基于随机块模型与长短期记忆的专利引文网络社区检测与增长潜力预测
数字图书馆
2019-05-01 v1 信息检索
摘要
对专利文献进行评分对技术管理非常有用。然而，传统方法基于静态模型，因此未反映专利所属技术簇的增长潜力。因为即便某专利的簇毫无增长希望，若 PageRank 或其他排名分数较高，我们仍会认为该专利重要。因此，有必要开发引文网络聚类与未来引文预测。在我们的研究中，利用随机块模型（Stochastic Block Model）对专利引文网络进行聚类，旨在使企业管理者与投资者能够评估技术的规模与生命周期。结果我们确认嵌套 SBM 适用于专利引文网络的图聚类。此外，在使用 LSTM 对每个簇的增长潜力进行预测时，获得了较高的 MAPE 值且方向准确率大于 50%。
引用
@article{arxiv.1904.12986,
title = {Community Detection and Growth Potential Prediction Using the Stochastic Block Model and the Long Short-term Memory from Patent Citation Networks},
author = {Kensei Nakai and Hirofumi Nonaka and Asahi Hentona and Yuki Kanai and Takeshi Sakumoto and Shotaro Kataoka and Elisa Claire Alemán Carreón and Toru Hiraoka},
journal= {arXiv preprint arXiv:1904.12986},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1904.12040