文章荐读 | 数智驱动背景下产业竞争情报智慧服务的认知框架与实现逻辑

文 章 荐 读 

数智驱动背景下产业竞争情报智慧服务的认知框架与实现逻辑

郑荣^1,2, 王晓宇¹, 高志豪^1, 雷亚欣¹

1.吉林大学商学与管理学院，长春 130012

2.吉林大学信息资源研究中心，长春 130012

摘要

       探索数智驱动背景下产业竞争情报智慧服务的认知与实现等问题，有助于情报赋能产业健康有序发展。本文采用系统性文献综述与案例分析方法，按照“认识问题-分析问题-解决问题”的论证思维公式，从服务认识、服务分析、服务实现三个视角探讨产业竞争情报智慧服务的研究进展，概括并揭示产业竞争情报服务具有“服务技术智能交互化、服务模式问题导向化、服务环境积极生态化”的新特点。本文提出的“智能技术多维度融入、服务范式深层次转变、服务生态全方位重塑”的认知框架，以及“数据融合-知识挖掘-智慧服务”的实现逻辑，有助于拓展产业竞争情报服务理论，为服务实践提供了新思路。

关键词

产业竞争情报; 智慧服务; 数智驱动; 认知框架; 实现逻辑   

引用格式：

郑荣, 王晓宇, 高志豪, 雷亚欣. 数智驱动背景下产业竞争情报智慧服务的认知框架与实现逻辑[J]. 情报学报, 2023, 42(7): 761-774.

👈长按识别文章二维码查看全文

0

引言

        产业竞争情报是竞争情报纵深发展的新分支，是以提升国家或区域特定产业整体竞争力为主要目的而开展的竞争情报理论方法研究及其实践应用工作的总和^[1]，在感知产业环境、了解竞争对手、制定产业战略方面发挥重要效用。动态涌现的信息技术革命与竞争情报实践交融渗透，深刻影响产业竞争情报的领域理论重塑与实践进展。大数据与智能信息技术的有效嵌入，使借助数据挖掘、深度学习等技术实现知识推理和决策预判的全链条、全场景、高效、敏捷的竞争情报智慧服务应运而生。《“十四五”大数据产业发展规划》中指出，要促进数据高价值转换，加快推动行业大数据应用发展。一方面，数据融合、机器学习等智能技术嵌入情报服务，弥补了传统情报工作在信息收集不全、规模数据处理速度慢、情报分析不深入、服务反馈不及时等诸多弊端；另一方面，各国企业攀升高端价值链，使竞争态势从产品竞争转向产业竞争，各产业主体需要从海量数据中快速、准确地获得高价值情报，从而迫切需要科学高效的智能化、智慧化情报服务支持。

        显然，技术环境发展与情报需求牵引共同推动产业竞争情报服务向数据与智能双重驱动的智慧服务迈进，同时也带来知识更迭的研究挑战。“认识问题-分析问题-解决问题”是人类认识世界、改变世界的思维要诀，有助于认识新事物、解决新问题。鉴于此，本文采用系统性文献综述和案例分析研究方法，围绕“服务认识-服务分析-服务实现”的论证思维逻辑，对数智驱动背景下产业竞争情报智慧服务现有理论研究与实践经验进行归纳总结，并探讨其认知框架与实现逻辑。本文主要研究的问题包括：①产业竞争情报智慧服务产生的原因是什么？②如何深刻认识产业竞争情报智慧服务？③实现产业竞争情报智慧服务的逻辑思路是什么？本文的写作逻辑思路如图1所示。

1

数据与方法

        系统性文献综述方法针对具体的研究问题系统全面地收集文献，并依据预设的文献选择标准进行文献筛选与系统分析，进而回答研究问题，相较于传统综述方法，其具有系统、全面、透明、可复制等优点^[2]。本文基于演绎法梳理相关概念，分析数智驱动背景下产业竞争情报智慧服务内涵的核心要点，在概念识别清晰、研究问题明确的基础上制订文献收集计划。为保证系统分析的文献质量，提前预设文献纳入/排除标准，以界定文献收集范围。

        本文根据研究问题，在与专家讨论、实验性检索的基础上确定检索词。文献检索工作于2022年2月12日—3月9日进行，采用中文检索式“(竞争情报+产业竞争情报+产业情报+行业情报+产业知识服务) AND (智能+智慧)”在中文数据库CNKI（China National Knowledge Infrastructure）中检索；以字符串“(Competitive intelligence* OR Industry Competitive Intelligence* OR Industry intelligence* OR Industrial Knowledge Service*) AND (Intelligent OR Smart)”分别在英文数据库ScienceDirect、SAGE Journals、Emerald、Taylor & Francis Online、SpringerLink、Wiley Online Library、Web of Science中检索，检索字段为标题、关键词、摘要，字段间逻辑关系为“或”，不限制文献类型、出版时间，检索得到中文文献222篇、英文文献3855篇，共计4077篇。经文献去重、初筛、深度筛选、文献追踪、质量评估后，最终保留151篇，对文献编码后进行描述性分析和系统性分析。本文系统性文献综述工作流程如图2所示。

2

描述性分析

        完成文献质量评估后，对151篇文献进行编码、数据处理，分析样本文献的外部特征及内部特征，以便于后续系统性分析的合理深入。

2.1　文献集特征分布

        2003年以后，领域研究热度提升，学者逐渐开始重视将信息技术应用于企业竞争情报以及分析各类数据在竞争情报中的作用；自2009年开始，明确将“产业竞争情报”作为研究对象的成果不断涌现，并结合互联网背景分析多源信息的收集与挖掘；2015—2018年，迎来研究高峰期，新技术与新环境的革命性冲击导致竞争情报服务理念、方法流程、需求情境发生改变，领域研究出现新问题和新机遇。随着国家大数据战略的实施，关注数据与智能驱动的产业竞争情报研究快速增长。从学科分布来看，图书情报学、企业经济学、计算机科学等学科领域研究突出。其中，图书情报学是该领域研究的主阵地，且跨学科、跨领域的交叉研究趋势显著，推动研究主题、研究情境、理论方法等不断融合创新。从文献类型来看，以期刊论文为核心，以会议论文、科技报告为主要研究成果。文献集总体特征如图3所示。

