面向技术演化的图表示学习用于电网创新隐藏关系发现

Research Square · 2026-11-09 · 预印本

• 一句话结论：研究提示，所提出的PGI-GRL框架在电网创新数据的关系预测与隐藏创新发现任务上优于代表性图嵌入与图神经网络方法。
• 研究设计与做法：研究设计与做法：预印本方法学研究，整合科学论文与专利构建异质创新图，联合学习语义特征、结构依赖与异质关系，并设关系预测模块；在真实电网创新数据上开展链接预测、时间关系预测与隐藏创新发现实验；样本量与随访时长材料未报告。
• 主要结果：主要结果：作者报告该框架在多项任务上一致优于对比方法，但效应量、置信区间与p值材料未报告。
• 机制或解释：机制或解释：作者认为面向技术演化的表示学习可刻画不同创新交互的演化意义，从而捕捉复杂创新演化模式并发现潜在技术组合。
• 局限与边界：局限与边界：为预印本，未经同行评议；数据来源与领域限于电网创新文献与专利，外部效度与跨领域推广材料未报告；利益冲突材料未报告。
• 可否落地：可否落地：证据支持其在电网创新关系发现中的方法学价值，提示可作为数据驱动的技术演化分析工具；用于实际创新决策仍不足以下结论。

🔗 打开原文

Caihua Song, ZiLan He, Zhaoxiong Guan 等

本文摘自《每日前沿研究简报 · 2026-11-11》「信息科学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。