Journal Search Engine

ISSN : 2005-0461(Print)
ISSN : 2287-7975(Online)

Journal of Society of Korea Industrial and Systems Engineering Vol.49 No.3 pp.254-266
DOI : https://doi.org/10.11627/jksie.2026.49.3.254

Identifying Technology White Space Candidates in Water Treatment Plasma through Patent Analysis Using Latent Dirichlet Allocation and Generative Topographic Mapping

Ji Young Park^*

, Yu Jin Hong^**

, Dae Woo Choi^**†

^*Department of Intelligent Information Integration Engineering, Jeonbuk National University
^**Department of Convergence Management of Technology, Jeonbuk National University

^† Corresponding Author : qorwkr@jbnu.ac.kr

Received 25/08/2026 Finally Revised 18/09/2026 Accepted 18/09/2026

Abstract

Water treatment plasma technology has emerged as an environmentally friendly solution for wastewater treatment, ballast water sterilization, and advanced oxidation processes owing to its high oxidation efficiency and low secondary pollution. However, previous patent studies have mainly focused on statistical trend analysis or topic identification, making it difficult to systematically detect and characterize technology white space candidates. This study applies Latent Dirichlet Allocation (LDA) and Generative Topographic Mapping (GTM) to identify and interpret technology white space candidates in water treatment plasma patents. Analyzing 443 Korean patents filed between 2000 and 2024 from the KIPRIS database, six representative technology topics were extracted via LDA and mapped onto a two-dimensional technology map using GTM at a reference resolution of 10×10. Six technology white space candidates (WS1-WS6) were identified and interpreted through inverse-mapped topic contributions and representative keywords; for example, one candidate reflected a combination of microbubble-based reaction technology and sterilization applications, while another reflected a combination of material fabrication and catalytic processes with wastewater treatment. Expected occupancy analysis showed that five of the six candidates had values below the minimum expected occupancy of occupied nodes, consistent with the Modes-based vacant-node classification, whereas WS1 showed a comparatively higher value and was interpreted as a boundary-adjacent candidate. A cross-resolution comparison showed that four candidates maintained relatively high similarity across grid resolutions, whereas WS4 and WS5 were more sensitive to grid configuration. This application of LDA and GTM, together with the sensitivity assessments, can provide an exploratory basis for identifying and interpreting technology white space candidates and support R&D planning and technology opportunity analysis in water treatment plasma technologies.

Key Words : Patent Analysis , Latent Dirichlet Allocation , Generative Topographic Mapping , White Space Candidates , Water Treatment Plasma

토픽 모델링과 생성적 위상지도 모델을 활용한 특허 분석 기반 수처리 플라즈마 공백기술 후보 영역 식별

박지영^*, 홍유진^**, 최대우^**†

^*전북대학교 지능정보융합공학과
^**전북대학교 융합기술경영학과

초록

키워드 :

This article has been cited by 0 article in crossref

Cited-By

Funding:

1. 서 론

급격한 기후변화와 전 세계적인 인구 증가 및 산업 고도화는 용수 수요를 지속적으로 증가시키며, 안정적인 수자원 확보를 중요한 사회적 과제로 부각시키고 있다[17, 20]. 특히 환경 중 지속성이 높은 과불화화합물(Per- and polyfluoroalkyl substances, PFAS) 등 신종 오염물질의 출현은 기존 수처리 공정의 한계를 드러내고 있다[6, 15]. 이에 대응하여 UN 지속가능발전목표(SDGs)의 물환경 세부 목표(Target 6.3) 및 대한민국의 ｢ 제4차 지속가능발전 기본 계획｣은 물환경 개선과 지속가능한 물관리의 필요성을 강조하고 있다[5, 27].

기존 공정의 한계를 극복하기 위한 대안으로, 고도산화공정(Advanced Oxidation Processes, AOPs) 기반의 플라즈마 기술은 외부 산화제의 투입 없이 다양한 활성종을 생성하여 오염물질의 분해 및 무기화를 유도할 수 있는 유망한 기술로 주목받고 있다[13, 14, 21]. 수처리 플라즈마 기술은 코로나 방전, 유전체 장벽 방전(DBD), 글라이딩 아크, 스파크/아크 방전 등 다양한 플라즈마 발생 방식을 포함한다[10, 22].

그러나 수처리 플라즈마 분야의 기존 연구는 주로 활성종 생성과 오염물질 분해 메커니즘, 방전 방식 및 반응기 구성에 따른 처리효율을 규명하는 데 초점을 두어 왔으며[10, 13, 28], 기술 간 관계와 공백기술 후보 영역을 거시적으로 분석한 연구는 상대적으로 부족한 실정이다[11, 18]. 이에 따라 기술 간 관계를 파악하고 잠재적 공백기술을 식별하기 위한 특허 기반 정량 분석이 요구된다[8, 9, 25].

