I. 主题归纳

本期提供的80篇论文中，大量标题包含“patent”的文献实为医学领域研究，指代的是“通畅的”（如血管、孔道），而非“专利”。经严格筛选，与专利信息处理与技术分析 直接相关的论文共12篇。这些文献集中反映了该领域在方法论与应用层面的最新进展。

主要研究方向归纳：

1. 专利文本挖掘与自动分类：这是最活跃的方向。研究聚焦于利用深度学习模型（如Transformer架构）和大语言模型（LLM）提升专利自动分类的准确性和可解释性。例如，[40] 提出了结合密集向量表示和知识外化的分类模型，[41] 探索了基于产品生命周期的多维分类推送方法，[63] 则使用先进的LLM进行专利的自动化、细粒度技术分类，以分析知识流动。

2. 技术预测与演进分析：关注通过专利数据识别技术发展趋势、预测未来方向。研究结合了传统计量指标与新兴的机器学习、网络分析技术。例如，[31] 通过高价值专利知识图谱识别新兴技术，[60] 利用多维特征对绿色专利合作网络进行链路预测，[64] 研究了绿色专利对金融周期的预测作用。

3. 新兴技术检测与评估：旨在从海量专利数据中识别和评估具有潜力的新兴或颠覆性技术。这通常涉及对专利文本、引文网络和外部数据的综合分析。例如，[67] 通过文本挖掘构建建筑机器人技术体系并评估其潜力，[71] 则结合专利与科学文献矩阵进行前瞻性分析。

4. 专利知识图谱构建与应用：知识图谱成为连接专利语义与结构化关系的核心工具。研究重点是如何从专利文本中抽取实体关系构建图谱，并用于深入分析。[31] 是典型案例，其构建的高价值专利知识图谱被用于新兴技术识别。

5. 大模型（LLM）在专利分析中的深度应用：本期最显著的方法论进展。LLM不再仅仅是文本处理的工具，而是被用于自动化且高精度的专利分类[63]、量化创新[68]、提取关键短语[75]以及分析科学与技术社区的交互[80]。这标志着专利分析正从依赖规则和传统NLP模型，向利用LLM的深层语义理解能力转变。

期刊情况：

• 发文分布：12篇相关论文分布在11种不同期刊，呈现出高度分散性，说明该交叉领域的研究被多个学科社区关注。
• 期刊特点：
  • 聚焦型期刊：World Patent Information ([75]) 是该领域的传统核心期刊，专注于专利信息科学。
  • 情报科学/计量学期刊：Scientometrics ([25])、Journal of Information Science ([80]) 是发表专利计量、科学学研究的核心阵地。
  • 交叉创新期刊：Nature Energy ([63]) 的介入，表明顶尖综合期刊开始关注利用前沿计算方法（如LLM）进行深入的专利知识流分析，提升了研究的高度和影响力。
  • Frontiers/MDPI系列：发表了多篇应用型研究（如[31], [60]），特点是开放获取、发表周期快，推动了具体技术领域专利分析案例的快速传播。

II. 发展趋势

1. 数据分析深度演进：从结构化计量到语义与因果关联
   传统专利分析依赖IPC分类号、申请日、申请人、引用次数等结构化信息。本期研究显示，趋势已全面转向对全文文本的深度挖掘。[63], [75] 直接处理专利全文以实现精确分类和关键信息提取。更进一步，分析目标从单一模态文本扩展到图文多模态（尽管本期案例中图像分析多为医学影像，但[68]提及了与专利相关的图像创新）以及文本-引文网络-科学文献的多源数据融合[71, 80]。目标也从描述“是什么”转向解释“为什么”和“将怎样”，例如[64]探讨绿色专利如何因果影响金融周期，[31]通过知识图谱揭示技术间的语义与结构关系。

2. 技术表征物的演进：从追踪“热点”到识别“关键”与“颠覆”
   研究焦点从普遍的技术领域测绘，转向对特定关键技术的深度刻画。例如，[63] 精细分析锂离子与钠离子电池之间的知识依赖关系，这对产业战略至关重要；[31] 旨在识别高价值专利背后的新兴技术；[25] 则专注于评估专利组合对气候变化的贡献价值。这表明分析正服务于更具体的战略决策需求，如技术自立自强（“卡脖子”技术识别）和颠覆性创新预警。

