通过挖掘类比关系加速创新

挖掘

Paper: Accelerating Innovation Through Analogy Mining

这篇文章主要阐述了帮助创新的一个重要步骤,那就是如何找到合适并且有效的类比案例。

如何找到合适的类比,并能从中获取灵感,可能就是创新的一个关键因素。

论文的核心方法

首先,作者们提出了一组叫“目的”(Purpose)和“机制”(Mechanism)的概念。什么叫“目的”呢?那就是当前的产品是要解决什么问题的。什么叫“机制”呢?那就是当前的产品是使用什么手段或者方法来解决这个问题的。对于一个产品,如果我们能够明确这个产品的目的和机制,找到类比就变得更加容易。比如,我们可以针对某一个问题,相同的目的,采用不同的机制或者对不同的问题采用相同的机制。

作者们认为,这种对产品信息的分类符合很多工程设计的过程,是创新过程中的一个必要环节

有了这种想法以后,很自然的下一个步骤就是如何从数据中学习到目的和机制,如何自动挖掘出海量产品信息的目的和机制。要想学习到这样的信息,作者们提出了一种依靠标签数据的监督学习(Supervised Leanring)机制。具体说来,作者们把文本信息中的每句话、短语交给亚马逊土耳其机器人(Amazon Mechanical Turk)上的在线工人,来标注每个文本信息是目的信息还是机制信息。也就是说,作者们依靠有标注的数据来训练提出的算法。

首先,我们有一组文本,每组文本都有这些文本的原始文字。针对每个文档,我们都收集 K 个目的标注和 K 个机制标注。这时,我们定义一组“目的标注”(Purpose Annotation)向量,其实也就是一组 0 或者 1 的向量。当文本原始文字中的某个字被标识为目的的时候,这个向量的相应元素置 1,反之置 0。类似的,我们也可以定义“机制标注”(Mechanism Annotation)向量。因为我们有 K 个标注,因此我们也有相应的 K 个“目的标注”向量和“机制标注”向量。这两组向量可以说是原始标签信息的一种向量的表达。

下一步就是从每一个有标签信息的文档里产生 唯一的目的向量和机制向量。这篇文章采用的方法是,利用每个单词的 嵌入向量(Embedding) 来获得这个唯一的向量。

参考: https://time.geekbang.org/column/article/391