Анализ и прогнозирование технологических тенденций на основе обработки разнородных данных из открытых источников тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Нгуен Тхань Вьет

• Нгуен Тхань Вьет
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Нгуен Тхань Вьет

ВВЕДЕНИЕ

Глава 1. Систематический обзор существующих методов для анализа и прогноза технологических тенденций

1.1 Общие положения анализа и прогноза технологических тенденций на основе интеллектуального анализа данных

1.2 Существующие точки зрения на определение перспективных технологий

1.3 Систематический обзор методов интеллектуального анализа данных для анализа и прогнозирования технологических тенденций

1.3.1 Определение вопросов исследования

1.3.2 Проведение поиска документов

1.3.3 Фильтрование документов

1.3.4 Извлечение ключевых слов из полного текста

1.3.5 Извлечение данных и создание визуализации

1.4 Основные идеи методов патентной кластеризации в исследованиях АПТТ

1.5 Выводы по первой главе

Глава 2. Идентификация главной предметной области исследования и прогнозирование исследовательских направлений из научных статей в цифровой библиотеке открытого доступа

2.1 Анализ данных и идентификации главных исследовательских направлений в цифровой библиотеке открытого доступа

2.1.1 Ранжирование цифровых библиотек открытого доступа

2.1.2 Алгоритм работы веб-краулера для решения задачи сбора данных из открытых интернет источников

2.1.3 Статистика исследовательских категорий по области Компьютерных Наук в arxiv.org

2.1.4 Тематическое моделирование по области Машинного обучения в arxiv.org

2.2 Прогноз тенденций использования терминов в Компьютерных науках на основе нейросетевых моделей

2.2.1 Статистка терминов

2.2.2 Постановка задачи и построение моделей прогнозирования тенденций терминов

2.2.3 Настройка гиперпараметров и прогнозирование тенденций биграмм

2.2.4 Настройка гиперпараметров и прогнозирование тенденций триграмм

2.3 Выводы по второй главе

Глава 3. Прогнозирование технологических тенденций на основе анализа научных статей и патентов

3.1 Проектирование и реализация программной системы для АПТТ

3.2 Идентификация тематик исследования и прогноз их эволюции на основе библиометрического анализа публикаций из Web of Science

3.2.1 Сбор данных из Wo S

3.2.2 Алгоритм ранжирования статей

3.2.3 Идентификация и визуализация исследовательских тематик по ключевым словам

3.2.4 Метод регрессии Гауссовского процесса

3.2.5 Прогнозирование тенденции научных исследовательских тематик

3.2.6 Экспериментальная оценка предложенного метода идентификации и прогнозирования исследовательских тематик в области ИИ

3.3 Анализ патентов

3.3.1 Метод для создания матрицы совпадений

3.3.2 Анализ по извлеченным из патентов ключевым словам

3.3.3 Анализ по кодам CPC патентов

3.4 Оценка предложенного метода прогноза

3.5 Выводы по третьей главе

Глава 4. Анализ и прогнозирование появляющихся технологических тенденций на основе анализа данных веб-новостей, фондовых рынков, и патентов118

4.1 Алгоритм обнаружения аномалий в увеличении частоты фраз

4.1.1 Формулировка на основе скрытой Марковской модели

4.1.2 Алгоритм ОАУЧФ для выбора последовательности скрытых состояний

4.2 Анализ и прогнозирование появляющихся технологических тенденций на основе интеллектуального анализа данных веб-новостей

4.2.1 Очистка данных

4.2.2 Приспособление модели линейной регрессии

4.2.3 Результат анализа на основе алгоритма ОАУЧФ

4.2.4 Прогноз и оценка технологических тенденций

4.3 Прогнозирование технологических тенденций на основе анализа данных фондовых рынков

4.3.1 Отношение между инновациями и стоимостью акций

4.3.2 Обзор исследований по прогнозированию цен акций

4.3.3 Предлагаемый метод и эмпирические результаты прогнозирования цен акций

4.4 Патентный анализ Samsung и Tesla для прогноза появляющихся технологических тенденций в

4.5 Внедрения результатов работы на практике

4.6 Выводы по четвертой главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Приложение 1. Свидетельства о регистрации программ для ЭВМ

Приложение 2. Акты внедрения и использования результатов исследования

Введение диссертации (часть автореферата) на тему «Анализ и прогнозирование технологических тенденций на основе обработки разнородных данных из открытых источников»

ВВЕДЕНИЕ

Актуальность темы исследования. В настоящее время количество научных публикаций, патентов, и других разнородных данных растет быстрыми темпами, и становится невозможным оставаться в курсе всего, что публикуется. Это затрудняет способность накапливать знания и анализировать данные предыдущих исследовательских работ и патентов. Поэтому анализ этих данных все чаще принимают на себя решающую роль в обобщении результатов прошлых исследований, чтобы эффективно использовать существующую базу знаний, продвигать направление исследований и предоставлять основанное на фактических данных понимание практики применения и поддержания профессиональной экспертизы. При этом возможность заблаговременного прогнозирования научных и технологических тенденций может потенциально революционизировать методы науки, например, предоставляя финансирующим учреждениям возможность оптимизировать распределение ресурсов на перспективные области исследований.

С другой стороны, создание новейших технологий и их внедрение в жизнь в недалеком будущем - актуальная на сегодняшний день тематика. Технологии будущего уже через несколько лет значительно улучшат жизнь человека. В последние годы быстро развиваются новые технологии с передовыми характеристиками. Основные технологические достижения включают информационные технологии, нанотехнологии, биотехнологии и новые технологии материалов, и т.д. Появление и развитие этих новых технологий не только изменили существующие отрасли промышленности, но и создали новые отрасли, которые оказывают существенное влияние на социально-экономическую структуру. Выявление будущих тенденций изменения этих новых технологий как можно раньше имеет решающее значение для стратегического планирования исследований и разработок правительства и предприятий (НИОКР), чтобы получить преимущество

первопроходца в конкурентной деловой среде. Многие руководители и исследователи осознают важность понимания пути появления и определения будущих тенденций развития этих новых технологий для конкурентоспособности и устойчивого развития своей организации.

Поэтому возникает задача в использовании специализированных программных продуктов для извлечения полезных знаний, а именно извлечения знаний о тенденциях развития технологий из сети Интернет. Таким образом, наиболее актуальным на современном и среднесрочном перспективном этапах является решение проблемы анализа и прогноза технологических тенденций как для отдельных отраслей, так и для мира в целом.

Степень разработанности темы. Исследователи обычно используют научные статьи или патентные данные для выявления и мониторинга тенденций новых или важных технологий с технологической точки зрения, но редко используют другие виды разнородных данных (например, совместная комбинация научных статей и патентов, средства массовой информации, финансовые данные, и т.д.) связанные с перспективными технологиями. Анализ этих данных имеет большое значение для понимания, выявления новых и важных технологических тенденций. Некоторые ученые отмечали, что различные типы источников информации предоставляют разнообразные знания о пути эволюции технологического развития, и комплексное использование этих источников данных совершенно даст более полную картину технологической тенденции.

Наличие теоретических и практических недавних работ российских и зарубежных ученых и исследователей подтверждает актуальность темы и характеризует определенную степень ее разработанности. Изучением вопросов анализа и прогнозирование технологических тенденций на основе интеллектуального анализа данных занимались отечественные и зарубежные ученые: Для анализа, обнаружения, и мониторинга тренда технологий: Петрова

И.Ю., Ротоло Д., Хикс Д., Мартин Б.Р., Момени А., Рост К., Ена О., Микова Н., Соколова А.В., Ильина И.Е., Чой Дж., Чон Б., Юн Дж., Ли Ш., Цье К., Цзян Дж., Портер А.Л., Гарнер Дж., Карли С.Ф., Ньюман Н.К., Цу С., Хао Л., Ан Ц., Ян Г., Чжан И., и т.д. Для прогноза технологий: Эрди П., Макови К., Стребков Д.С., Ченг Г., Кьебамбе М.Н., Клюшников В.Ю., Шейх Н. Дж., Крюков В.А., Суслов В.И., и т.д. Для анализа и прогноза технологий: Мещеряков Р.В., Алдеринг Л.Г., Лекер Дж., Ли Ш., Фан М.Дж., Чжоу Ю., Донг Ф., Лю Ю., Ли З., Кравец А.Г., и т.д.

Однако, несмотря на все усилия, не были найдены методологические и технологические результаты, дающие возможность осуществить создание моделей и методов для целостного восприятия вычислительной системой разнородной информации - научных статей, патентов, средств массовой информации, финансовые данные, и т.д., которая содержится в открытых источниках. При этом большинство существующих исследований предназначено для анализа и раннее выявления новых технологий или мониторинга трендов в одних конкретных технологических отраслях, не рассматривая решение задачи прогноза множества различных технологических трендов. Кроме того, точность оценки предложенных методов в существующих исследованиях либо довольно низкая (максимальные метрики F1 ~ 74%, precision ~ 76%), либо отсутствует (не была осуществлена оценка качества метода).

Таким образом, задача анализа и прогнозирования технологических тенденций на основе обработки разнородных данных из открытых источников является актуальной.

Объектом исследования являются процесс анализа и прогнозирования технологических тенденций (АПТТ) на основе обработки данных из открытых источников.

Предметом исследования являются методы сбора данных, модели описания перспективных технологий, методы анализа и прогнозирования технологических тенденций.