图3  文献集特征分布

2.2　研究视角划分

        主题词能够直接反映文献的研究内容。本文通过词频统计、利用可视化软件微词云对样本文献研究主题进行共现，得到文献主题词云，如图4所示。一方面，“产业竞争情报”“大数据技术”“智能+”“智慧化”主题词区域集中显著，表明“数智驱动”正深刻影响产业竞争情报的研究实践。另一方面，对关键区域主题词的归纳提炼，按照“认识问题-分析问题-解决问题”的思维公式，可以进一步细化研究视角：①服务认识层面，包括概念内涵、产生原因、产生背景等，该方面的研究正在起步；②服务分析层面，服务技术、服务模式、服务环境三大主题成为研究的焦点内容；③服务实现层面，包括基本功能、数据融合、实践案例等，侧重分析大数据和智能技术赋能情报服务的动力基础。

图4  文献研究主题词云图

3

系统性分析

        由样本文献宏观表征的描述性分析可知，现有文献主要从“服务认识层”的概念内涵、产生背景及原因，“服务分析层”的技术支撑、服务模式、服务环境，以及“服务实现层”的实践探索等主题展开研究。本文将结合研究主题发展脉络与数智驱动的时代背景，对其进行系统分析，为底层认知框架与实现逻辑的提出奠定理论基础。

3.1　数智驱动背景下产业竞争情报智慧服务的概念内涵

        关于产业竞争情报的概念国外学者没有明确阐释，但一直在推进相关研究实践。我国学者郑彦宁等^[3-4]、陈峰^[5]、赵筱媛等^[6]、张立超等^[7]最早提出产业竞争情报理念，认为产业竞争情报是面向产业竞争系统，向本国或本地区产业链内的企业群体提供其所需的动态性、应对性情报。产业竞争情报服务主要涉及理论研究^[8]、案例研究^[9]、面向不同场景的研究^[10]以及新技术应用的研究^[11-13]。随着大数据与各产业链深度融合，面向大数据背景下的竞争情报服务^[14-15]以及面向智能化、智慧化的竞争情报服务^[16-17]研究逐渐增多。化柏林等^[18]认为，智慧情报具有需求敏感、数据多源、分析智能、服务嵌入四个特点。刘如等^[19]认为，大数据等新兴技术推动情报工作向智能服务转型，服务转型的关键是搭建智能化工作平台、优化情报分析工具及推进智库建设。罗立群等^[20]提出智慧情报服务是对主动情报系统和自适应情报系统情报处理的仿真。郑荣等^[21-22]认为，产业竞争情报智慧服务强调以多源数据为基础，依托数据智能满足用户智能化、智慧性的情报需求。

        鉴于此，本文认为“数”是指“数据环境”，“智”是指“智能信息技术”。“数”与“智”既是驱动产业竞争情报服务向智能化、智慧化阶段迈进的驱动力，又是产业竞争情报智慧服务的两个突出特点。“数据”与“智能”是产业竞争情报智慧服务的“一体两翼”，并通过情报获取与感知、情报分析与刻画、情报响应与服务三个阶段，形成多元主体价值共创的组织协同和良性循环的发展环境，为不同层次用户提出具有针对性、个性化的决策建议，进一步将竞争情报转化为决策行动和竞争优势，以提升国家或地区特定产业的整体竞争力。产业竞争情报智慧服务是在大数据环境下为能更高效地满足产业主体竞争情报需求的迭代升级。在大数据环境下，情报与产业主体的融合度更高，快速准确地获取多源异构海量数据，并有效嵌入数据融合、知识挖掘等智能评估模型及算法工具，推动产业竞争情报服务自适应、自组织和自进化，使情报赋能产业发展效能最大化，是产业竞争情报服务在数智时代背景下的新使命。

        从产业竞争情报智慧服务过程来看，情报获取与感知是智慧服务实现的前提条件。数据环境的无限开放和高度离散分布会给产业主体在组织行为、决策、运行等方面带来更多的不确定性，如何在不确定的环境中寻求确定性，提前感知市场风险、预测产业趋势，为各产业主体的数据感知能力提供支撑，是产业竞争情报智慧服务的必然要求。因此，快速准确地获取、感知、融合不同结构、不同类型、不同内容、不同来源、不同模态的“多源数据”是智慧情报服务实现的基础，情报分析与刻画是智慧服务实现的关键所在。为避免数据迷雾的困扰，智能信息技术的有效嵌入能够完成多源数据融合与知识挖掘，基于数据智能呈现、导航、记忆各类产业服务场景，实现有效的情报表达，辅助情报与用户之间的友好交互，降低数据迷航，为智慧服务的顺利实现提供保障。情报响应与服务是智慧服务实现的最终目标。从服务于决策的本质上看，在经历情报的获取感知、分析刻画后，最终目的是辅助产业决策。缩短各产业主体的需求满足时间，提高数据环境的反应效率，提升情报在产业发展中的赋能效价，是产业竞争情报智慧服务形成良好生态的关键。

        “数智驱动”是竞争情报领域服务面临的新环境，这也要求各层次的竞争情报服务做出相应的服务变革与创新。相较于微观层面强调内部保密性、排他性的企业竞争情报服务，产业竞争情报服务的服务对象更加广泛、服务内容更加丰富，不仅要为产业内的企业个体提供具有共性需求的情报服务，还需要从产业群和产业链层面为区域产业群体和政府及相关产业管理部门提供情报支撑。企业既是产业竞争情报的服务对象，又是情报数据收集的重要来源；其不仅是产业竞争情报服务的享受者，还是情报服务的供给参与者。因此，“数智驱动”背景下产业竞争情报服务需要从产业层、国家层提供宏观战略情报支撑之余，也要兼顾面向企业群体提供个性化、智能化的情报服务，面对突发事件涌现、技术更新加速、产业发展变革做出服务创新与转型，以应对不断涌现的情报问题与服务挑战。

3.2　数智驱动背景下产业竞争情报智慧服务产生的背景及原因

        产业竞争情报智慧服务是在外部环境与内部要素的共同作用下产生的。一方面，竞争情报服务一直伴随技术条件、社会环境与需求变革、情报理论与实践的发展而脉动；另一方面，产业竞争情报服务的核心要素以需求牵引、问题导向的方式不断调整以应对场景变迁。