본 연구는 지난 25년간의 국내 수처리 플라즈마 특허 데이터를 활용하여 기술 지형을 정량적으로 분석하고 공백기술 후보 영역을 도출하고자 한다. 기존 특허 분석 연구가 기술 동향 파악에 중점을 둔 것과 달리, 본 연구는 LDA(Latent Dirichlet Allocation)[3]를 활용하여 특허 문헌에서 주요 기술 토픽을 도출하고, GTM(Generative Topographic Mapping)[2, 24]을 이용하여 도출된 토픽 분포를 격자 기반 기술지도에 매핑함으로써 공백기술 후보 영역을 식별한다. 이를 통해 국내 수처리 플라즈마 분야의 기술 지형을 체계적으로 파악하고, 향후 지재권 연계 R&D 전략 수립을 위한 정량적 근거를 제시하고자 한다.

본 논문의 구성은 다음과 같다. 제2장에서는 특허 분석 연구 동향과 LDA 및 GTM의 이론적 배경을 기술하고, 제3장에서는 연구 방법을 설명한다. 제4장에서는 특허 분석 결과와 공백기술 후보 영역의 도출 및 해석 결과를 제시하며, 제5장에서는 연구 결과를 종합하고 결론을 제시한다.

2. 연구 배경

2.1 특허 분석 연구 동향

특허 데이터는 기술적 내용과 권리 정보를 함께 포함하는 지식의 집약체로서, 기술 발전 과정과 연구개발 방향을 객관적으로 파악할 수 있는 중요한 정보원이다[9, 25]. 이 러한 특성으로 인해 특허 분석은 기술 동향 분석과 유망 기술 탐색을 위한 대표적인 방법으로 활용되어 왔다[9]. 초기 연구는 출원 건수와 IPC 분류를 기반으로 한 정량적 분석이 주를 이루었으나, 이러한 방법은 융복합 기술의 잠재적 구조와 기술 간 관계를 충분히 반영하기 어렵다는 한계가 있다[11, 18].

이에 따라 특허 문헌의 초록, 청구항 등 비정형 텍스트를 분석하여 잠재된 기술 주제와 기술 간 관계를 파악하는 텍스트 마이닝 기반 연구가 확대되고 있다[18, 25]. 또한 국가 차원에서도 특허 빅데이터 분석을 활용한 기술 예측과 연구개발 전략 수립이 확대되고 있으며, 특허청은 2020년 국가특허빅데이터센터를 출범하여 주요 산업의 기술 방향 예측과 국가 R&D 전략 수립을 지원하고 있다[12].

2.2 LDA 모델

본 연구에서는 수처리 플라즈마 분야의 방대한 특허 문헌 내에 잠재된 기술적 테마를 식별하기 위해 Blei et al.[3]이 제안한 확률론적 생성 모델인 LDA를 적용하였다. LDA는 개별 문서가 여러 개의 토픽이 혼합된 형태로 구성되며, 각 토픽은 단어들의 확률분포로 표현된다는 가정하에 핵심 기술 주제를 확률적으로 도출하는 방법론이다[3, 4]. LDA 모델의 결합확률분포는 식 (1)과 같이 정의된다.

\begin{array}{l} p (φ, θ, z, w) = \prod_{k = 1}^{K} p (φ_{k} ∣ η) \prod_{d = 1}^{M} p (θ_{d} ∣ α) \\ \prod_{n = 1}^{N_{d}} p (z_{d, n} ∣ θ_{d}) p (w_{d, n} ∣ φ, z_{d, n}) \end{array}

(1)

식 (1)에서 $φ_{k}$ 는 토픽 $k$ 의 단어 분포, $θ_{d}$ 는 문서 $d$ 의 토픽 분포, $z_{d, n}$ 은 문서 $d$ 의 $n$ 번째 단어에 대한 잠재 토픽 배정, $w_{d, n}$ 은 해당 위치에서 관측된 단어를 의미한다. $α$ 와 $η$ 는 각각 문서-토픽 분포와 토픽-단어 분포에 대한 디리클레 사전분포의 파라미터이며, $K, M, N_{d}$ 는 각각 전체 토픽 수, 전체 문서 수, 문서 $d$ 의 단어 수를 나타낸다[3].

LDA는 잠재변수의 결합으로 인해 사후분포를 직접 계산하기 어려워 근사 추론이 필요하다. 이에 본 연구에서는 미니배치 정보를 이용해 전역 파라미터를 순차적으로 갱신하는 Hoffman et al.(2010)의 온라인 변분 베이즈(Online Variational Bayes) 알고리즘을 적용하였다[7]. 이 방식은 대규모 문서 집합에서 계산 효율성과 확장성을 확보할 수 있으나, 학습률과 미니배 치 구성에 따라 추정 결과와 수렴 특성이 달라질 수있다.

