서비스 산업 내 기술의 중요성이 증대되면서 기술을 기반으로 서비스 기회를 발굴하기 위한 다양한 연구가 수행되어 왔다. 특히, 특허는 기술에 대한 상세한 정보를 포함하고 있다는 장점을 가지고 있기 때문에 특허를 활용한 연구들이 수행되었다. 예를 들어, 비즈니스 모델 특허의 분류코드를 활용하여 특정 서비스 내 기술 간의 연계성을 파악한 뒤 Analytic Network Process(ANP) 기법과 DEA 기법을 통해 기술의 우선 순위와 중요도를 계산하여 서비스 기회를 식별한 연구(Kim and Lee, 2020), 서비스 관련 키워드가 빈발하게 등장한 특허를 바탕으로 서비스 기술 기회의 모니터링을 수행한 연구(Lee et al., 2010), 특허 키워드 분석을 통해 서비스 지향의 기술 로드맵을 제시한 연구(Suh and Park, 2009), 비즈니스 모델 특허에서 나타나는 세부 요소의 변화를 분석하여 서비스 산업 내 비즈니스 모델의 진화 양상을 파악한 연구(Han et al., 2011), 특허를 활용해 서비스 기술에 대한 개념을 다양한 관점에서 정의하고 특성화한 연구가 존재한다(Geum et al., 2017).

그러나 특허를 활용한 연구는 서비스에 대한 구체적인 정보를 파악하는데 한계가 있기 때문에, 이를 극복하기 위해 상표를 활용한 연구가 등장하였다. 대표적으로 지식 집약 서비스 혁신의 지표로 상표를 제시한 연구(Gotsch and Hipp, 2012), 제품 및 서비스 혁신의 측정에 특허와 상표를 활용한 연구(Jensen and Webster, 2009), 특허를 기업의 보유 기술로 해석하고 상표를 통해 기업의 타겟 제품 또는 타겟 서비스의 정보를 얻어냄으로써 경쟁사와의 비교분석을 통해 새로운 사업 기회를 분석한 연구(Lee and Lee, 2017), 상표를 통해 기업의 비즈니스 생태 네트워크를 구축하고 링크 예측을 활용해 기업이 진출할 수 있는 유망한 서비스를 발굴한 뒤 특허를 통해 기업의 서비스 개발 역량을 판단하는 연구가 진행되었다(Choi et al., 2021).

이러한 연구들은 상표를 통해 서비스에 대한 정보를 파악할 수 있었지만 상표를 단독으로 사용하여 서비스의 기술 정보를 알 수 없거나, 상표와 특허의 관련성을 파악하기 보다는 상표와 특허의 출원인 코드가 동일하다는 것을 이용하여 유사한 비즈니스 영역을 가진 경쟁사와의 기술을 비교분석 하는 것에 초점을 맞추었다. 즉, 서비스와 기술의 관계를 면밀히 파악하지 못했다는 한계가 존재한다.

따라서 본 연구에서는 Ko et al. (2020)이 구축한 특허-상표 연계 데이터베이스를 활용하여 기술 기반의 서비스 기회 발굴을 시도한다. 상표의 유사군 코드, 류 구분, 지정상품 명칭을 활용하여 타겟 서비스를 정의한 뒤 특허-상표 연계 데이터베이스를 통해 타겟 서비스와 연계된 특허의 International Patent Classification(IPC) 코드를 파악하고, 이를 타겟 서비스의 기술요소로 정의한다. 이후 링크 예측을 활용해 특정 서비스의 신규 기술요소를 도출하여 서비스 기회를 발굴한다. 본 연구에서 제시하는 방법은 특허-상표 연계 데이터를 활용해 기술 정보와 서비스 영역의 정보를 파악할 수 있고, 기업의 보유 역량과 관계없이 적용 가능한 방법이기 때문에 특정 기업이 아닌 산업 수준에서 서비스 기회를 발굴할 때 활용이 가능한 방법이라는 특징을 가진다.

링크 예측은 미래에 네트워크 상에서 나타날 것으로 예상되는 노드 혹은 노드 간 링크를 예측하는 방법이다(Lü and Zhou, 2011). 네트워크의 진화를 이해하거나 예측하는 데 유용한 기법인 링크 예측은 크게 노드 기반, 위상 기반, 사회이론 기반 링크 예측으로 나눌 수 있다(Wang et al., 2015).

