【Open Access】空间表征学习:对长三角新质生产力创新群落的研究及发现*

学术   2024-12-09 10:01   北京  

【文章编号】1002-1329 (2024)11-0065-15

【中图分类号】TU982;F124;TP274

【文献标识码】A
【doi】10.11819/cpr20241108a
【作者简介】

吴志强,男,中国工程院院士,同济大学建筑与城市规划学院,同济大学上海自主智能无人系统科学中心,教授,博士生导师,中国城市规划学会监事长。

赵  刚,男,同济大学建筑与城市规划学院,同济大学上海自主智能无人系统科学中心,博士研究生,本文通信作者。
周咪咪,女,同济大学建筑与城市规划学院博士研究生。

徐浩文,女,同济大学建筑与城市规划学院博士研究生。

刘治宇,女,硕士,未来城市 (上海) 设计咨询有限公司。
朱予沫,女,同济大学建筑与城市规划学院硕士研究生。
*  “十四五”国家重点研发计划课题“多维信息融合的立体网络空间智慧运维平台及应用示范”(2023YFC3807505)。

精彩导读


【摘要】新质生产力强调创新在引领新发展中的主导作用,以及战略性新兴产业在构筑先进生产力质态中的重要地位。运用表征学习算法,针对长三角专利数据中的国民经济行业分类关联网络,发掘包含新一代信息技术产业、高端装备制造产业、新材料产业、生物产业、新能源汽车产业、新能源产业、节能环保产业、数字创意产业和新兴服务业的九大战略性新兴产业门类的典型创新群落,并通过与各城市自身结构的对比,解析以创新为主导的新质生产力空间分布特征。研究发现:(1)战略性新兴产业在长三角形成了不同类型的产业创新群落空间,典型空间形态有中心辐射式、条带均衡式和分片组团式等;(2)长三角趋于形成一个面向内陆的“E”字型产业创新群落高值连绵区域;(3)上海-苏州-无锡构成了一个“上苏锡”多产业复合创新群落的同质空间。通过对战略性新兴产业创新群落空间表征学习研究,进一步加深了对新质生产力空间特征的认知,为构建高质量区域创新策源和推动长三角一体化空间发展提供了有力支撑。

【关键词】空间表征学习;新质生产力;产业创新群落;长三角;战略性新兴产业

SPATIAL REPRESENTATION LEARNING: RESEARCH AND DISCOVERIES ON INNOVATION CLUSTERS OF NEW QUALITY PRODUCTIVE FORCES IN THE YANGTZE RIVER DELTA

ABSTRACT:New quality productive forces emphasize the vital role of innovation in leading new developments and the critical role of strategic emerging industries in building advanced productivity. This paper uses a representation learning algorithm to explore the typical innovation clusters of nine strategic emerging industries, including the new generation of information technology industry, high-end equipment manufacturing industry, new material industry, biology industry, new energy vehicles industry, new energy industry, energy saving and environmental protection industry, digital creative industry, and emerging services industry, by the national economic industry classification association network constructed from the Yangtze River Delta patent data. By comparing the structure of each city, the paper analyzes the spatial distribution characteristics of innovation-led new quality productive forces. It finds that: (1) strategic emerging industries have formed different types of industrial innovation clusters in the Yangtze River Delta, including a) central-radiating type, b) strip-balanced type, and c) fragmented cluster type; (2) the Yangtze River Delta tends to form an E-shaped high-value continuous innovation cluster area facing inland; (3) Shanghai-Suzhou-Wuxi forms a cross-city homogeneous industry innovation cluster space. The study of spatial representation learning of strategic emerging industry innovation clusters deepeneds the understanding of the spatial characteristics of new quality productive forces, providing strong support for building high-quality regional innovation sources and promoting the integrated spatial development of the Yangtze River Delta.

