction algorithm based on local similarity index to define the main technology convergence relationships of each stage. The difference of each stages main technology convergence relationships is used to judge the evolutionary trend of technology convergences hot spots， and the value of local similarity index for the last stage is used to predict new technology convergence relationships. Results show that the smart textile field is in a mature stage of technological development with promising development prospects， and the number of smart textile invention patents is expected to reach 21 667. Cross-domain technology convergence is increasingly used in the smart textile field. Digital Computers is the focus of cross-domain technology convergence in the smart textile field， and it has established stable technology convergence relationships with other technical fields such as domestic electric appliances and industrial electric equipment. Enterprises can increase investment to strengthen technology convergence relationships between these technical fields. Layered products， telephone and data transmission systems， etc. will play an important role in subsequent technological innovation activities， and enterprises should fully consider their own development status and anti-risk capabilities before making R&D decisions in these technical fields.

In the information age， in the face of rapidly changing market demands， a keen awareness of market trends can help enterprises seize development opportunities and achieve success. Based on the smart textile invention patents in the Derwent Innovation Index， this paper analyzes the technological development trend of the smart textile field， hoping to provide reference for textile enterprises.

Key words：technology convergence; smart textile; link prediction; technology life cycle; social network; Derwent Innovation Index4EAFA7D6-BE52-47B1-9919-0D0AAEDED6CD