노드 기반 링크 예측은 노드의 특성을 활용하는 방법이다. 이 방법은 모든 노드가 고유한 특성을 가지고 있으며, 이러한 특성을 통해 측정된 노드 간의 유사도가 높을수록 네트워크 상에서 노드 간에 새로운 링크가 생성될 가능성이 높다고 가정한다. 위상 기반 링크 예측은 전체 네트워크 관점에서 노드의 구조적 관계를 활용하며, 인접 네트워크 기반 방법과 경로 기반 방법으로 나뉜다. 인접 네트워크 기반 링크 예측은 두 개의 특정 노드가 공유하는 인접 노드 수를 측정하여 두 노드 간에 새로운 링크가 나타날 가능성을 설정한다. 경로 링크 예측은 두 노드 간의 경로를 기준으로 링크 생성 가능성을 측정하는데, 두 노드 사이에 짧은 경로가 많을 때의 링크 생성 가능성이 두 노드 사이에 긴 경로가 많을 때의 링크 생성 가능성보다 크다고 판단한다. 사회이론 기반 링크 예측은 네트워크에서 발생하는 노드 간의 관계를 사회 행위로 인식해 사회과학 이론의 관점에서 네트워크 행동을 분석하여 링크 예측을 수행하는 방법이다. 이러한 기본 모델을 바탕으로 Resource allocation 모델(Zhou et al., 2009), Preference attatchment 모델(Vázquez, 2003), Katz 모델(Katz, 1953)과 같은 다양한 변형 링크 예측 모델이 개발되었다. 이처럼 링크 예측은 분석된 네트워크의 특성과 분석가의 의도에 따라 다양한 모델을 설계하고 적용할 수 있다는 특징이 있다.

링크 예측은 분석에 활용할 데이터의 관계를 네트워크 형태로 나타낼 수 있다면 연구 분야에 관계없이 보편적으로 사용할 수 있는 방법이다. 특히, 특허의 서지정보를 네트워크로 표현하여 링크 예측을 적용한 연구가 다양하게 수행되었다. 특허의 IPC 코드를 활용하여 기술 융합 관계를 예측한 연구(Seo and Lee, 2018), 특허 인용 네트워크에 링크 예측을 활용하여 신흥 기술을 예측한 연구(Érdi et al., 2013), 특허 협력 네트워크를 구축하여 기업에게 협업 파트너를 추천한 연구(Chen et al., 2021)가 수행되었다. 즉, 선행연구를 통해 특허 데이터에 링크 예측 방법을 적용하는 것에 대한 타당함이 입증되었다. 따라서 본 연구에서는 서비스 산업 내 새로운 기술을 예측하기 위해 기술간 관계를 나타내는 네트워크를 구축한 뒤 링크 예측을 수행한다. 이 때 본 연구에서는 특정 서비스에서 활용중인 기술을 파악하기 위해 특허-상표 연계 데이터베이스를 활용한다. Ko et al.(2020) 은 특허-상표 연계 데이터베이스를 활용해 다양한 비즈니스 영역에 대한 특정 기업의 기술적 역량을 파악하여 타당한 R&D 방향을 제시하였다. 따라서 특허-상표 연계 데이터베이스를 활용해 특정 서비스 산업의 기술을 파악한 뒤 링크 예측을 수행한다면, 해당 서비스 산업에 활용 가능한 새로운 기술을 도출함으로써 타당한 서비스 기회를 발굴할 수 있을 것으로 기대한다.

본 연구는 전체 기술요소 네트워크를 구축하기 위해 분석기간에 출원된 특허를 수집한다. 특허 수집을 위해 KIPRIS(http://www.kipris.or.kr)과 같은 공공 서비스 또는 WIPS-ON(http://www.wipson.com)과 같은 민간 서비스를 활용할 수 있다. 특허를 수집한 후, 특허 분류 코드인 IPC 코드의 동시출현 정보를 파악하여 IPC 코드 동시출현 네트워크를 구축한다(<Figure 2>).

Figure 2. 
IPC Co-occurrence Analysis

<Figure 2>에서 IPC 코드 a, b를 가진 특허 P1, IPC 코드 a, c, d를 가진 특허 P2, IPC 코드 a, c를 가진 특허 P3을 가정할 때, a와 c의 동시출현은 P2에서 1회, P3에서 1회 발생하는 한편 a와 d의 동시출현은 P2에서 1회 발생한다. 전체 기술요소 네트워크에서 노드는 IPC 코드를 나타내고 링크와 해당 가중치는 각각 IPC 코드의 동시출현과 그 빈도를 나타낸다. 특허 분류코드의 동시출현 정보는 기술간 연관관계를 의미하기 때문에, IPC 코드의 동시출현 정보를 통해 기술요소간 연관관계를 파악할 수 있다(Preschitschek et al., 2013). IPC 코드는 크게 섹션, 클래스, 서브 클래스, 메인 그룹, 서브 그룹으로 구성되어 있다. 메인 그룹 수준에서의 분석은 기술요소의 정밀한 분석에 용이하기 때문에 다양한 연구에서 활용되어 왔다(Choi et al., 2019; Kim et al., 2021). 따라서 본 연구에서는 IPC 코드의 구조에서 메인 그룹까지의 정보를 이용하여 IPC 동시출현 분석을 수행한다. 이후 IPC 동시출현 네트워크를 구축하여 이를 전체 기술요소 네트워크로 정의한다.

이전 단계에서 IPC 코드의 동시출현 정보를 이용하여 전체 기술요소 네트워크를 구축하였지만, 해당 네트워크에서는 타겟 서비스에서 활용되고 있는 기술요소들의 정보를 파악할 수 없다. 따라서 본 연구에서는 타겟 서비스에서 활용되고 있는 기술요소를 파악하기 위해 Ko et al.(2020)이 구축한 특허-상표 연계 데이터베이스를 활용한다. 기술 기반의 서비스 기회 발굴 과정에서 특허-상표 연계 데이터베이스를 활용하기 때문에 타겟 서비스의 기술 정보를 도출하여 타겟 서비스에서 활용되고 있는 기술요소를 파악할 수 있다.