KEYWORDS:spatial representation learning; new quality productive forces; industry innovation cluster; Yangtze River Delta; strategic emerging industries

1

研究背景

新质生产力这一理念强调科技创新在构建先进生产力质态中的主导作用,和以重大技术突破、重大发展需求及重大引领带动作用为特征的战略性新兴产业在增强我国发展新动能中的主阵地地位。新质生产力涵盖了技术进步带来的生产力提升,驱动着以战略性新兴产业为代表的具体产业领域的创新发展。

从既有文献来看,对于新质生产力的研究主要集中在对其形成机制、理论内涵和实践价值的人文解析,少量通过构建指标体系以进行朴素的时空数值变化比较[1-4];对战略性新兴产业的相关研究,则是以其培育和政策取向讨论为主,部分涉及产业发展的量化评价模型和数量配置等领域[5-10];产业创新网络多以企业主体为节点构建网络,研究内容包括关键节点控制力和网络建模与演化等,同时,也出现了以产业门类为节点讨论创新网络和产出关系的文章[11-14]。整体看来,缺乏以当前城乡规划中重大需求为导向,探求新质生产力各产业门类关联及其空间特征的智能量化研究。如何在新质生产力驱动和发展要求下,借助人工智能和大数据技术精准识别、配置和优化战略性新兴产业创新网络和空间布局,从而加速推进国家城镇群一体化发展战略和国土空间规划等一系列实践难题亟待解答。

本文运用表征学习方法,基于长三角发明授权专利数据,针对新质生产力中具体的新兴产业领域进行国民经济行业分类之间的关联研究,发掘关键创新群落以及区域内行政主体所对应形成的空间布局,解析新兴产业的创新群落及其空间特征,为培育和强化长三角创新策源,推动一体化产业协同发展,加快推动新质生产力发展提供参考。

2

表征学习

2.1  研究方法

随着神经网络等人工智能技术的不断发展,表征学习方法(Representation Learning)在网络分析中越来越表现出超越一般机器学习和统计学方法的优越性能[15-17]。与传统机器学习方法相比,表征学习无需进行专门的特征设计,而是基于对网络结构的向量化表征,来完成一系列节点、边、子图以及全图的下游应用任务[18]。在此,研究采用图聚类学习方法中的对称非负矩阵分解算法,对战略性新兴产业相关专利的国民经济行业分类关联网络进行创新群落组团发掘,并通过与不同行政区划下的组团对比进行区域新质生产力空间特征解析。
对称非负矩阵分解(Symmetric Nonnegative Matrix Factorization,SymNMF),是利用非负矩阵分解(Nonnegative Matrix Factorization,NMF)算法进行图聚类的一种扩展算法[19]。一般来说,NMF的目标是找到两个非负矩阵,使得:
(1)
WH的值,可以通过以下目标函数进行求解:
  (2)
其中,A为数据矩阵,WH分别为非负基向量矩阵和权重系数矩阵。这一目标函数在表达形式上与K-means等聚类算法具有相似性,从而产生了一系列将之应用于图聚类的计算方法。SymNMF正是将NMF中的原始数据矩阵替换为表征图节点相似度的对称相似度矩阵,并且将对基向量矩阵和权重系数矩阵的约束条件进行扩展,从而得到新的目标函数:
(3)

其中,S为基于图结构获得的相似度矩阵,H为需要计算的非负矩阵,而H中每行的最大值代表了该条数据所属的聚类组团。在具体求解过程中,可以采用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)等方法,最终得到每个网络节点的向量化表征以及聚类组团[20]。

2.2  研究数据
为了便于对战略性新兴产业发展规模、结构及速度进行分析和监测,国家知识产权局分别于2018年和2021年发布了《战略性新兴产业分类》和《战略性新兴产业分类与国际专利分类参照关系表(2021)(试行)》,可作为研究新质生产力的创新群落空间特征的数据基础[21-22]。研究收集了2023年长三角区域的发明授权专利,总计247 217条,内容包括专利名称、摘要、申请人、申请人地址、申请人地市、国民经济行业分类和新兴产业分类等属性。在新兴产业分类中,每条专利与九大门类的战略性新兴产业进行了对应关联,同时标注了相关的精确到小类的国民经济行业分类。本文在九大产业门类划分以及1382个国民经济行业分类小类基础上,根据专利数据反映出来的国民经济行业分类联系考察不同新兴产业门类和不同行政区划下的创新群落,从而对其空间特征进行提炼解析。