        现代信息科技已全面嵌入产业发展的各个环节。VUCA（volatility, uncertainty, complexity, ambiguity）时代错综复杂的国际竞争日趋激烈，中国的产业链供应链体系正面临“外移内缩”双重叠加型风险，产业主体认识到需要利用竞争情报采取更为明智的战略决策以应对生存危机。各主体需要从大数据中快速、准确地获得高价值情报，以满足国际市场态势把握、关键技术感知与响应、产业应急协同处突、安全监测与预警、智能问答与精准推荐等全方位的情报服务需求。产业情报需求逐渐从传统化、常规化向个性化、动态化转变，多层次主体的多元需求以及对情报产品的高质量预期共同驱动情报服务过程的智能高效、情报服务场景的创新变革，因而迫切需要科学高效的智能化、智慧化情报服务支持。国家的一系列顶层设计，如信息化与工业化深度融合、大数据战略等举措为竞争情报提供了发展土壤，竞争情报服务的研究焦点也随之变迁：①数据处理从“人工处理—计算机自动处理”向“人机协同处理”转变^[23]；②服务内容从“关注内部价值链的业务活动”向“关注内外部多链条的决策活动”转变^[24-25]；③情报系统从“聚焦情报收集处理和业务信息化”向“重视知识发现和情报挖掘预测”转变^[26]。智能终端的普及应用，使数据与经济社会活动相伴相生，利用感应探测技术和智能算法建立全景式的数字影像已成为可能，借助大数据、互联网、人工智能之力，为产业链上各利益相关者提供一体化、精准化、个性化、预警性的“靶向”全链条的智慧情报服务，成为当前亟待研究解决的重要理论与现实问题。

        产业竞争情报服务要素包括服务主体、客体、工具、规则、共同体和角色分工。其中，服务主体、服务客体和服务工具为核心要素^[21]。在服务主体方面，以政府部门为牵引，以产业协会为核心，科研机构和专业情报机构以及技术支撑企业等多方参与的服务联盟正在逐渐兴起，各方在组织、利益、行动、沟通等多方位协同中需要数字化、智能化的管理服务系统。在服务客体方面，多层次主体的需求、高质量的情报产品要求情报服务过程更加智能、准确、高效，产业主体也认识到需要利用竞争情报采取更为明智的战略决策来应对生存危机。在服务工具方面，“大物云智移”（大数据、物联网、云计算、人工智能、移动互联网）引领和推动了商业模式变革，用户对情报分析的速度、频率、质量的要求不断提高，使服务机构的人力负担加重，要求开发并利用更加高效、智能的情报工具以应对服务挑战。由此可见，在内外部环境的共同作用下，以准确感知竞争环境、把握竞争态势，支持产业发展与规划的科学性、及时性和预见性为目标的产业竞争情报智慧服务应运而生。

3.3　数智驱动背景下产业竞争情报智慧服务的技术支撑

        竞争情报服务的实现离不开各类技术在情报收集、分析、服务等环节的有效嵌入。智能服务平台集成了规模数据处理、知识分析、战略预测等情报功能，成为产业主体解决情报问题的重要工具。大型企业尤其是高科技企业基本拥有成熟的情报服务体系，通常采用商务智能系统完成竞争情报任务^[27-28]。中小企业因受限于资金、人才等条件，更多地采取业务外包方式，安排情报人员与情报分析机构接洽，通过第三方服务推进竞争情报工作。某些地区政府重视竞争情报体系建设，由地方科技情报研究所牵头，联合高校、图书馆、行业协会、领军企业等组成竞争情报联盟，服务于当地经济发展。在数智驱动背景下，竞争情报系统的体系结构、运行能力不断升级扩充，搭建智能情报平台、加速协同融合、实现智慧决策成为当前系统构建的重中之重。学界也越来越多地尝试利用数据智能提升系统的数据挖掘能力^[29]、竞争环境动态监测能力^[30]和未来场景预判能力^[31]，并在智能分析方法的优化方面探索解决多源数据融合^[32]、动态连续更新^[33]等问题，以提升系统的智能性和智慧性。总体而言，产业竞争情报智慧服务的技术支撑主要集中于多源数据处理和智慧服务两个阶段。从技术类型角度看，多源数据处理阶段，主要涉及区块链、数据湖、网络爬虫、自然语言处理、多模态融合等技术；智慧服务阶段，主要涉及微服务/SNS（social networking services）、用户画像、知识图谱、图匹配、知识挖掘等技术。

3.4　数智驱动背景下产业竞争情报智慧服务模式

        “服务模式”是指在一定的服务思想指导下建立起来、由若干要素构成的、具有形态构造和实践指导功能的服务理论模型与实践操作样式，属于一种过程范畴。产业竞争情报服务模式可以按照服务内容、服务主体、服务生产方式、服务形式以及服务供应方式进行解构^[34]。传统竞争情报服务模式通常从服务主体角度进行划分，分别是以企业为主导的自给自足模式、以政府为主导的公私合作模式和以区域为主导的集群联盟模式。随着互联网的应用普及，网络数据爆炸式增长，粗细粒度不一、模态各异的海量数据在扩大情报源的同时也加剧了数据处理难度。各产业主体的情报需求趋于具体化、场景化，要求情报服务开展以实际问题导向驱动。服务模式逐渐以提供精准推荐、智能交互、高效共赢的用户体验为目标，以提升服务的可操作性与需求满足的精准性。北京市电子科技情报研究所总结出以大数据资源为基础的“情报+”服务模式，有利于更好地识别用户需求，及时响应新情景^[35]。龚花萍等^[36]以“大数据+、智能+”为支撑，构建了多方协作共享的竞争情报联动服务模式，以提升区域科技创新能力。针对产业主体的信息屏障问题，王晓慧等^[37]基于三螺旋理论提出了区域政府、产业、科研机构协作服务模式。此外，学者们对面向“扫描监测-线索发现”的技术预测服务^[38]、“情景分析-用户画像”的智能推荐服务^[39]、“知识发现-评估预测”的风险预警服务^[40]模式等也进行了探讨。

3.5　数智驱动背景下产业竞争情报智慧服务的生态环境

        服务环境的生态水平与服务的主客体同社会大环境相生相息的紧密程度相关，即服务主体和服务内容能否被社会所认可是影响服务持续发展的重要因素。在服务主体方面，早期竞争情报服务通常由企业自主或专业信息咨询公司提供，随着社会情报意识的增强，用户情报需求从资源获取、数据管理、信息查询等基本型需求转向技术识别、态势感知、竞争预测等期望型、决策型的知识挖掘服务和个性化服务需求，学界和业界逐渐重视政府、科研机构、图书馆、行业协会等主体参与情报服务，供给主体由单一供给转向多元协同供给。2021年，上海市发布《技术转移 竞争情报分析服务规范》（DB31/T 1283—2021），表明了政府部门对竞争情报工作的重视程度及专业化要求越来越高^[41]。在服务内容方面，产业竞争情报智慧服务的情报产品及服务过程更加注重基于数据驱动、知识挖掘，精准识别情报需求，从而为用户提供精准化服务。例如，将社交媒体网站的用户生成的内容作为情报源，通过文本挖掘、情感分析，建立社交媒体监控和用户需求分析^[42-43]；基于大数据思维及智能算法模型识别企业风险类型^[40]，构建竞争情报预警机制，以提升行业的组织敏捷性和业务绩效^[44]；利用机器学习、算法预测等技术全面识别竞争对手，为产业战略制定提供情报支撑^[45]。由此可见，随着社会情报大环境转变，情报需求逐渐面向范围更加广泛的决策产品，服务主体多元化、服务内容精准化的特征凸显，服务效能提升促使用户信任度明显增强，有利于竞争情报整体服务环境的生态发展。