Ko et al.(2020) 은 특허-상표 연계 데이터베이스를 구축하기 위해 먼저 대량의 상표를 수집하여 제품 및 서비스 정보를 파악하였고, 대량의 특허를 수집하여 기술 정보를 파악하였다. 국내에서는 상표를 등록할 때 특허청에서 정의한 지정상품 명칭을 사용하도록 권고한다. 또한 각 지정상품은 류 구분과 유사군 코드를 지니는데, 유사군 코드와 류 구분은 다양한 제품 및 서비스의 범위를 표시하여 유형화한다. 류 구분은 제품의 경우 1~34류, 서비스의 경우 35~45류로 표현된다. 유사군 코드는 제품의 경우 G로, 서비스의 경우 S로 시작되는 5~7자리의 문자와 숫자로 표현된다. 이러한 상표의 특징 때문에 상표의 류 구분, 유사군 코드, 지정상품의 명칭은 비즈니스 영역을 파악할 수 있는 정보가 될 수 있다. 예를 들어 류 구분이 38류이면서 유사군 코드가 “S0701”인 지정상품 명칭에는 “교육방송업”, “교통방송업”, “데이터방송업” 등이 포함되어 있으며, 이러한 지정상품 명칭을 통해 비즈니스 영역을 파악할 수 있다. 다음으로, 출원인이 동일한 특허와 상표의 지정상품 쌍을 수집하였고, 의미적 유사도를 바탕으로 연계된 특허-지정상품 쌍을 포함한 정보를 특허-상표 연계 데이터베이스에 저장하였다. 특허-상표 연계 데이터베이스에는 4,418,786건의 특허와 3,003,631개의 지정상품이 존재하고, 이 중 연계된 특허-지정상품 쌍은 총 4,727,696건이 존재한다.

<Figure 3>에서, “과제물에 대한 짜깁기를 방지하는 방법 및 시스템”, “사용자 단말기 및 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체” 제목을 가진 특허는 “교육업”이라는 지정상품과 연계되었기 때문에, 해당 특허들은 “교육업”이라는 서비스와 연계되었다고 볼 수 있다. 따라서 본 연구에서는 유사군 코드와 류 구분, 지정상품 명칭을 활용하여 타겟 서비스를 정의한 뒤, 특허-상표 연계 데이터베이스를 통해 타겟 서비스와 연계된 특허를 파악하고, 해당 특허가 가지고 있는 IPC 코드를 타겟 서비스의 기술요소로 정의한다. 해당 타겟 서비스의 기술요소는 이미 타겟 서비스에서 활용되고 있는 기술요소를 의미한다.

Figure 3. 
Patent-Trademark Linking Process

IPC 코드로 표현된 타겟 서비스의 기술요소들의 집합을 통해 타겟 서비스 중심의 기술요소 네트워크를 구축한 뒤 링크 예측을 수행하며, 과정은 <Figure 4>와 같다.

Figure 4. 
Process of Constructing a Target Service-Centered Technology Element Network

본 연구에서는 타겟 서비스의 기술요소 집합에 대해 링크 예측을 용이하게 수행하기 위해 타겟 서비스를 대표하는 가상의 인공노드인 Artificial Service Node(ASN)을 네트워크에 삽입한다. 다음으로 ASN과 타겟 서비스의 기술요소 사이에 링크를 생성하여 전체 기술요소 네트워크를 타겟 서비스 중심의 기술요소 네트워크로 재구성한다. 이 때 링크의 가중치는 타겟 서비스와 연계된 특허가 가진 IPC 코드의 출현 빈도이다. 타겟 서비스와 연계된 특허에서 특정 IPC 코드의 출현 빈도가 높으면, 해당 IPC 코드는 타겟 서비스와 관련성이 높은 것으로 간주된다. ASN과 연결된 노드는 타겟 서비스의 기술요소 뿐이므로 ASN은 타겟 서비스를 대표하는 노드가 될 수 있다. 향후 ASN과 연결될 노드를 예측한다면 타겟 서비스에 도입될 수 있는 기술요소를 간단히 예측할 수 있다.

타겟 서비스 중심의 기술요소 네트워크를 구축한 뒤, ASN과 링크가 생성될 가능성이 있는 IPC 코드를 예측한다. 해당 IPC 코드는 예측된 서비스의 신규 기술요소로, 현재 타겟 서비스에는 존재하지 않지만 향후 잠재적으로 타겟 서비스에 활용될 수 있는 기술요소가 될 수 있다. 이를 위해 본 연구에서는 링크 예측에 보편적으로 활용되는 대표적인 방법인 Resource allocation을 변형하여 링크 예측을 적용한다. Resource allocation은 식 (1)과 같이 나타낼 수 있다 (Zhou et al. 2009).