3

新质生产力创新群落

针对每个战略性新兴产业门类,选取长三角发明授权专利中仅与其有对应关系的部分,构建区域国民经济行业小类的产业创新关联网络,利用表征学习技术发掘创新群落,并与长三角41个城市内形成的关联网络及组团进行对比,得到以城市为考察对象的产业创新群落空间布局。在计算时,为了增加网络的稀疏性以提高计算效率,通过设置与各个战略性新兴产业门类相关专利总量成正比的最小阈值,对各网络中权重低于阈值的边进行删减操作,然后在降噪后的网络上进行图聚类学习的组团识别。
3.1  新一代信息技术产业(New Generation of Information Technology)
新一代信息技术产业创新群落有10个(表1、图1)。
 表1  新一代信息技术产业创新群落
Tab.1  Innovation clusters of the new generation of information technology industry
 图1  新一代信息技术产业创新关联网络及各群落内部联系强度(联系强度矩阵的产业门类排序依照表中的群落及门类顺序,各组团内部分别进行归一化计算)
Fig.1  The innovation network of the new generation of information technology industry and the internal connection intensity of each cluster (the industry ranking in the contact intensity matrix follows the cluster and category orders presented in the table, with normalization calculations performed separately within each group)

3.2  高端装备制造产业(High-end Equipment Manufacturing)

高端装备制造产业创新群落有7个(表2、图2)。

 表2  高端装备制造产业创新群落

Tab.2  High-end equipment manufacturing industry innovation clusters

 图2  高端装备制造产业创新关联网络及各群落内部联系强度

Fig.2  High-end equipment manufacturing industry innovation network and internal connection intensity of each cluster

3.3  新材料产业(New Material)
新材料产业创新群落有17个(表3、图3)。
 表3  新材料产业创新群落

Tab.3  New material industry innovation clusters

 图3  新材料产业创新关联网络及各群落内部联系强度
Fig.3  New material industry innovation network and internal connection intensity of each cluster
3.4  生物产业(Biology)
生物产业创新群落有10个(表4、图4)。

 表4  生物产业创新群落

Tab.4  Biology industry innovation clusters

 图4  生物产业创新关联网络及各群落内部联系强度

Fig.4  Biology industry innovation network and internal connection intensity of each cluster
3.5  新能源汽车产业(New Energy Vehicle)
新能源汽车产业创新群落有8个(表5、图5)。

 表5  新能源汽车产业创新群落

Tab.5  New energy vehicle industry innovation clusters

 图5  新能源汽车产业创新关联网络及各群落内部联系强度

Fig.5  New energy vehicle industry innovation network and internal connection intensity of each cluster

3.6  新能源产业(New Energy)
新能源产业创新群落有9个(表6、图6)。

 表6  新能源产业创新群落

Tab.6  New energy industry innovation clusters

 图6  新能源产业创新关联网络及各群落内部联系强度

Fig.6  New energy industry innovation network and internal connection intensity of each cluster

3.7  节能环保产业(Energy Saving and Environmental Protection)
节能环保产业创新群落有11个(表7、图7)。

 表7  节能环保产业创新群落

Tab.7  Energy saving and environmental protection industry innovation clusters

 图7  节能环保产业创新关联网络及各群落内部联系强度
Fig.7  Energy saving and environmental protection industry innovation network and internal connection intensity of each cluster
3.8  数字创意产业(Digital Creative)
数字创意产业创新群落有3个(表8、图8)。
 表8  数字创意产业创新群落
Tab.8  Digital creative industry innovation clusters

 图8  数字创意产业创新关联网络及各群落内部联系强度

Fig.8  Digital creative industry innovation network and internal connection intensity of each cluster

3.9  新兴服务业(Emerging Service)

新兴服务业创新群落有2个(表9、图9)。

 表9  新兴服务业创新群落

Tab.9  Emerging service industry innovation clusters

 图9  新兴服务业创新关联网络及各群落内部联系强度

Fig.9  Emerging service industry innovation network and internal connection intensity of each cluster