3. 与前沿技术的交叉融合：LLM与KG成为核心双引擎
   大语言模型（LLM） 与知识图谱（KG） 的融合是本周期最突出的趋势。LLM凭借其强大的语义理解能力，承担了专利文本的深度解读、信息抽取和自动化分类任务（如[63], [75]），极大地提升了分析的广度与效率。而知识图谱则将LLM提取的实体和关系进行结构化组织，构建出可推理、可网络分析的技术知识体系（如[31]）。两者结合，形成了“LLM感知理解，KG结构化推理”的新范式，使得对复杂技术生态系统的分析成为可能。此外，与社会网络分析（[60]）、因果推断模型（[64]）的结合也日益深化。

III. 研究脉络中的推进情况

核心研究脉络：专利信息分析方法的演进主线是 “数据规模化 → 处理智能化 → 洞察深度化”。早期研究基于统计计量，随后引入自然语言处理（NLP）进行文本挖掘，近年来则进入预训练语言模型（如BERT）和知识图谱阶段。

本期论文的推进位置与贡献：

• 在方法演进脉络上：本期论文集体处于 “大语言模型（LLM）+” 的新阶段。它们不是简单应用BERT等模型，而是探索LLM（如GPT类模型）在专利分类、知识流映射、创新量化等复杂任务中的能力边界。[63] 和 [75] 是此方向的标志性尝试。
• 标志性方法突破：
  • 细粒度、可解释的自动化分类：[63] 使用先进LLM对超过15,000个专利家族进行自动化、细粒度的技术分类，并用于绘制跨电池化学领域的知识流图谱，这在规模、精度和应用深度上是一个显著突破。
  • 大模型赋能的创新量化：[68] 创新性地提出利用LLM来量化卒中领域的创新，试图建立专利与科学出版物之间的语义联系，为衡量医疗技术创新提供了新方法学。
• 重要数据集与框架贡献：
  • [31] 提出的“高价值专利知识图谱构建与新兴技术识别框架”，为整合专利多维特征（技术、法律、经济）和语义关系提供了系统性的实施方案。
  • [67] 构建的建筑机器人专利技术体系，以及[71]的专利-文献矩阵前瞻分析框架，为特定领域的专利分析提供了可复用的方法论模板。

IV. 研究空白、期刊特征与后续选题

研究空白：

1. 专利多模态数据的深度融合：现有研究仍以文本为主。对专利附图、化学式、电路图等非文本信息的自动化分析与文本信息的有效结合尚处于起步阶段，是亟待突破的“富矿”。

2. 大模型分析的可靠性与可解释性：LLM在专利分析中展现出强大潜力，但其输出结果的稳定性、偏差问题及决策过程的不透明性（“黑箱”问题）尚未得到充分审视和解决。

3. 动态、实时与因果推断分析：多数研究是静态或回溯性的。如何利用实时数据流进行技术机会动态监测，以及如何运用因果推断模型更严谨地评估政策、市场事件对专利活动的影响，仍是挑战。

4. 对非结构化技术报告的拓展：分析对象过度集中于已公开的专利文献。如何将分析方法扩展至技术标准、科技报告、项目申请书等非专利但富含技术信息的文本，以形成更全面的技术情报视图，关注不足。

5. 伦理与偏见研究：专利数据中存在的性别、地域、机构类型等系统性偏见如何被算法放大，以及相关的伦理问题，在学术界几乎未被讨论。

后续交叉选题建议：

• （经济管理+情报学）：基于LLM与知识图谱的产业关键技术“断链”风险实时评估与预警研究——结合企业股权网络、供应链数据和专利知识图谱，动态识别产业链薄弱环节。
• （公共政策+情报学）：“绿色创新泡沫”的识别、测度与政策形成机制研究——借鉴[50]的思路，利用专利文本与公司财务数据，构建量化模型，分析不同绿色政策（如补贴、碳交易）在激励“实质性创新”与“策略性创新”上的差异化效果。
• （情报学+计算机科学）：面向专利的领域适应性大模型构建与评测基准研究——针对专利文本长、专业性强、结构特殊的特点，训练领域专用的LLM，并建立一套完整的评测任务和基准数据集。
• （公共政策+经济管理）：颠覆性技术早期识别的混合信号体系研究——不仅分析专利（技术供给信号），同时融合学术论文（科学推动信号）、风险投资（市场认可信号）和社交媒体关注度（社会感知信号），构建多维早期预警系统。

