基于机器学习的开放创新社区创意识别方法研究

目的 探索基于机器学习的开放创新创意识别方法,解决创意识别过程中存在的耗时长、效率低、成本高等问题。方法 从用户特征、用户参与度和创意内容特征三个方面构建评估模型,以OpenIDEO社区为研究对象,采集数据并进行数据清洗和数据转化映射,最后进行多种机器学习算法的参数优化,并以F1值为选择标准,选择分类效果最佳的算法作为分类模型。结果 运用KNN、SVM、决策树、随机森林四种机器学习算法分析OpenIDEO数据,随机森林算法通过参数优化取得了最大的F1值（0.919 09）,同时对于验证数据,该算法同样可以取得较好的分类效果。结论 应用机器学习方法对开放式创新社区中的创意进行识别,具有较高的可行性和有效性,可以大大降低社区在创意筛选中的投入,提高创新效率,优化社区生态。     

企业创新服务平台研究与实现

本文提出一款基于第五代技术创新过程模式的科技创新型企业创新服务平台—SITI(Shanghai Industrial Technology Institute)创新社区。用平台战略思想组织各方群体互动,形成线上、线下互补的互动模式;提供可定制的企业空间,并提供第三方创新工具接口,为企业提供最大的自主管理自由度,非常适合中小型企业入驻;平台具有良好的可移植性及配置功能,适合大型企业打造符合自身企业形象的企业平台。目前,该社区已发布2.0版本,入驻企业1000余家,组建企业集群20余个。     

协同创新社区中领先用户的自动识别方法

针对随着互联网的发展和普及,协同创新社区成为顾客参与企业创新活动的重要途径的现状,提出了一种协同创新社区中领先用户的识别方法。首先,基于领先用户的相关理论,提出了用于识别领先用户的评价指标;其次,采用朴素贝叶斯分类等数据挖掘方法对用户留存在创新社区中的内容信息和互动信息进行分析,计算出用户的各项评价指标值,进而对各评价指标值进行综合,获得各用户的＂领先性＂得分,并甄选出创新社区中具有出色创新能力和积极创新意愿的领先用户;最后,通过实例验证了该方法的有效性。     

基于多模型融合的开放式创新社区内容质量特征挖掘

开放式创新社区高质量用户生成内容特征对企业精准获取技术创新意见具有重要作用。本文构建了开放式创新社区用户生成内容质量多维评价体系,提出一种融合5种算法的特征选择方法,在3种分类模型评估中得出最优特征子集,挖掘重要因素与高质量用户生成内容之间的关系。集成特征子集在模型上计算时间平均节约54.54%,比单一特征选择算法得到的特征子集预测准确率平均提高10.47%。基于多模型融合算法能够客观全面评估开放式创新社区用户生成内容质量,让企业能够精准识别高质量用户生成内容,促进企业开放式创新。