Цель и задачи исследования. Повышение точности АПТТ за счет разработки алгоритмов, методов и средств поиска, сбора, и обработки данных из открытых источников.

Для достижения поставленной цели были выделены следующие задачи:

1) систематический обзор существующих методов интеллектуального анализа данных для АПТТ;

2) разработка метода и алгоритмов автоматического сбора и анализа информации из открытых источников для обнаружения главных исследовательских направлений в цифровой библиотеке открытого доступа;

3) разработка метода для прогнозирования тренда терминов с применением ансамбля нейросетевых моделей;

4) разработка метода идентификации тематик исследования и прогноза их эволюции с применением алгоритмов ранжирования статей и извлечения значимых ключевых слов;

5) разработка метода анализа патентов на основе алгоритма извлечения значимых ключевых слов и создания матриц совместного появления ключевых слов и кодов CPC (Cooperative Patent Classification - совместная патентная классификации) для кластеризации;

6) разработка методов идентификации и прогнозирования появляющихся тенденций технологии на основе обработки данных веб-новостей, фондовых рынков, и патентов;

7) разработка концепции и архитектуры программной системы для АПТТ;

8) проведение вычислительных экспериментов для оценки эффективности разработанных методов и моделей.

Методы исследования. Для решения поставленных задач в работе использовались методы системного анализа, теории искусственного интеллекта, алгоритмы машинного обучения, теории распознавания образов и искусственных нейронных сетей, методы обработки естественного языка, методы библиометрического анализа, программные и языковые средства современных компьютерных технологий.

Научная новизна результатов диссертации заключается в разработке совокупности новых алгоритмов и методов для решения задачи АПТТ на основе обработки разнородных данных из открытых источников, которая включает в себя:

1) Метод обработки информации из открытых источников для АПТТ, в отличие от существующих, основанный на новом алгоритме ранжирования цифровых библиотек открытого доступа.

2) Новый метод прогнозирования тренда терминов, в отличие от известных, основанный на ансамбле нейросетевых моделей Dense, CNN, LSTM.

3) Метод идентификации тематик исследования и прогноза их эволюции, в отличие от существующих, основанный на алгоритме ранжирования статей в сети прямого цитирования с учетом давности публикации, методе извлечения значимых ключевых слов, и регрессии Гауссовского процесса.

4) Метод извлечения важных фраз из текстового корпуса с временными метками, в отличие от существующих, основанный на алгоритме обнаружения аномалий в увеличении частоты фраз (ОАУЧФ).

5) Новый метод идентификации и прогнозирования появляющихся технологических тенденций, отличающийся от известных обработкой разнородных данных веб-новостей, фондовых рынков и патентов.

Теоретическая значимость состоит в разработке алгоритмов, методов и средств поиска, сбора, и обработки данных для АПТТ на основе разнородной информации из открытых источников, отличающихся от известных методов

способом работы с различными источниками данных, и применением машинного обучения, технологий глубоких нейронных сетей, библиометрического анализа, и подходов к обработке естественного языка. Содержащиеся в диссертационной работе анализ, методы, выводы и предложения могут быть использованы для анализа и заблаговременного прогнозирования исследовательских научных и технологических тенденций. Следовательно, в результате можно предоставить финансирующим учреждениям и центрам НИОКР возможность оптимизировать распределение ресурсов на перспективные исследовательские научные направления. Результаты диссертационной работы использованы при реализации проекта РФФИ № 20-37-90092 Аспиранты.

Практическая значимость заключается в разработанном программном обеспечении, реализующем предложенные методы и алгоритмы. Разработаны «Модуль ранжирования, сбора, статистики и тематического моделирования на основе данных arXiv.org» (свидетельство о государственной регистрации программы для ЭВМ № 2021664782 от 14 сентября 2021 г.), «Модуль для анализа и прогноза тенденций использования терминов в компьютерных науках на основе нейросетевых моделей» (свидетельство о государственной регистрации программы для ЭВМ № 2021664783 от 14 сентября 2021 г.). Разработанные методы, алгоритмы, и программные системы имеют важное значение для стратегического планирования исследований и разработок правительства и предприятий, чтобы получить преимущество в конкурентной деловой среде.

Основные положения, выносимые на защиту:

1) Результаты систематического обзора существующих методов интеллектуального анализа данных для АПТТ.

2) Методы обработки информации из открытых источников, позволяющий обнаружить главные исследовательские направления в цифровых библиотеках открытого доступа.

3) Метод прогнозирования тренда терминов с применением ансамбля нейросетевых моделей, который позволяет на основе анализа статистики прогнозировать частоту их использования.

4) Метод идентификации тематик исследования и прогноза их эволюции, который позволяет прогнозировать эволюцию исследовательских тенденций на основе анализа значимых ключевых слов, извлекаемых из наиболее важных статей в отдельной предметной области.

5) Метод извлечения важных фраз из текстового корпуса с временными метками, который позволяет обнаруживать аномалии в увеличении частоты фраз в технологических веб-новостях.

6) Метод идентификации и прогнозирования появляющихся технологических тенденций, который позволяет обнаруживать и предсказывать новые технологические тенденции на основе обработки разнородных данных веб-новостей, фондовых рынков, и патентов.

7) Архитектура и программное обеспечение, реализующее предложенные алгоритмы и методы для АПТТ.

Обоснованность и достоверность. Результаты диссертационной работы получены при корректном и обоснованном применении предложенных методов и алгоритмов, которые подтверждаются проведенными экспериментальными исследованиями на разнородных сборных из открытых источников данных, метриками для оценки точности прогноза, сравнением с опубликованными результатами, а также внедрением и использованием рекомендаций, содержащихся в диссертационном исследовании.

Апробация работы. Основные положения исследования докладывались и обсуждались на следующих научных конференциях: Информационные технологии в науке и образовании. Проблемы и перспективы (Пензенский государственный университет, Пенза, 2019); Математические методы в технике и технологиях

ММТТ-32 (СПбПУ, Санкт-Петербург, 3-7 июня 2019 г); 3rd Creativity in Intelligent Technologies and Data Science CIT&DS 2019 (Volgograd, Russia, September 16-19, 2019); SMART - 2019 (College of Computing Sciences & Information Technology, Teerthanker Mahaveer University, Moradabad, India, November 22-23, 2019); Математические Методы в Технике и Технологиях ММТТ-33 (КНИТУ, Казань, 1418 сентября 2020г.); Creativity in Intelligent Technologies and Data Science: 4th International Conference CIT&DS 2021 (Volgograd, Russia, September 20-23, 2021); XIX Национальной конференции по искусственному интеллекту с международным участием (КИИ-2021, 11-16 октября 2021, г. Таганрог). НИР по теме диссертационного исследования удостоена 1 места на III научном конкурсе по техническим направлениям среди иностранных студентов вузов России.

Публикации. По теме диссертации издано 16 печатных работ, в том числе 6 статей в изданиях, рекомендованных ВАК; 5 работ в зарубежных изданиях, индексируемых в базах научного цитирования Scopus/WoS. По результатам работы созданы 2 программных продукта, которые получили Свидетельства о государственной регистрации.

Личный вклад автора. В диссертации представлены результаты исследований, выполненных автором лично. Личный вклад автора состоит в постановке задач исследования, разработке теоретических и прикладных методов их решения, в сборе данных, обработке, анализе, прогнозировании, оценке, обобщении полученных результатов и формулировке выводов. В публикациях с соавторами авторский вклад распределяется пропорционально.

Структура и объём диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, а также библиографического списка из 210 наименований и 2 приложения. Общий объем работы 199 страниц, в том числе 72 рисунка и 1 2 таблиц.

Глава 1. Систематический обзор существующих методов для анализа и прогноза

технологических тенденций

1.1 Общие положения анализа и прогноза технологических тенденций на основе

интеллектуального анализа данных

Многие руководители и исследователи осознают важность понимания пути появления и определения будущих тенденций развития новых технологий для конкурентоспособности и устойчивого развития своей организации [1-3]. В то же время каждая появляющаяся технология может предоставить множество возможностей для бизнеса и привлечь венчурные инвестиции. По этой причине, с учетом множества новых технологий, правильная оценка и определение тенденции технологий как можно раньше имеет решающее значение для любого подразделения управления и промышленного бизнеса [4, 5].

Изучение технически подходящих исторических знаний позволяет выяснить, как на вариации технологических достижений влияют прошлые и существующие сдвиги в связанных технологиях [6]. Важным аспектом выявления технологических тенденций являются данные. Новости, социальные сети, блоги и отчеты компаний раскрывают в основном технологии, которые недавно достигли пика своего развития или были доступны на рынке до сих пор. Однако о преждевременных технологических тенденциях обычно сначала сообщают в научных публикациях [79]. Таким образом, эти данные являются важнейшими источниками знаний для первичных тенденций и знаков [10, 11].

Кроме того, технологический тренд (тенденция) считается постоянно развивающейся технологической областью с определенной структурой, и шаблон этой тенденции должен существовать в течение определенного периода времени [12,

13]. Технологический мониторинг является важным инструментом для выявления технологических тенденций. Мониторинг относится к акту сканирования определенной области соответствующей информации, чтобы понять историю конкретной технологии [6, 14]. Понимание истории технологий является основой для лучшего выявления технологических изменений. Анализ технически релевантной исторической информации может быть применен для определения того, как на изменения в технологическом развитии влияют текущие и прошлые изменения в связанных технологиях.

