琚春華，諸 惠，曹倩雯

(1.浙江工商大學現(xiàn)代商貿研究中心，浙江 杭州 310018；2.浙江工商大學管理工程與電子商務學院，浙江 杭州 310018；3.浙江金融職業(yè)學院電子商務與新消費研究院，浙江 杭州 310018；4.浙江工商大學工商管理學院 (MBA學院)，浙江 杭州 310018)

0 引言

技術創(chuàng)新合作在全球范圍內深入凸顯了知識經濟時代的重要特征，即強調知識流動的重要性[1]。知識隨著技術合作行為在主體間交互，進而重塑主體知識結構，促進技術創(chuàng)新[2]，提升合作主體競爭力。技術創(chuàng)新復雜度日益提升，知識基礎和資源儲備的局限性迫使企業(yè)不得不尋找合作伙伴，以獲取異質性知識和互補性資源，降低創(chuàng)新成本，提高技術創(chuàng)新成功概率，保障自身行業(yè)地位和競爭實力。

數(shù)字技術的發(fā)展拓展了企業(yè)探尋技術創(chuàng)新合作伙伴的范圍，基于互聯(lián)網的企業(yè)交互和知識流動打破地理界限[3]，為企業(yè)開放式創(chuàng)新提供了便利條件。技術創(chuàng)新合作更強調知識的融合和重組，傳統(tǒng)以經驗和合作歷史為軸尋找合作伙伴的方式顯然已經不再適合企業(yè)對多元化知識的需求，廣泛獲取行業(yè)領域內的企業(yè)信息，并加以挖掘，從中選擇適配的企業(yè)開展技術合作，更具現(xiàn)實意義。然而，盡管大數(shù)據為企業(yè)提供足夠的信息資源，但是信息冗余和信息過載讓尋找合作伙伴這一過程異常艱難[4]，信息檢索能力不足加重了企業(yè)獲取完整信息和高價值信息的難度[5]，造成合作錯配，從而影響知識融合的質量，并存在高成本合作的可能性，不利于技術創(chuàng)新。因此，針對技術創(chuàng)新合作需求，對基于數(shù)字化環(huán)境下探索技術創(chuàng)新合作伙伴進行深入研究，能夠提高合作伙伴匹配的準確率，進一步提升技術創(chuàng)新合作績效。

1 相關研究

技術創(chuàng)新合作對企業(yè)的創(chuàng)新績效產生正向影響作用，有利于推動各行業(yè)領域的創(chuàng)新發(fā)展[6-7]。合作推薦的研究起源已久，學術合作、技術合作、產學研合作等都是研究關注的焦點。在開放創(chuàng)新環(huán)境下，企業(yè)需要吸收外部知識資源，減少技術創(chuàng)新的時間跨度、分散創(chuàng)新風險以提升創(chuàng)新績效[8]。因此，企業(yè)技術創(chuàng)新合作伙伴的評估和選擇得到了持續(xù)關注。

1.1 基于多屬性決策的合作推薦

企業(yè)在選擇技術創(chuàng)新合作伙伴時，重點關注潛在合作伙伴的技術特征與技術實力。文本挖掘技術在現(xiàn)有研究中經常用于提取主體的科研成果技術主題[9]，如LDA算法[10]、Word2vec模型[11]、SOA[12-13]、網絡表示學習[14]等，結合K-mean等[15]的聚類算法，能夠有效識別潛在合作伙伴的技術特征，以評估企業(yè)與潛在合作伙伴的技術兼容性。技術實力是企業(yè)選擇技術創(chuàng)新合作伙伴的重要依據，包括技術份額、技術領先地位、技術影響[16]、技術集中度和技術規(guī)模[17]等。另外，與信任相關的指標也被納入合作伙伴選擇的參考因素，如金融資產、無形資產[18]、抗風險能力、互信互通程度、相容性 (文化、管理理念、品牌形象、戰(zhàn)略目標)[19]、國家政策、行業(yè)協(xié)會情況、多維 (制度、地理、技術)臨近[20]、CEO特征[21]等因素，企業(yè)根據自身需求選擇合適的指標對潛在合作伙伴進行科學評價，以選擇有利于技術創(chuàng)新的合作伙伴。