V. 参考文献列表

[1] Chen Yijia, Tan Juntao, Yang Tan Liu Ruilin. Measurement and Spatiotemporal Evolution Characteristics of Artificial Intelligence Invention Patents in Guangdong Based on the BERT Large Language Model. 《SHILAP Revista de lepidopterología》, 2026. https://doaj.org/article/2eb48a85556641f18d26cad7518c9324
[2] Chuan Zhan, Yang Zhou, Yanping Huang. Research on Emerging Technology Identification Methods Based on a Knowledge Graph of High-Value Patents. 《Big Data and Cognitive Computing》, 2026. https://www.mdpi.com/2504-2289/10/2/40/pdf?version=1769588988
[3] Luciano Zamperetti Wolski, Alexandre Leopoldo Gonçalves. PATENT CLASSIFICATION MODEL BASED ON DENSE VECTOR REPRESENTATION, SORTING TECHNIQUES, AND KNOWLEDGE EXPLICATION. 《Revista E-Tech Tecnologias para Competitividade Industrial – ISSN – 1983-1838》, 2026. https://etech.sc.senai.br/revista-cientifica/article/download/1447/456
[4] Zhen Zhang, Xuan Yan. A patent push method and system based on the product life cycle multi-dimensional classification. 《Journal Of Big Data》, 2026. https://doi.org/10.1186/s40537-026-01382-z
[5] Goutam Dinda, Ziaur Rahman. Pedagogy and Patents: Mapping Teaching Innovation Trends in Information Studies. 《Education for Information》, 2026. https://doi.org/10.1177/01678329261425827
[6] Chen Yang, Chuan‐Yue Qin, Yu‐Ning Hu. Academic and industrial prospects of sodium‐ion batteries: Combining bibliometric and patent analysis. 《Environmental Progress & Sustainable Energy》, 2026. https://onlinelibrary.wiley.com/doi/pdfdirect/10.1002/ep.70371
[7] André Hemmelder, Anurag Panda, Leopold Peiseler, Simon Lux, Jens Leker. Knowledge interdependencies between lithium- and sodium-ion battery chemistries. 《Nature Energy》, 2026. https://doi.org/10.1038/s41560-026-01985-z
[8] Baixu Zhang, Chao Mao, Tingpeng Wang, Qianqian Yao, Jianlong Jie. Evaluating the potential and technological opportunities in construction robotics: a patent analysis. 《Engineering Construction & Architectural Management》, 2026. https://doi.org/10.1108/ecam-02-2025-0317
[9] Catalina Gómez Hoyos, Jhon Zartha Sossa, Luis Botero Montoya, Jorge Velásquez Cock, Nicolás Montoya Escobar. A Prospective Study of Bioeconomy-Based Strategies in the Corn Sector Using a 2035 Time Horizon and the Delphi Method, S-Curves and Patent–Publication Matrices. 《Sustainability》, 2026. https://www.mdpi.com/2071-1050/18/3/1634/pdf
[10] Yaojia Mu, Miao Liu, Huaxiang Zhang, Zhongxue Gan, Guo-Niu Zhu. Towards efficient patent analysis: A large language model and BERT-refined methodology for keyphrase extraction. 《World Patent Information》, 2026. https://doi.org/10.1016/j.wpi.2026.102435
[11] S.M. Krishna Ganesh, Prolay Ghosh, Amit S. Tiwari, Bhushan S. Deore, Jignesh Hirapara. Computer-aided innovation for intelligent product design: a text mining and knowledge management approach. 《Future Technology》, 2026. https://fupubco.com/futech/article/download/622/282/1856
[12] Y.S. Zhang, Zhichao Ba, Kai Meng, Gang Li. Untangling orientations and dynamics of science–technology interactions through a community-based linkage approach. 《Journal of Information Science》, 2026. https://doi.org/10.1177/01655515251403534