4

空间布局

基于长三角41个城市的专利数据,分别构建城市范围内国民经济行业小类的关联网络,同样应用图聚类方法识别创新组团,并与不同门类下战略性新兴产业创新群落进行对比,当一个城市组团与一个门类群落完全相同,或者一个城市组团完全包含一个门类群落时,确认该城市具有此门类群落,从而得到不同新兴产业门类创新群落在长三角的空间布局。

4.1  新一代信息技术产业

分析结果表明,新一代信息技术产业在长三角共发现42个城市级群落(表10、图10)。

 表10  新一代信息技术产业城市群落

Tab.10  New generation of information technology industry city clusters

 图10  新一代信息技术产业创新群落空间布局

Fig.10  Spatial layout of new generation of information technology industry innovation clusters

4.2  高端装备制造产业

高端装备制造产业共形成10个城市级群落,其中,南通市有2个(表11、图11)。

 表11  高端装备制造产业城市群落

Tab.11  High-end equipment manufacturing industry city clusters

 图11  高端装备制造产业创新群落空间布局

Fig.11  Spatial layout of high-end equipment manufacturing industry innovation clusters

4.3  新材料产业

新材料产业共形成50个城市级群落,其中,湖州市有4个,常州市有4个,嘉兴市有4个(表12、图12)。

 表12  新材料产业城市群落

Tab.12  New material industry city clusters

 图12  新材料产业创新群落空间布局

Fig.12  Spatial layout of new material industry innovation clusters

4.4  生物产业

生物产业共形成4个城市级群落,其中,南京市有2个(表13、图13)。

 表13  生物产业城市群落

Tab.13 Biology industry city clusters

 图13  生物产业创新群落空间布局

Fig.13  Spatial layout of biology industry innovation clusters

4.5  新能源汽车产业

新能源汽车产业共形成32个城市级群落,其中,常州市、徐州市和无锡市分别各有3个(表14、图14)。

 表14  新能源汽车产业城市群落

Tab.14  New energy vehicle industry city clusters

 图14  新能源汽车产业创新群落空间布局

Fig.14  Spatial layout of new energy vehicle industry innovation clusters

4.6  新能源产业

新能源产业共形成8个城市级群落,其中,金华市有2个(表15、图15)。

 表15  新能源产业城市群落

Tab.15  New energy industry city clusters

 图15  新能源产业创新群落空间布局

Fig.15  Spatial layout of new energy industry innovation clusters

4.7  节能环保产业

节能环保产业共形成3个城市级群落,其中,徐州市有2个(表16、图16)。
 表16  节能环保产业城市群落
Tab.16  Energy saving and environmental protection industry city clusters
 图16  节能环保产业创新群落空间布局
Fig.16  Spatial layout of energy saving and environmental protection industry innovation clusters

4.8  数字创意产业

数字创意产业共形成19个城市级群落(表17、图17)。

 表17  数字创意产业城市群落

Tab.17  Digital creative industry city clusters

 图17  数字创意产业创新群落空间布局

Fig.17  Spatial layout of digital creative industry innovation clusters

4.9  新兴服务业

新兴服务业共形成9个城市级群落(表18、图18)。

 表18  新兴服务业城市群落

Tab.18  Emerging service industry city clusters

 图18  新兴服务业创新群落空间布局

Fig.18  Spatial layout of emerging service industry innovation clusters

5

空间特征总结

5.1  分布类型

通过观察长三角九大战略性新兴产业创新群落的城市空间分布特征,可以总结出以下3种典型的空间形态:

(a)中心辐射式,通过一个或几个中心对周边区域进行辐射和带动,以新一代信息技术产业、新材料产业和新能源汽车产业为代表;

(b)条带均衡式,在多城市的连绵区域内保持相对均衡的空间分布,以数字创意产业和新兴服务业为代表;