2.3 GTM 모델

GTM은 Bishop et al.[2]이 제안한 확률론적 비선형 차원 축소 기법으로, 고차원 데이터의 구조를 저차원 잠재공간에 투영하여 시각화하는 생성모델 기반 방법론이다. 기존의 선형 차원 축소 기법(PCA)이나 자기조직화지도(SOM)와 달리 확률론적 생성모형에 기반하여 데이터 분포를 학습하므로, 특허 기반 공백기술 탐색 분야에서 활용할 수있다[2, 19, 24]. GTM의 결합확률분포는 식 (2)와 같이 정의된다[2, 19, 24].

p (t ∣ W, β) = \frac{1}{K_{gtm}} \sum_{j = 1}^{K_{gtm}} {(\frac{β}{2 π})}^{\frac{D}{2}} \exp {- \frac{β}{2} {‖ t - W φ (x_{j}) ‖}^{2}}

(2)

여기서 $t$ 는 데이터 공간의 관측 벡터, $K_{gtm}$ 은 잠재 격자 노드 수, $β$ 는 잡음 분산의 역수, $D$ 는 데이터 공간의 차원, $W$ 는 가중치 행렬, $φ (x_{j})$ 는 잠재점 $x_{j}$ 의 기저함수 벡터를 의미한다. GTM은 EM(Expectation-Maximization) 알고리즘을 이용하여 가중치 행렬과 노이즈 매개변수를 반복적으로 최적화한다. 이를 통해 고차원 데이터의 위상 구조를 유지하면서 2차원 기술지도로 표현할 수 있다.

특히 GTM은 역매핑(Inverse Mapping)을 통해 잠재공간의 격자점을 데이터 공간의 벡터로 표현할 수 있다는 점에서 공백기술 후보의 특성을 해석하는 데 활용할 수있다. 식 (2)의 각 혼합성분 중심 $W φ (x_{j})$ 는 잠재공간의 격자점 $x_{j}$ 를 데이터 공간으로 매핑한 값으로, 식 (3)의 $y (x_{j}; W)$ 에 해당한다. 역매핑 함수는 식 (3)과 같이 표현된다[2, 19].

y (x; W) = W φ (x)

(3)

이를 통해 특허가 배정되지 않은 영역이 어떠한 기술 속성과 토픽 조합을 의미하는지 정량적으로 해석할 수 있다[19, 24].

2.4 선행연구의 시사점 및 차별성

관련 선행연구를 살펴보면, Son et al.[24]은 GTM 기반 특허 공백 탐색의 기본 틀을 제시하였으며, Liu et al.[16]은 GTM으로 도출한 기술기회에 링크예측을 결합하여 구체적인 아이디어 생성을 지원하는 절차를 제시하였다. Nam et al.[19]과 Hong et al.[8]은 토픽 모델링과 GTM을 결합하여 기술지도를 구축하고 공백 영역을 식별하였다. 다만 Nam et al.[19]과 Hong et al.[8]이 각각 스마트항만및 스마트안전관리 분야를 대상으로 한 것과 달리, 본 연구는 반응 장치․전극․소재․촉매 공정이 결합된 수처리 플라즈마 분야에 LDA와 GTM을 연계한 분석 절차를 적용하였다.

이 중 Nam et al.[19]에서는 공백 영역별 토픽 가중치에 임계값을 적용하여 각 공백 영역을 대표 토픽 중심으로 해석하였다. 이러한 접근은 공백 영역을 직관적으로 이해할 수 있으나, 다수 토픽이 동시에 기여하는 기술 조합을 충분히 반영하기에는 한계가 있다. 이에 반해 본 연구는 역매핑으로 산출된 토픽 기여도를 연속값 그대로 유지하고 대표 키워드를 함께 활용하여 공백기술 후보 영역을 다수 토픽의 조합으로 해석하였다. 또한 격자 해상도, 입력 스케일링 및 GTM 하이퍼파라미터 설정에 따른 결과 변화를 검토하고, 반복 실행의 재현성을 확인하며, 기대 점유도를 통해 Modes 기반 공백 판정을 보완적으로 검토하였다. 따라서 본 연구의 기여는 토픽모델링-GTM 결합 방법론 자체의 제안이 아니라, 기존 결합 접근을 수처리 플라즈마 특허 분야에 적용하면서 공백기술 후보의 해석및 검토 절차를 구체화한 데 있다.

3. 연구 수행

3.1 연구 방법 설계

본 연구는 <Figure 1>과 같이 데이터 수집․전처리․모델링․해석의 4단계 분석 프레임워크를 설계하였다.

1단계에서는 KIPRIS 데이터베이스를 활용하여 수처리 플라즈마 관련 특허를 수집하고 노이즈 제거를 통해 유효 특허 데이터셋을 구축하였다. 2단계에서는 수집된 특허 데이터의 신뢰성 확보를 위해 발명의 명칭, 요약, 청구범 위를 대상으로 전처리를 수행하였다. 3단계에서는 LDA 토픽 모델링을 통해 토픽 수를 선정하고, 도출된 기술 주제를 해석하였다. 4단계에서는 LDA 분석을 통해 도출된 문서-토픽 확률 행렬을 GTM의 입력 데이터로 활용하여 기술지도를 구축하고 공백기술 후보 영역을 식별하였다. 이후 기대 점유도와 격자 해상도 변화에 따른 결과를 보완적으로 검토한 뒤, GTM 역매핑을 수행하여 토픽 기여도와 대표 키워드를 도출하고, 이를 바탕으로 각 공백기술 후보 영역의 기술 조합을 해석하였다.