3.6　数智驱动背景下产业竞争情报智慧服务的实践探索

        理论根植于实践，引领实践并接受实践的检验。大数据使情报源极大扩展，多源异构数据融合与知识发现成为智慧情报服务实现的基础前提，各方主体均在一定程度上进行了有益探索。例如，专业数字服务商通过建设数据中台、整合共性模块，使多源数据有效打通和衔接集成，基于先进算法和模型构建实现数据的积累沉淀、知识推理及智能决策。企业方面，如博世汽车部件（苏州）有限公司作为首批灯塔工厂（智慧工厂）之一，利用计算机视觉、人工智能、数据挖掘等技术打破数字孤岛，实现基于大数据分析的智慧服务^[46]；树根互联网股份有限公司通过规模连接工业设备、多源数据建模和智能分析、开发工业App等协同应用，为企业和相关政府部门提供面向全价值链数字化转型的解决方案^[47]。还有湖南省科学技术信息研究所开发的竞争情报预警系统、链接国内国外的产业地图、基于大数据智能化处理的情报挖掘系统等，实现了情报服务的数据化、平台化^[48]。中国科学技术信息研究所有效整合信息资源，基于文本挖掘技术开发了科技查新服务平台，以提升科技查新工作的自动化水平^[49]。在数智转型背景下，情报融入新的实践情境、产生新的研究问题，研究者和实践者均在积极探索数据的创造重组和知识激活，以提高竞争情报的赋能水平。

        综上，数据环境与智能技术的双重驱动，使产业竞争情报服务逐渐从传统模式转向以新技术、大数据、场景化为核心的智能化、智慧化服务的新范式，并呈现服务技术智能交互化、服务模式问题导向化、服务环境积极生态化和服务实践主体多元化的新特点。智能信息技术有效嵌入情报服务各流程、各环节，场景化、具体化的情报需求促使服务模式趋于问题指向性强、可操作性强的动态交互模式，社会需求及认可度的提高进一步增强服务供给，而服务主体多元协作则有利于服务实践提质增效，使产业竞争情报服务的整体环境得到良性循环发展。

4

数智驱动背景下产业竞争情报智慧服务的认知框架

        通过上述系统分析可知，大数据与智能技术嵌入竞争情报服务是大势所趋，着眼于多元服务主体、多源异构数据、多维度用户需求、多类型情境感知以及多种智能处理技术的智慧情报服务正在蓬勃发展；且基于2.2节的文献主题词共现分析可知，服务的技术支撑、服务模式和服务环境成为领域研究的焦点。因此，本文从技术、范式和环境的视角切入，提出对数智驱动背景下产业竞争情报智慧服务的再认识，以便更好地求解服务的实现逻辑。数智驱动背景下产业竞争情报智慧服务的认知框架如图5所示。

图5  数智驱动背景下产业竞争情报智慧服务的认知框架

4.1　智能技术的多维度融入

        数智驱动背景下的产业竞争情报智慧服务不是单一技术的片面嵌入，而是以大数据、人工智能为核心的新兴技术在情报收集（需求分析）、情报分析（数据挖掘）、情报服务（服务应用与反馈）各阶段的全面嵌入。其中，情报收集（需求分析）阶段，主要解决需求宽泛模糊、细粒度刻画不足和解析不充分问题。以应用情境为导向，探究由面向任务的被动情报服务转向面向内容理解的主动智慧服务。例如，通过用户画像技术建立需求和服务场景引导的“需求内容-供给内容-供给方式”的情报服务。情报分析（数据挖掘）阶段，主要是实现重要信息的快速提炼和隐藏信息的深层次关联推理。例如，利用知识图谱技术，识别大规模数据中的概念、实体、关系，构建产业知识图谱，实现知识激活与情报发现；基于图匹配算法，挖掘产业发展演化关键节点；运用态势感知及情景相似度等理论方法和网络爬虫等信息技术构建智能预警平台等。情报服务（服务应用与反馈）阶段，主要关注运用智能技术精准推送给目标用户，并学习分析用户体验数据，不断优化完善情报产品。例如，利用微服务架构对竞争情报服务进行拆分重组，搭建产业情报个性化微服务平台；基于智能问答技术提供一站式问答服务，根据存储的用户数据不断修正用户画像，并遵循情报人员意图进行有效寻证。未来，强智能阶段智能情报系统还应该能学习专家思维方式，自动得到高价值判断结论。

4.2　服务范式的深层次转变

        服务范式是指领域中普通认同并采用的、个人或组织开展各类服务时所共享的理念或方法论，其伴随社会时代和情报需求的发展而脉动。竞争情报研究总体上沿着“事实→数据→信息→知识→情报（智能）→智慧”的范式路径层级推进^[50]，但当前竞争情报服务不再以单一的“信息链”为参考，业务链、决策链、循环链逐渐融入竞争情报实践^[51]。因此，本文总结竞争情报服务整体沿着“竞争产品+自给自足”的信息服务范式、“互联网+信息系统”的知识管理范式、“数据+智能+专家”融合的情报决策范式三个阶段发展进阶。

        第一阶段，竞争情报以信息资产价值为企业所重视，企业群体主要面向国内产品竞争，对相关政策、行业新闻、竞争对手信息进行收集整理。该阶段信息壁垒严重，情报分析以企业内部人员为主导，利用经典情报分析方法完成咨询报告，管理决策更多地依靠领导者的经验判断，情报服务主要由企业本身自给自足。第二阶段，随着互联网的应用普及，企业信息系统建设逐渐完善，情报价值则转变为管理运营价值。情报人员开始利用计算机对随机采样的数据进行因果推导，完成结果数据的计算和展示。此时，竞争情报服务仍是以临时性信息收集和整理为主，对小数据进行浅层次加工。第三阶段，是竞争情报服务的发展趋势。数据量大、类型繁多、价值密度低、速度时效快的密集型数据成为服务的基本驱动力。竞争情报的价值属性已经转变为智慧决策价值，担任的角色逐渐从企业“外脑参谋”转向“内脑善断”，从海量数据中挖掘对自身有价值的情报以辅助战略决策成为用户的基础需求。情报分析以计算机为主导，云计算、智联网、大数据处理技术应用到服务各环节，情报专家则转变为服务过程中的研判者、控制者，整个过程贯穿着关联分析的数据驱动思维。“数据+智能+专家”融合的情报决策范式将更能满足用户多元高效的情报需求，也更加符合数据智能环境下竞争情报实践的整体态势。