• r(A) = 노드 A의 이웃 노드들로 이루어진 집합
• |r(A)| = =집합 r(A)의 크기

Resource allocation을 기반으로, 1) 타겟 서비스 내 각 기술요소의 활용도와 2) 기술요소 후보와 타겟 서비스 기술요소의 기술적 접근성을 고려하여 식 (2)로 변형하였다.

• r(A) = 노드 A의 이웃 노드들로 이루어진 집합
• |r(A)| = =집합 r(A)의 크기
• weight(X, Y) = 노드 X와 Y 사이의 링크 가중치

본 연구에서는 식 (2)를 통해 타겟 서비스의 신규 기술요소를 도출하는 링크 예측을 수행한다. w는 ASN과 신규 기술요소 후보 (c)의 공통 이웃이다. 즉, w는 타겟 서비스의 기술요소를 의미한다. weight(ASN,w)는 타겟 서비스와 연계된 특허가 보유한 IPC 코드의 출현 빈도이다. 즉, weight(ASN,w)는 타겟 서비스에서 기술요소 w의 활용도를 의미한다. weight(w,c)는 타겟 서비스의 기술요소와 신규 기술요소 후보의 동시출현 빈도이다. 즉, 이는 신규 기술요소 후보인 c에 대해 네트워크 상에서 타겟 서비스가 얼마나 접근성이 높은 지를 표현한다. 따라서 타겟 서비스에서 이미 활용중인 서비스 기술요소 에 대하여, 타겟 서비스에서의 활용도와 기술요소 후보에 c에 대한 접근성 두 가지를 모두 고려하기 위해 min(weight(ASN,w),weight(w,c)) 값이 클수록 신규 기술요소 후보 c와의 링크가 생성될 가능성이 높다고 판단한다. 또한 |γ(ASN)∩γ(c)| 값이 클수록 신규 기술요소 후보 c와 연관될 가능성이 있는 기존의 서비스 기술요소가 많다는 뜻이기 때문에, 신규 기술요소 후보 c와 타겟 서비스와 연관될 가능성이 크다고 판단한다. 마지막으로 log(|r(w)|)는 전체 기술요소 네트워크에서 기술요소 w가 얼마나 널리 쓰이는지를 나타낸다. 따라서, 1logrw이 클수록 기술요소 w에 대해 타겟 서비스는 타 서비스에 비해 상대적으로 높은 활용도를 지닌다고 할 수 있다. 식 (2)의 높은 링크 예측 점수 (PS)를 가진 신규 기술요소들은 후속 단계에서 제시되는 영향력과 신규성 지표를 통해 평가되어 전략적인 서비스 기회 발굴을 지원하기 위해 사용된다.

다음으로, 영향력과 신규성 지표를 활용하여 서비스의 신규 기술요소들을 평가한다. 영향력 지표는 전체 기술요소 네트워크에서 해당 기술요소가 가진 기술적 영향력을 판단한다. 따라서 영향력 값이 크다면 네트워크 관점에서 기술의 확장성이 용이할 수 있다는 장점을 가질 수 있다. 신규성 지표는 분류코드 기준으로 해당 기술요소가 기존의 기술요소들과 얼마나 유사도가 낮은지를 판단한다. 신규성 값이 크다면 해당 기술요소가 이미 타겟 서비스에 존재하는 기술요소들에 비해 상당히 독창적인 기술요소라는 것을 의미한다.

본 연구에서는 고유벡터 중심성 값을 영향력 지표로 정의한다. 고유벡터 중심성은 이웃 노드와 연결되어 있는 노드의 중요성에 가중치를 부여하는 방법이다(Borgatti, 2005). 즉, 연결된 노드의 개수뿐만 아니라 연결된 노드가 얼마나 중요한지도 함께 고려한 개념이기 때문에, 고유벡터 중심성을 통해 네트워크 상에서 특정 기술의 영향력을 평가할 수 있다(Lee et al., 2021). 고유벡터 중심성은 A가 네트워크의 인접행렬일 때, 노드 i와 노드 j가 연결될 경우 a_ij = 1이고 그렇지 않을 경우 a_ij = 0이다. λ는 A의 가장 큰 고유값이고 n은 노드의 개수이다. 식 (3)은 고유벡터 중심성을 행렬식과 합 기호를 통한 두 가지 방법으로 나타낸 것이다(Bonacich, 2007).

신규성 지표는 서비스에 이미 활용중인 기술요소들과 서비스 신규 기술요소와의 분류 유사도를 고려하여 표현한 0부터 1 사이의 값이다. 신규성이 높다는 것은 서비스 신규 기술요소가 서비스에 이미 활용중인 기술요소들과 분류코드 관점에서 유사하지 않음을 의미하며, 신규성이 낮다는 것은 서비스 신규 기술요소가 기존의 서비스의 기술요소들과 분류코드 관점에서 유사함을 의미한다. 신규성을 계산하기 위해 먼저 두 IPC 코드 간의 분류 유사도 CS(x,y)를 정의한다. 분류 유사도는 IPC 코드의 계층적 구조를 활용하여 IPC 코드 간의 유사도를 파악하는 방법으로, 식 (4)와 같다.