3.2 데이터 수집

플라즈마 기반 수처리 기술 관련 국내 특허를 수집하기 위해 KIPRIS를 활용하였으며, 검색 조건은 <Table 1>과 같다. 검색 키워드는 플라즈마 발생 방식과 관련 용어를 중심으로 구성하였으며, 분석 범위를 수처리 분야로 한정 하기 위해 IPC 코드를 C02F로 제한하여 플라즈마 발생장치 자체를 대상으로 하는 일부 IPC 분류(H05H 등)는 제외하였다. 검색 결과 총 468건이 수집되었으며, 명칭․출원 인․우선권이 동일한 중복 문헌 8건과 독립청구항에서 수처리 작용이 확인되지 않는 노이즈 문헌 17건을 제거하여 최종 443건을 분석 대상으로 선정하였다.

3.3 데이터 전처리

선별된 유효 특허를 대상으로 텍스트 분석에 적합한 데이터셋을 구축하기 위해 전처리를 수행하였다. 먼저 각 특허의 발명의 명칭, 요약 및 청구범위 텍스트를 하나의 문서로 결합하였다. 이후 정규표현식을 이용하여 특수문자와 청구항 번호 등 분석에 불필요한 요소를 제거하고 순수 텍스트를 추출하였다. 다음으로 형태소 분석기 Kiwi를 활용하여 명사 중심의 토큰화를 수행하였다. 이 과정에서 ‘유전체 장벽 방전’, ‘고도 산화 공정’ 등 수처리 플라즈마 분야의 전문 용어 14개를 사용자 사전에 등록하여 형태소 분리로 인한 의미 왜곡을 최소화하였다. 마지막으로 ‘플라스마’와 ‘plasma’ 등 동일 의미의 용어를 대표어로 통합하고, ‘발명’, ‘장치’, ‘방법’과 같이 분석 기여도가 낮은 반복 단어를 불용어로 제거하여 LDA 분석에 적합한 말뭉치를 구축하였다. 전처리에 사용된 사용자 사전 및 불용어 전체 목록은 부록 A에 제시하였다.

LDA 분석은 한글 특허 텍스트를 대상으로 수행하였으며, 학회지의 표․그림 영문 표기 기준에 따라 대표 키워드는 분석 결과를 바탕으로 영어로 번역하여 제시하였다.

3.4 LDA 토픽 모델링 분석

유효 특허 443건을 대상으로 단어 사전을 생성하고 BoW(Bag-of-Words) 코퍼스를 구축하였다. 분석의 안정성과 해석 가능성을 높이기 위해 5건 미만 출현한 저빈도 단어와 전체 문서의 50% 이상에서 출현하는 고빈도 단어를 제거하였다. 저빈도 임계값은 제한된 문서에서만 나타나는 희소 용어의 영향을 줄이고, 고빈도 임계값은 다수의 문서에 공통적으로 출현하여 토픽 간 구분에 기여하기 어려운 범용 용어의 영향을 줄이기 위한 기준으로 적용하였다.

최종 토픽 수( $K)$ 를 확정하기 위해 $K = 2$ -15의 후보 범위에서 응집도(Coherence, $C_{v}$ )와 혼란도(Log Perplexity)를 함께 검토하였다[23, 26]. $K$ 탐색 단계에서는 계산 효율을 고려하여 passes=20을 적용하였으며, <Table 3>에 제시한 최종 모델에서는 passes=30을 적용하였다. Log Perplexity는 $K$ 가 증가할수록 전반적으로 개선되는 경향을 보여 단독 기준으로 최적 토픽 수를 결정하기 어려웠다.

$K$ 탐색 단계에서 응집도는 $K = 6 (0.3760)$ 과 $K = 11 (0.3727)$ 에서 근접한 두 국소 최댓값을 보였다(<Figure 2>). 이에 두 후보에 대해 최종 학습 조건과 동일한 하이퍼파라미터를 적용하고 서로 다른 10개의 rando m_state로 반복 학습하였다. 그 결과 평균 응집도는 $K = 6$ 이 0.3461, $K = 11$ 이 0.3409로 $K = 6$ 이 다소 높았으나, 두 조건 모두 seed에 따른 변동이 확인되어 응집도만으로 두 조건의 우열을 명확히 구분하기 어려웠다.

이에 두 조건의 토픽 구성을 추가로 비교하였다. $K = 11$ 에서는 $K = 6$ 에서 하나의 토픽으로 해석된 선박평형수․해수 살균 관련 기술이 여러 토픽으로 분산되었으며, $K$ 탐색 단계의 토픽 간 최대 키워드 중복률도 $K = 6$ 의 30.0%에 서 $K = 11$ 의 40.0%로 증가하였다. 또한 특허가 가장 적게 배정된 토픽의 비중은 $K = 6 (11.7 %)$ 보다 $K = 11 (6.1 %)$ 에서 낮게 나타나 일부 기술군의 세분화가 상대적으로 크게 나타났다(<Table 2>).

