图源摄图网

摘要：由于以技术融合为新代表的创新活动双重嵌入在知识—合作相依网络中，因此精准预见知识网络中知识元素可能的组合关系，并据此助力合作网络中创新主体准确识别潜在合作伙伴，对于高质量实践技术全面融合的创新战略具有重要意义。为弥补现有成果无法同时表示网络空间和时间特征的研究缺陷，采用自编码器结合Transformer深度学习算法的方式，提出动态知识网络链路预测模型E-Transformer-D，构建面向技术融合的知识—合作相依网络动态链路预测框架。在IPC-8对知识元素予以更精细化表征的基础上，借助医疗器械领域的专利数据集对模型予以验证。结果表明，基于Transformer改进的知识—合作相依网络动态链路预测框架不仅可以更高精度地预测知识元素的融合方向，而且能够更具针对性地为合作网络中的创新主体识别潜在的合作伙伴提供有力证据。研究方法与结论既能够在理论层面上丰富技术融合领域的研究内容，又可以实践层面上为创新主体提升技术融合成功率提供科学参考。

关键词：技术融合；知识—合作相依网络；动态链路预测；合作伙伴识别；知识元素组合

一、研究背景与意义

新一轮科技革命和产业变革的深度演进导致技术创新的发展轨迹由传统的专业领域深耕，转变为各学科、各领域间的深度交叉融合。以强化国家科技力量为目标，《“十四五”国家科学技术普及发展规划》等文件多次强调“要坚决推进技术的全面融合，打造创新发展的新格局”，并将其视为技术发展的重要推动力。技术融合（technological convergence）是指隶属不同科技领域的多元化技术组分（知识元素）遵循特定的逻辑（logic）与范式（paradigm），在打破传统分类领域界限的基础上，通过彼此的组合交融产生新技术的技术创新途径。在当前技术明显趋于复杂化和交叉化、但市场需求日渐精细化的环境中，单个主体很难掌控创新所需的全部资源，故合作已成为成功实践技术融合的普遍方式。在此背景下，推行技术的交叉融合需先明确两个关键的原理问题：一是技术融合落实于中观层面创新主体间的创新协作。二是不同技术的融合接口（interface）触发于不同知识要素的交融（fusion）。相应地，适宜的合作伙伴是促进知识跨边界传播和交流的必要条件，而捕捉有融合潜力的要素则成为新技术涌现的先决微观基础。因此，虽然技术融合取决于多种异质性知识元素的“水溶交融”，但其实践（创新实体化）依赖于不同组织间的高效合作。然而，由于技术构成要素的复杂性以及融合过程的速度、突变性、和不可预测性导致融合前景难以被有效预期，加之有限理性和信息不对称导致创新主体难以识别不同学科、领域的合作机会。因此，技术融合面临的重大挑战是如何基于最小化的知识组合成本获取最大的收益：在精准预判哪些知识元素的组合能够创造满足科技价值与市场价值成果的基础上，与适宜的潜在合作伙伴建立有效的社会联系，进而在瞬息万变的创新需求环境中保持足够竞争力的同时。

正因如此，新近文献提出了以知识—合作相依网络为视角，采用链路预测的方法进行技术融合研究的学术倡议。但目前研究三个方面的问题仍需完善：第一，多数成果仍以耦合的方式将知识网络与合作网络处理为同构的复杂系统,鲜有文献真正立足知识网络与合作网络相依但解耦的本质进行链路预测。导致的结果是，所得结论或是因从单一且同质的网络环境中获得而无法探究技术融合对应的知识交互与社会交互本质，或是忽略了另外一种网络完全不同的时空特征及信息内容可能产生的影响而遭受质疑。第二，探究未来联结可能的链路预测相关文献中，尚未解决基于动态网络特征指标和RNN算法均极易出现的“历史偏差”问题。更重要的是，按时间步骤迭代的动态链路预测算法会消耗大量的计算资源，在处理存在大规模数据的相依网络环境中并不适用。第三，在知识—合作相依网络的链路预测的现有成果中,学者普遍采用专利分类号的前4位对专利进行更详细的描述，但这种基于专利“大类”的预测结果不仅仍难以解决刻画粒度问题，而且在专利与专利权人存在多向且时变隶属关系的情境中，也无法准确根据知识网络的链路预测结果精准匹配合作网络中的专利权人，从而直接降低了链路结果在合作关系预测中的应用价值.

二、主要内容

为预测未来技术融合方向和创新主体潜在合作伙伴，本文提出了一种基于E-Transformer-D的全新链路预测框架，主要内容概括如下：

1）构建知识—合作相依网络。从数据库中提取医疗器械领域的专利及专利权人数据，分别建立具有动态演化特征的知识网络与合作网络。进一步地，根据专利权人与知识元素的从属关系（专利权人拥有的专利包含某个IPC-8，则认为专利权人拥有该知识元素），构建可预测技术融合方向的相依网络。

2）构建链路预测模型。鉴于知识网络具有高维稀疏性且动态变化的复杂特征，集成自编码器、Transformer模型和非线性映射器，构建动态知识网络链路预测模型E-Transformer-D。在对数据按照预测周期划分的基础上，分别建立用于训练集和测试集的知识网络，用以完成模型的训练和评估。结果表明，E-Transformer-D在AUC指标上比基于RNN的动态模型提高了15%，与基于机器学习的静态模型相比，提高了25%以上。