기술 분석에 있어서 분류 유사도를 활용한 다양한 연구가 수행되었다. 대표적으로, 분류 유사도를 활용하여 정의된 지표가 신흥 기술 예측 알고리즘의 성능에 기여한 것을 보인 연구(Kyebambe et al., 2017), 지식 조합 모델 구축 과정에서 서로 다른 기술 영역간 유사성을 측정할 때 분류 유사도를 활용한 연구가 존재한다(Choi et al., 2019). 따라서 본 연구에서는 기술 영역간 유사정도를 나타내는 분류 유사도를 활용하여, 신규 기술요소가 기존의 기술요소와 비교하여 얼마나 새로운 기술 영역에 존재하는지 파악할 수 있는 신규성 지표를 제시한다. 신규성 지표는 1에서 신규 기술요소와 기존의 서비스 기술요소와의 분류 유사도를 뺀 값에 대해, 기존의 서비스 기술요소의 출현 빈도를 가중치로 하는 가중 평균으로 정의된다(식 (5)).

• S = 기존의 서비스 기술요소 집합
• CS(x,y)= 기술요소 x와 기술요소 y 사이의 분류 유사도
• frequency(x)=기술요소 x의 출현 빈도
• c = 신규 서비스 기술요소

최종적으로, 영향력과 신규성 지표를 활용하여 <Figure 5>와 같은 신규 기술요소 포트폴리오 맵을 구축한다.

Figure 5. 
New Technology Element Portfolio Map.

구축된 포트폴리오 맵은 영향력과 신규성 지표의 평균을 활용하여 네 개의 영역으로 나눌 수 있으며, 서비스 산업의 기술적 역량과 전체 기술요소 네트워크를 고려해 적절한 R&D 방향을 수립할 수 있다. 예를 들어, A 영역의 경우 신규성이 높지만 영향력이 낮은 기술요소가 속한 영역이다. 따라서 상대적으로 독창적인 기술이 될 수 있는 반면 전체 기술요소 네트워크 상에서 영향력이 작기 때문에 기술의 확산 측면에서 한계가 있을 수 있다. B 영역에 속한 기술요소의 경우, 신규성과 영향력이 모두 높기 때문에 기술의 독창성 및 기술의 확산 측면에서 장점을 지닐 수 있다. C 영역에 속한 기술요소의 경우, 영향력과 신규성이 모두 낮기 때문에 네트워크 상에서의 중요성이 낮고 독창적이지 않은 기술일 수 있다. D 영역에는 네트워크 상에서 영향력이 높지만 신규성이 낮아 독창적이지 않은 기술요소가 포함되어 있다. 그러나 C, D 영역에 속한 기술요소의 경우 독창성이 낮은 만큼 접근성이 높기 때문에 A 영역이나 B 영역의 기술요소보다 서비스에 도입이 용이한 기술일 수 있다.

본 연구에서는 사례연구를 위해 KIPRIS PLUS를 통해 2009년 7월부터 2019년 6월까지 출원된 한국 특허를 수집하였다. 수집된 특허 중 검증 단계에 사용된 특허는 893,363건이며, 예측 단계에 사용된 특허는 705,959건이다. 또한 네트워크 구축에 활용될 메인그룹(main-group) 수준의 IPC 코드는 총 6,647개로 두 단계에서 동일하였다. 본 사례연구에서는 교육 서비스와 연계된 특허의 메인그룹 수준의 IPC 코드를 교육 서비스의 기술요소로 정의하였다.

첫 번째 단계로, 과거의 데이터를 활용하여 본 연구에서 제시하는 신규 서비스 기술요소 예측 모형을 평가하였다. 이를 위해 먼저 검증 단계에서 전체 기술요소 네트워크를 구축한 뒤 타겟 서비스를 정의하는 과정을 수행하였다. 류 구분이 41류이고 유사군 코드의 앞 세자리가 “S12”이며, 교육 서비스와 관련된 단어를 포함한 지정상품 명칭을 가진 총 6268가지의 지정상품을 도출하였다. 해당 지정상품들을 사례연구로 활용할 교육 서비스로 정의하였다. <Table 1>은 도출된 교육 서비스 관련 지정상품의 예시이다.

이후 특허-상표 연계 데이터베이스를 활용하여 검증 단계에서 교육 서비스와 연계된 특허들을 도출하였다. 검증 단계에서 교육 서비스와 연계된 특허는 165건이고, 연계된 특허의 메인그룹 수준 IPC 코드는 67개로 파악되었다. 타겟 서비스 중심의 기술요소 네트워크를 구축하기 위해 교육 서비스를 대표하는 인공 노드인 ASN을 전체 기술요소 네트워크에 삽입한 뒤, ASN과 교육 서비스와 연계된 특허의 IPC 코드 사이의 링크를 생성하였다. 이 때 IPC 코드의 출현 빈도에 따라 링크의 가중치를 지정하였다. <Figure 7>은 타겟 서비스 중심의 기술요소 네트워크의 일부이다. 적색으로 표시된 노드는 ASN으로, 타겟 서비스를 대표하는 인공노드이다. 또한 주황색으로 표시된 노드는 타겟 서비스의 기술요소를 나타내며, 회색으로 표시된 노드는 타겟 서비스의 신규 기술요소 후보를 나타낸다.