따라서 응집도와 반복 학습 결과뿐만 아니라 토픽 간구분성 및 기술적 해석 가능성을 종합적으로 고려하여 $K = 6$ 을 최종 토픽 수로 선정하였다. <Table 2>의 지표는 $K$ 탐색 단계와 최종 학습 조건에서 산출된 값을 보조적 근거로 함께 제시한 것이다.

최종 학습을 통해 각 특허가 6개 토픽에 속할 확률을 나타내는 문서-토픽 확률 행렬(443×6)을 생성하였으며, 이행렬은 GTM의 입력 데이터로 활용되었다. LDA 분석에 사용된 주요 하이퍼파라미터는 <Table 3>에 제시하였다. LDA 분석은 Python 3.12.13 환경에서 Kiwi 0.23.0과 Gensim 4.3.2를 사용하여 수행하였다.

3.5 GTM 분석

3.4절에서 도출된 문서-토픽 확률 행렬을 활용하여 GTM 분석을 수행하였다. 토픽별 평균과 분산의 차이로 인해 특정 토픽이 GTM의 거리 계산에 상대적으로 크게 영향을 미치는 것을 완화하기 위하여 입력 데이터를 평균 0, 표준편차 1로 표준화한 후 GTM 학습을 수행하였다.

GTM의 잠재공간 격자는 연속 잠재공간을 이산적으로 표현하는 해상도를 결정하며, 격자점 수의 증가는 모델의 자유도를 직접 증가시키기보다 주로 계산비용을 증가시키는 것으로 알려져 있다[2]. 격자가 지나치게 작으면 서로 다른 기술 분포의 세부적인 차이를 표현하기 어렵고, 반대로 지나치게 크면 동일한 데이터를 보다 세분된 노드 단위로 표현하게 된다. 본 연구에서는 분석 대상 443건의 규모와 기술지도 해석 수준을 고려하여 100개의 잠재 노드로 구성된 10×10 격자를 기준 해상도로 설정하였다. 이는 전체 특허 수와 잠재 노드 수의 단순 비율로 노드당 약 4.43 건에 해당하며, 10×10 격자는 수학적 의미의 최적 해상도로 간주하지 않았다. 격자 해상도에 따른 결과의 변동성은 4.3절에서 별도로 검토하였다.

학습은 EM 알고리즘을 통해 수행하였으며, 각 특허를 가장 높은 사후확률을 갖는 격자 노드에 배정하는 Modes Mapping 방식을 적용하여 기술지도를 구축하였다[24]. Modes Mapping 결과 어떠한 특허도 배정되지 않은 격자 노드를 공백 노드로 판정하고, 이를 기술적 해석을 위한 공백기술 후보 영역으로 정의하였다. 다만 이는 GTM 모델에 기반한 탐색적 정의이므로, 해당 영역이 실제 기술적․시장적 타당성을 갖는다는 의미로 해석하지 않았다. 또한 Modes 기반 경성 할당에 따른 공백 노드 판정을 보완적으로 검토하기 위해, 각 노드에 대한 사후확률을 합산한 기대 점유도를 추가로 확인하였다.

식별된 공백기술 후보 영역의 기술적 특성을 해석하기 위하여 역매핑을 수행하였다. 역매핑 결과는 표준화 시 적용된 평균과 표준편차를 이용하여 입력 데이터의 척도로 역변환하였으며, 이를 통해 산출된 토픽 기여도를 공백기술 후보 영역 해석의 기초 자료로 활용하였다[19].

또한 역매핑 결과의 기술적 의미를 구체화하기 위하여 대표 키워드를 도출하였다. 각 토픽의 단어 가중치를 기준으로 상위 15개 단어를 추출하고, 이들의 합집합을 대표 키워드 후보군으로 구성하였다. 역매핑된 토픽 기여도를 정규 화한 후 토픽별 단어 가중치( $φ)$ 와 결합하고, 여러 토픽에서 공통적으로 나타나는 단어의 영향을 완화하기 위해 Bischof and Airoldi[1]의 빈도-배타성(Frequency-Exclusivity, FREX) 개념을 적용하여 단어별 점수를 산출하였다. FREX의 배타성 가중치(ω=0.7)는 빈도와 배타성을 함께 고려하되, 특정 토픽을 구분하는 용어의 배타성을 상대적으로 더 반영하도 록 설정하였다. 이후 각 공백 노드에서 점수가 높은 상위 5개 단어를 대표 키워드로 선정하였다.

GTM 분석에 사용된 주요 하이퍼파라미터는 <Table 4>에 제시하였으며, 격자 크기를 제외한 RBF 중심 격자 파라미터( $m),$ RBF 폭( $s)$ 및 정규화 계수( $λ)$ 는 본 연구에서 사용한 ugtm Python package(Version 2.3.0)의 기본 설정값을 적용하였다. 이때 $m$ 은 RBF 중심 격자의 한 축당 중심 수를 나타내며 $m = 4$ 는 4×4 중심 격자를 의미한다. GTM 분석은 Python 3.12.3 환경에서 scikit-learn 1.8.0과 함께 이 패키지를 사용하여 수행하였다.