(c)分片组团式,由一个或几个城市组团形成相对离散的空间分布模式,以高端装备制造产业、生物产业、新能源产业和节能环保产业为代表。

不同新兴产业门类的创新群落在长三角呈现出不同的空间分布模式特征,这与不同产业的创新网络特征和城市产业发展阶段都密切相关。

5.2  总体分布

将长三角41个城市所有门类战略性新兴产业的群落数量相加,得到长三角整体的产业创新群落数量统计,居于前列的是合肥市22个,无锡市22个,徐州市22个,常州市20个,南通市20个,嘉兴市20个,宁波市20个;同时,上海市12个,南京市8个,杭州市8个。整体上,从连云港市南至宁波市形成了一个相对的沿海高值分布带,尤其是围绕上海市形成了南通市、无锡市-常州市和嘉兴市-宁波市3个高值区,徐州市和合肥市为两个内陆的高值点。如果将台州市和宣城市的群落数量进行提升,长三角将形成一个完整的从沿海向内陆延伸呈左向“E”字形的创新群落连绵高值区,且具有较强的西向延伸发展支撑(图19)。

 图19  战略性新兴产业创新群落空间布局

Fig.19  Spatial layout of strategic emerging industry innovation clusters

5.3  相似分布

得益于表征学习算法的向量化表征,将创新群落内节点的向量表征平均加权,可以计算得到每个群落的向量表征,进而重复平均加权计算得到各个城市的向量表征,并利用余弦距离等计算城市之间创新群落组团的相似程度。基于从专利构建的国民经济行业关联网络,长三角中29个城市的向量表征和相似矩阵计算结果如图20所示。

 图20  29个城市的32维向量表征(左)和余弦相似度计算(右)

Fig.20  32-dimensional vector representation  (left) and cosine similarity calculation (right) of 29 cities

以上海市为考察对象,可以将其他城市表示为与其相似的程度(图21)。其中,与上海市在创新群落结构上最为相似的是苏州市0.960,其次是合肥市0.893,然后是宁波市0.883、无锡市0.877和杭州市0.870,与其他城市的相似程度均在0.8以下。可以看出,上海市-苏州市-无锡市形成了一个产业创新群落结构相对一致的连绵区域,而合肥市和杭州市则与其各自的周边城市具有明显不同创新结构。

 图21  与上海市产业创新群落特征的相似性比较

Fig.21  Comparison of similarities with the characteristics of Shanghai’s industry innovation clusters

6

长三角空间布局优化策略建议

基于长三角专利数据,对新质产业国民经济行业小类的关联网络进行结构挖掘,通过与各城市的组团结构对比,总结产业创新群落的空间分布特征,并利用表征学习的向量化能力构建城市创新群落的量化特征,为长三角产业空间布局优化提供了有力支撑。

6.1  打造高质量创新策源

从长三角和41个城市的创新群落组团及其空间布局来看,部分创新群落虽在城镇群范围内有所显现,但尚未在城市中形成,包括新一代信息技术产业的NGIT03和NGIT06群落,装备制造产业的HEM01和HEM02群落,新材料产业的NM04和NM05群落等。同时,还有12个城市未能形成明显的产业创新群落组团。从新质生产力的发展要求出发,结合创新群落的城市缺项,推动相关国民经济行业在有关城市中的联动发育,将是补全长三角战略性新兴产业链条,打造区域级高质量创新策源的有效途径。

6.2  推动一体化空间发展

表征学习算法的向量化表示优势使不同区域和城市之间在产业创新群落上的结构特征得以量化表征,3种典型的创新群落空间分布形态、朝向内陆“E”字形的创新群落高值区域结构以及上海市-苏州市-无锡市的同质创新群落空间特征得以显现,也为面向长三角一体化发展的优化配置提供了参考和指引。提升低值城市空间中具有产业创新群落发展潜力的新兴产业能级,构建区域级新质生产力创新空间结构,将是形成具有局部优势和整体协调的城镇群产业空间,落实长三角一体化发展战略的有力抓手。

参考文献

[1] 蒲清平,黄媛媛. 习近平总书记关于新质生产力重要论述的生成逻辑、理论创新与时代价值[J]. 西南大学学报(社会科学版),2023,49(6):1-11.