4.3　服务生态的全方位重塑

        健康有序的生态环境是产业竞争情报智慧服务得以真正发挥效用的重要保障。服务生态的全方位重塑，具体包括服务供给的系统布局、服务安全的有效保障、服务人才的复合培养等，探索构建积极主动、良性循环的服务新生态以保证智慧服务的可持续。在系统布局方面，应以“技术基础支撑夯实、组织协同建设完善”为基础，以“目标牵引、多路径推进”为手段，推进情报资源的开放合作，逐步拓展产业竞争情报服务的“朋友圈”，形成多元竞争情报协作网络和情报合作新模式。各产业主体在聚焦数据智能与产业链深度融合的同时，应积极引入新技术、新业态、新模式共建产业竞争情报共同体，从微观个别据点的企业服务向中观体系化的产业服务提升，打造政府、企业、高校、行业协会、地方情报机构、图书馆等紧密融合的竞争情报服务体系。未来，推动优势区域地区链接全国竞争情报网络，促进高端竞争情报资源的汇聚融合，打造国际化的产业高地和竞争情报高地，是需要各方努力推进的新目标。

        统筹发展与安全是产业竞争情报智慧服务顺利进阶的保障。一方面，从中观产业层视角谋划和推动服务创新升级，积极融入全球产业竞争情报服务网络。政府相关部门及领军企业主动设计国家产业竞争情报服务计划和工程，构建面向国际的产业竞争情报网。另一方面，科技是发展的利器，也可能成为风险的源头。各产业主体应主动前瞻研判数据智能嵌入的情报服务所带来的规则冲突、经济风险和隐私挑战，完善相关法律法规、技术审查规则及监管框架，建立统一、高效的风险报告机制、数据保障机制、情报共享机制和研判处置机制。高素质复合型人才是服务得以实现的第一动力，高校应注重学生情报意识、创新能力、计算能力、数据思维的培养，努力培育理论功底扎实、学科素养提升、具备大局意识与战略眼光的复合型情报工匠。相关管理部门及科研机构应稳定支持情报研究/服务团队，建立健全高端情报人才培养机制，以达到“人尽其才”的服务效果。同时，在全社会营造重视情报意识、创新情报环境、尊重情报人才的科学风尚，才能更好地把握实践机遇、应对研究挑战。

5

数智驱动背景下产业竞争情报智慧服务的实现逻辑

        基于对国内外相关文献的梳理和系统分析，得到对数智驱动背景下产业竞争情报智慧服务的再认识，回答了本文的前两个研究问题。而解决问题的思路逻辑不仅要遵循理论研究基础，更要来源于实践应用，才能更好地指导实践、真正发挥理论价值。因此，本文以中国化工信息中心（China National Chemical Information Center，CNCIC，以下简称“中国化信”）为例，分析其在提供产业竞争情报智慧服务的方案路径，并结合上述文献研究的结论，探索产业竞争情报智慧服务的实现逻辑。

5.1　中国化信产业技术发现智慧服务案例

5.1.1　情报服务命题

        根据用户的情报需求，完成某一领域的技术发现，为产业技术创新提供决策支撑。

        作为全国化工行业成熟的信息咨询和信息服务机构，中国化信为企业、政府部门、科研机构等提供各类竞争情报服务，其在服务主体、服务客体、服务工具等竞争情报智慧服务的要素建设相对完善。技术创新是产业保持竞争优势的基础，中国化信为满足当前产业科技创新的情报需求，开发了一系列包括技术监测、技术识别、技术分析、技术评价等前沿情报服务，以提高产业的技术洞察力。

5.1.2　情报服务流程

        中国化信产业技术发现服务流程包含资源池构建（N维）、信息分类、领域技术清单识别、领域技术知识图谱构建、N+1综合评价5个阶段，具体流程如图6所示。

图6  中国化信产业技术发现服务流程

（1）资源池构建（N维），采用多种方法确保数据质量。数据收集包括学术会议、期刊论文、国家基金、发明专利、科技资讯、科研数据等多源、多模态数据，并利用地平线扫描技术、数据权威性机制、数据完整性模型、数据冗余消除机制、数据噪声控制等完成数据质量评估，确保数据的全面、权威、准确、灵活。

（2）信息分类。首先，邀请专家构建领域技术分类框架，确保分类体系的科学性。其次，依据用户的分类需求，并结合专家意见确定分类体系，概要了解文章所属领域，增加对技术点所属主题领域的准确性，以便于实现对前沿技术的精准识别。最后，进行机器半监督分类，机器为主，人工为辅。人工标引2‰，则可以通过文本挖掘、语义分词处理、文本特征抽取、自然语言处理、文本相似度计算等内容深度加工技术，进行机器自动文本分类，准确率达到95%以上，实现工程化应用。

（3）领域技术清单识别，多重机制确保领域技术清单的准确性。基于主题聚类模型，从海量文本中提取有效的知识元，实现主题内的知识元高度相关，完成领域技术点扫描，并结合机器自动分析与专家分析的结果对比、技术点纠错、技术清单评估等多重机制，确保领域技术清单的准确性。

（4）领域技术知识图谱构建，提升数据挖掘及关联程度。利用Docker容器、深度学习、嵌入业务模型、图数据库存储等核心技术，打通各类数据，实现领域数据内部以及数据建的挖掘与关联，拓展特定领域的认知广度，形成领域知识网。

（5）N+1综合评价体系，确保领域前沿技术预判的权威性。N为基于多源数据类型制定的定量评价指标，1代表专家。依据技术成熟度模型、技术评价模型、技术影响力模型、技术创新性模型等专业模型工具，基于各类技术特征，从技术发展阶段、创新型和影响力三个维度对前沿技术进行客观评估，也可对“专家评分”赋值。

5.1.3　情报服务思路

        中国化信以产业科技创新信息需求为导向，设计“N+1”技术评估模型群、领域技术图谱分析的产品解决方案，聚焦前沿技术识别清单、领域技术图谱、优势资源跟踪等服务实践，基于“数智驱动”较好地完成了的产业竞争情报智慧服务。从服务的整体过程来看，需求牵引依然是竞争情报服务的基本导向，“数据”成为基础动力，智能工具与专家智慧的融合是情报分析的关键。服务实现的难点是领域技术图谱的构建。大规模数据在实现非链化、细粒度融合的基础上，利用智能算法模型对数据进行关联、推理和预测，以完成重点领域技术图谱的构建。情报感知与挖掘的自动化、智能化、场景化是实现产业竞争情报智慧服务的必经之路。