1.2 基于復雜網絡的合作推薦

企業(yè)之間的合作網絡本質上也是一種復雜社會網絡，符合小世界[22]與無標度網絡[23]的性質，將鏈路預測方法引入到復雜網絡模型中，并用于解決合作預測問題，發(fā)現(xiàn)主體之間的潛在合作聯(lián)系[24-26]，更適合候選群體不確定的情況。常用的鏈路預測指標包括Common Neighbors (CN)[27]、Adamic-Adar (AA)[28]、Resource Allocation (RA)[29]、

Leicht-Holme-Newman Local (LHNL)[30]、SimRa-

nk[31]等。學者從構建創(chuàng)新成果合作關系網絡[32]出發(fā)，根據節(jié)點的鄰居和路徑[33]預測節(jié)點未來合作的可能性。為了不斷優(yōu)化合作預測的結果，學者提出結合文獻耦合分析方法[34]，通過挖掘作者的研究方向與內容，在對合作網絡進行鏈路預測的基礎上，綜合分析作者研究內容的相似程度，以修正預測結果[35-36]。為進一步反映技術內容和企業(yè)之間的雙重關系，多層網絡被引入合作預測，從技術角度應用鏈路預測探索組織間的合作潛力[37]。

根據對現(xiàn)有研究的梳理和分析可以看出，目前對企業(yè)篩選合作伙伴的研究已經取得了豐富的成果，但仍然在以下3個方面存在優(yōu)化的空間。①基于多屬性決策的合作推薦方法中，需要對備選合作企業(yè)進行逐一評價，忽略了數(shù)據平臺提供的大數(shù)據所具備的信息價值，容易因信息掌握不足或信息錯誤而疏漏潛在的合作伙伴，推薦的精準度和效率較低；②雖然有學者提出根據創(chuàng)新成果的合作關系，融合鏈路預測與耦合分析方法進行合作關系挖掘[38]，但融合算法多用于科研合作，在向企業(yè)合作推薦遷移過程中的穩(wěn)定性需要進一步驗證；③在推薦指標的選擇中，并未考慮企業(yè)在合作網絡中的位置，而現(xiàn)有研究已經證明，企業(yè)在合作網絡中的位置能夠體現(xiàn)企業(yè)對知識資源的控制能力[39]，相似且合適的網絡位置會正向影響企業(yè)合作的成功率、持續(xù)合作的意愿以及創(chuàng)新績效[40]。因此，本文提出基于多元融合的企業(yè)技術創(chuàng)新合作預測方法，應用大規(guī)模專利數(shù)據，在融合路徑相似性和內容相似性的基礎上，結合企業(yè)節(jié)點在專利合作網絡中的位置相似性，構建潛在合作關系挖掘算法，以提升企業(yè)選擇合作伙伴的效率和適配度。

2 研究思路與方法

主體相似是能夠促進合作并從知識融合、知識吸收、雙方信任等角度提升合作成功率及持續(xù)合作意愿的必要條件[5，41-42]。技術創(chuàng)新合作有別于貿易合作等其他類型合作的重要特征是更為強調基于知識背景的融合與重組，因而，合作主體間知識流動促進創(chuàng)新的機制包含動態(tài)拓撲結構特征和知識內容特征，在預測網絡中各主體未來合作趨勢時，融合主體路徑相似性和技術內容相似性是具備理論依據的。同時，遲嘉昱等[43]證明網絡位置相似性與企業(yè)研發(fā)技術相似性能夠相互作用，進而影響企業(yè)合作創(chuàng)新，而企業(yè)在合作網絡中的位置關系到知識獲取廣度與深度，反映企業(yè)知識地位和知識資源獲取能力，相似的合作網絡位置能夠促進合作雙方達成合作意愿。因此，在路徑相似性和內容相似性的基礎上，融入網絡位置相似性作為決策依據，有助于增加企業(yè)選擇技術創(chuàng)新合作伙伴的適配程度。