Figure 7. 
Target Service-Centered Technology Element Network

ASN이 삽입된 타겟 서비스 중심의 기술요소 네트워크가 구축되면, ASN에 연결될 서비스 신규 기술요소를 본 연구에서 제시하는 링크 예측 알고리즘을 통해 식별할 수 있다. 본 연구에서는 링크 예측 점수 (PS)가 높은 상위 50개의 신규 기술요소를 발굴하였다.

또한 본 연구에서 제시하는 알고리즘의 성능을 다른 알고리즘의 성능과 비교하여 검증하기 위해, Preferential attachment (Vázquez 2003), Jaccard coefficient (Shibata et al. 2012), Resource allocation (Zhou et al. 2009) 알고리즘들을 비교 대상으로 선정하였다. 성능을 비교하기 위해 링크 예측의 성능 평가에 활용되는 지표인 ROC-AUC과 F1-score를 사용하였다 (Martinčić-Ipšić et al., 2017; Brochier et al., 2019). ROC 곡선은 다양한 임계치에 따라 False-positive 비율에 대한 True-positive 비율을 그림으로 표시함으로써 생성된다. AUC란 ROC 곡선 아래 영역의 넓이를 의미하는 값이며 1에 가까울수록 알고리즘의 성능의 뛰어나다고 판단할 수 있다. F1-score은 정밀도 (Precision)와 재현율 (Recall)의 조화평균으로 두 지표를 모두 고려하여 값을 산출할 수 있다는 장점이 있고, 해당 값이 클수록 좋은 성능을 보인다고 할 수 있다.

검증 단계에서 각 알고리즘 별 점수가 높은 상위 50개의 예측 결과를 실제로 등장한 교육 서비스의 기술요소와 비교하여 성능지표인 AUC, F1-score를 도출하였으며, 본 연구가 제시한 알고리즘(Proposed algorithm)이 비교 대상으로 선정한 알고리즘(Preferential attachment, Jaccard coefficient, Resource allocation)보다 성능이 우수한 것으로 나타났다(<Figure 8>).

Figure 8. 
Performance Comparison of Link Prediction Algorithms (A: ROC-AUC; and B: F1-score @k where k denotes the number of predicted new technology elements)

<Figure 8>의 A는 제시된 알고리즘과 비교 대상 알고리즘의 ROC 곡선을 나타내고, B는 예측한 신규 기술요소의 개수(k)에 따른 제시된 알고리즘과 비교 대상 알고리즘의 F1-score을 나타낸다. 본 연구에서 제시하는 알고리즘은 공통 이웃 노드의 개수와 타겟 서비스의 기술 활용도를 모두 반영했기 때문에 높은 성능을 보일 수 있었다. 이러한 성능 평가 지표의 결과를 바탕으로, 본 연구에서 제시하는 알고리즘이 다른 알고리즘에 비해 우수한 성능을 보인다는 것을 알 수 있다.

<Table 2>은 제시된 알고리즘을 통해 예측한 기술요소를 링크 예측 점수(PS) 값이 높은 대로 나열한 것들 중 일부이며, 검증 단계에서 예측한 신규 기술요소가 실제로 등장했는지를 나타낸 것이다. 만약 검증 단계에서 예측한 신규 기술요소가 실제로 타겟 서비스의 기술요소가 되었다면, ‘Application’이 ’Y’로 표현되었다.

다음으로, 영향력과 신규성 지표를 활용하여 구축된 검증 단계의 신규 기술요소 포트폴리오 맵을 통해 링크 예측 점수(PS)가 높은 상위 50가지의 서비스의 신규 기술요소를 제시하였다(<Figure 9>). <Figure 9>에서 노드의 크기는 링크 예측 점수가 높을수록 크다.

Figure 9. 
New Technology Element Portfolio Map(verification step)

도출된 서비스의 신규 기술요소들은 신규 기술요소 포트폴리오 맵을 통해 네 가지 영역으로 나누어진다. 검증 단계에서 도출된 50개의 기술요소 중 총 23개가 실제로 교육 서비스에 도입되었다.