5.2　数智驱动背景下产业竞争情报智慧服务的实现逻辑解析

        基于上述文献研究和案例分析可知，“数据与智能”在情报服务发展过程中从“体现价值”“成为核心要素”转变为“基础驱动力”，且“问题导向”“需求牵引”一直是竞争情报服务发展变革的根本要求。因此，本文在认知框架的理论指导下，结合案例分析的实际现状，根据可操作性与应用性的原则，提出“多源异构数据的有效融合、智能算法嵌入的知识挖掘、场景需求牵引的智慧服务”，构成了产业竞争情报智慧服务实现的基本逻辑，如图7所示。

图7  数智驱动背景下产业竞争情报智慧服务的实现逻辑

5.2.1　逻辑起点：数据融合

        全源情报是智慧服务的前提，情报源应覆盖多维空间信息，重视物联传感、社交媒体等规模数据^[52]，既优化情报系统的数据基础，也便于数据有效性的相互验证。多源数据融合是实现知识挖掘的基础，从数据结构（结构化数据、半结构化数据、非结构化数据）、数据类型（传统产业/公司数据、机器和传感器数据、社交数据、智库）、数据内容（产业竞争情报文件、开源文本、政府或非政府组织数据、泛在数据）、数据来源（企业集群、产业外部环境、政府产业部门信息服务机构等其他机构、泛在网络环境、外部数据库）和数据模态（图片数据、音频、文本、视频）五个维度对“多源数据”进行解构，然后基于数据融合抽象框架进行采集转换^[53]，实现跨平台观测与操作，解决多源知识的语义异质性问题^[54]是实现知识挖掘的前提条件。异构数据融合方法包括基于阶段、特征和语义三种方法，学者们以交通数据^[55]、面部数据^[56]、空气质量数据^[57]为例，成功进行了数据融合的研究实践。数据融合算法分为以云计算为核心的集中式处理模式和以边缘计算为核心的分布式数据处理模式。服务供给主体可以通过云计算技术将采集到的数据全部上传至云端，利用神经网络设计数据模型，消除冗余数据，进行关联补充分析；对于来自各种边缘设备的异构数据，在确保不泄露用户隐私的前提下，可以利用联邦学习^[58]等技术对多源异构数据进行有效融合，增强数据的可操作性与增值性，为知识发现奠定基础。

5.2.2　关键支撑：知识挖掘

        数据智能持续引领科技革命和产业变革，竞争情报分析逐渐从注重显性信息、利用单一分析工具和专家经验知识的传统模式，向人机结合、智能交互的知识挖掘综合处理模式转变。知识挖掘的本质是对数据进行准确认知，进一步提炼成知识，并再次激活成情报以支撑决策的过程。智能技术是实现知识挖掘的重要基础，以人工智能为核心的知识挖掘呈现智能交互、人机协同、自主操控等特征，其中深度学习技术已经在图像分类、语音识别、目标检测等领域成功实践。情报服务主体应积极探索知识图谱、认知计算、自然语言处理、情境感知等智能技术在情报分析中的应用，提升细粒度、智能化情报分析水平。在立足传统情报分析视角的同时，重视互联网生成内容和社交媒体下的人际情报网络，利用智能分析算法实现深度链接预测，改善知识管理^[59]。知识挖掘不仅需要从显性数据中推理、发现知识，还需要主动学习专家智慧，基于认知系统、人脑神经元等探究人类的认知行为和思维规律，再利用智能交互系统识别人的情感需求，完成深度推理与预测^[60]。经过数据融合、知识挖掘，使多源异构数据可理解、可计算、可会话，进一步促进竞争情报系统从“后台数据分析”向“前端会话交互”转变。

5.2.3　服务目标：智慧服务

        智能技术和知识挖掘是智慧服务的基础，在面向内容理解的主动服务模式下，产业竞争情报智慧服务离不开对系统平台、情报产品、专利研究和领域服务四个方向的研究实践。打造企业智库、聚焦战略发展、契合个性化需求、实现专业化知识产权评议和规律化专利分析、嵌入式服务模式是竞争情报智慧实践的基本导向。情报服务平台承载了数据、知识转化为智慧的实现过程，建立具备一站式跨库检索、知识资源加工标引、场景化知识服务、科技查新与立项评估、用户画像与智能推送、技术跟踪预测、投资环境监测与评估等多功能的服务平台，是实现“多源数据驱动后台”和“智慧服务前端”有效融合的关键。国内也不乏开展智能化、智慧化情报服务的企业实践，例如，中国宝钢集团中央研究院提出“聚资源+用工具+加算法+提能力+促服务”模式的智慧情报服务，建立了情报智能服务平台，将海量数据纳入自身管理服务范围，并实现异构数据的全面整合与跨平台应用，主动发现知识为企业提供情报支持。智慧服务意味着不仅要求高质量的情报产品，还要使情报产品满足多层次主体不同场景的信息需求，因此，中国化信可聚焦“科研业务场景”“标准化业务场景”“客服业务场景”等开展嵌入式智慧情报服务，全面支撑竞争对手分析、技术驱动创新、竞争态势感知、行业动态变化、产业风险预警，达到动态了解实践、完全感知世界和提供智慧决策愿景。

6

结束语

        “数据+算力+算法”构成当前产业经济运行的底座，以数据要素、智能挖掘、决策引领为核心的“智慧情报”时代正在到来。对已有研究的系统分析反映出国内外学者对新技术、大数据，以及智能化、智慧化情报服务的重视，各界对于数智赋能竞争情报也基本达成共识。产业竞争情报服务的智能化、智慧化是出路，也是生路，然而其领域研究尚处于探索阶段，相关理论及研究方法并未成熟。

        本文通过对国内外数智驱动背景下产业竞争情报智慧服务相关文献进行梳理，全面系统分析其研究主题，发现产业竞争情报智慧服务呈现服务技术智能交互化、服务模式问题导向化、服务环境积极生态化的新特点。从“智能技术的多维度融入、服务范式的深层次转变、服务生态的全方位重塑”三个维度阐述了数智驱动背景下产业竞争情报智慧服务的认知框架；并在此基础上，根据可操作性和应用性的原则，提出了“数据融合-知识挖掘-智慧服务”的实现逻辑。在后续研究中，将进一步关注系统性的产业竞争情报智慧服务理论体系、应用方法的解析，探索普遍有效的产业竞争情报智慧服务的模式、机制等问题，构建智慧情报服务平台，从理论和方法上推动产业竞争情报智慧服务的实践发展。

参考文献

[1] 陈峰. 竞争情报理论方法与应用案例[M]. 北京: 科学技术文献出版社, 2014: 141-142. 