PU Qingping,HUANG Yuanyuan. Generation Logic,Theoretical Innovation and Time Vale of General Secretary Xi Jinping’s Important Exposition on New Quality Productivity[J]. Journal of Southwest University (Social Science Edition),2023,49(6):1-11.

[2] 周文,许凌云. 论新质生产力:内涵特征与重要着力点[J]. 改革,2023(10):1-13.

ZHOU Wen,XU Lingyun. On New Quality Productivity:Connotative Characteristics and Important Focus[J]. Reform,2023(10):1-13.

[3] 高帆.“新质生产力”的提出逻辑、多维内涵及时代意义[J]. 政治经济学评论,2023,14(6):127-145.

GAO Fan. The Logic,Multidimensional Connotation and Current Significance of“New Quality Productivity”[J]. China Review of Political Economy,2023,14(6):127-145.

[4] 王珏,王荣基. 新质生产力:指标构建与时空演进[J]. 西安财经大学学报,2024,37(1):31-47.

WANG Jue,WANG Rongji. New Quality Productivity:Index Construction and Spatiotemporal Evolution[J]. Journal of Xi’an University of Finance and Economics,2024,37(1):31-47.

[5] 朱瑞博. 中国战略性新兴产业培育及其政策取向[J]. 改革,2010(3):19-28.

ZHU Ruibo. Chinese Strategic Emerging Industries’ Cultivating and Policy Tropism[J]. Reform,2010(3):19-28.

[6] 李晓华,吕铁. 战略性新兴产业的特征与政策导向研究[J]. 宏观经济研究,2010(9):20-26.

LI Xiaohua,LU.. Tie. Research on the Characteristics and Policy Orientation of Strategic Emerging Industries[J]. Macroeconomics,2010(9):20-26.

[7] 陆国庆,王舟,张春宇. 中国战略性新兴产业政府创新补贴的绩效研究[J]. 经济研究,2014,49(7):44-55.

LU Guoqing,WANG Zhou,ZHANG Chunyu. Research on the Performance of Subsidizing Innovation for Chinese Strategic Emerging Industry[J]. Economic Research Journal,2014,49(7):44-55.

[8] 贺正楚,吴艳. 战略性新兴产业的评价与选择[J]. 科学学研究,2011,29(5):678-683,721.

HE Zhengchu,WU Yan. Assessment Index System and Evaluating Model of Strategic Emerging Industries[J]. Studies in Science of Science,2011,29(5):678-683,721.

[9] 黄海霞,张治河. 基于DEA模型的我国战略性新兴产业科技资源配置效率研究[J]. 中国软科学,2015(1):150-159.

HUANG Haixia,ZHANG Zhihe. Research on Science and Technology Resource Allocation Efficiency in Chinese Emerging Strategic Industries Based on DEA Model[J]. China Soft Science,2015(1):150-159.

[10] 熊正德,詹斌,林雪. 基于DEA和Logit模型的战略性新兴产业金融支持效率[J]. 系统工程,2011,29(6):35-41.

XIONG Zhengde,ZHAN Bin,LIN Xue. The Efficiency of Financial Support About Strategic Emerging Industry Based on DEA and Logit Model[J]. Systems Engineering,2011,29(6):35-41.

[11] 王伟光,冯荣凯,尹博. 产业创新网络中核心企业控制力能够促进知识溢出吗?[J]. 管理世界,2015(6):99-109.

WANG Weiguang,FENG Rongkai,YIN Bo. Can the Control Power of Core Enterprises in Industrial Innovation Networks Promote Knowledge Spillover?[J]. Management World,2015(6):99-109.

[12] 刘国巍,邵云飞. 产业链创新视角下战略性新兴产业合作网络演化及协同测度——以新能源汽车产业为例[J]. 科学学与科学技术管理,2020,41(8):43-62.

LIU Guowei,SHAO Yunfei. Evolution and Collaborative Measurement of Strategic Emerging Industry Cooperation Network from the Perspective of Industrial Chain Innovation:Taking the New Energy Vehicle Industry as an Example[J]. Science of Science and Management of S.&T.,2020,41(8):43-62.