綜上分析，本文應用企業(yè)公開發(fā)表的專利數(shù)據，構建基于專利所有權人共現(xiàn)的企業(yè)專利合作網絡，選擇鏈路預測中的Katz指標計算企業(yè)節(jié)點之間的路徑相似性，結合企業(yè)的專利研究內容與方向，使用耦合分析方法計算企業(yè)之間的內容相似性。進一步地，根據企業(yè)在合作網絡中的節(jié)點中心性計算企業(yè)之間的網絡位置相似性，在結合路徑與內容相似性的基礎上引入網絡位置相似性，構建混合預測算法，挖掘企業(yè)之間的潛在技術創(chuàng)新合作關系，為企業(yè)推薦合適的合作伙伴。研究思路如圖1所示。

2.1 企業(yè)路徑相似性計算

本文在路徑相似性預測中采用鏈路預測算法，在構建企業(yè)專利合作網絡的基礎上，選擇基于全局網絡結構的Katz指標作為鏈路預測相似性指標。該指標能夠考慮到兩個節(jié)點企業(yè)之間的全部路徑，從而更加準確地了解兩個節(jié)點合作路徑的相似性，預測精度更高。Katz指標對兩個節(jié)點之間的全部路徑依照不同路徑長度賦予對應的指數(shù)級懲罰機制，最后計算得到兩個節(jié)點之間的所有不同長度路徑數(shù)量的加權和作為節(jié)點vx與節(jié)點vy之間的路徑相似性[44]，計算公式為：

α3(A3)xy+…

(1)

式中，α(0<α<1)是一個用于改變路徑權重的可調節(jié)參數(shù)，A代表該網絡的鄰接矩陣， (An)xy代表在該網絡中節(jié)點vx與節(jié)點vy之間長度為n的路徑數(shù)量，長度越長的路徑對于兩個節(jié)點之間相似性預測的影響程度越小。

2.2 企業(yè)內容相似性計算

技術創(chuàng)新合作伙伴的選擇關注企業(yè)與潛在合作伙伴的知識基礎及技術特征的兼容性。在進行企業(yè)技術創(chuàng)新合作關系的預測挖掘中，企業(yè)技術的研究內容是專利合作網絡中企業(yè)節(jié)點知識屬性的重要表現(xiàn)。本文采用關鍵詞耦合分析方法對企業(yè)技術研究的內容相似性進行計算。為了充分考慮關鍵詞出現(xiàn)的各類情況從而確定企業(yè)的技術內容耦合程度，本文選擇使用TF-IDF算法[45]構建企業(yè)技術特征向量，該方法能夠在考慮關鍵詞重復情況的同時，綜合關鍵詞出現(xiàn)的相對頻次與絕對頻次，得到更精準的企業(yè)技術研究內容，結合余弦相似性作為計算企業(yè)之間技術特征接近程度的方法，從而得到企業(yè)之間技術研究內容相似性。

圖1 研究思路

(1)關鍵詞重要性計算。本文采用TF-IDF方法計算企業(yè)的專利關鍵詞重要程度，計算公式為：

Wxt=TF×IDF

(2)

(3)

(4)

式中，Wxt代表關鍵詞t在企業(yè)x的專利集合中的權重，M代表在企業(yè)x全部的關鍵詞出現(xiàn)的頻次之和，m代表在企業(yè)x全部專利集合中關鍵詞t出現(xiàn)的全部次數(shù)；N代表企業(yè)x的專利總數(shù)，而n代表企業(yè)x的專利中包含關鍵詞t的專利數(shù)量。