[2] Siddaway A P, Wood A M, Hedges L V. How to do a systematic review: a best practice guide for conducting and reporting narra‐tive reviews, meta-analyses, and meta-syntheses[J]. Annual Re‐view of Psychology, 2019, 70: 747-770. 

[3] 郑彦宁, 赵筱媛, 陈峰 . 产业竞争情报的解析[J]. 情报学报,2009, 28(6): 917-922. 

[4] 郑彦宁, 刘志辉, 赵筱媛, 等. 基于多源信息与多元方法的产业竞争情报分析范式[J]. 情报学报, 2013, 32(3): 228-234. 

[5] 陈峰 . 产业竞争情报理论方法研究综述[J]. 情报理论与实践,2014, 37(10): 139-144. 

[6] 赵筱媛, 李鹏 . 产业竞争情报需求调查与分析[J]. 情报杂志,2015, 34(4): 27-31, 18. 

[7] 张立超, 房俊民, 高士雷. 产业竞争情报的内涵、意义及范畴界定[J]. 情报杂志, 2010, 29(6): 152-156. 

[8] Hoffman F P, Freyn S L. The future of competitive intelligence in an AI-enabled world[J]. International Journal of Value Chain Management, 2019, 10(4): 275-289. 

[9] 陈峰, 杨宇田. 应对美国对华技术出口限制的产业竞争情报需求与服务研究——以半导体产业为例[J]. 情报杂志, 2019, 38(9): 36-41, 19. 

[10] 吴琼, 陈思, 朱庆华 . 产业链视角下我国老年智能可穿戴设备产业竞争情报分析[J]. 情报理论与实践, 2020, 43(5): 38-44, 67. 

[11] 燕娜, 杨萍, 周雷, 等 . 基于技术创新系统(TIS)的产业竞争情报分析框架研究——以稀土产业为例[J]. 情报杂志, 2021, 40(7): 36-44. 

[12] Gao K Z, Cao Z G, Zhang L, et al. A review on swarm intelli‐gence and evolutionary algorithms for solving flexible job shop scheduling problems[J]. IEEE/CAA Journal of Automatica Sini‐ca, 2019, 6(4): 904-916. 

[13] 郑荣, 魏明珠, 高志豪, 等. 基于SCAN-CPM的产业新兴技术识别与演化路径分析: 以新能源汽车产业为例[J]. 图书情报工作,2022, 66(11): 100-109. 

[14] Ranjan J, Foropon C. Big data analytics in building the competi‐tive intelligence of organizations[J]. International Journal of In‐formation Management, 2021, 56: 102231. 

[15] Casarotto E L, Malafaia G C, Martínez M P, et al. Interpreting,analyzing and distributing information: a big data framework for competitive intelligence[J]. Journal of Intelligence Studies in Business, 2021, 1(1): 6-18. 

[16] Potančok M, Černý J. Competitive technical intelligence: using patent data to determine smart city trends[J]. Journal of Urban and Regional Analysis, 2020, 12(1): 5-17. 

[17] Contreras R, Ochoa A, Cossío E, et al. Design and implementa‐tion of an IoT-based Háptical interface implemented by memeticalgorithms to improve competitiveness in an industry 4.0 model for the manufacturing sector[C]// Proceedings of the 9th Interna‐tional Conference on Innovations in Bio-Inspired Computing and Applications. Cham: Springer, 2019: 103-117. 

[18] 化柏林, 李广建 . 从多维视角看数据时代的智慧情报[J]. 情报理论与实践, 2016, 39(2): 5-9. 

[19] 刘如, 吴晨生, 刘彦君, 等 . 中国科技情报工作的传承与发展[J]. 情报学报, 2019, 38(1): 38-45. 

[20] 罗立群, 李广建 . 智慧情报服务与知识融合[J]. 情报资料工作,2019, 40(2): 87-94. 

[21] 郑荣, 杨竞雄, 魏明珠, 等. 活动理论视角下的产业竞争情报智慧服务分析框架研究[J]. 情报杂志, 2021, 40(8): 38-44, 52. 

[22] 郑荣, 杨竞雄, 张薇, 等. 多源数据驱动的产业竞争情报智慧服务研究[J]. 情报学报, 2020, 39(12): 1295-1304. 

[23] 黄云芳, 王秉 . 智能安全情报分析模型的构建[J]. 情报理论与实践, 2020, 43(11): 59-64. 

[24] 朱文韬, 栾敬东. 大数据时代竞争情报方的供应链信息源选择方法研究[J]. 情报理论与实践, 2022, 45(8): 90-96. 

[25] Song J K, Zhao Z H, Zhang Y M. Study on enterprise competi‐tive intelligence evaluation based on mixed uncertain attribute group decision-making[C]// Proceedings of IOP Conference Se‐ries: Materials Science and Engineering. Bristol: IOP Publishing,2020: 012101. 

[26] Mihaela M, Sabin M, Raluca B. Decision conceptual model for innovation ways using the competitive intelligence system[J].Ovidius University Annals: Economic Sciences Series, 2017, 17(1): 319-324. 

[27] Tavera Romero C A, Ortiz J H, Khalaf O I, et al. Business intelli‐gence: business evolution after industry 4.0[J]. Sustainability,2021, 13(18): 10026. 

[28] Yiu L M D, Yeung A C L, Jong A P L. Business intelligence sys‐tems and operational capability: an empirical analysis of high-tech sectors[J]. Industrial Management & Data Systems, 2020,120(6): 1195-1215. 

[29] 唐晓波, 郑杜, 谭明亮 . 融合情报方法论与人工智能技术的企业 竞 争 情 报 系 统 模 型 构 建[J]. 情 报 科 学, 2019, 37(7): 118-124, 162. 

[30] 郑荣, 王晓宇, 张艺源 . 基于 ACP 理论的企业竞争情报智能系统构建研究[J]. 情报理论与实践, 2021, 44(12): 148-157. 

[31] 李川, 朱学芳, 方志耕 . 竞争情报动态干扰因素系统动力学仿真模型研究[J]. 情报理论与实践, 2021, 44(6): 132-137. 

[32] Kumar V, Saboo A R, Agarwal A, et al. Generating competitive intelligence with limited information: a case of the multimedia in‐dustry[J]. Production and Operations Management, 2020, 29(1):192-213. 