이러한 기준 설정을 적용한 10×10 격자 조건에서 서로 다른 10개의 random_state(0, 1, 2, 3, 4, 10, 20, 30, 42, 100)를 적용하여 반복 실행한 결과, 공백 노드 수와 위치, 역매핑 토픽 기여도 및 443개 특허의 Modes 배정 결과가 모두 동일하게 재현되었다. 본 연구의 GTM 구현과 분석 조건에서는 PCA 기반 초기화가 결정론적으로 수행되어 random_state에 따른 차이가 없었다. 따라서 이는 확률적 초기화에 대한 강건성 검증이 아니라 해당 조건에서의 결정 론적 재현성을 확인한 결과로 해석하였다.

4. 연구 결과

4.1 LDA 토픽 모델링

LDA 분석을 통해 도출된 6개 기술 토픽의 대표 키워드및 비중은 <Table 5>와 같다.

4.2 토픽별 기술적 특성

T1. 미세기포 기반 수중 플라즈마 반응 시스템본 기술군은 플라즈마 방전 가스와 미세기포 생성 기술이 결합된 수중 반응 시스템 영역이다. 미세기포를 활용한 액상 혼합과 저장․탱크 구조를 중심으로 하는 플라즈마 수처리 장치 기술이 주로 나타났다.

T2. 플라즈마 기반 폐수 산화분해 시스템본 기술군은 폐수 내 오염물질 제거를 목적으로 하는 고도산화공정(AOP) 기반의 기술 영역이다. 수중 고전압 방전을 통해 생성된 활성종의 산화력을 이용하여 유기 오염물질을 분해 및 정화하는 처리 메커니즘이 중심적으로 나타났다.

T3. 오존․라디칼 기반 악취 및 수처리 시스템본 기술군에서는 오존 발생과 라디칼을 이용한 악취 제거 및 수질 처리 기술이 중심적으로 나타났다.

T4. 소재 제조․촉매 및 분리 공정 기술본 기술군에서는 소재의 제조와 표면 처리, 촉매 및 분리 기술을 활용한 수처리 공정이 중심적으로 나타났다.

T5. 선박평형수․해수 플라즈마 살균 시스템본 기술군은 선박평형수 및 해수 환경을 대상으로 하는 플라즈마 기반 살균 및 처리 공정에 특화된 영역이다. 살균 챔버와 모듈 구조를 중심으로 한 처리 시스템 기술이 주요 특징으로 나타났다.

T6. 유전체 기반 수중 플라즈마 방전 구조본 기술군은 유전체를 활용한 수중 플라즈마 방전 구조와 관련된 기술 영역이다. 수중, 유전체, 유전체관, 공간및 배치 관련 키워드가 함께 나타나 수중 플라즈마 발생을 위한 방전 구조 기술이 중심적으로 나타났다.

토픽명과 기술적 특성은 토픽별 대표 키워드와 토픽 확률이 높은 대표 특허의 발명의 명칭 및 요약을 종합하여 해석하였다.

4.3 공백기술 후보 영역의 도출 및 보완 검증

GTM Modes Map 분석 결과, 10×10 격자에서 특허가 배정되지 않은 노드는 총 6개(WS1-WS6)가 확인되었다(<Figure 3>). 본 연구에서는 이러한 노드를 공백기술 후보 영역으로 정의하여 후속 분석을 수행하였다.

Modes 기준의 공백 판정이 확률적으로도 일관되는지 보완적으로 검토하기 위하여, 경성 할당 외에 GTM의 사후확률을 이용한 기대 점유도를 추가로 검토하였다. 노드 $k$ 의 기대 점유도는 식 (4)와 같이 443건의 특허가 해당 노드에 대해 갖는 책임확률 $r_{n, k}$ 의 합으로 정의된다.

O_{k} = \sum_{n = 1}^{443} r_{n, k}

(4)

이는 사후확률이 가장 높은 노드 하나에만 특허를 배정하는 Modes 방식과 달리, 각 특허가 모든 노드에 갖는 확률질량을 반영하는 지표이다. 비교 결과 WS2, WS3, WS4의 기대 점유도는 각각 0.122, 0.167, 0.035로 매우 낮게 나타났으며, WS5와 WS6도 각각 0.457과 0.396으로 점유 노드의 최솟값인 0.675보다 낮았다(<Table 6>). 반면 WS1의 기대 점유도는 0.929로 점유 노드의 최솟값을 상회하였다. 이는 WS1의 경우 Modes 기준으로는 특허가 배정되지 않았으나 기대 점유도가 상대적으로 높게 나타나, 점유영역과의 확률적 경계에 인접한 탐색 후보로 해석할 필요가 있음을 시사한다. 반면 WS2-WS6은 점유 노드의 최소 기대 점유도보다 낮은 값을 보여 Modes 기준의 공백 판정과 확률적 점유 수준이 대체로 일관됨을 확인하였다. 특히 WS2, WS3 및 WS4는 이들 가운데서도 기대 점유도가 매우 낮게 나타났다. 따라서 노드당 평균 특허 수가 약 4.43 건인 자료의 희소성을 고려할 때, 공백 노드를 곧바로 실질적 기술 부재로 해석하기보다 기대 점유도를 함께 고려한 탐색적 후보 영역으로 해석하였다.