Известно, патенты предоставляют источник современной и надежной информации для раскрытия технологической информации и развития [15, 16]. Благодаря анализу технологической информации, имеющейся в патентах, можно лучше выявить и понять путь технологической эволюции и быть в состоянии определить тенденции развития технологии с помощью экспертов в данной области [8, 9, 14]. Таким образом, исследователи начали использовать патентные данные для анализа и изучения этих технологических тенденций [15-17]. Однако, из-за неопределенности и неоднозначности, присущей появляющимся технологиям, исследования тенденций развития были сосредоточены на патентных данных, которые не только чувствительны ко времени, но и имеют ограниченные перспективы многогранного проявления новых технологий [18]. Поэтому, анализа только патентов недостаточно для полного понимания эволюционного пути и тенденций развития новых технологий.

Эволюционный путь и тенденции технологий являются результатом синергии между реальной технологией и технологической средой, в которой она расширяется [19]. Кроме того, из-за непостоянства и неопределенности появляющихся технологий анализ чисто научных публикаций или патентов приводит к ограничению исследований тенденций технологического развития [18]. Поэтому, чтобы лучше понять тенденции развития и пути эволюции появляющихся

инноваций, следует уделять больше внимания аспектам окружающей среды, таким как актуальные и временные данные [20], которые могут изменить или сформировать прогресс и появление новых технологий.

Были предложены многочисленные методы анализа и прогноза технологических тенденций (АПТТ); однако, насколько нам известно, ни в одной публикации не описывался анализ методов интеллектуального анализа данных (ИАД) в этой области исследований в рамках систематической и структурированной процедуры. Таким образом, это исследование является первым систематическим обзором литературы методов ИАД в АПТТ и их недостатков путем изучения полных текстов и построения статистики.

Для этого в нашей работе особое внимание уделяется принятым методам ИАД и типам источников данных. Тщательный систематический обзор проводится с использованием методологии, разработанной Петерсеном и др. в 2008 [21] и 2015 [22]. В этом обзоре 50 публикаций из базы данных Scopus за десятилетний период с 2010 по 2019 год систематически исследуются с точным соблюдением каждого этапа процедуры систематического обзора литературы. Были раскрыты наиболее частые и важные методы ИАД и типы источников данных, и были проанализированы заметные обнаружения, касающиеся прогресса исследований АПТТ в течение десятилетнего периода.

1.2 Существующие точки зрения на определение перспективных технологий

Во многих исследованиях термин «перспективная технология» или (важная технология) использовался довольно часто, но при этом такой термин еще не прояснялся. Следовательно, для принятия решений и прогнозирования перспективной (важной) технологии предполагается тщательное изучение связанных

с ней аспектов. Чтобы понять эти аспекты, необходимо прежде всего изучить доступную литературу, связанную с перспективными технологиями. Таким образом, рассмотрены недавние исследования по АПТТ, перспективным технологиям и предсказанию технологий, а затем объясним точки зрения на то, что составляет перспективную (важную) технологию [15].

Первая категория (точка зрения) перспективной технологии - это вакантная технология. Исследователи, придерживающиеся этой точки зрения, сконцентрировали свое внимание на новаторском превосходстве в области соперничество технологий, указав предполагаемые шансы выхода на потенциальные рынки, которые не получают особого признания [23-27]. Чтобы исследовать вакантные технологии, авторы использовали визуализацию, такую как патентные карты, созданные с помощью кластеризации патентной сети, интеллектуального анализа текста, кластеризации матрицы терминов документа и аналогичных методов.

Вторая категория перспективных технологий - это конвергентная технология, которая недавно была изучена как доминирующая технология будущего [28-32]. Технологическая конвергенция - это тенденция к преобразованию изначально отдельных технологий в более тесно взаимосвязанные и даже к объединению по мере своего развития. Конвергенция технологий пересматривает границы существующих отраслей и создает новые продукты или целые области. Для прогнозирования конвергенции использовались взаимосвязи между патентами, такие как совместное появление Международной патентной классификации (International Patent Classification IPC), библиометрический анализ или анализ правил ассоциации.

Третья категория перспективных технологий - это клиенто-ориентированные технологии; в то же время одобрение рынка является наиболее важной проблемой, которую необходимо решить. В случае технологической инновации нельзя считать технологию перспективной, если ее распространение или использование ограничено

из-за коммерческой неудачи. Было изучено вовлечение клиентов или конечных пользователей в прогнозирование перспективной технологии [33-37].

Четвертая категория перспективных технологий - это прорывные (disruptive) технологии, которые изменяют стандартное функционирование производства или бизнеса; иногда эти технологии даже заменяет хорошо принятую технологию или продукт на рынке [38-42].

Последняя категория - это исследование последнего появления и быстрого роста появляющихся технологий [18, 43-45]. Ротоло и др. [18] охарактеризовал появляющиеся (emerging) технологии с помощью набора пяти атрибутов: (1) радикальная новизна, (2) относительно быстрый рост, (3) согласованность, (4) заметное влияние и (5) неопределенность и двусмысленность. Кроме того, соответствующие документы и другие методы, связанные с АПТТ, будут раскрыты и обсуждены в последующих подразделах этой главы.

Помимо этих основных категорий, перспективная технология может быть определена с других точек зрения. Некоторые ученые предложили, что технологический толчок и рыночный спрос (technology push and the market pull) должны анализироваться совместно, даже если характеристики или критерии этих двух факторов различны, на основе исследований [46-48]. Кроме того, в некоторых исследованиях реализованы технологические прогнозы на основе подхода жизненного цикла технологий [49-53]. Более того, перспективные технологии могут быть как вакантным, так и появляющимися [26], или имеют коммерческий потенциал и развиваются [54]. В этих контекстах фраза «перспективная технология» должна содержать многомерные и составные особенности.

Вышеупомянутые точки зрения на перспективные (важные) технологии не являются исчерпывающими и явно не исключающими друг друга; также на них влияет мотивация исследования и свойства рассматриваемых технологий. Эти точки зрения следует учитывать, прежде чем разрабатывать основы для определения

перспективных технологий, которых нет в большинстве имеющихся исследований. Следует отметить, что данная работа предназначена для анализа и прогноза перспективных (или важных) технологических тенденций, которые имеют общий характер и могут включать в себя все изложенные пять точек зрения.

1.3 Систематический обзор методов интеллектуального анализа данных для анализа

и прогнозирования технологических тенденций

Разрозненные опубликованные исследования в АПТТ ставят перед последовательными исследователями и практиками задачу оценить последнюю эволюцию рассматриваемой области. Кроме того, до сих пор лишь небольшая часть усилий по обеспечению систематических обзоров принятых методов или моделей АПТТ выполнялась в рамках хорошо организованной процедуры. Чтобы устранить этот недостаток, настоящая работа предлагает систематический обзор литературы (СОЛ - Systematic Mapping Study) методов и пробела в исследованиях АПТТ.

СОЛ концентрируется на структурированной категоризации отобранных документов [21], субъективной проверке и определении зрелости публикаций в рассматриваемый период времени [55]. Насколько нам известно, это исследование может быть первым СОЛ исследованием методов АПТТ, чтобы подчеркнуть более широкую перспективу существующих методов АПТТ и поддержать в качестве полезной ссылки для предстоящих исследований по вопросам АПТТ.

Настоящая работа следует процедуре методологии СОЛ, предложенной Петерсеном в 2008 году [21], с обновленными инструкциями в 2015 [22]. Основная цель СОЛ - создать классификационную диаграмму отобранных документов. Весь процесс (рисунок 1.1) включает в себя определение вопросов исследования, поиск релевантных документов, фильтрование документов, извлечение ключевых слов,

извлечение данных и отображение. В последующих подразделах каждая процедура будет представлена особенным образом.

4. Извлечение ключевых слов из полных текстов

н

Схема классификации

I

5. Извлечение данных и визуализация

Рисунок 1.1 - Процесс систематического обзора литературы (СОЛ)

Список литературы диссертационного исследования кандидат наук Нгуен Тхань Вьет, 2022 год

СПИСОК ЛИТЕРАТУРЫ

1. Li X. и др. Monitoring and forecasting the development trends of nanogenerator technology using citation analysis and text mining // Nano Energy. 2020. Т. 71. С. 104636.

2. Porter A.L. и др. Emergence scoring to identify frontier R&D topics and key players // Technological Forecasting and Social Change. 2019. Т. 146. С. 628-643.

3. Li X. и др. Identifying and monitoring the development trends of emerging technologies using patent analysis and Twitter data mining: The case of perovskite solar cell technology // Technological Forecasting and Social Change. 2019. Т. 146. С. 687-705.

4. Алферьев Д.А. Теоретико-методические аспекты долгосрочного прогнозирования научно-технологического развития // Управление инвестициями и инновациями. 2018. № 1. С. 5-16.

5. Гарин Е.В., Мещеряков Р.В. Реляционная модель инновационного развития и прогноз научно-технического развития на ее основе // Вестник Томского государственного университета. Экономика. 2019. № 45. С. 69-87.

6. Momeni A., Rost K. Identification and monitoring of possible disruptive technologies by patent-development paths and topic modeling // Technological Forecasting and Social Change. 2016. Т. 104. С. 16-29.

