标准合作、专利合作与企业创新绩效——双网络协同的中介作用
这是一篇关于网络嵌入,标准合作,专利合作,双网络协同,创新绩效的论文, 主要内容为全球技术与知识经济的快速发展,促使市场竞争逐渐向以技术为载体的标准化能力的竞争方式转变。技术标准凭借网络外部性、锁定效应及规模经济性等特征成为企业获取竞争优势与超额利润的重要战略工具。而专利是开展创新活动获取经济效益和市场认可的最直接手段。产品复杂性和技术集成性不断提升,使得企业仅依凭一己之力不足以实现标准的重构以及技术的创新提升。因此,各企业之间兴起以联盟的形式聚集产业资源优势,为提高标准化能力与技术集成能力而自发形成标准合作网络与专利合作网络。标准在专利实体化中提供规范保证;专利通过促进技术知识更新,缩短标准制定生命周期。标准与专利的协同突破其各自在传统意义上的固有价值,上升到企业创新发展的战略先导地位,对解决资源分散化问题,加速创新成果的推广至关重要。同一企业在标准合作与专利合作过程中存在大量重叠的合作伙伴,从管理角度而言,网络中重叠的合作关系缩短了文化距离导致的组织设计与战略差异,这使得我们不得不思考,这种趋势是否存在对不同创新成果的交叉影响,以及是否影响了企业创新绩效?而面对这一特殊的联结关系,仅立足于单一的合作网络难以全面解释标准与专利的协同交互对于企业创新绩效的影响作用。基于此,本文从“关系”与“位置”视角切入,在文献梳理和理论研究的基础上,提出三者之间的理论假设并构建理论模型,通过社会网络分析厘清网络指标关系;其次,运用Stata15软件,采取混合回归模型探讨在双网络协同的中介作用下,标准合作、专利合作与企业创新绩效之间的影响机制。研究采取重叠合作伙伴作为双网络协同度的测度,将标准合作网络与专利合作网络联结起来,分析双网络协同对企业创新绩效的影响。并根据样本企业的合作标准与合作专利数量,将企业划分为“高标准合作高专利合作模式”、“高标准合作低专利合作模式”与“低标准合作高专利合作模式”三种多元协作模式,从技术、环境、平台和政策四个维度深入剖析不同模式下企业对标准与专利合作的影响路径,进一步充实文章结论。研究结果表明:(1)标准合作网络集聚系数与企业创新绩效之间存在倒U关系,而专利合作网络集聚系数与企业创新绩效之间不存在显著倒U型关系;(2)标准和专利合作网络结构洞均正向影响企业创新绩效,且标准合作网络结构洞的影响作用高于专利合作网络结构洞;(3)双网络协同度在标准合作网络集聚系数、结构洞对企业创新绩效的影响中起部分中介作用,在专利合作网络结构洞与企业创新绩效之间也存在部分中介作用;(4)“高标准合作高专利合作”模式下,企业倾向于“强强联手”的合作战略,技术与开放的平台建设对企业研发创新的刺激作用最强;“高标准合作低专利合作”模式下,具有强弱关系的中介联结点,政府政策扶持与市场居于重要影响地位;“低标准合作高专利合作”模式下,重点关注技术发展、市场与平台建设。基于上述研究,论文从网络嵌入角度搭建了标准、专利协同与企业创新绩效研究框架,为企业多元创新活动协调与合作伙伴选择提供对策建议,并积极推动标准与专利等创新能力融合,增强企业核心竞争力。
面向症状表型的命名实体抽取方法研究
这是一篇关于症状表型,命名实体抽取,现病史,PubMed,条件随机场(CRF),结构化支持向量机(SSVM),词嵌入,网络嵌入的论文, 主要内容为症状表型(症状体征)是临床数据和医学题录文献数据中重要的实体性信息,是中西医诊断与治疗的主要依据。但医学数据中的症状表型信息往往以自由文本型的临床病历(以主诉和现病史为主要文本内容)和题录文献数据为主要载体,因此,进行症状表型命名实体抽取是利用症状表型信息的首要关键步骤。近年来,面向临床病历的命名实体抽取成为热点方向,但主要相关研究以疾病,药物和临床问题等为主要抽取目标,对更具复杂性的症状表型实体抽取研究仍涉及较少。鉴于症状表型信息在中医诊疗中的重要性,本文结合中医临床病历(以现病史为主)和PubMed题录文献文本开展症状表型命名实体的抽取方法研究,通过构建的较大规模语料集和未标注数据,进行了基于Bootstrapping,分类学习(条件随机场和结构化支持向量机)和特征学习(词嵌入与网络嵌入)等多种方法研究,具体研究工作包括如下三个方面。