기대 점유도를 통해 공백 판정을 보완한 뒤, 각 공백 후보의 기술적 구성이 격자 해상도 변화에도 유지되는지를 검토하였다. 기준 해상도(10×10)의 결과 민감성을 검토하기 위하여 8×8, 12×12 및 15×15 조건에서 동일한 분석 절차를 반복하였다(<Figure 4>). 분석 결과 공백 노드의 수와 비율은 기준 해상도인 10×10을 포함하여 8×8, 10×10, 12×12 및 15×15에서 각각 8개(12.5%), 6개(6.0%), 30개(20.8%), 71개(31.6%)로 나타나, 격자 해상도에 따라 공백 노드 판정 결과가 달라질 수 있음을 확인하였다. 각 격자 조건에서는 GTM 모델이 독립적으로 학습되므로, 격자 수의 증가가 기존 노드의 단순한 재분할을 의미하지는 않으며, 공백 노드 비율 역시 격자 크기에 비례하여 단조적으로 변화한다고 볼 수 없다. <Figure 4>의 세부 노드와 공백 번호는 부록 B에 제시한 확대본을 통해 확인할 수 있다.

또한 공백 노드 수의 변화뿐 아니라, 10×10에서 식별된 공백기술 후보의 기술적 구성이 다른 격자에서도 유사하게 나타나는지를 추가로 검토하였다. 격자별 GTM은 독립적으로 학습되어 잠재공간 좌표를 직접 대응시키기 어려우므로, 각 공백 노드를 역매핑한 6차원 토픽 기여도 벡터를 기준으로 다른 격자의 공백 노드와 코사인 유사도를 비교하였다. 10×10에서 식별된 각 공백기술 후보의 벡터 $v$ 와 비교 격자의 $j$ 번째 공백 노드 벡터 $u_{j}$ 간 코사인 유사도 및 해당 격자에서의 최대 유사도는 식 (5)와 같이 계산하였다. 이때 코사인 유사도는 대표 키워드 산출 시 적용한 음수값 절단 및 재정규화 절차와 달리, 역매핑으로 산출된 원값을 그대로 사용하였다. 이는 격자 간 역매핑 토픽 벡터의 원래 구조를 기준으로 대응 정도를 비교하기 위한 것이다. 격자 해상도별 GTM은 독립적으로 학습되어 노드 좌표를 직접 대응시키기 어려우므로, 벡터의 크기보다 역매핑된 토픽 구성의 방향적 유사성을 비교하기 위해 코사인 유사도를 사용하였다.

sim (v, u_{j}) = \frac{v \cdot u_{j}}{‖ v ‖ ‖ u_{j} ‖}, {sim}_{\max} (v) = \max_{j} sim (v, u_{j})

(5)

비교 격자별 공백 노드 수가 서로 다르다는 점을 고려하여, 본 연구에서는 개별 격자의 최대 유사도 자체보다 세 비교 조건에서 나타난 최솟값을 중심으로 후보별 대응 정도를 해석하였다. 다만 세 비교 조건의 최솟값은 대응 유사성을 요약하기 위한 값으로, 비교 대상 공백 노드 수차이에 따른 영향을 보정한 지표가 아니며 후보 간 일대일 대응․공간적 재현성을 의미하지도 않는다. 분석 결과 WS1, WS2, WS3 및 WS6은 세 비교 조건 중 최솟값 기준으로도 0.931 이상의 유사도를 나타냈다. 반면 WS4와 WS5의 최솟값은 각각 0.806과 0.789로 나타나, 나머지 네후보에 비해 상대적으로 낮은 수준을 보였다(<Table 7>).

표준화 방식이 공백 노드 판정에 미치는 영향을 확인하기 위하여, 동일한 GTM 하이퍼파라미터를 적용한 상태에서 표준화를 적용하지 않은 원 확률 입력 조건을 추가로 비교하였다(<Table 8>). 그 결과 raw 조건에서는 19개의 공백 노드가 확인되어 표준화 조건의 6개보다 증가하였으며, 공백 노드 판정 결과도 달라졌다. GTM은 입력공간의 유클 리드 거리구조를 기반으로 학습되므로, 토픽별 스케일을 변화시키는 표준화 여부에 따라 잠재공간의 배치와 노드 점유 결과가 달라질 수 있다. 이러한 결과는 공백 노드 판정이 입력 스케일링 방식에 민감할 수 있음을 보여주며, 본 연구에서 식별된 공백기술 후보 영역은 표준화된 입력 조건에서 도출된 탐색적 결과로 한정하여 해석하였다.

격자 크기 외 GTM 하이퍼파라미터의 영향을 검토하기 위하여, 다른 조건을 기준값으로 고정한 상태에서 RBF 중심 격자 파라미터( $m),$ RBF 폭( $s),$ 정규화 계수( $λ)$ 를 각각 변화시켜 공백 노드 판정의 민감성을 확인하였다. 그 결과 $m$ 과 $s$ 의 변화에 따라 공백 노드 수와 판정 결과가 달라진 반면, $λ$ 는 0.01-0.1 범위에서 기준 설정과 동일한 공백 노드 판정을 유지하였다(<Table 9>). 이러한 결과는 본 연구의 공백 노드 판정이 특히 $m$ 과 $s$ 의 변화에 상대적으로 민감한 경향을 보임을 나타낸다.