A 영역은 영향력이 낮지만 신규성이 높은 영역으로, 네트워크 상에서 기술적 영향력은 낮지만 비교적 독창적인 기술요소가 포함되어 있다. 27개의 기술요소가 A 영역에 포함되었으며, 이중 실제로 도입된 기술요소는 12개이다. 대표적으로 “G01S19”와 같은 위성 전파 시스템 관련 기술, “G08G1”과 같은 거리 측정 관련 기술, “G16H10”와 같은 건강관리 데이터 관련 기술이 교육 서비스에 도입되었다. 또한 B 영역은 영향력과 신규성 지표가 모두 높은 영역으로, 기술의 독창성 측면과 확산 측면에서 상당히 중요한 기술요소가 포함되어 있다고 할 수 있다. 10개의 기술요소가 B 영역에 포함되었고, 실제로 도입된 기술요소는 5개이다. 대표적으로 스위치 관련 기술인 “H04Q9”, 무선 전기망을 통한 신호 전송 장치 관련 기술인 “G08C17”, 광학계 관련 기술인 “G02B27” 등이 도입되었다. C 영역은 영향력과 신규성이 모두 낮은 영역으로, 네트워크 상에서 기술적 영향력이 낮고 독창적이지 않지만 신규성이 낮은만큼 접근성이 좋기 때문에 도입이 용이한 기술요소가 포함되어 있다. 10개의 기술요소가 해당 영역에 포함되었고, 이 중 실제로 도입된 기술요소는 4개이다. 해당 기술요소들은 “G06K16”과 같은 데이터의 기록 매체 관련 기술과 “G06F16”과 같은 정보 검색 관련 기술, “G06Q10”과 같은 경영 관리 기술, “G06T13”과 같은 애니메이션 관련 기술이다. 마지막으로 D 영역은 영향력은 높지만 신규성은 낮은 영역으로, 기술의 확장성 측면에서 상당히 중요하지만 기술의 독창성은 낮은 기술요소가 포함되어 있다. 3개의 기술요소가 D 영역에 포함되었고 이 중 실제로 도입된 기술요소는 2개로, “A61B5”와 같은 개인식별 관련 기술, “G06K19”와 같은 디지털 마크가 기록되도록 설계된 기록매체 기술이다.

신규 기술요소들 중 통신 혹은 신호 전송 관련 기술은 지속적인 비대면 교육으로의 전환과 관련이 있다. 애니메이션 관련 기술과 광학계 관련 기술은 교육 영상 및 교육 영상을 위한 디스플레이가 발전한 것과 관련 지을 수 있고, 데이터 기록 혹은 정보 검색 관련 기술은 효율적인 방법으로 발전해온 교육 서비스 운영과 관련 지을 수 있다.

두 번째 단계로, 본 연구에서 제시한 예측 모형을 활용하여 신규 서비스 기술요소를 도출하였다. 먼저 예측 단계의 전체 기술요소 네트워크를 구축한 뒤 교육 서비스와 연계된 특허들을 특허-상표 연계 데이터베이스를 통해 식별하였다. 예측 단계에서 교육 서비스와 연계된 특허는 159건이고 메인그룹 수준의 IPC 코드는 120개로 파악되었다. 다음으로, 본 연구에서 제시하는 링크 예측 알고리즘을 예측 단계의 전체 기술요소 네트워크에 적용하였다. 이 때 예측 결과에서 검증 단계에서는 존재하였지만 예측 단계에서는 사라진 교육 서비스의 기술요소 31개를 제외한 뒤 높은 링크 예측 점수(PS)를 가진 신규 기술요소 50개를 도출하였다. <Table 3>은 높은 링크 예측 점수(PS)를 가진 상위 10개의 기술요소이다.

이후, 타겟 서비스와 연계된 기술을 고려한 서비스 기회를 파악하였다. 링크 예측 점수(PS)를 통해 도출된 50개의 서비스 신규 기술요소를 신규성, 영향력 지표를 통해 평가하고, 신규 기술요소 포트폴리오 맵을 구축하였다. <Figure 10>에서 각 노드의 크기는 링크 예측 점수(PS)를 의미하며, X축은 영향력 지표, Y축은 신규성 지표이다.

Figure 10. 
New Technology Element Portfolio Map (Prediction Step)

신규 기술요소들은 신규 기술요소 포트폴리오 맵을 통해 네 가지 영역으로 구분된다. 도출된 서비스의 신규 기술요소 50개 중, A 영역은 10개의 기술요소를 포함하였다. 구체적으로, “G16H40”, “G16H20” 등 헬스케어 인포매틱스 관련 기술과 “H04B10”, “H04B7” 등의 전송 기술이 포함되었다. B 영역에는 11개의 기술요소가 포함되었는데, 대표적으로 “F21V23”, “F21V33” 등 조명 장치 관련 기술이 존재하였다. 또한 C 영역은 18개의 기술요소를 포함하였고, 대표적으로 “G07C9”, “G07C5” 등의 시간 또는 출석 등록 장치 기술과 “G01S15”, “G01S17” 등의 무선전파 관련 기술이 포함되었다. 마지막으로 D 영역은 11개의 기술요소를 포함하였고, 해당 영역의 기술요소로는 “G09F9”, “G09F19” 등의 디스플레이 관련 기술이 포함되었다.