7. Кравец А.Г., Легенченко М.С. Формальные метрики для автоматизированной оценки изобретений // Прикаспийский журнал: управление и высокие технологии. 2017. № 3 (39). С. 8-19.

8. Нгуен Т.В., Кравец А.Г. Оценка и прогнозирование тенденций развития научных исследований на основе библиометрического анализа публикаций // Информационные технологии. 2021. Т. 27, № 4. С. 195-201.

9. Нгуен Т.В., Кравец А.Г., Зыонг К.Х.Т. Анализ и прогноз тенденций использования терминов в компьютерных науках на основе нейросетевых моделей // Вестник компьютерных и информационных технологий. 2021. Т. 18, № 2. С. 24-38.

10. Nazemi K. и др. Visual trend analysis with digital libraries // Proceedings of the 15th International Conference on Knowledge Technologies and Data-driven Business. New York, NY, USA: ACM, 2015. С. 1-8.

11. Viet N.T., Kravets A.G. Analyzing Recent Research Trends of Computer Science from Academic Open-access Digital Library // 2019 8th International Conference

System Modeling and Advancement in Research Trends (SMART). IEEE, 2019. C. 31-36.

12. Antons D. h gp. The application of text mining methods in innovation research: current state, evolution patterns, and development priorities // R&D Management. 2020. T. 50, № 3. C. 329-351.

13. Choi J., Jeong B., Yoon J. Technology opportunity discovery under the dynamic change of focus technology fields: Application of sequential pattern mining to patent classifications // Technological Forecasting and Social Change. 2019. T. 148. C. 119737.

14. Zhang Y. h gp. Forecasting technical emergence: An introduction // Technological Forecasting and Social Change. 2019. T. 146. C. 626-627.

15. Noh H., Song Y.-K., Lee S. Identifying emerging core technologies for the future: Case study of patents published by leading telecommunication organizations // Telecommunications Policy. 2016. T. 40, № 10-11. C. 956-970.

16. Lee C. h gp. Early identification of emerging technologies: A machine learning approach using multiple patent indicators // Technological Forecasting and Social Change. 2018. T. 127. C. 291-303.

17. Noh H., Jo Y., Lee S. Keyword selection and processing strategy for applying text mining to patent analysis // Expert Systems with Applications. 2015. T. 42, № 9. C. 4348-4360.

18. Rotolo D., Hicks D., Martin B.R. What is an emerging technology? // Research Policy. 2015. T. 44, № 10. C. 1827-1843.

19. Small H., Boyack K.W., Klavans R. Identifying emerging topics in science and technology // Research Policy. 2014. T. 43, № 8. C. 1450-1467.

20. Injadat M., Salo F., Nassif A.B. Data mining techniques in social media: A survey // Neurocomputing. 2016. T. 214. C. 654-670.

21. Petersen K. h gp. Systematic Mapping Studies in Software Engineering // 12th International Conference on Evaluation and Assessment in Software Engineering, EASE 2008. 2008.

22. Petersen K., Vakkalanka S., Kuzniarz L. Guidelines for conducting systematic mapping studies in software engineering: An update // Information and Software Technology. 2015. T. 64. C. 1-18.

23. Choi S., Jun S. Vacant technology forecasting using new Bayesian patent

clustering // Technology Analysis & Strategic Management. 2014. T. 26, № 3. C. 241-251.

24. Jun S. A Forecasting Model for Technological Trend Using Unsupervised Learning // Communications in Computer and Information Science. 2011. T. 258 CCIS. C. 51-60.

25. Yoon B. h gp. Exploring promising vacant technology areas in a technology-oriented company based on bibliometric analysis and visualisation // Technology Analysis & Strategic Management. 2019. T. 31, № 4. C. 388-405.

26. Yu J. h gp. Identification of Vacant and Emerging Technologies in Smart Mobility Through the GTM-Based Patent Map Development // Sustainability. 2020. T. 12, № 22. C. 9310.

27. Jun S. h gp. Identification of Promising Vacant Technologies for the Development of Truck on Freight Train Transportation Systems // Applied Sciences. 2021. T. 11, № 2. C. 499.

28. Lee W.S., Han E.J., Sohn S.Y. Predicting the pattern of technology convergence using big-data technology on large-scale triadic patents // Technological Forecasting and Social Change. 2015. T. 100. C. 317-329.

29. Lee J., Sohn S.Y. Recommendation system for technology convergence opportunities based on self-supervised representation learning // Scientometrics. 2021. T. 126, № 1. C. 1-25.

30. Arzhanovskaya A. V., Eltanskaya E.A., Generalova L.M. Convergence of Technologies in Education: New Determinant of the Society Development // Lecture Notes in Networks and Systems. 2021. C. 619-624.

31. Farahani B., Firouzi F., Luecking M. The convergence of IoT and distributed ledger technologies (DLT): Opportunities, challenges, and solutions // Journal of Network and Computer Applications. 2021. T. 177. C. 102936.

32. Lee C., Hong S., Kim J. Anticipating multi-technology convergence: a machine learning approach using patent information // Scientometrics. 2021. T. 126, № 3. C. 18671896.

33. Ju Y., Sohn S.Y. Patent-based QFD framework development for identification of emerging technologies and related business models: A case of robot technology in Korea // Technological Forecasting and Social Change. 2015. T. 94. C. 44-64.

34. Mercado P.R., Rajagopal N.A. Dynamics of disruptive innovations in

outperforming global brands: a study in Mexico // International Journal of Business Excellence. 2017. T. 11, № 1. C. 1.

35. Munir A.R., Ilyas G.B. Extending the technology acceptance model to predict the acceptance of customer toward mobile banking service in Sulawesi Selatan // International Journal of Economic Research. 2017.

36. Song K., Kim K., Lee S. Identifying promising technologies using patents: A retrospective feature analysis and a prospective needs analysis on outlier patents // Technological Forecasting and Social Change. 2018. T. 128. C. 118-132.

37. Benzidia S., Luca R.M., Boiko S. Disruptive innovation, business models, and encroachment strategies: Buyer's perspective on electric and hybrid vehicle technology // Technological Forecasting and Social Change. 2021. T. 165. C. 120520.

38. Laurell C., Sandstrom C. Analysing Uber in social media — disruptive technology or institutional disruption? // International Journal of Innovation Management. 2016. T. 20, № 05. C. 1640013.

39. Trubnikov D. Analysing the Impact of Regulation on Disruptive Innovations: The Case of Wireless Technology // Journal of Industry, Competition and Trade. 2017. T. 17, № 4. C. 399-420.

40. Sun J. h gp. How to Find Disruptive Technologies Systematically? // IFIP Advances in Information and Communication Technology. 2019. C. 159-173.

41. Krotov V. Predicting the future of disruptive technologies: The method of alternative histories // Business Horizons. 2019. T. 62, № 6. C. 695-705.

42. Müller J.M., Kunderer R. Ex-Ante Prediction of Disruptive Innovation: The Case of Battery Technologies // Sustainability. 2019. T. 11, № 19. C. 5229.

43. Guderian C.C. Identifying Emerging Technologies with Smart Patent Indicators: The Example of Smart Houses // International Journal of Innovation and Technology Management. 2019. T. 16, № 02. C. 1950040.

44. Altuntas S., Erdogan Z., Dereli T. A clustering-based approach for the evaluation of candidate emerging technologies // Scientometrics. 2020. T. 124, № 2. C. 1157-1177.

45. de Falani S.Y.A. h gp. Trends in the technological development of wind energy generation // International Journal of Technology Management & Sustainable Development. 2020. T. 19, № 1. C. 43-68.

46. Lee D.J., Hwang J. Decision support for selecting exportable nuclear technology using the analytic hierarchy process: A Korean case // Energy Policy. 2010. T. 38, № 1. C. 161-167.

47. Cagnin C., Havas A., Saritas O. Future-oriented technology analysis: Its potential to address disruptive transformations // Technological Forecasting and Social Change. 2013. T. 80, № 3. C. 379-385.

48. Ma T. h gp. A technology opportunities analysis model: applied to dye-sensitised solar cells for China // Technology Analysis & Strategic Management. 2014. T. 26, № 1. C. 87-104.

49. Gao L. h gp. Technology life cycle analysis method based on patent documents // Technological Forecasting and Social Change. 2013. T. 80, № 3. C. 398-407.

50. Jamali M.Y. h gp. Analysis of photovoltaic technology development based on technology life cycle approach // Journal of Renewable and Sustainable Energy. 2016. T. 8, № 3. C. 035905.

51. Byun J., Sung T.-E., Park H.-W. Technological innovation strategy: how do technology life cycles change by technological area // Technology Analysis & Strategic Management. 2018. T. 30, № 1. C. 98-112.

52. Madvar M.D. h gp. Forecasting of wind energy technology domains based on the technology life cycle approach // Energy Reports. 2019. T. 5. C. 1236-1248.

53. Lin D. h gp. Using technological entropy to identify technology life cycle // Journal of Informetrics. 2021. T. 15, № 2. C. 101137.

54. Zhang L. h gp. Research on commercial potential evaluation of newly and emerging technology: A case study of graphene // 2016 10th International Conference on Software, Knowledge, Information Management & Applications (SKIMA). IEEE, 2016. C. 151-155.

55. Maw M. h gp. Trends and patterns of text classification techniques: A systematic mapping study // Malaysian Journal of Computer Science. 2020.

