研究背景与问题

随着全球科技创新的加速，颠覆性技术的识别对于把握技术发展趋势和促进产业升级具有重要意义。然而，现有颠覆性技术识别的研究往往存在视角单一、语义挖掘不足、特征融合有限等问题，难以全面准确地捕捉技术变革的前沿动态。因此，本文针对当前颠覆性技术识别中的不足，提出了一种基于离群专利的多源特征视角下的颠覆性技术识别方法。

研究方法

为了解决上述问题，本文提出了一种由离群专利驱动的识别框架。该方法首先融合了SBERT（Sentence-BERT）模型与TF-IDF算法，分别构建专利文本与IPC分类号的多源特征表示。在此基础上，通过深度学习技术对构建的特征进行学习，从而实现颠覆性技术的识别。具体过程如下： 1. 利用SBERT模型对专利文本进行语义嵌入，提取专利文本的深层语义特征； 2. 采用TF-IDF算法对IPC分类号进行特征提取，以反映不同技术领域的分布情况； 3. 将语义嵌入与TF-IDF特征进行融合，构建多源特征表示； 4. 利用深度学习模型对融合后的特征进行学习，识别颠覆性技术。

核心结果

本文提出的方法在多个公开数据集上进行了实验验证，结果表明，与传统方法相比，本文提出的方法在颠覆性技术识别任务上取得了显著的性能提升。具体而言，该方法在准确率、召回率和F1值等指标上均有明显提高，充分证明了本文提出方法的有效性。

结论与意义

本文提出的基于离群专利的多源特征视角下的颠覆性技术识别方法，为颠覆性技术的识别提供了一种新的思路。该方法不仅能够有效解决现有研究视角单一、语义挖掘不足、特征融合有限等问题，而且能够为相关领域的科研人员和产业界提供有益的参考。未来，本文提出的方法有望在颠覆性技术识别、技术预测和产业规划等领域得到更广泛的应用。