Инновационный подход к поиску информации на примере патентного анализа плана импортозамещения

В настоящее время процесс накопления информации настолько стремителен, что концепция привычного итерационного поиска требует пересмотра. К методам поиска необходимо предъявлять повышенные требования, находясь в мире, перенасыщенном информацией, чтобы всесторонне охватить и проанализировать исследуемую проблему. Инновационный подход к поиску должен гибко учитывать большой объем уже накопленных знаний и априорные требования к результатам. Результаты, в свою очередь, должны сразу представлять дорожную карту исследуемого направления с возможностью сколько угодно подробной детализации. Подход к поиску на основе тематического моделирования, так называемый тематический поиск, позволяет учесть все эти требования и тем самым упорядочить характер работы с информацией, повысить эффективность добычи знаний, избежать когнитивных искажений при восприятии информации, что важно как на микро-, так и на макроуровне. С целью демонстрации примера применения тематического поиска в статье рассматривается задача анализа программы импортозамещения на основе патентных данных. Программа включает планы по 22 отраслям и содержит более 1500 товаров и технологий для предполагаемого импортозамещения. Применение патентного поиска на основе тематического моделирования позволяет осуществлять поиск сразу по блокам априорно задаваемой информации – пунктам отраслевых планов импортозамещения и на выходе получать подборку релевантных документов по каждой отрасли. Данный подход позволяет не только емко представить эффективность реализации программы в целом, но и наглядно получить более детальную информацию о том, какие именно группы продуктов и технологий получали патент.

1. Андрейчиков А.В., Тевелева О.В., Неволин И.В., Милкова М. А., Кравчук И. С. Методика проведения поисковых исследований по выявлению возможностей импортозамещения высокотехнологичной продукции на основе мировых патентных и финансовых информационных ресурсов // Экономика и предпринимательство. 2019. № 4. С. 157–167. [Andrejchikov A.V., Teveleva O.V., Nevolin I.V., Milkova M. A., Kravchuk I.S. (2019). Methodology for conducting search research to identify opportunities for import substitution of high-tech products based on world patent and financial information resources. Ekonomika i Predprinimatel'stvo, no. 4,

2. pp. 157–167 (in Russian).]

3. Гибсон Э., Дайм Т., Гарсес Э., Дабич М. Библиометрический анализ как инструмент выявления распространенных и возникающих методов технологического Форсайта // Форсайт. 2018. Т. 12. № 1. C. 6–24. [Gibson Je., Dajm T., Garses Je., Dabich M. (2018). Bibliometric analysis as a tool for identifying common and emerging methods of technological Foresight. Forsajt, vol. 12, no. 1, pp. 6–24 (in Russian).]

4. Девяткин Д.А., Смирнов И.В., Соченков И.В., Тихомиров И. А. Современные методы компьютерной лингвистики для патентного поиска и анализа // Интеллектуальная собственность. Промышленная собственность, Специальный выпуск. 2016. № 1. C. 71–77. [Devjatkin D.A., Smirnov I.V., Sochenkov I.V., Tihomirov I.A. (2016). Modern methods of computer linguistics for patent search and analysis. Intellektual'naja Sobstvennost'. Promyshlennaja Sobstvennost'. Special'nyj Vypusk, no. 1, pp. 71–77 (in Russian).]

5. Милкова М. А. Тематические модели как инструмент «дальнего чтения» // Цифровая экономика. 2019. № 1 (5). С. 57–69. [Milkova M. A. (2019). Topic models as a tool for distance reading. Cifrovaja Ekonomika, no. 1 (5), pp. 57–69 (in Russian).]

6. Миловидов В. Услышать шум волны: что мешает предвидеть инновации? // Форсайт. 2019. Т. 12. № 1. С. 88–97. [Milovidov V. (2019). Hearing the sound of the wave: What makes it difficult to anticipate innovation? Forsajt, vol. 12, no. 1, pp. 88–97 (in Russian).]

7. Стрельцова Е.А., Фурсов К.С., Чулок А. А. Анализ патентной информации как инструмент выявления и оценки технологического профиля страны // Интеллектуальная собственность. Промышленная собственность. Специальный выпуск. 2016. № 1. C. 63–70. [Strel’cova E.A., Fursov K.S., Chulok A.A. (2016). Analysis of patent information as a tool for identifying and evaluating the technological profile of a country. Intellektual'naja Sobstvennost'. Promyshlennaja Sobstvennost'. Special'nyj vypusk, no. 1, pp. 63–70 (in Russian).]

8. Тихонов А.Н., Арсенин В. Я. Методы решения некорректных задач. М.: Наука. 1986. 287 c. [Tihonov A.N., Arsenin V.Ya. (1986). Metody resheniya nekorrektnyh zadach. Moscow, Nauka, 287 p. (in Russian).]

9. Шваб К. Четвертая промышленная революция. М.: Эксмо, 2016. С. 208. [Shvab K. (2016). The fourth Industrial Revolution. Moscow, Jeksmo, p. 208 (in Russian).]

10. Эриванцева Т. Н. Применение патентного анализа для оценки перспектив импортозамещения на примере отечественных ранорасширителей и сшивающих изделий // Экономика науки. 2016. № 4. С. 261–275. [Jerivanceva T. N. (2016). The use of patent analysis to assess the prospects of import substitution on the example of domestic retractors and crosslinking products. Ekonomika Nauki, no. 4, pp. 261–275 (in Russian).]

