张 睿，宋思琪，胡 静，张永梅，柴艳峰

（1.太原科技大学 计算机科学与技术学院，太原 030024；2.北方工业大学 信息学院，北京 100144）

0 引言

教育部办公厅于2020 年印发的《教育部产学合作协同育人项目管理办法》中明确指出，“积极支持第三方机构开展项目评价，健全统计评价体系。强化监测评价结果运用，作为试点开展、激励约束的重要依据”［1］。可见，构建完整、科学的绩效智能评价体系和方法、开展科学合理的产学研绩效智能化评价非常必要。在评价体系方面，Wang［2］围绕产学研合作中有关知识共享的特征、目标和影响因素，设计出绩效评价指标体系；常洁等［3］基于资源、知识、技术、风险四个协同要素提出的假设，总结了影响中小科技企业协同创新绩效的因素；周广亮等［4］以我国不同地区的30 个省份为研究对象，构建出分为科技成果产出和科技成果转化两阶段的创新绩效评价体系。综上所述，现有产学研绩效评价体系仍存在评价主体及评价角度单一、指标涵盖范围不够全面的问题。在评价方法方面，由于评价样本属于非线性的一维离散序列，传统的机器学习方法很难充分挖掘样本非线性特征及指标间的关联性特征，导致评价效果难以保障。

随着深度学习技术的发展，深度分类模型为离散序列的分类决策提供了新的技术支持和新视野［5］。近年来，许多学者将深层神经网络与绩效评价进行了有效的组合创新，并利用神经网络模型验证评价系统的有效性，如：Li［6］以现有创业网络研究为基础，分析新公司之间的网络关系，提出基于自组织映射神经网络算法的社会创业能力和新公司绩效，进而建立创业网络和新的业务绩效模型；……