(5)

2.3 企業(yè)網絡位置相似性計算

相似的位置獲取知識資源的能力以及擁有知識的水平相似，能夠避免合作雙方對于另一方 “搭便車”的擔心，有利于構建更為堅固的信任關系[46]，增強合作雙方知識共享意愿，進而促進技術創(chuàng)新。因此，本研究考慮企業(yè)在合作網絡中的位置相似性，以修正路徑相似性和內容相似性產生的預測偏差，提高預測結果的精確程度。

在企業(yè)合作網絡中，企業(yè)節(jié)點的度中心性與中介中心性能夠代表企業(yè)節(jié)點在合作網絡中的網絡位置重要性[47]。其中，度中心性表示網絡中與企業(yè)節(jié)點直接關聯(lián)的其他節(jié)點數(shù)量占網絡中所有其他節(jié)點數(shù)量的比值，體現(xiàn)了企業(yè)能在多大的范圍內獲取知識資源，計算公式為：

(6)

(7)

其中，aij表示節(jié)點i和節(jié)點j是否有直接的關聯(lián)關系。如果有，則為1；如果沒有，則為0。N表示網絡中節(jié)點數(shù)量。

中介中心性表示網絡中一個企業(yè)節(jié)點位于其他兩個節(jié)點之間的最短路徑中擔任橋梁的次數(shù)，是企業(yè)接觸重要知識的體現(xiàn)，計算公式為：

(8)

式中，Dxy表示節(jié)點vx到節(jié)點vy的全部最短路徑數(shù)量，Dxy(i)表示從vx到vy的全部最短路徑中經過了節(jié)點i的最短路徑數(shù)量。

為了衡量兩個企業(yè)節(jié)點之間基于中心性的位置相似性，利用企業(yè)節(jié)點在專利合作網絡中的度中心性與中介中心性構建企業(yè)節(jié)點中心性向量，通過計算企業(yè)節(jié)點中心性向量的余弦相似性作為企業(yè)之間融合的網絡位置相似性數(shù)值，計算公式為：

(9)

式中，Lxr與Lyr分別為節(jié)點vx與vy的節(jié)點中心性向量，即Lir= (DCi，BCi)。根據余弦相似性得到的計算結果代表了融合節(jié)點度中心性與中介中心性的網絡位置相似性。

燈草老爹回答說：“太君，燒這三窯瓦我可用心了，坯是最好的坯，柴是最好的柴，火候把得好，出窯的時候，這瓦啊，一敲響當當！”

2.4 混合預測算法的構建

由于節(jié)點網絡位置相似性僅關注節(jié)點的連接數(shù)量和連接地位，與是否在網絡上存在關聯(lián)及研究內容是否相似無關，即便兩個節(jié)點之間不存在路徑或內容上合作的可能性，網絡位置依然可能存在較高的相似性。因此，本文在指標融合過程中，將位置相似性作為后置條件，用于修正推薦列表的排名，提升推薦結果的適配性，融合過程為：首先，根據計算得到融合路徑相似性與內容相似性的企業(yè)合作可能性；其次，為了進一步獲得這些企業(yè)潛在的合作可能性排序，引入網絡位置相似性，確定最終的企業(yè)兩兩合作預測矩陣，為企業(yè)選擇合作伙伴提供推薦，其定義公式為：

SWeight=ωSKatz+ (1-ω)STF-IDF

(10)

SMix=SWeight×SClose

(11)

式中，矩陣SKatz、STF-IDF、SClose分別表示企業(yè)之間的路徑相似性、內容相似性和網絡位置相似性，SWeight為路徑相似性和內容相似性加權后的結果，矩陣SMix表示結合路徑相似性、內容相似性和網絡位置相似性構建的企業(yè)技術創(chuàng)新合作相似性。ω(0<ω<1)是加權算法的可調節(jié)參數(shù)，用于調節(jié)在綜合算法中路徑相似性和內容相似性的權重。為了保證預測結果的準確性，借助算法評價指標AUC指標和F1度量確定加權預測算法中可調節(jié)參數(shù)ω的取值，取AUC指標值最接近1且F1度量值最大時的ω值作為權重。位置相似性的融合選擇相乘計算，即在兩個企業(yè)存在路徑相似性和內容相似性的前提下融入位置相似性，起到后置排序作用。

