基于深度学习与语义关联的关键核心技术-专家组合模型研究

The core technology breakthrough is related to national science and technology security. Enterprises need to break through two major problems of accuracy and interpretability in the analysis of technical requirements and the selection of experts. Therefore, this project integrates deep learning methods and semantic association theory, and conducts the following research: (1) Based on the investigation, combs the expert needs, search and selection mechanism for core technology breakthrough, clarifies the dependence characteristics of technology and experts; (2) Considering technology application and basic research, the BERT (Bidirectional Encoder Representations from Transformers) model is introduced to study the weak supervised semantic extraction of technical terms; (3) On the basis of this, the content features of related technical terms and the external features of expert information are combined to construct a fusion feature space, and the deep neural network is used for the role computation, and then form the technology-expert combination model, the essence of which is to provide basic knowledge base for expert search and selection. This project intends to take the research and development of high-end traffic equipment new materials as the actual scene, with large-scale patents and papers as data-driven, using various methods of machine learning and experts’ knowledge to carry on the model experiments. This project provides theoretical basis and practical guidance for the intelligent and accurate selection of core technology experts, and highlights the significance of the information science discipline as "Detector, Scout and Consultant " for the innovation supporting of scientific and technological in the new era.

关键核心技术攻关是关系国家科技安全的重大现实需求，企业在技术需求解析及专家遴选时需要突破准确性与可解释性两大难题。因此本项目融合深度学习方法与语义关联理论，展开以下研究：梳理面向关键核心技术攻关的专家需求、搜寻与遴选机制，厘清这一过程中技术与专家的深层依赖特性，构建理论模型；兼顾技术应用与基础研究，引入BERT模型进行技术术语关联的弱监督解析研究；在此基础上，将关联术语的内容特征和专家信息的外部特征结合起来，构建融合特征空间，采用深度神经网络进行角色计算，形成技术-专家组合模型，其本质是为专家搜寻、遴选提供基础知识库支撑。本项目拟以高端交通装备新材料研发攻关为实验场景，以大规模专利与论文文本为数据驱动，采用各类机器学习与领域专家智慧结合的方法，进行模型论证。本项目为关键核心技术专家智能精准遴选提供了理论依据与实践指导，彰显了情报学科在新时代对于科技创新的耳目尖兵参谋作用，具有重要意义。

关键核心技术的攻关与突围关乎国家科技安全与自立自强科技强国建设战略。在项目执行过程中，为了更加明确研究的目标性，将基础研究领域的模型界定为“主题-学者”组合模型，将技术研发领域的模型界定为“技术-专家”组合模型。开展了以下七个方面的具体研究：（1）基础理论与机制研究，梳理了专家与技术关联、演化与预测方面的基础理论以及内在机制，形成了系统的理论工具箱；（2）学科层面，调研了当前学科领域主题演化与预测的方法、模型与价值，为后续研究提供知识地图与工具导航；（3）学者层面，构建了以MeSH主题词为最小主题单元的“离散模型”，测度了模型的内在分布规律，并在免疫与微生物领域近万名学者的数据集上展开实证研究；（4）进一步，构建了学者知识演化的“时间序列模型”，引入社会认知理论，采用深度学习预测技术，探究学者知识动态性的内在影响因素，并针对诺贝尔生物医学奖得主以及拉斯克奖得主展开实证研究；（5）此外，构建了学者知识结构的“复杂网络模型”，观测学者知识结构的生长规律，对未来研究主题进行链路预测，并在PKG数据集上的11万名学者展开实证研究；（6）专家层面，分别获取了“冷链关键技术”与“智能制造关键技术”领域的专利数据，通过构造“词向量模型”，设计专家搜寻与匹配方法，结合专家的技术能力分层，展开优化实验；（7）社会层面，特别关注争议性科学突破领域（以心脏干细胞领域为例），专家在颠覆性技术创新中的行为，以及不端行为带来的负面学术与社会效应，提出关键核心领域科学治理的对策建议。通过项目的推进，梳理了基础理论，构造了系列组合模型，开发了不同领域的数据集，为后续研究奠定基础。

内容获取失败，请点击重试