56. Arskii Y.M., Yashukova S.P. The methodical aspects of the information-analytical support of forecasts of scientific-technological development // Scientific and Technical Information Processing. 2010. T. 37, № 3. C. 201-206.

57. Ena O. h gp. A methodology for technology trend monitoring: the case of semantic technologies // Scientometrics. 2016. T. 108, № 3. C. 1013-1041.

58. Ernstsen S.K. h gp. Identifying disruptive technologies: Horizon scanning in the early stages of design // Proceedings of International Design Conference, DESIGN. 2018. T. 4. C. 1833-1844.

59. Johri V., Bansal S. Identifying Trends in Technologies and Programming Languages Using Topic Modeling // Proceedings - 12th IEEE International Conference on Semantic Computing, ICSC 2018. 2018. T. 2018-Janua. C. 391-396.

60. Yoon J., Kim K. Identifying rapidly evolving technological trends for R&D planning using SAO-based semantic patent networks // Scientometrics. 2011. T. 88, № 1. C. 213-228.

61. Yoon J., Park H., Kim K. Identifying technological competition trends for R&D planning using dynamic patent maps: SAO-based content analysis // Scientometrics. 2013. T. 94, № 1. C. 313-331.

62. Schultz L.I., Joutz F.L. Methods for identifying emerging General Purpose Technologies: A case study of nanotechnologies // Scientometrics. 2010. T. 85, № 1. C. 155-170.

63. Chang P.-L., Wu C.-C., Leu H.-J. Using patent analyses to monitor the technological trends in an emerging field of technology: A case of carbon nanotube field emission display // Scientometrics. 2010. T. 82, № 1. C. 5-19.

64. Gui J. h gp. IPC co-occurrence based technological trends discovery // Proceedings - 3rd International Conference on Information Management, Innovation Management and Industrial Engineering, ICIII 2010. 2010. T. 4. C. 459-462.

65. Cho T.-S., Shih H.-Y. Patent citation network analysis of core and emerging technologies in Taiwan: 1997-2008 // Scientometrics. 2011. T. 89, № 3. C. 795-811.

66. Chang P.-L., Wu C.-C., Leu H.-J. Investigation of technological trends in flexible display fabrication through patent analysis // Displays. 2012. T. 33, № 2. C. 68-73.

67. Érdi P. h gp. Prediction of emerging technologies based on analysis of the US patent citation network // Scientometrics. 2013. T. 95, № 1. C. 225-242.

68. Albino V. h gp. Understanding the development trends of low-carbon energy technologies: A patent analysis // Applied Energy. 2014. T. 135. C. 836-854.

69. Golembiewski B. h gp. Identifying trends in battery technologies with regard to electric mobility: Evidence from patenting activities along and across the battery value chain // Journal of Cleaner Production. 2015. T. 87, № 1. C. 800-810.

70. Suh J., Sohn S.Y. Analyzing technological convergence trends in a business ecosystem // Industrial Management and Data Systems. 2015. T. 115, № 4. C. 718-739.

71. Zhang S., Han F. Identifying emerging topics in a technological domain // Journal of Intelligent and Fuzzy Systems. 2016. T. 31, № 4. C. 2147-2157.

72. Perng Y.-H., Huang Y.-Y. Investigation of technological trends in shading devices through patent analysis // Journal of Civil Engineering and Management. 2016. T. 22, № 6. C. 818-830.

73. Gim J. h gp. A Trend Analysis Method for IoT Technologies Using Patent Dataset with Goal and Approach Concepts // Wireless Personal Communications. 2016. T. 91, № 4. C. 1749-1764.

74. Kose T., Yamano H., Sakata I. Detecting emerging complex technological fields in robotics // PICMET 2019 - Portland International Conference on Management of Engineering and Technology: Technology Management in the World of Intelligent Systems, Proceedings. 2019.

75. Chang S.-H. Revealing Development Trends and Key 5G Photonic Technologies Using Patent Analysis // Applied Sciences. 2019. T. 9, № 12. C. 2525.

76. Aaldering L.J., Leker J., Song C.H. Analysis of technological knowledge stock and prediction of its future development potential: The case of lithium-ion batteries // Journal of Cleaner Production. 2019. T. 223. C. 301-311.

77. Wu F., Tang M., Huang L. Analysis on the technologies' trend of R&D industry based on WIPO patent and SCI documents // 2nd International Conference on Information Science and Engineering, ICISE2010 - Proceedings. 2010. C. 117-120.

78. Lee J. h gp. Towards discovering emerging technologies based on decision tree // Proceedings - 2011 IEEE International Conferences on Internet of Things and Cyber, Physical and Social Computing, iThings/CPSCom 2011. 2011. C. 529-532.

79. Minke C., Turek T. Technology cycle analysis for emerging technologies on the example of the vanadium redox flow battery // World Automation Congress Proceedings. 2014. C. 382-387.

80. Joanny G. h gp. Monitoring of technological development - Detection of events in technology landscapes through scientometric network analysis // Proceedings of ISSI 2015 Istanbul: 15th International Society of Scientometrics and Informetrics Conference. 2015. C. 1259-1260.

81. Dernis H., Squicciarini M., de Pinho R. Detecting the emergence of technologies and the evolution and co-development trajectories in science (DETECTS): a 'burst' analysis-based approach // Journal of Technology Transfer. 2016. T. 41, № 5. C. 930-960.

82. Nazemi K., Burkhardt D. Visual Analytics for Analyzing Technological Trends from Text // Proceedings of the International Conference on Information Visualisation. 2019. T. 2019-July. C. 191-200.

83. Gluhov V. h gp. Analytical Modeling of Development and Implementation of Telecommunication Technologies // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2018. T. 11118 LNCS. C. 428-440.

84. Santa Soriano A., Lorenzo Álvarez C., Torres Valdés R.M. Bibliometric analysis to identify an emerging research area: Public Relations Intelligence—a challenge to strengthen technological observatories in the network society // Scientometrics. 2018. T. 115, № 3. C. 1591-1614.

85. Sheikh N.J., Sheikh O. Bibliometrics and patents: Case of forecasting biosensor technologies for emerging point-of-care and medical iot applications // Innovation Discovery: Network Analysis Of Research And Invention Activity For Technology Management. 2018. 25-43 c.

86. Zhou Y. h gp. A novel method to identify emerging technologies using a semi-supervised topic clustering model: a case of 3D printing industry // Scientometrics. 2019. T. 120, № 1. C. 167-185.

87. Abercrombie R.K., Udoeyop A.W. A study of scientometric methods to identify emerging technologies // Proceedings of ISSI 2011 - 13th Conference of the International Society for Scientometrics and Informetrics. 2011. T. 1. C. 2-12.

88. Xie Q.-Q., Li X., Huang L.-C. Identifying the Development Trends of Emerging Technologies: A Social Awareness Analysis Method using Web News Data Mining // 2018 Portland International Conference on Management of Engineering and Technology (PICMET). IEEE, 2018. C. 1-12.

89. Huang L., Yuan Y. Evaluation on the industrialization potential of emerging technologies based on principal component and cluster analysis // UKSim2010 - UKSim 12th International Conference on Computer Modelling and Simulation. 2010. C. 317-322.

90. Kaiser I. Collaborative trend analysis using web 2.0 technologies: A case study // International Journal of Distributed Systems and Technologies. 2012. T. 3, № 4. C. 1423.

91. Kucharavy D., Schenk E., De Guio R. Long-run forecasting of emerging technologies with logistic models and growth of knowledge // Competitive Design -Proceedings of the 19th CIRP Design Conference. 2014. C. 277-284.

92. Daim T.U., Oliver T., Phaal R. Technology roadmapping // Technology Roadmapping. World Scientific, 2018. C. i-783.

93. Wang H., Liu K., Long S. Identifying the Core Knowledge Domains of Emerging Technologies: The Case of New Energy Vehicles // 2018 Portland International Conference on Management of Engineering and Technology (PICMET). IEEE, 2018. C. 1-6.

94. Daim T.U., Oliver T., Phaal R. Technology Roadmapping // Technology Roadmapping. World Scientific, 2018. C. i-783.

95. Gorbachev S. Intellectual Multi-Level System for Neuro-Fuzzy and Cognitive Analysis and Forecast of Scientific-Technological and Innovative Development // MATEC Web of Conferences / nog peg. Siemens E. h gp. 2018. T. 155. C. 01012.

96. Lee K., Song Y., Lee S. Identifying emerging technologies in the e-business industry: A needs-driven approach // DCNET 2012, ICE-B 2012, OPTICS 2012 -Proceedings of the International Conference on Data Communication Networking, eBusiness and Optical Communication Systems, ICETE. 2012. C. 327-334.

97. Klavans R., Boyack K.W. Which Type of Citation Analysis Generates the Most Accurate Taxonomy of Scientific and Technical Knowledge? // Journal of the Association for Information Science and Technology. 2017. T. 68, № 4. C. 984-998.

98. Kyebambe M.N. h gp. Forecasting emerging technologies: A supervised learning approach through patent analysis // Technological Forecasting and Social Change. 2017.

99. Zhou Y. h gp. Forecasting emerging technologies using data augmentation and deep learning // Scientometrics. 2020.

100. Yoon J., Kim K. Detecting signals of new technological opportunities using semantic patent analysis and outlier detection // Scientometrics. 2012. T. 90, № 2. C. 445461.