3 實證研究

3.1 數(shù)據來源與處理

為了驗證本文所提出的合作預測模型的可用性和有效性，選擇聚焦石墨烯行業(yè)獲取相關的專利數(shù)據對模型進行分析驗證。石墨烯在材料學、生物醫(yī)學以及藥物傳遞等各方面具有重要的應用前景，目前對于石墨烯的研究仍然處于初期階段，研發(fā)人員在創(chuàng)新過程中產生豐富的成果，能夠獲取足夠的數(shù)據用于驗證模型的有效性，同時石墨烯領域還存在許多挑戰(zhàn)，技術創(chuàng)新難度大，預測未來合作關系是必要的，符合建立潛在技術創(chuàng)新合作關系挖掘模型的目標。因此，本文選擇石墨烯領域企業(yè)合作申請的專利作為數(shù)據源，以驗證本文所提出的模型是有效且更優(yōu)的。

(1)數(shù)據來源。本文使用的專利數(shù)據來源于德溫特專利數(shù)據庫 (Derwent Innovations Index，DII)，應用關鍵詞 “graphene (石墨烯)”對數(shù)據庫中的專利主題進行檢索，選取時間段為2017—2021內與石墨烯材料主題相關的專利文獻為本研究的研究數(shù)據集，得到專利數(shù)據共79806篇，去除關鍵字段缺失的專利文獻，得到有效專利數(shù)據共71285條。

(2)數(shù)據處理。將數(shù)據集中2017—2021年間的全部專利文獻依照申請日期劃分為兩部分，其中2017—2019年的50468篇專利文獻數(shù)據作為研究模型的訓練集T_1進行挖掘與分析，2020—2021年的20817篇專利文獻數(shù)據作為研究模型的測試集T_2驗證預測結果的準確性。為了篩選核心企業(yè)以簡化后續(xù)研究的計算復雜度，選取在訓練集T_1和測試集T_2中均有發(fā)表專利的企業(yè)作為后續(xù)構建企業(yè)專利合作網絡以及進行企業(yè)專利關鍵詞耦合分析的篩選對象?？紤]到專利數(shù)量過少的企業(yè)在技術創(chuàng)新方面的貢獻較低，本文選擇擁有專利數(shù)量超過5項的企業(yè)作為研究對象，共計611家。其中，我國企業(yè)共352家，占比57.61%，且專利擁有量排名靠前，美國、韓國緊隨其后，分別為125家和71家，占比20.46%和11.62%，與我國共同構成石墨烯領域技術創(chuàng)新的第一梯隊。盡管我國石墨烯行業(yè)相比發(fā)達國家起步較晚，但是隨著 “中國制造2025”國家戰(zhàn)略及石墨烯扶持力度加強，產業(yè)發(fā)展迅速。

為了掌握企業(yè)在石墨烯領域的技術創(chuàng)新實力，本文對各企業(yè)專利數(shù)量進行統(tǒng)計，表1為專利數(shù)量前10的企業(yè)，其中包括中國石油化工股份有限公司、國家電網有限公司、韓國的三星電子等。