[13] 张路蓬,薛澜,周源,等. 战略性新兴产业创新网络的演化机理分析——基于中国2000-2015年新能源汽车产业的实证[J]. 科学学研究,2018,36(6):1027-1035.

ZHANG Lupeng,XUE Lan,ZHOU Yuan,et al. Evolution Mechanism of the Strategic Emerging Industries’ Innovation Network from Technological Diffusion Perspective:Based on the New Energy Automobile Empirical Data from 2000 to 2015[J]. Studies in Science of Science,2018,36(6):1027-1035.

[14] SHI J,XIAO Z. Research on the Impact of Inter-Industry Innovation Networks on Collaborative Innovation Performance:A Case Study of Strategic Emerging Industries[J]. Systems,2024,12(6):211.
[15] LI M M,HUANG K,ZITNIK M. Graph Representation Learning in Biomedicine and Healthcare[J]. Nature Biomedical Engineering,2022,6(12):1353-1369.
[16] RATAJCZAK F,JOBLIN M,HILDEBRANDT M,et al. Speos:An Ensemble Graph Representation Learning Framework to Predict Core Gene Candidates for Complex Diseases[J]. Nature Communications,2023,14(1):7206.
[17] BUTEREZ D,JANET J P,KIDDLE S J,et al. Transfer Learning with Graph Neural Networks for Improved Molecular Property Prediction in the Multi-Fidelity Setting[J]. Nature Communications,2024,15(1):1517.
[18] HAMILTON W L. Background and Traditional Approaches[M]. Graph Representation Learning. Cham:Springer International Publishing,2020:9-27.
[19] KUANG D,DING C,PARK H. Symmetric Nonnegative Matrix Factorization for Graph Clustering[M]. Proceedings of the 2012 SIAM International Conference on Data Mining (SDM). Society for Industrial and Applied Mathematics,2012:106-117.
[20] BOYD S,PARIKH N,CHU E,et al. Distributed Optimization and Statistical Learning via the Alternating Direction Method of Multipliers[J]. Foundations and Trends® in Machine Learning,2011,3(1):1-122.
[21] 国家统计局. 战略性新兴产业分类(2018) (国家统计局令第23号)[EB/OL]. [2024-04-01]. https://www.gov.cn/zhengce/zhengceku/2018-12/31/content_5433037.htm.

National Bureau of Statistics. Classification of Strategic Emerging Industries (2018) (Order No.23 of the National Bureau of Statistics)[EB/OL]. [2024-04-01]. https://www.gov.cn/zhengce/zhengceku/2018-12/31/content_5433037.htm.

[22] 国家知识产权局. 国家知识产权局办公室关于印发《战略性新兴产业分类与国际专利分类参照关系表(2021)(试行)》的通知[EB/OL]. [2024-04-01]. https://www.cnipa.gov.cn/art/2021/2/10/art_75_156716.html.

China National Intellectual Property Administration. Notice of the General Office of the National Intellectual Property Administration on the Issuance of the Reference Relationship Table of Strategic Emerging Industry Classification and International Patent Classification (2021) (Trial Implementation)[EB/OL]. [2024-04-01]. https://www.cnipa.gov.cn/art/2021/2/10/art_75_156716.html.



欢迎在朋友圈转发,转载请在后台留言









官方投稿网址:http://www.planning.com.cn
微博:http://weibo.com/cityplanningreview
微信号:chengshiguihuazazhi
国内统一刊号:CN 11-2378/TU
国际标准刊号:ISSN 1002-1329
【免责声明本公众号推文目的在于信息交流与共享。若有来源误或侵犯了您的合法权益,请持权属证明与本公众号联系,我们将及时更正、删除,谢谢。






关注、分享、在看与点赞,至少我要拥有一个吧~

城市规划
《城市规划》创刊于1977年,是由中国城市规划学会主办的科技期刊,是国家中文核心期刊、中国科技核心期刊、中国人文社会科学核心期刊、百强科技期刊、精品科技期刊等。
 最新文章