(1)在人工审核和数据预处理的基础上,构建了包含1200个以现病史为主的中医临床病历标注语料。在此基础上,分别研制了基于Bootstrapping的无监督症状表型实体抽取方法和基于条件随机场(CRF)的命名实体抽取方法,其F1值分别达到64.73%和95.03%,表明CRF基本达到了从临床病历现病史文本中抽取症状表型实体的要求;为测试完全开放性的抽取性能,本文分别构建了不同病种,主诉和现病史,以及首诊与复诊等交叉测试语料,CRF的性能分别达到82%,58.21%和81.18%等,为后续进一步的迁移性命名实体抽取方法研究提供了借鉴。(2)通过引入深度特征表示方法(词嵌入和网络嵌入方法),结合结构化支持向量机(SSVM)与CRF分类模型,整合未标注临床病历数据,研制了多种症状表型实体抽取方法(WENER和GENER方法),WENER方法的F1值分别达到了 98.08%(SSVM)和97.63%(CRF);基于字特征的GENER方法的F1值分别达到88.42%和86.01%,而基于词特征的GENER方法的F1值分别达到了 95.04%和 95.00%。(3)针对医学文献中症状表型实体抽取问题,利用1200条PubMed题录文献数据,应用WENER和GENER方法进行分析实验研究,研究表明,WENER方法的F1值分别达到93.58%和93.23%;GENER方法的F1值分别达到93.57%和92.04%。以上研究表明,基于深度表示的症状表型实体命名抽取方法在未标注语料的整合与性能方面都存在较大优势,已经具备一定的中英文命名实体抽取实用价值。通过整合更大规模的未标注语料,将为各类型医学命名实体的高性能抽取提供技术基础,从而促进大规模医学知识图谱的构建和发展。
基于矩阵分解和网络嵌入联合学习的社会化推荐方法研究
这是一篇关于矩阵分解,社会化推荐,神经网络,网络嵌入的论文, 主要内容为推荐系统是当前缓解信息过载问题的主要手段之一。它为用户筛选掉大量冗余、不相关的数据并从中挑选出有价值的信息,这不仅大幅改善了用户体验,同时也显著地提升了企业的商业收益。协同过滤是搭建个性化推荐系统的关键技术,它着重于通过集体智慧和经验来推断用户对物品的偏好。该技术面临的主要挑战是“用户-物品”交互数据稀疏的问题。现如今社交媒体迅速发展,社交网络中流通着大量与用户兴趣偏好相关的信息。因此,用户社交链接成为稀疏的交互数据的关键补充,使用社交信息的社会化推荐模型可以实现更准确和可解释的推荐。传统的社会化推荐算法只考虑用户的一阶好友,而忽略了用户和他高阶近邻之间的信息传播。网络嵌入技术的流行为社会化推荐系统提供了新思路,它能够保证网络中具有相似结构的高阶近邻在隐空间中也有相似的嵌入。近期涌现出一些结合网络嵌入和矩阵分解的社会化推荐方法。这些方法大多预训练网络嵌入模型然后再把信息传递给下游的矩阵分解,这导致模型无法捕获适用于推荐任务的网络特性。此外,它们只关注于使用社交网络增强用户的特征表示学习,而忽略物品维度的特征表示。针对上述问题,本文提出了两种联合学习矩阵分解和网络嵌入模型的社会化推荐方案。第一种方案通过特征表示对齐的方式,把矩阵分解和网络嵌入模型集成到统一的优化框架。在联合学习的过程中两个任务相互增强,评分信息的监督使得网络嵌入模型学习到的网络特征更适用于推荐任务,而矩阵分解在融合多种信息的情况下也将获得更有判别性的特征表示。此外,显式的社交网络和隐式的“物品-物品”网络被协同使用,以此来同时增强用户和物品的表示学习。在三个公开数据集上大量的对比实验表明,通过特征表示对齐联合学习的方式以及双网协同嵌入都可以大幅提升模型的推荐性能。为了更深层次地建模用户和物品特征表示的交互,并完整地保留网络结构信息以及评分数据中的用户偏好和物品特性,本文提出第二种联合学习方案。该方案在保留适用于推荐任务的网络特性的同时,通过使用评分信息单独训练一部分特征表示的方式保留完整的用户偏好和物品特性。此外,我们使用多层感知器赋予模型非线性来学习用户和物品特征表示的交互。最后,对比最先进的社会化推荐方法的实验结果有力地验证了考虑上述两点的联合学习模型的有效性。