表1 石墨烯領域排名前10位的企業(yè)及其專利數(shù)量

3.2 企業(yè)合作網絡構建

本文以兩個企業(yè)共同出現(xiàn)在同一個專利中構建企業(yè)技術創(chuàng)新合作關系矩陣，并依照該矩陣構建企業(yè)合作網絡，網絡中節(jié)點為企業(yè)，連邊為企業(yè)之間的合作關系，由于算法只涉及共同鄰居、企業(yè)技術研發(fā)內容以及合作網絡位置，故合作網絡為無向無權網絡。根據所構建的企業(yè)合作網絡發(fā)現(xiàn)，石墨烯行業(yè)的企業(yè)之間是存在合作的，但是合作網絡較為稀疏，網絡密度僅為0.0577，因此為企業(yè)尋找合適的合作伙伴，促進企業(yè)之間合作，并進一步提升行業(yè)技術創(chuàng)新能力是必要的。

3.3 路徑相似性計算結果

為了計算得到企業(yè)之間的路徑相似性，首先需要確定Katz指標計算公式中的參數(shù)取值。計算不同隨機參數(shù)α取值下的AUC指標并繪制變化曲線，表現(xiàn)不同參數(shù)取值下的路徑相似性模型預測效果，如圖2所示。

圖2 路徑相似性模型中AUC指標變化

當選取可調節(jié)參數(shù)α=0.084847時，路徑相似性模型的AUC指標取值達到最大，即路徑相似性模型預測效果達到最優(yōu)。此時，根據Katz指標計算公式得到的路徑相似性結果見表2。

表2 路徑相似性計算結果 (部分)

3.4 內容相似性計算結果

應用TF-IDF算法確定企業(yè)的關鍵詞向量，以此表示企業(yè)技術創(chuàng)新的研究方向，并且結合空間向量理論，使用余弦相似性公式計算得到企業(yè)之間的內容相似性結果見表3。根據表3的內容相似性計算結果可以發(fā)現(xiàn)，路徑相似性模型并未預測到但在測試集出現(xiàn)的企業(yè)KEPC-C (KOREA ELECTRIC POWER CORP)與企業(yè)DENK-C (TDK ELECTRONICS AG)之間的合作關系，根據內容相似性模型的計算結果可以預測得到。同時，應用兩種模型預測兩個相同企業(yè)之間的合作可能性結果不同，為了構建更加準確的挖掘模型，得到更優(yōu)的預測效果，考慮將路徑相似性與內容相似性加以結合，構建融合的加權預測算法模型，從不同角度對企業(yè)之間的潛在合作關系進行預測。

表3 內容相似性計算結果 (部分)

3.5 融合路徑、內容相似性的計算結果

根據公式 (10)計算融合路徑、內容相似性的企業(yè)合作預測結果，為了確定加權算法中可調節(jié)參數(shù)ω的權重取值，需要依據AUC指標和F1度量評價不同權重取值下加權算法模型的最終預測效果，從而選取效果綜合最優(yōu)的加權算法權重取值。分別計算不同參數(shù)ω取值下的AUC指標和F1度量的數(shù)值，并繪制變化曲線，如圖3所示。由圖3可知，AUC指標隨著加權算法中權重參數(shù)ω的取值增大而改變，當權重參數(shù)取值位于ω=0.5周圍時，AUC指標接近最大值；由圖4可知，F(xiàn)1度量隨著加權算法中權重參數(shù)ω的取值增大而改變，當ω=0.4968時，F(xiàn)1度量達到最大值。因此，綜合考慮AUC指標與F1度量，取ω=0.4968作為加權算法的最終參數(shù)取值，進而得到融合路徑相似性與內容相似性加權的計算結果，見表4。

3.6 融合網絡位置相似性的計算結果

根據表4加權算法的計算結果，能夠得到企業(yè)之間可能存在合作關系的企業(yè)組合，為了提升企業(yè)合作伙伴的適配度，需要綜合考慮企業(yè)在合作網絡中的重要性地位。根據式 (6)～ (9)計算得到企業(yè)之間的網絡位置相似性結果，見表5。

(a)AUC指標變化

(b)F1度量變化

表4 路徑與內容相似性加權的計算結果 (部分)