3）识别新技术融合方向。将基于数学描述的知识网络输入已完成训练的链路预测模型，获取知识网络的未来链路状态，过滤预测周期内已经出现的融合技术对，揭示可能的新技术融合方向。

4）探寻潜在的合作伙伴。立足知识网络技术融合方向的预测结果，根据知识网络中知识元素（专利IPC代码的前8位）与合作网络中合作关系（专利权人）的从属关系，将知识网络中的技术融合预测结果映射至合作网络，以此精准定位可共同创建新技术的专利权人，明确以技术融合为导向的组织潜在合作关系。

三、主要结论及政策建议

将2017-2021年的知识网络输入完成训练的链路预测模型，得到医疗器械领域的技术融合情况。结果显示，C07D（杂环化合物）的度值最高，说明其是主导未来医疗器械领域技术创新的核心知识元素；C07D、B29K和C08F与B32B0017的预测组合，对应各种杂环化合物、高分子化合物或成型材料与玻璃纤维层状产品的相融，从而预见了医疗器械领域的技术可能呈现新的性能和特点；各种杂环化合物（C07D0223、C07D0313、C07D0513等）与基于聚脲或聚氨酯（如C09D0175）的涂层组合物相结合的融合技术可被广泛应用于制造人工心脏、组织工程支架和药物载体；运动器械（A63B0017）、具有一个或多个不饱和脂肪族自由基的化合物的共聚物或共聚物（C08F0026）、聚氨酯或聚氨酯的组合物（C08L0075）等技术融合方向，这也为医疗器械领域的技术创新提供了新思路。

构建基于知识网络预测结果的合作网络，发现墨尔本大学医学院（UniMelb）、默克公司（德国）（MIKKGY）、阿海珠生物公司（Amydis）等组织在医疗器械领域的技术融合创新中具有极为突出的作用。以墨尔本大学医学院为例，预测结果显示，其潜在合作伙伴包括亨利-杰克逊军事医学促进基金会（HMJFAMM）、奥林巴斯公司（OCPNY）、友山制作所（YUYAMA）和康宁公司（GLW），这不仅符合该学院当前在疫苗、军事医疗、癌症等主攻的科研方向，而且揭示了其未来试图在以人工智能（Artificial Intelligence，AI）为核心，升级内窥镜、配药机器人、细胞培养容器、生物反应器等技术的创新目标。进一步地，预测结果证实，若想实现跨学科、跨领域的技术融合创新，全面推动企业与大学间的合作比以往任何时期均更加重要。

四、边际贡献与未来拓展

与现有文献相比，创新之处主要包括三个方面：第一，本文构建了基于相依网络的技术融合预测研究新框架。借助该框架，本文在准确预测未来技术发展路径的基础上，科学地实现了对合作网络层面潜在合作伙伴的准确识别，不仅填补了现有技术融合研究仅考虑单层网络的设计缺陷，而且能够为创新主体并行推进“知识关联+社会关联”提供理论启示。第二，本文创新性地将能够快速且有区别学习全局时间特征的Transformer引入至技术融合预测的研究中，借助自编码器和非线性映射器的相互结合，弥补了现有链路预测文献无法同时科学反映知识网络时间和空间特征（动态演化）的重要研究不足。第三，本文以专利IPC代码的前8位作为知识元素的代理变量，将基于IPC的知识元素信息内容从“小类”层面扩展到更为精细的“大组”层面，既实现了对知识元素更细颗粒度的概念化，又能更准确地预测基于知识元素信息内容的技术融合趋势。

本文仍然存在一些局限，亦为后续的探索指明方向。首先，合作网络中，以创新协作为目标的社会联系变化同样可能改变知识元素间的融合路径。因此，在后续的研究中，将致力于设计基于知识—合作相依网络双向动态变化与反馈的研究框架，以更深入地实现对技术融合方向的预测。其次，以IPC-8反向捕捉创新主体可能不够精准，后续研究可试图采用IPC的全代码进行知识元素的代理设计，并考虑引入和优化计算机科学的主体定位方法，开发更系统的潜在合作伙伴识别技术。最后，本数据来源相对单一的缺陷，未来可采用更多有价值的信息数据，如专利摘要信息、维基百科数据、发表的论文等，通过进一步完善知识元素的表征途径，提升技术融合的预测效果。

本文摘编自《系统工程理论与实践》2025年,第45卷,第3期论文《基于知识-合作相依网络的技术融合预测与潜在合作伙伴识别研究》（点击题目链接全文）；
作者：赵健宇¹, 博士,教授,博士生导师,研究方向:战略创新管理与技术预测；董振杰¹, 硕士研究生,研究方向:战略创新管理与技术预测；余乐安², 博士,教授,博士生导师,研究方向:预测与评价；袭希³, 博士,博士后,研究方向:技术预测与商务智能；姚欣林⁴，博士,副教授,硕士生导师,研究方向:技术赋能的团队合作与创新
      1. 哈尔滨工程大学 经济管理学院, 哈尔滨 150010;
      2. 四川大学 商学院, 成都 610065;
      3. 中国人民大学 信息学院, 北京 100872;
      4. 南开大学 商学院, 天津 300071