基于结构学习的网络嵌入增强技术研究
这是一篇关于网络嵌入,网络结构学习,图节点分类的论文, 主要内容为网络嵌入,又称网络表示学习,在社交网络、推荐系统、知识图谱、自然语言处理等领域都有着广泛的应用。典型的网络嵌入技术以应用中的网络结构等信息为输入,通过嵌入模型获取网络节点的低维特征,基于这些低维特征可以方便的进行如节点分类、聚类等机器学习任务。现实世界的网络结构数据往往存在各种缺陷,如网络结构中边的遗失、噪音等问题,已有的网络嵌入模型被应用在具有缺陷的网络结构数据上时往往效果大打折扣。目前的网络嵌入工作鲜有考虑网络结构数据本身的缺陷问题。本文工作针对网络嵌入中数据存在的诸如边缺失、稀疏、错误等网络结构缺陷问题进行研究,提出一种迭代式方法进行网络结构学习,从而提高网络嵌入的效果。具体而言,本文工作的主要内容包括:1.针对存在边缺失缺陷的网络结构,提出一种迭代式的网络结构学习方法IAL。该方法在每一轮的学习中包括子集筛选、边评价、网络结构更新、网络结构评价等模块。该方法对具有边缺失、边稀疏等缺陷的网络结构数据具有增强作用,能提高网络嵌入的表现。2.针对存在边错误缺陷的网络结构,基于错边数据的具体特征,提出一种两步处理的网络结构学习方法IAL-REC。该方法能有效提高含有边错误等缺陷的网络结构的质量,增强网络嵌入的表现。3.将方法整理成实用性较强的工具。根据方法的具体特性对工具进行模块分离和整理,对预处理、网络结构学习、常用算法、网络嵌入模型等模块进行整理实现。使用者可以方便的根据不同任务的特点选择合适的训练策略,提高开发效率。4.在常用的网络结构数据集上进行半监督图节点分类实验,验证了本文网络结构学习方法的有效性,实验表明,本文方法能有效提高网络结构数据的质量,提高网络嵌入模型的效果。
网络嵌入视角下高新技术产业集群创新研究
这是一篇关于网络嵌入,高新技术产业,集群创新,吸收能力的论文, 主要内容为随着经济全球化的不断深入,产业集群作为特定区域内企业聚集体在发展过程中形成合作网络产生的协同效应,在区域经济发展中的地位越来越重要,不仅有利于提升区域的竞争力水平,更能促进区域经济发展。高新技术产业是我国经济可持续健康发展的内生力量,大力推进高新技术产业发展有助于调整我国传统产业结构,提高行业附加值,增加资源的有效利用率。产业集群,尤其是高新技术产业集群,集聚企业、高校、中介及其他各种机构形成集群内部的创新网络,各行为主体都嵌入在集群网络之中,从网络嵌入视角研究高新技术产业集群创新,为集群企业创新和发展提供良好氛围,能有效提升企业创新绩效,提高集群创新能力,促进我国高新技术产业集群发展壮大,推动区域经济迅速发展和国家竞争力提升都具有十分重要意义。本文首先对高新技术产业集群、网络嵌入性理论、吸收能力等理论及相关研究进行了梳理,并基于Citespace从知识图谱视角对产业集群创新进行了研究。随后阐述高新技术产业发展现状,汇总我国高新技术产业集群政策,通过产业集群集聚度测度模型,刻画我国高新技术产业集群集聚度,从以上三个角度对我国高新技术产业集群发展概况进行了分析。其次,本文重点探讨了网络嵌入性的结构嵌入与关系嵌入两个视角对集群创新的作用机理,并提出吸收能力在两者间的中介作用,在此理论假设基础上,选择高新技术产业集群内的企业作为研究对象,运用调查问卷方式,历时六个月,对南京398家企业进行调研,运用SPSS软件对收集到的数据进行分析,进行信效度检验、相关性分析及回归分析,检验了假设。得出网络嵌入性视角下产业集群创新网络的四个维度:网络规模、网络中心度、关系强度、关系质量均正向影响集群创新,网络规模、网络中心度、关系强度、关系质量对吸收能力具有正向影响,吸收能力正向影响集群创新,并在网络嵌入性与集群创新之间起中介作用。最后,基于高新技术产业集群发展概况和实证研究结果,提出了相应的对策建议以及未来的研究方向。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码港湾 ，原文地址：https://bishedaima.com/lunwen/48746.html