101. Waltman L., van Eck N.J. A new methodology for constructing a publication-level classification system of science // Journal of the American Society for Information Science and Technology. 2012. Т. 63, № 12. С. 2378-2392.

102. Newman M.E.J. Fast algorithm for detecting community structure in networks // Physical Review E. 2004. Т. 69, № 6. С. 066133.

103. Viet N.T., Kravets A., Duong Quoc Hoang T. Data Mining Methods for Analysis and Forecast of an Emerging Technology Trend: A Systematic Mapping Study from SCOPUS Papers // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2021. С. 81-101.

104. Viet N.T., Gneushev V. Analyzing and Forecasting Emerging Technology Trends by Mining Web News // Communications in Computer and Information Science: 4th International Conference CIT&DS 2021 (Volgograd, Russia, September 20-23, 2021): Proceedings / под ред. A. G. Kravets, M. Shcherbakov, D. Parygin P.P.G. Volgograd State Technical University [et al.]. - Cham (Switzerland): Springer Nature Switzerland AG, 2021. С. 55-69.

105. Тхань Вьет Нгуен, А.Г. Кравец. Прогнозирование технологических тенденций на основе анализа разнородных данных // Программные продукты и системы. 2022. Т. 35, № 3. С. 396-412.

106. Карнышев В.И., Авдзейко В.И., Паскаль Е.С. Классификация технических направлений развития на основе анализа временных рядов патентов США. Эмпирический подход // Вестник Томского государственного университета. Экономика. 2021. № 53. С. 251-278.

107. Кравец А.Г., Сальникова Н.А. Предсказательное моделирование трендов технологического развития // Известия Санкт-Петербургского государственного технологического института (технического университета). 2020. № 55 (81). С. 103108.

108. Нгуен Т.В., Кравец А.Г., Щербаков М.В. Метод для анализа тенденций развития технологий управления эффективностью активов // Прикаспийский журнал: управление и высокие технологии. 2022. Т. 57, № 1. С. 39-53.

109. Watts R.J., Porter A.L. Innovation forecasting // Technological Forecasting and Social Change. 1997. Т. 56, № 1. С. 25-47.

110. Li X. и др. Forecasting technology trends using text mining of the gaps

between science and technology: The case of perovskite solar cell technology // Technological Forecasting and Social Change. 2019. Т. 146. С. 432-449.

111. Wang M.-Y., Fang S.-C., Chang Y.-H. Exploring technological opportunities by mining the gaps between science and technology: Microalgal biofuels // Technological Forecasting and Social Change. 2015. Т. 92. С. 182-195.

112. Wei F. и др. Decreasing the noise of scientific citations in patents to measure knowledge flow // 17th International Conference on Scientometrics and Informetrics, ISSI 2019 - Proceedings. 2019. С. 1662-1669.

113. Suominen A., Ranaei S., Dedehayir O. Exploration of Science and Technology Interaction: A Case Study on Taxol // IEEE Transactions on Engineering Management. 2021. Т. 68, № 6. С. 1786-1801.

114. Beel J., Gipp B. Academic Search Engine Spam and Google Scholar's Resilience Against it // The Journal of Electronic Publishing. 2010. Т. 13, № 3.

115. Brin S., Page L. The Anatomy of a Large-Scale Hypertextual Web Search Engine The Anatomy of a Search Engine // Computer Networks and ISDN Systems. 2010.

116. Kleinberg J.M. Authoritative Sources in a Hyperlinked Environment // The Structure and Dynamics of Networks. Princeton University Press, 2011. С. 514-542.

117. Dempsey W., Oselio B., Hero A. Hierarchical Network Models for Exchangeable Structured Interaction Processes // Journal of the American Statistical Association. 2021. С. 1-18.

118. Mistele T., Price T., Hossenfelder S. Predicting authors' citation counts and h-indices with a neural network // Scientometrics. 2019. Т. 120, № 1. С. 87-104.

119. Top Websites Ranking [Электронный ресурс]. 2021. URL: https://www.similarweb.com/top-websites/category/science-and-education/public-records-and-directories (дата обращения: 20.10.2021).

120. Campbell J.C., Hindle A., Stroulia E. Latent Dirichlet Allocation // The Art and Science of Analyzing Software Data. Elsevier, 2015. С. 139-159.

121. Gensim: Topic modelling for humans [Электронный ресурс]. URL: https://radimrehurek.com/gensim/index.html (дата обращения: 20.10.2021).

122. Maplotlib [Электронный ресурс]. URL: https://matplotlib.org/2.0.2/index.html (дата обращения: 20.10.2021).

123. Keras: библиотека глубокого обучение на Python. [Электронный ресурс].

2021. URL: https://ru-keras.com/home (дата обращения: 20.10.2021).

124. Нейронные сети, перцептрон [Электронный ресурс]. 2021. URL: https: //neerc. ifmo .т/шкШ^ех^р?ййе=Нейронные_сети,_перцешрон (дата обращения: 20.10.2021).

125. Сверточные нейронные сети [Электронный ресурс]. 2021. URL: https: //neerc. ifmo .ru/wiki/index.php?title=Сверточные_нейронные_сети (дата обращения: 20.10.2021).

126. Долгая краткосрочная память [Электронный ресурс]. 2021. URL: https: //neerc. ifmo .ru/wiki/index.php?title=Долгая_краткосрочная_память (дата обращения: 20.10.2021).

127. Тхань Вьет Нгуен, А.Г. Кравец. Общая стратегия работы веб-краулера для автоматизации сбора информации // Информационные технологии в науке и образовании. Проблемы и перспективы : сб. науч. ст. VI всерос. межвуз. науч.-практ. конф. (г. Пенза, 13 марта 2019 г.) / под ред. Л. Р. Фионовой. Пензенский гос. ун-т. -Пенза, 2019. С. 71-73.

128. Тхань Вьет Нгуен, А.Г. Кравец. Алгоритм работы веб-краулера для решения задачи сбора данных из открытых интернет источников // Известия Санкт-Петербургского гос. технологического ин-та (технического ун-та). 2019. № 51. С. 115-119.

129. Тхань Вьет Нгуен, А.Г. Кравец. Автоматизация сбора информации из открытых интернет источников // Математические методы в технике и технологиях (ММТТ-32): сб. тр. XXXII междунар. науч. конф. В 12 т. Т. 5 / под ред. А. А. Большакова. Санкт-Петербург: Санкт-Петербургский гос. технологический ин-т (техн. ун-т), Санкт-Петербургский ин-т информатики и автоматизации РАН, Санкт-Петербургский политехнический ун-т Петра Великого, Саратовский гос. техн. ун-т им. Гагарина Ю. А. [и др.], 2019. С. 131-135.

130. Roldan-Valadez E. и др. Current concepts on bibliometrics: a brief review about impact factor, Eigenfactor score, CiteScore, SCImago Journal Rank, Source-Normalised Impact per Paper, H-index, and alternative metrics // Irish Journal of Medical Science (1971 -). 2019. Т. 188, № 3. С. 939-951.

131. Industrial-Strength Natural Language Processing [Электронный ресурс].

2022. URL: https://spacy.io/ (дата обращения: 26.02.2022).

132. Natural Language Toolkit [Электронный ресурс]. 2022. URL: https://www.nltk.org/index.html (дата обращения: 27.02.2022).

133. SentenceTransformers Documentation [Электронный ресурс]. 2022. URL: https://www.sbert.net/ (дата обращения: 26.02.2022).

134. KeyBERT - Quickstart [Электронный ресурс]. 2022. URL: https://maartengr.github.io/KeyBERT/guides/quickstart.html (дата обращения: 26.02.2022).

135. Schulz E., Speekenbrink M., Krause A. A tutorial on Gaussian process regression: Modelling, exploring, and exploiting functions // Journal of Mathematical Psychology. 2018.

136. About The Lens [Электронный ресурс]. 2022. URL: https://about.lens.org/ (дата обращения: 19.06.2022).

137. van Eck N.J., Waltman L. Citation-based clustering of publications using CitNetExplorer and VOSviewer // Scientometrics. 2017.

138. Авдзейко В.И., Карнышев В.И., Мещеряков Р.В. Патентный анализ. Выявление перспективных и прорывных технологий // Russian Journal of Innovation Economics. 2018. Т. 8, № 1. С. 79-90.

139. Авдзейко В.И. и др. Патентный анализ: выявление перспективных направлений развития радиоэлектронных систем, использующих отражение и вторичное излучение радиоволн // Радиопромышленность. 2019. Т. 29, № 1. С. 53-60.

140. Chiba C. Life After USPC. 5 Things Patent Searchers Should Know About CPC [Электронный ресурс]. URL: lexisnexis.de/expertenbeitraege-webinare/downloads/whitepaper/life-after-uspc (дата обращения: 12.07.2022).

141. Marr B. Tech Trends in Practice : The 25 technologies that are driving the 4th Industrial Revolution // Machine Learning Process. 2020.

142. Bernard Marr. These 25 Technology Trends Will Define The Next Decade // Forbes. 2020.

143. Bernard Marr [Электронный ресурс]. URL: https://www.forbes.com/sites/bernardmarr (дата обращения: 12.07.2022).

144. Marr B. The 4 Biggest Trends In Big Data And Analytics Right For 2021 [Электронный ресурс] // Forbes. 2021. URL: forbes.com/sites/bernardmarr/2021/02/22/the-4-biggest-trends-in-big-data-and-analytics-

right-for-2021/ (дата обращения: 12.07.2022).