由表5可知，在網絡位置相似性的計算結果中，盡管兩個企業(yè)之間不存在合作關系，但網絡位置依然有可能存在較大的相似性。可以解釋為，盡管兩個企業(yè)不存在共同鄰居或專利研究方向完全不同，但只要這兩個企業(yè)在各自的合作網絡區(qū)域或研究領域內的重要性相似，那么這兩個企業(yè)就可能具有較高的網絡位置相似性，但并不代表企業(yè)之間會產生合作關系。進一步驗證了將網絡位置相似性作為后置因素用于合作企業(yè)預測的排序是合理的。根據式 (11)計算得到融合路徑、內容與網絡位置相似性的混合預測算法最終結果見表6。

由表6可知，最終混合預測算法的計算結果，以企業(yè)KEPC-C為例，表中顯示它的合作企業(yè)根據可能性由大到小排序依此為KIMA-C (KOREA INST MACHINERY &MATERIALS)、USKK-C (UNIV SUNGKYUNKWAN RES &BUSINESS FOUND)、SNPC-C (CHINA PETROLEUM &CHEM CORP)、UNYS-C (UNIV NEW YORK STATE RES FOUND)、DENK-C (TDK ELECTRONICS AG)以及SGCC-C (STATE GRID CORP CHINA)。觀察比較融入網絡位置相似性前后兩次的排序結果，可以發(fā)現(xiàn)對于企業(yè)KEPC-C的合作企業(yè)排序在融入網絡位置相似性之后企業(yè)USKK-C與企業(yè)SNPC-C的排序發(fā)生了變化。結合表5可知，由于企業(yè)USKK-C與企業(yè)KEPC-C之間的網絡位置相似性較高，因此在融入計算網絡位置相似性之后，企業(yè)USKK-C的推薦排序得到了提升，經驗證發(fā)現(xiàn)在測試集T_2中企業(yè)USKK-C與KEPC-C在2020—2021確實存在專利合作關系，且合作產出的成果更多，驗證了混合預測算法的準確性。

表5 網絡位置相似性計算結果 (部分)

表6 融合路徑、內容與網絡位置的相似性計算結果 (部分)

為了進一步驗證混合算法預測的準確性，分別計算路徑相似性模型、內容相似性模型、加權模型以及混合模型的AUC指標，結果見表7，表明將多元相似性融合后的混合模型相較于單一的路徑相似性模型、內容相似性模型以及簡單結合路徑與內容相似性的加權模型，具有更加準確的合作關系預測結果。

表7 不同預測模型的AUC指標值

進一步地，以企業(yè)KEPC-C為例，使用本文提出的融合模型進行預測，篩選出相似性最高的10個企業(yè)作為推薦合作企業(yè)列表，能夠得到企業(yè)KEPC-C的合作企業(yè)推薦列表，結果見表8。

表8融合模型給出10個預測合作企業(yè)，其中有6家企業(yè)在2020—2021年與該企業(yè)存在專利合作關系，即基于該融合模型對企業(yè)選擇合作伙伴進行推薦，具有一定的準確率，能夠驗證本研究提出的多元融合企業(yè)技術創(chuàng)新合作推薦方法是有效的。另外，由表8可知，應用該融合模型的計算結果，對企業(yè)KEPC-C進行合作伙伴推薦時，企業(yè)SMSU-C的排序為第3名，表明模型計算得到這兩個企業(yè)之間的合作相似性較高，但在測試集中這兩個企業(yè)在2020—2021年間并未產生合作關系。進一步分析兩個企業(yè)的基本信息可以發(fā)現(xiàn)，兩者皆為相同屬地的企業(yè)，但是由于所屬的行業(yè)領域不同并未產生合作，經過本文的相關研究發(fā)現(xiàn)兩企業(yè)之間存在較高的研究合作相似性，可以幫助企業(yè)KEPC-C發(fā)現(xiàn)其遺漏但合適的合作對象，促進其與企業(yè)SMSU-C之間的技術創(chuàng)新合作。

