کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10321920 660776 2015 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Graph kernel based measure for evaluating the influence of patents in a patent citation network
ترجمه فارسی عنوان
بر اساس اندازه کرنل گراف برای ارزیابی تاثیر ثبت اختراعات در یک شبکه ثبت اختراع ثبت اختراع
کلمات کلیدی
اندازه گیری مرکزیت، شبکه استناد ثبت اختراع، هسته گراف، ماتریس مشابهی، هنجار ماتریکس،
ترجمه چکیده
شناسایی ثبت اختراعات مهم کمک می کند تا رشد کسب و کار را افزایش داده و سرمایه گذاری را تمرکز کنید. در گذشته، اندازه گیری های مرکزی نظیر درجه درجه و مرز بین بودن برای شناسایی ثبت اختراعات با نفوذ و مهم در شبکه های ثبت اختراع ثبت اختراع اعمال شده است. چگونه یک فرایند پیچیده مانند تغییرات تکنولوژیکی می تواند تجزیه و تحلیل شود، یک موضوع تحقیق مهم است. با این حال، هیچ اندازه گیری مرکزی موجود، هسته های گراف قدرتمند را برای این هدف به کار نمی برد. این مقاله یک اندازه گیری مرکزی جدید بر اساس تغییر ماتریس شباهت گره ارائه می دهد پس از استفاده از هسته های گراف. رویکرد پیشنهادی یک درک قوی تر از شناسایی گره های تاثیرگذار فراهم می کند، زیرا با توجه به استنادات مستقیم و غیرمستقیم، بر اطلاعات ساختاری گراف تمرکز می کند. این مطالعه با فرضیه آغاز می شود که تغییر ماتریس شباهت ناشی از حذف یک گره داده شده نشان دهنده اهمیت گره در داخل شبکه آن است، زیرا هر گره به ماتریس شباهت بین گره کمک می کند. پس از محاسبه مقادیر منحصر به فرد برای مورد وجود و مورد عدم وجود آن گره در شبکه، تغییرات هنجارهای ماتریس شباهت را برای یک گره داده محاسبه می کنیم. سپس گره ای که در نتیجه بزرگترین تغییر (به عنوان مثال، کاهش) در ماتریس شباهت شبکهای در نظر گرفته می شود، بیشترین تاثیر را دارد. ما عملکرد روش پیشنهادی ما با سایر اقدامات محوری وسیع مورد استفاده را با استفاده از داده های مصنوعی و داده های حق ثبت اختراع ایالات متحده مقایسه می کنیم. نتایج تجربی نشان می دهد که رویکرد پیشنهاد ما بهتر از روش های موجود است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
بر اساس اندازه کرنل گراف برای ارزیابی تاثیر ثبت اختراعات در یک شبکه ثبت اختراع ثبت اختراع
چکیده انگلیسی
Identifying important patents helps to drive business growth and focus investment. In the past, centrality measures such as degree centrality and betweenness centrality have been applied to identify influential or important patents in patent citation networks. How such a complex process like technological change can be analyzed is an important research topic. However, no existing centrality measure leverages the powerful graph kernels for this end. This paper presents a new centrality measure based on the change of the node similarity matrix after leveraging graph kernels. The proposed approach provides a more robust understanding of the identification of influential nodes, since it focuses on graph structure information by considering direct and indirect patent citations. This study begins with the premise that the change of similarity matrix that results from removing a given node indicates the importance of the node within its network, since each node makes a contribution to the similarity matrix among nodes. We calculate the change of the similarity matrix norms for a given node after we calculate the singular values for the case of the existence and the case of nonexistence of that node within the network. Then, the node resulting in the largest change (i.e., decrease) in the similarity matrix norm is considered to be the most influential node. We compare the performance of our proposed approach with other widely-used centrality measures using artificial data and real-life U.S. patent data. Experimental results show that our proposed approach performs better than existing methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 42, Issue 3, 15 February 2015, Pages 1479-1486
نویسندگان
, , , , ,