145. Marr B. The 5 Big Problems With Blockchain Everyone Should Be Aware Of // Forbes. 2018.

146. Тхань Вьет Нгуен, А.Г. Кравец. Метод прогноза исследовательских тенденций на основе алгоритма ранжирования статей // Математические методы в технике и технологиях - ММТТ : сб. тр. XXXIII междунар. науч. конф. ММТТ-33 (г. Казань - г. Калининград - г. Минск (Беларусь) - г. Саратов). В 12 т. Т. 8 / под ред. А. А. Большакова. Казань: КНИТУ, КГТУ, СГТУ им. Гагарина Ю. А., БНТУ. - Санкт-Петербург : Изд-во Политехнического ун-та, 2020. С. 123-127.

147. Тхань Вьет Нгуен, А.Г. Кравец, Зыонг К.Х.Т. Predicting Research Trend Based on Bibliometric Analysis and Paper Ranking Algorithm // Cyber-Physical Systems. Digital Technologies and Applications / под ред. A. G. Kravets, A. A. Bolshakov M.V.S. Cham (Switzerland): Springer Nature Switzerland AG, 2021. С. 109-123.

148. Тхань Вьет Нгуен, А.Г. Кравец. The New Method for Analyzing Technology Trends of Smart Energy Asset Performance Management // Energies. 2022. Т. 15, № 18. С. 6613.

149. Тхань Вьет Нгуен, Кравец А.Г. Новый метод прогнозирования технологических трендов на основе анализа научных статей и патентов // International Journal of Open Information Technologies. 2022. Т. 10, № 10.

150. Kleinberg J. Bursty and Hierarchical Structure in Streams // Data Mining and Knowledge Discovery. 2003.

151. Mane K.K., Börner K. Mapping topics and topic bursts in PNAS // Proceedings of the National Academy of Sciences. 2004. Т. 101, № 1. С. 5287-5290.

152. Chen C. CiteSpace II: Detecting and visualizing emerging trends and transient patterns in scientific literature // Journal of the American Society for Information Science and Technology. 2006. Т. 57, № 3. С. 359-377.

153. Sohrabi B. и др. Evaluation of Research Trends in Knowledge Management: A Hybrid Analysis through Burst Detection and Text Clustering // Journal of Information & Knowledge Management. 2019. Т. 18, № 04. С. 1950043.

154. Chen C. и др. Towards an explanatory and computational theory of scientific discovery // Journal of Informetrics. 2009. Т. 3, № 3. С. 191-209.

155. Yoon J. Detecting weak signals for long-term business opportunities using text

mining of Web news // Expert Systems with Applications. 2012. Т. 39, № 16. С. 1254312550.

156. Kristof Gyodi, Lukasz Nawaro & M.P. Keyword frequencies in popular tech media (01.2016-02.2020) (Version 1.0) [Data set] [Электронный ресурс]. 2020. URL: http://doi.org/10.5281/zenodo.3715353 (дата обращения: 20.10.2021).

157. Top 8 Blockchain and Cryptocurrency Trends that you must look out in 2021 [Электронный ресурс]. 2021. URL: https://dev.to/mathew_b/top-8-blockchain-and-cryptocurrency-trends-that-you-must-look-out-in-2021-3bog (дата обращения: 23.10.2021).

158. The 10 Most Important Cryptocurrencies Other Than Bitcoin [Электронный ресурс]. 2021. URL: https://www.investopedia.com/tech/most-important-cryptocurrencies-other-than-bitcoin (дата обращения: 23.10.2021).

159. Could the GDPR have helped prevent the Cambridge Analytica data breach? [Электронный ресурс]. 2021. URL: https://getterms.io/blog/could-the-gdpr-have-helped-prevent-the-cambridge-analytica-data-breach (дата обращения: 23.10.2021).

160. Data Privacy Scandal, Anyone? [Электронный ресурс]. 2021. URL: https://terranovasecurity.com/data-privacy-scandal-facebook (дата обращения: 23.10.2021).

161. From Energy To Transport To Healthcare, Here Are 8 Industries Being Disrupted By Elon Musk And His Companies [Электронный ресурс]. 2020. URL: https://www.cbinsights.com/research/report/elon-musk-companies-disruption (дата обращения: 23.10.2021).

162. What Does Elon Musk's New Tesla Battery Technology Mean for the Future? [Электронный ресурс]. 2020. URL: https://www.motorbiscuit.com/what-does-elon-musks-new-tesla-battery-technology-mean-for-the-future (дата обращения: 23.10.2021).

163. Facial recognition technologies see significant advancements [Электронный ресурс]. 2020. URL: https://www.securityinfowatch.com/access-identity/biometrics/facial-recognition-solutions/article/21152899/serious-advancements-in-facial-recognition-technologies (дата обращения: 23.10.2021).

164. The best facial recognition security cameras of 2021 [Электронный ресурс]. 2021. URL: https://www.cnet.com/home/security/best-facial-recognition-security-cameras (дата обращения: 23.10.2021).

165. In-depth Q&A: Does the world need hydrogen to solve climate change? [Электронный ресурс]. 2020. URL: https://www.carbonbrief.org/in-depth-qa-does-the-world-need-hydrogen-to-solve-climate-change (дата обращения: 23.10.2021).

166. Why green hydrogen is the renewable energy source to watch in 2021? [Электронный ресурс]. 2021. URL: https://abcnews.go.com/Technology/green-hydrogen-renewable-energy-source-watch-2021/story?id=74128340 (дата обращения: 23.10.2021).

167. Xu M. The Impact of Blockchain Technology on Stock Price: An Emprical Study // SHS Web of Conferences / под ред. Tsai S.-B. 2021. Т. 96.

168. Lam H.K.S. и др. The impact of 3D printing implementation on stock returns // International Journal of Operations & Production Management. 2019. Т. 39, № 6/7/8. С. 935-961.

169. Mazzucato M. Innovation and Stock Prices: a Review of some Recent Work // Revue de l'OFCE. 2006. Т. 97, № 5. С. 159-179.

170. Vitt C.A., Xiong H. The Impact of Patent Activities on Stock Dynamics in the High-Tech Sector // 2015 IEEE International Conference on Data Mining. IEEE, 2015. С. 399-408.

171. Senarathne C.W., Wei J. The impact of patent citation information flow regarding economic innovation on common stock returns: Volume vs. patent citations // International Journal of Innovation Studies. 2018. Т. 2, № 4. С. 137-152.

172. Grieco D. Innovation and stock market performance: A model with ambiguity-averse agents // Journal of Evolutionary Economics. 2018. Т. 28, № 2. С. 287-303.

173. Lee B. The Relationship between Technology Life Cycle and Korean Stock Market Performance // International Journal of Financial Studies. 2018. Т. 6, № 4. С. 88.

174. Dosso M., Vezzani A. Firm market valuation and intellectual property assets // Industry and Innovation. 2020. Т. 27, № 7. С. 705-729.

175. Тормозов В.С. и др. Интеллектуальный подход к задаче информирования и краткосрочного прогнозирования временного ряда в онлайн-режиме // Международный журнал «Программные продукты и системы». 2021. Т. 13. С. 399408.

176. Ji X., Wang J., Yan Z. A stock price prediction method based on deep learning technology // International Journal of Crowd Science. 2021. Т. 5, № 1. С. 55-72.

177. Thu H.G.T., Thanh T.N., Quy T. Le. A Neighborhood Deep Neural Network

Model using Sliding Window for Stock Price Prediction // 2021 IEEE International Conference on Big Data and Smart Computing (BigComp). IEEE, 2021. С. 69-74.

178. Nguyen T.-T., Yoon S. A Novel Approach to Short-Term Stock Price Movement Prediction using Transfer Learning // Applied Sciences. 2019. Т. 9, № 22. С. 4745.

179. Vo N.N.Y. и др. Deep learning for decision making and the optimization of socially responsible investments and portfolio // Decision Support Systems. 2019. Т. 124.

180. Jiang W. Applications of deep learning in stock market prediction: Recent progress // Expert Systems with Applications. 2021. Т. 184.

181. Li A.W., Bastos G.S. Stock Market Forecasting Using Deep Learning and Technical Analysis: A Systematic Review // IEEE Access. 2020. Т. 8. С. 185232-185242.

182. Yang C., Zhai J., Tao G. Deep Learning for Price Movement Prediction Using Convolutional Neural Network and Long Short-Term Memory // Mathematical Problems in Engineering. 2020. С. 1-13.

183. Samsung Electronics Co., Ltd. (005930.KS) [Электронный ресурс]. 2022. URL: https://finance.yahoo.com/quote/005930.KS/history?p=005930.KS (дата обращения: 14.02.2022).

184. scikit-optimize. Sequential model-based optimization in Python [Электронный ресурс]. 2020. URL: https://scikit-optimize.github.io/stable/ (дата обращения: 23.01.2022).

185. O'Malley T. и др. Keras Tuner [Электронный ресурс]. 2019. URL: https://keras.io/keras_tuner/ (дата обращения: 03.02.2022).

186. Wu J. и др. Hyperparameter optimization for machine learning models based on Bayesian optimization // Journal of Electronic Science and Technology. 2019. Т. 17, № 1. С. 26-40.

187. sklearn.linear_model.ElasticNet [Электронный ресурс]. 2022. URL: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.ElasticNet.html (дата обращения: 23.01.2022).