11. Эриванцева Т. Н. Оценка конкурентоспособности российских научно-технологических заделов в области создания медицинских инструментов // Экономика науки. 2017. № 1. C. 53–69. [Jerivanceva T.N. (2017). Assessment of the competitiveness of Russian scientific and technological backlogs in the field of creating medical instruments. Ekonomika Nauki, no. 1, pp. 53–69 (in Russian).]

12. Янина А.О., Воронцов К. В. Мультимодальные тематические модели для разведочного поиска в коллективном блоге // Машинное обучение и анализ данных. 2016. Т. 2. № 2. С. 173–186. [Janina A.O., Voroncov K.V. (2016). Multimodal topic models for exploratory search in a collective blog. Mashinnoe Obuchenie i Analiz Dannyh, vol. 2, no. 2, pp. 173–186 (in Russian).]

13. Apishev M., Koltcov S., Koltsova O., Nikolenko S., Vorontsov K. Mining ethnic content online with additively regularized topic models // Computación y Sistemas. 2016. Vol. 20. No. 3, pp. 387–403.

14. Blei D., Ng A., Jordan M. Latent dirichlet allocation // Journal of Machine Learning Research. 2003. No. 3.

15. Boyd-Graber J., Hu Y., Mimmo D. Applications of topic models // Foundations and Trends in Information Retrieval. 2017. P. 1–154.

16. Chen L., Shang W., Yang G., Zhang J., Lei X. A topic model integrating patent classification information for patent analysis // Geomatics and Information Science of Wuhan University. 2016. Vol. 41. P. 123–126.

17. Choi D., Song B. Exploring technological trends in logistics: Topic modeling-based patent analysis // Sustainability. 2018. No. 10 (8). P. 2810.

18. Daud A., Li J., Zhu L., Muhammad F. A generalized topic modeling approach for maven search. In: Li Q., Feng L., Pei J., Wang S. X., Zhou X., Zhu QM. (eds.) Advances in data and web management. APWeb 2009. WAIM 2009. Lecture Notes in Computer Science. 2009. Vol 5446. Berlin, Heidelberg: Springer.

19. Eisenstein J., Chau D.H., Kittur A., Xing E. P. TopicViz: Interactive topic exploration in document collections. Proceeding of CHI EA '12. Extended Abstracts on Human Factors in Computing Systems. 2012. P. 2177–2182.

20. Frei O., Apishev M. Parallel non-blocking deterministic algorithm for online topic modeling. In: Ignatov D. et al. (eds) Analysis of Images, Social Networks and Texts. AIST 2016. Communications in Computer and Information Science. 2016. Vol. 661. Springer, Cham.

21. Grant C.E., Clint P. G., Virupaksha K., Nirkhiwale S., Wilson J.N., Wang D.Z. A topic-based search, visualization, and exploration system. Proceedings of the Twenty-Eighth International Florida Artificial Intelligence Research Society Conference. 2015. P. 43–48.

22. Halibas A.S., Shaffi A.S., Mohamed M. A. Application of text classification and clustering of Twitter data for business analytics // Majan International Conference (MIC). Muscat. 2018. P. 1–7.

23. Helbing D. Towards digital enlightenment: Essays on the dark and light sides of the digital revolution. Springer, Cham, 2019.

24. Hofmann T. Probabilistic latent semantic analysis. Uncertainty in Artificial Intelligence. Stockholm, UAI'99, 1999.

25. Kahneman D., Frederick S. Representativeness revisited: Attribute substitution in intuitive judgment. In: T. Gilovich, D. Griffin, D. Kahneman (eds.). Heuristics and biases. New York, Cambridge University Press, 2002. P. 49–81.

26. Kahneman D. A perspective on judgment and choice: Mapping bounded rationality // American Psychologist. 2003. No. 58 (9). P. 697–720.

27. Krishna A., Aich A., Akhilesh V., Hegde C. Analysis of customer opinion using machine learning and NLP techniques // International Journal of Advanced Studies of Scientific Research. 2018. Vol. 3(9).

28. Sulea O.-M., Zampieri M., Malmasi S., Vela M., Dinu L.P., Genabith J. Exploring the use of text classification in the legal domain // Proceedings of the 2nd Workshop on Automated Semantic Analysis of Information in Legal Texts (ASAIL), 2017.

29. Suominen A., Toivanen H., Seppänen M. Firms' knowledge profiles: Mapping patent data with unsupervised learning // Technological Forecasting and Social Change. 2017. Vol. 115. P. 131–142.

30. Tang J., Wang B., Yang Y., Hu P., Zhao Y., Yan X., Gao B.,

31. Huang M., Xu P., Li W., Usadi A. K. PatentMiner: Topic-driven patent analysis and mining // KDD’12. August 12–16. 2012. Beijing, 2012. P. 1366–1374.

32. Tseng Y.-H., Lin C.-J. Text mining techniques for patent analysis // Information Processing & Management. 2007. No. 43. P. 1216–1247.

33. Vorontsov K.V., Potapenko A. A. Additive regularization of topic models // Machine Learning Journal, Special Issue «Data Analysis and Intelligent Optimization». Springer. 2014. P. 1–21.

34. Vorontsov K., Frei O., Apishev M., Romov P., Suvorova M. Bigartm: Open source library for regularized multimodal topic modeling of large collections // AIST'2015, Analysis of Images, Social networks and Texts. Springer International Publishing Switzerland, Communications in Computer and Information Science (CCIS), 2015. P. 370–384.