신규 기술요소 포트폴리오 맵을 통해, 잠재적인 R&D 방향을 제시할 수 있다. 본 연구에서는 네트워크에서 기술적 영향력이 높은 영역인 B, D 영역을 중점으로 분석하였다. B 영역은 영향력과 신규성 지표가 모두 높은 영역으로, 해당 영역에 포함되는 기술요소는 기술의 독창성 측면과 확장성 측면에서 상당히 중요한 기술이라고 할 수 있다. 특히, 해당 영역에 포함된 기술요소인 “H04R1”는 음향 전기 기계 변환기와 관련된 기술요소이다. “H04R1”을 활용한 실제 특허로는 “입체음향헤드폰(1019710000201)”, “가변지향성마이크로폰장치(1019800002150)”, “기억력증진헤드폰(1019840005543)” 등이 존재한다. 이러한 특허들은 음향기기의 송수신 기술을 다룬다. 따라서, “H04R1”이 교육 서비스에 도입된다면, 원격 수업 시 마이크로폰 혹은 헤드셋 등 음성의 송수신과 관련된 기술에 활용되어, 학생과 교육자 간의 원활한 의사소통에 기여할 수 있다. 또한 “H01L31”은 복사에 의해 전기적 에너지를 제어하는 것에 관련된 기술요소이다. “H01L31”을 활용한 특허로는 “고체촬상기어셈블리(1019850006849)”, “시모스 이미지 센서(1020040116414)”, “광 전자 장치와 이를 포함하는 스마트 윈도우(1020160166884)” 등이다. 이러한 특허들은 이미지 센서 등에 활용될 수 있는 기술을 다룬다. “H01L31”을 교육 서비스에 도입한다면, 온라인 강의 및 실시간 화상 교육을 위한 촬영 기술에 사용될 것을 기대할 수 있다. 마찬가지로 B 영역에 속하는 “F21V23”는 조명장치의 전기회로 배치에 관련된 기술요소로, 이를 활용한 특허로는 “전등 점멸 원격 조절 장치(1019930029735)”, “졸음 방지 기능을 갖는 조명 장치(1019970041909)”, “주의 집중용 조명 장치(1019980021526)”, “전등 스탠드가 구비된 모니터 받침대(1020030001369)”등이 있다. 이러한 특허들은 전기 스탠드와 같은 조명장치에 관련된 혁신적인 기술을 다룬다. 따라서 “F21V23”를 교육 서비스에 도입한다면, 학생의 능률적인 학습을 위한 조명장치의 발전을 기대할 수 있다. 실제 교육 현장에서 원격 수업 및 온라인 교육의 수요가 증가하고 있고, 재택 학습의 빈도가 늘어나는 추세이기 때문에 해당 기술요소들의 도입은 타당하다고 볼 수 있다.

또한 D 영역은 영향력은 높지만 신규성은 낮은 영역으로, 기술의 확산 측면에서 상당히 중요하지만 기술의 독창성은 낮은 기술요소가 포함된 영역이다. 신규성이 낮아 기술의 독창성에 한계가 있지만, 기존 교육 서비스의 기술요소 집합과 기술적으로 유사한 기술요소들이 포함되어 있어 접근성이 좋은 기술요소들이 존재하는 영역이다. D 영역에 포함된 기술요소 중 하나인 “G01R31”은 전기적 특성을 시험하거나 전기적 고장의 위치를 나타내는 장치와 관련된 기술요소이다. “G01R31”을 활용한 실제 특허로는 “전자기기의 서비스모드 설정 방법(1019880007059)”, “탁상용 전자계산기의 시험 조작장치(1019780002059)”, “타이머의 기능 자동 점검방법(1019890020010)”, “이동단말기에 탑재되는 배터리의 충방전 상태 표시 방법(1019990057232)” 등이 있다. 해당 특허들은 전자계산기, 타이머, 이동단말기 등의 전자기기와 관련된 기술이다. 따라서 “G01R31”이 교육 서비스에 도입된다면, 전자계산기, 타이머 등의 학습 지원 도구의 발전을 기대할 수 있을 것이다. 또한 신규 기술요소인 “G01N33”은 재료의 조사와 관련된 기술요소로, “G01N33”을 활용한 실제 특허로는 “고분자막 습도센서(1020040043363)”, “휴대단말기의 공기오염 측정 시스템 및 장치 및 방법(1020040044203)”, “가스감지센서(1020030069551)” 등이 있다. 해당 특허들은 습도 및 공기의 질을 측정하는 기술을 포함하고 있다. 따라서 “G01N33”이 교육 서비스에 도입된다면, 습도 및 공기의 질을 지속적으로 파악함으로써 쾌적한 학습 환경 조성에 기여할 수 있을 것이다. 마찬가지로 D 영역에 속한 “G09F9”는 지지체상에 형성되는 가변정보용의 표시장치와 관련된 기술요소로, “G09F9”를 실제로 활용한 특허로는 “전광숫자표시장치(1019670001086)”, “멀티스크린장치(1019960037379)”, “2개의 액정 디스플레이 화면을 갖는 초소형 정보 단말기(1019960074894)”, “원격 무선제어 가능한 전광판 시스템(1019970047558)”등이 있다. 해당 특허들은 화면 디스플레이와 관련된 기술을 다룬다. 따라서 “G09F9”가 교육 서비스에 도입된다면, 온라인 교육에 사용할 수 있는 스크린 및 화면 표시 장치의 발전을 기대할 수 있다.

사례연구를 통해, 영향력 혹은 신규성 지표가 높은 신규 기술요소들이 서비스에 활용될 수 있음을 제시하였다. 해당 서비스 산업에 있는 서비스기업 관점에서는, 유망한 신규 기술요소를 가진 기술기업을 인수하거나, 기술기업과의 협업을 통해 서비스 산업 내 기술 우위를 점할 수 있을 것으로 기대한다.