表8 企業(yè)KEPC-C合作企業(yè)預測排序結果

4 討論與總結

本研究提出建立一種融合路徑、內容與網絡位置相似性的混合預測算法，幫助企業(yè)挖掘潛在的技術創(chuàng)新合作關系。與單一相似性指標預測算法相比，本研究提出的混合算法從企業(yè)專利數(shù)據出發(fā)，結合不同方向角度研究企業(yè)之間的潛在合作關系，在提高算法預測結果精度的同時，使算法更具合理性，對于挖掘因客觀條件、知名度、企業(yè)規(guī)模等限制而可能錯失的合作關系效果更佳。通過對石墨烯行業(yè)內企業(yè)合作的預測可以驗證本研究提出的模型在挖掘潛在技術合作關系時具備以下優(yōu)勢。

(1)本文提出的預測方法基于專利數(shù)據挖掘，不受地理位置限制，更有助于避免因地理位置較遠而忽略的合作可能性。以企業(yè)USKK-C與企業(yè)UNYS-C為例，二者在地理位置上相距甚遠，通過本文提出的融合預測方法得出兩企業(yè)之間的潛在合作相似度較高，且在測試集數(shù)據中顯示這兩家企業(yè)在2020—2021年確實產生了專利合作。由此可見，本方法有助于企業(yè)突破地理局限，在更廣泛的區(qū)域內選擇合適的合作伙伴，并借助數(shù)字化的知識流動媒介，合作進行技術創(chuàng)新。

(2)本文提出的預測方法有助于挖掘企業(yè)細小的技術領域，從而促進技術創(chuàng)新合作。對于兩個存在較高合作相似度的企業(yè)，可能因其中的某個企業(yè)主營業(yè)務規(guī)模較大，而被忽略了其他業(yè)務的技術先進性，錯過合作的機會。例如，企業(yè)KEPC-C與企業(yè)SMSU-C之間的合作關系，類似地歸于這類情況。由于SMSU-C (三星)的主營業(yè)務規(guī)模過大，掩蓋了它在其他領域的一些先進技術。通過本文提出的融合預測方法進行預測挖掘，能夠發(fā)現(xiàn)它在一些細小領域的先進技術，這為技術創(chuàng)新合作提供了可能性。

(3)本文提出的預測方法融合了位置相似度，更強調合作企業(yè) “合適”的程度，有助于促進中小企業(yè)之間的合作。無論哪個領域，位于頭部的知名企業(yè)都只是少數(shù)，對于非巨頭企業(yè)而言，選擇合適的合作伙伴更加重要?，F(xiàn)有技術市場存在一些專業(yè)性強，但規(guī)模不大的企業(yè)，能夠作為其他同類型企業(yè)的最優(yōu)合作伙伴，通過相互間的知識融合從而提高創(chuàng)新效率。雖然本文選擇專利數(shù)量較多的企業(yè)進行研究，但是所構建的融合預測方法能夠推廣到各個行業(yè)領域內不同規(guī)模的企業(yè)，從而幫助各類型企業(yè)選擇與自身匹配的合作企業(yè)。

另外，受限于數(shù)據獲取難度，本研究提出的合作挖掘模型仍存在一些不足。例如，除專利合作外，企業(yè)可以通過貿易、人才流動等行為產生關聯(lián)，由此形成隱形的知識流動以促進技術創(chuàng)新，且基于上述關聯(lián)所增加的信任更利于形成合作意向，通過構建更為豐富的關聯(lián)網絡，能夠進一步挖掘可能的技術合作關系?，F(xiàn)有算法在石墨烯行業(yè)的有效性得到了驗證，石墨烯行業(yè)屬于技術密集型行業(yè)，技術創(chuàng)新成果豐富，而對于技術創(chuàng)新成果較少的行業(yè)，如何應用小樣本預測合作機會，是未來可以進一步研究的方向。