[33] Lutz C J, Bodendorf F. Analyzing industry stakeholders using open-source competitive intelligence—a case study in the auto‐motive supply industry[J]. Journal of Enterprise Information Management, 2020, 33(3): 579-599. 

[34] 赵筱媛, 郑彦宁, 周洋, 等. 产业竞争情报服务模式分析流程研究与应用[J]. 情报理论与实践, 2014, 37(1): 74-78, 83. 

[35] 张焱, 邢新欣 . 基于“情报+”模式下产业竞争情报价值的实现机理研究——以电子信息产业为例[J]. 情报杂志, 2021, 40(9):65-72. 

[36] 龚花萍, 刘嘉良, 余建兵 . 面向区域科技创新的竞争情报联动供给服务模式研究[J]. 情报杂志, 2020, 39(5): 64-70, 88. 

[37] 王晓慧, 李倩. 基于三螺旋理论的区域政府、产业、科研机构竞争情报协作模式研究[J]. 竞争情报, 2021, 17(2): 20-26. 

[38] 石峰, 郭静怡, 张雯 . 科技情报动态监测与技术预警体系优化与实践[J]. 情报理论与实践, 2022, 45(4): 35-40. 

[39] 赵辉, 化柏林, 何鸿魏 . 科技情报用户画像标签生成与推荐[J].情报学报, 2020, 39(11): 1214-1222. 

[40] 王艺, 王克平, 车尧 . 基于大数据思维的小微企业风险识别与竞争情报预警机制研究[J]. 情报杂志, 2022, 41(2): 77-85. 

[41] 上海市科学技术委员会 . 上海发布技术转移相关服务地方标准, 5 月 1 日起实施![EB/OL]. (2021-02-20) [2021-03-20]. http://stcsm.sh.gov.cn/xwzx/mtjj/20210220/c9a0d821f6144aa88bf414f8db114cd8.html. 

[42] He W, Tian X, Chen Y, et al. Actionable social media competitive analytics for understanding customer experiences[J]. Journal of Computer Information Systems, 2016, 56(2): 145-155. 

[43] 郭培燕, 李艳. 在线问答社区信息披露质量与公司绩效的相关性——基于“上证 e 互动”[J]. 情报理论与实践, 2021, 44(10):151-157, 128. 

[44] Stylos N, Zwiegelaar J B, Buhalis D. Big data empowered agility for dynamic, volatile, and time-sensitive service industries: the case of tourism sector[J]. International Journal of Contemporary Hospitality Management, 2021, 33(3): 1015-1036. 

[45] Ahmad T, Zhang D D, Huang C, et al. Artificial intelligence in sustainable energy industry: status Quo, challenges and opportuni‐ties[J]. Journal of Cleaner Production, 2021, 289: 125834. 

[46] BOSCH. 博世携手苏州工业园区打造智改数转赋能中心[EB/OL]. [2023-06-22]. https://www.bosch.com.cn/news-and-stories/bosch-and-sip-establish-an-intelligent-and-digital-transformation-enabling-center/. 

[47] 树 根 互 联 . 产 品 方 案 及 服 务 [EB/OL]. [2023-06-22]. https://www.rootcloud.com/product/. 

[48] 湖南省科学技术信息研究所. 情报服务[EB/OL]. [2023-06-22].http://www.hninfo.org.cn/qbfw/. 

[49] 中国科学技术信息研究所 . 服务平台[EB/OL]. [2023-06-22].https://www.istic.ac.cn/html/1/185/365/index.html. 

[50] 张素娟 . 第四范式视角下基于多源信息与多元方法的企业竞争情报服务范式[J]. 情报探索, 2020(8): 31-36. 

[51] 巴志超, 李纲, 周利琴, 等. 数据科学及其对情报学变革的影响[J]. 情报学报, 2018, 37(7): 653-667. 

[52] 许鑫. 大数据环境下竞争情报分析的变化与方法创新[J]. 科技情报研究, 2020, 2(2): 20-38. 

[53] Javan M S, Akbari M K. SmartData 4.0: a formal description framework for big data[J]. Journal of Supercomputing, 2019, 75(7): 3585-3620. 

[54] Le-Phuoc D, Quoc H N M, Quoc H N, et al. The graph of things:a step towards the live knowledge graph of connected things[J].Journal of Web Semantics, 2016, 37/38: 25-35. 

[55] Pan B, Zheng Y, Wilkie D, et al. Crowd sensing of traffic anoma‐lies based on human mobility and social media[C]// Proceedings of the 21st ACM SIGSPATIAL International Conference on Ad‐vances in Geographic Information Systems. New York: ACM Press, 2013: 344-353. 

[56] Liu Z Z, Zhang W Y, Quek T Q S, et al. Deep fusion of heteroge‐neous sensor data[C]// Proceedings of the 2017 IEEE Internation‐al Conference on Acoustics, Speech and Signal Processing. Pisca‐taway: IEEE, 2017: 5965-5969. 

[57] Zheng Y, Liu F R, Hsieh H P. U-Air: when urban air quality infer‐ence meets big data[C]// Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Min‐ing. New York: ACM Press, 2013: 1436-1444. 

[58] Yang Q, Liu Y, Chen T J, et al. Federated machine learning: con‐cept and applications[J]. ACM Transactions on Intelligent Sys‐tems and Technology, 2019, 10(2): Article No.12. 

[59] Manaligod H J T, Diño M J S, Jo S, et al. Knowledge discovery computing for management[J]. Information Technology and Man‐agement, 2020, 21(2): 61-62. 

[60] Last M, Danon G. Automatic question generation[J]. WIREs Da‐ta Mining and Knowledge Discovery, 2020, 10(6): e1382.

制版编辑  |  李    静

审核  |  王海燕

国家自然科学基金管理学部A类期刊

全国中文核心期刊

CSSCI来源期刊

《中国人民大学复印报刊资料》重要转载来源期刊

CSTPCD（中国科技论文与引文数据库）收录期刊

NSSD （国家哲学社会科学学术期刊数据库）

长按扫描二维码 ｜ 关注我们

情报学报官网：qbxb.istic.ac.cn

邮箱：qbxb@istic.ac.cn

电话：010-68598273

欢迎投稿！

【免责声明】本公众号主要发布《情报学报》期刊的录用文章，或转载其他媒体与网站的图文资讯。文章仅代表作者本人观点，本公众号对文中陈述、观点判断保持中立。转载的稿件版权归原作者或机构所有，如有侵权，请联系删除。抄袭本文至其他渠道者引发的一切纠纷与本公众号平台无关。