1.技术融合基本理论与方法研究 张静 张志强
虽然学者们对技术融合现象有了较为广泛的认同，但对其概念尚未形成统一的认识，其英文表达方式主要以 technological convergence和 technological fusion 为主，也有文献从对象运动的角度对两者的区别做了辨析。
概念：
融合不同的技术形成占优势的设计
从领域间关系变化的角度来说，融合是指至少两个可辨认的事物走向统一或一致，或不同的技术、设备或产业合并为一个整体
2.基于专利挖掘的感知人工智能技术融合趋势分析 李树刚,刘 颖,郑玲玲
基于关键 技 术 的 共 现 矩 阵 为 n* n对称矩阵,矩阵中每个元素 C ij 代表技术 i 与技术 j 共同出现在同一项专利中的次数[2 4],即两种不同技术共同刻画的融合关系;对角线上的元素代表每项技术单独在专利中出现次数。
ARIMA 模型在时间序列预测方面有着很高的精度,本文采用 5 周期 ARIMA 模型预测技术融合分散度趋势,结果如图 6 所示。
为了准确分析感知人工智能技术融合趋势,本文通过构建 Logisitic、ARIMA 两 大 模 型,分 别 对 感 知 人工智能技术成长趋势及技术融合分散度分钟趋势进行预测分析,并创新性地将技术成长曲线和技术融合分散度整合进技术融合象限图,结果显示:本轮感知人工智能技术正处于技术融合成长期,技术成长曲线增长率与技术融合分散度水平最高,市场中竞争主体数量快速增长;20 1 8-202 1 年将步入技术融合成熟期,此时感知人工智能技术成长曲线增长率有所下降,但由于已形成稳定的技术融合架构,所以技术融合分散度没有显著下降,仍维持在较高水平;202 1 年后技术融合将步入衰退期,技术曲线增长率下降至最低水平,领域中融合的主要技术日渐突出,而部分边缘化技术逐渐退出。
3.基于专利数据挖掘的技术融合识别与技术机会预测研究——以电动汽车产业为例
本文基于专利数据挖掘技术构建了一种技术融合识别预测模型。模型通过Apriori算法构造IPC共现网络，应用Louvain聚类算法将网络划分为不同的技术社群，并基于LDA主题模型发掘各社群的技术主题，通过构建“社群融合潜能”和“技术融合价值”两项指标评估了社群弱关系的融合价值，并将融合价值较高的弱关系组成技术融合预测网络，通过提取主题词来发掘未来的技术机会。本文以电动汽车产业为例对该模型进行了实证。
4.基于专利数据的多技术融合预测与识别：以2020年IT和BT行业为例
然而，以往的研究主要集中在检查过去所采取的收敛路径或当前的收敛状态，而不是预测未来的收敛趋势。此外，很少有研究通过成对分析方法处理多技术融合。因此，本研究旨在提出一种基于专利引用分析、依存结构矩阵和神经网络分析的多技术融合预测方法，该方法比成对融合更现实
LOUVAIN——社交网络挖掘之大规模网络的社区发现算法
第一步，对于所获取的某一领域的专利文献数据集，首先利用 Apriori 算法挖掘专利文本中的 IPC 频繁 2- 项集，并根据频繁 2- 项集构建 IPC 共现矩阵，进而形成 IPC 共现网络。第二步，利用 Louvain 算法将 IPC 共现网络划分成不同的 IPC 技术社群，并通过 LDA 模型挖掘各个社群所隐含的技术主题。第三步，构建“社群融合潜能”评价指标，以评估各社群在未来的融合潜能，识别出最具融合潜能的两个社群；构建“技术融合价值”评价指标，并从融合潜能最高的两社群中识别出具有较高融合价值的弱关系，进而将这些弱关系组成技术融合预测网络，通过挖掘该预测网络的主题词来识别未来的技术发展机会。
社群模块度 Q 等于 0.308 3，Q 值大于0.3，表明该社群结构是显著的。
DSM: 依赖结构矩阵
5.基于专利共类和语义分析的技术融合分析方法及其应用
技术融合分析方法研究对于有效揭示技术发展格局、展现技术融合现状具有重要意义。本文应用专利共类分析、语义分析和聚类分析等方法提出了一套测度技术融合态势的研究方法，该方法通过定义并应用语义距离、融合强度和融合广度等指标，经过规则过滤、语义过滤、聚类可视化等步骤，能够更为有效地识别典型融合关系，进而完成技术融合网络的构建和技术融合程度的测度。基于该方法，本文利用全球 2014-2018 年申请的四方专利家族数据中记载的专利 MC 共类信息，对全球该时间段内的技术融合态势进行了分析，最终聚类得到 172 项融合技术，研究发现生物产业和新一代信息技术产业的融合技术的融合强度更强，新材料产业的融合广度更广。