188. The Sequential model [Электронный ресурс]. 2020. URL: https://keras.io/guides/sequential_model/ (дата обращения: 23.01.2022).

189. Conv1D layer [Электронный ресурс]. 2022. URL: https://keras.io/api/layers/convolution_layers/convolution1d/ (дата обращения:

23.01.2022).

190. LSTM layer [Электронный ресурс]. 2022. URL: https://keras.io/api/layers/recurrent_layers/lstm/ (дата обращения: 23.01.2022).

191. Tesla, Inc. (TSLA) [Электронный ресурс]. URL: https://finance.yahoo.com/quote/TSLA?p=TSLA (дата обращения: 03.02.2022).

192. sklearn.metrics.silhouette_score [Электронный ресурс]. 2022. URL: https://scikit-learn.org/stable/modules/generated/sklearn.metrics.silhouette_score.html (дата обращения: 26.02.2022).

193. Alan. Top 10 Technology Trends in the Global Semiconductor Industry in 2022 [Электронный ресурс]. 2022. URL: https://www.utmel.com/blog/categories/semiconductor/top-10-technology-trends-in-the-global-semiconductor-industry-in-2022 (дата обращения: 17.02.2022).

194. Top 10 Electronics Manufacturing Trends, Technologies & Innovations for 2022 [Электронный ресурс]. 2022. URL: https://www.startus-insights.com/innovators-guide/electronics-manufacturing-trends (дата обращения: 23.01.2022).

195. 5 Trends to Watch in 2022: Autonomous Vehicles [Электронный ресурс]. 2022. URL: https://www.gtlaw.com/en/insights/2022/1/published-articles/5-trends-to-watch-in-2022-autonomous-vehicles (дата обращения: 23.01.2022).

196. TrendForce 2022 Infrared Sensing Application Market and Branding Strategies- Open up New Horizons [Электронный ресурс]. 2022. URL: https://www.ledinside.com/node/32494 (дата обращения: 19.02.2022).

197. Proximity sensor market - growth, trends, covid-19 impact, and forecasts (2022 - 2027) [Электронный ресурс]. 2022. URL: https://www.mordorintelligence.com/industry-reports/global-proximity-sensors-market-industry (дата обращения: 19.02.2022).

198. The global neuromorphic computing trends are set to dominate computer systems in 2022 [Электронный ресурс]. 2022. URL: https://www.analyticsinsight.net/know-neuromorphic-computing-trends-to-leverage-in-2022/ (дата обращения: 19.02.2022).

199. Liu Y. и др. Current and future lithium-ion battery manufacturing // iScience. 2021. Т. 24, № 4.

200. Top 10 Renewable Energy Trends & Innovations in 2022 [Электронный

ресурс]. 2022. URL: https://www.startus-insights.com/innovators-guide/top-10-renewable-energy-trends-2022/ (дата обращения: 23.01.2022).

201. Biometric Trends and Statistics to Keep an Eye on in 2022 [Электронный ресурс]. 2022. URL: https://imageware.io/biometric-trends-and-statistics/ (дата обращения: 19.02.2022).

202. Metal-air Battery Market Trends, Business Overview, Key Players, Demand and Forecast to 2028 [Электронный ресурс]. 2022. URL: https://www.marketwatch.com/press-release/metal-air-battery-market-trends-business-overview-key-players-demand-and-forecast-to-2028-2022-02-09 (дата обращения: 19.02.2022).

203. Natural Language Processing market 2022 Growth Analysis by Key Players, Globally Effective Factors, Trends, Business Plans, and Forecast to 2030 [Электронный ресурс]. 2022. URL: https://www.taiwannews.com.tw/en/news/4399824 (дата обращения: 19.02.2022).

204. Time Series Intelligence Software Market 2022: Booming Across The Globe By Share, Growth Size, Key Segments and Regional Forecast by 2027 [Электронный ресурс]. 2022. URL: https://www.marketwatch.com/press-release/time-series-intelligence-software-market-2022-booming-across-the-globe-by-share-growth-size-key-segments-and-regional-forecast-by-2027-2021-12-16 (дата обращения: 19.02.2022).

205. 9 Streaming Trends for 2022/2023: Top Predictions You Should Be Thinking About [Электронный ресурс]. 2022. URL: https://financesonline.com/streaming-trends/ (дата обращения: 19.02.2022).

206. Water Purifier Market: Global Industry Trends, Share, Size, Growth, Opportunity and Forecast 2022-2027 [Электронный ресурс]. 2022. URL: https://www.researchandmarkets.com/reports/5530617/water-purifier-market-global-industry-trends (дата обращения: 19.02.2022).

207. Top 5 Technology Trends for 2022 [Электронный ресурс]. 2022. URL: https://www.electronicdesign.com/resources/industry-insights/article/21213883/intelligent-product-solutions-top-5-technology-trends-for-2022 (дата обращения: 23.01.2022).

208. A car made from recycled plastic? This could be the future [Электронный ресурс]. 2021. URL: https://abcnews.go.com/Business/car-made-recycled-plastic-future/story?id=81634993 (дата обращения: 23.01.2022).

209. 10 technology trends that will shape the hybrid reality in 2022 and beyond [Электронный ресурс]. URL: https://www.businessinsider.com/sc/10-technology-trends-for-2022-beyond-2022-1 (дата обращения: 23.01.2022).

210. What Trends Will Set the Course of Change in the Automotive Industry for 2022 [Электронный ресурс]. URL: https://grapeup.com/blog/what-trends-will-set-the-course-of-change-in-the-automotive-industry-for-2022-year (дата обращения: 23.01.2022).

Приложение 1. Свидетельства о регистрации программ для ЭВМ

IPTCOTlŒAШ #ВД!1РАЩИЖ

/

Приложение 2. Акты внедрения и использования результатов исследования

This act confirms that the research results of the dissertation work "Analyze and forecast technological trends based on processing heterogeneous data from open sources" of PhD student Nguyen Thanh Viet from Volgograd state technical university, have been implemented at PHUC HUNG PRIVATE GENERAL HOSPITAL to analyze scientific research and technological trends in the subject area "Patent ductus arteriosus in very low birth weight infants" (PDA in VLB W infants) for the period 20122022.

In particular, based on the data mining methods developed in the dissertation for analyzing scientific articles, the significant trends (most frequent keywords), the most influential (cited) keywords, and important topics (keyword clusters) of scientific research in this subject area were identified. More specifically, these major research trends are the Diagnosis (i.e., doppler echocardiography), the Treatments (i.e., cyclooxygenase inhibitors, ibuprofen group, paracetamol group, indomethacin, heart surgery, oxygen therapy, surgical ligation, etc.), the Complications (i.e., brain hemorrhage, gastrointestinal hemorrhage, lung dysplasia, necrotizing enterocolitis, periventricular leukomalacia, acute kidney failure, etc.), the Research methods (i.e., meta-analysis, randomized controlled trial, placebo, cochrane neonatal review group, etc.).

The obtained results help us explore latest research trends of subject area "PDA in VLBW infants" and improve diagnosis and treatment methods. Thus, the proposed methods in the dissertation are practical and useful for further implementation of analyzing scientific research and technology trends in numerous subject areas.

JOINT STOCK COMPANY PHUC HUNG

(Phuc Hung private general hospital)

06 Cao Ba Quat, Nghia Chanh ward, Quang Ngai city, Vietnam

Tel.: [phone] E-mail: [e-mail] Website: www.benhvienphuchung.com.vn

ACT

on the result implementation of the dissertation work

Quang Ngai, ^ July, 2022 THE BOARD OF DIRECTORS

KT. GIÄM вбе

^f^XPHÖ GIÄM вбе

совместная компания

РУСВЬЕТПЕТРО

Общество с ограниченной ответственностью «Совместная компания «РУСВЬЕТПЕТРО»

Россия, 127422, Москва, Дмитровский проезд, дом 10, строение 1, тел.: [phone], факс: [phone] E-mail: [e-mail], www.rvpetro.ru

От 06.07.2022

АКТ

о внедрении результатов диссертационной работы Нгуен Тхань Вьет

Настоящим актом подтверждается, что результаты диссертационной работы аспиранта Нгуен Тхань Вьет «Анализ и прогнозирование технологических тенденций на основе обработки разнородных данных из открытых источников» внедрены в ООО «СК «РУСВЬЕТПЕТРО» для анализа и прогноза тенденций технологии Мультифазных насосов за период 2012-2022.

В результате получены характеристики доступных конструкций подводных мультифазных насосов, а также предложен метод предотвращения повреждения мультифазных насосов. Кроме того, на основе разработанных методов в диссертации для интеллектуального анализа данных из научных статей и патентов были выделены наиболее влиятельные факторы (страны, организации), важные направления научных исследований и основные тенденции (статистика, кластеризация ключевых слов) в данной предметной области.

В отличие от существующих подходов предложенные методы реализуют извлечение ключевых слов из текста, а также обработку разнородных данных из открытых источников. Полученные результаты и предложенные методы в дальнейшем найдут практическое применение при анализе и прогнозе тенденций технологии других предметных областей.

Главный механик, начальник отдела главного механика А. В. Дрынкин

Подпись Дрынкина Алексея Васильевиче Начальник управления по работе с персо

ООО «СК «РУСВЬЕТПЕТРО»

Д. А. Маркина