이러한 결과를 바탕으로 본 연구에서는 10×10을 수학적 의미의 최적 격자로 간주하기보다, 데이터 규모와 분석 목적에서 주요 기술 조합을 식별․해석하기 위한 기준 해상도로 판단하였다. WS1-WS6은 10×10 조건에서 도출된 탐색적 결과로 한정하여 해석하였다. 한편, 기대 점유도는 격자 해상도에 따른 민감성과는 별개의 지표로서, 10×10 기준 해상도 내에서 각 공백 후보에 잔존하는 확률질량의 정도를 보완적으로 보여준다.

식별된 6개 공백기술 후보 영역의 기술적 특성을 해석하기 위하여 역매핑을 수행하였다. 역매핑으로 산출된 토픽 기여도는 <Table 10>에, 대표 키워드는 <Table 11>에 제시하였다.

<Table 10>의 토픽 기여도는 GTM 역매핑 결과를 StandardScaler의 역변환을 통해 원래 데이터 척도로 복원한 값이다. 이 값은 실제 특허의 LDA 토픽 확률이 아니라 잠재공간에서 추정된 보간값이므로 일부 미세한 음수값이 나타날 수 있으며, 각 공백기술 후보 영역에서 상대적으로 두드러지는 토픽 조합을 비교하기 위한 기여도로 해석하였다.

4.4 공백기술 후보 영역의 기술적 해석

<Table 10>의 토픽 기여도와 <Table 11>의 대표 키워드를 바탕으로 공백기술 후보 영역별 기술 조합을 해석하였다. 각 공백기술 후보의 해석을 보조하기 위하여, 해당 기술 조합과 내용적으로 관련된 기존 특허 사례를 함께 검토하였다. 다만 이들 사례는 해당 공백 노드의 대표 특허나 GTM 잠재공간의 인접 특허를 의미하지 않는다.

WS1은 미세기포 기반 수중 플라즈마 반응 시스템(T1)과 선박평형수․해수 살균(T5)의 기여도가 상대적으로 높게 나타났으며, 대표 키워드 구성도 이에 부합하여 미세기포 기반 반응 기술과 살균 기술이 결합된 기술 조합으로 해석하였다. 다만 WS1은 기대 점유도가 점유 노드의 최솟값보다 높아, 점유영역과의 확률적 경계에 인접한 탐색 후보로 구분하였다. ‘플라즈마 발생장치를 사용한 오염수 살균 정화 시스템’(출원번호 10-2024-0070441)을 확인하였다. 해당 특허는 플라즈마 기반 수처리와 살균 응용이 결합된 사례로 서 WS1의 기술적 해석과 내용적으로 관련된다.

WS2는 미세기포 기반 수중 플라즈마 반응 시스템(T1)과 플라즈마 기반 폐수 산화분해 시스템(T2)의 기여도가 높게 나타났으며, 대표 키워드에서도 유사한 경향이 확인되어 미세기포 기반 반응 기술과 폐수 처리 기술이 결합된 기술 조합으로 해석하였다. ‘오염수 처리 장치 및 이를 이 용한 오염수 처리 방법’(10-2015-0044033)은 오염수 처리 공정에 초점을 둔 기술이라는 점에서 이러한 해석과 부합한다.

WS3는 유전체 기반 수중 플라즈마 방전 구조(T6)와 오존․라디칼 기반 악취 및 수처리 시스템(T3)의 기여도가 유사하게 나타났으며, 대표 키워드 구성도 이를 뒷받침하여 플라즈마 발생 구조와 활성종 기반 처리 기술이 결합된 기술 조합으로 해석하였다. ‘과산화수소를 생성하는 수처리 장치’(10-2016-0017931)은 과산화수소와 라디칼 등 산화성 반응종을 활용하는 수처리 기술이라는 점에서 WS3의 토픽 구성과 기술적으로 연결된다.

WS4는 여러 토픽의 기여도가 유사한 수준으로 분산되어 있으며(<Table 10> 참조), 유전체 기반 수중 플라즈마 방전 구조(T6), 소재 제조․촉매 및 분리 공정 기술(T4), 선박평형수․해수 플라즈마 살균 시스템(T5), 오존․라디칼 기반 악취 및 수처리 시스템(T3), 플라즈마 기반 폐수 산화분해 시스템(T2)이 함께 기여하는 것으로 나타났다. 대표 키워드로는 폐수, 제조, 수중, 살균 및 유전체가 확인되어, 다양한 기술 요소가 함께 나타나는 복합적인 기술 조합으로 해석하였다. ‘플라즈마 활성수 제조장치’(10-2021-0150671)은 플라즈마 반응을 통해 생성된 라디칼을 물과 반응시키는 기술로, WS4에서 나타난 복합적인 기술 구성과 관련성을 보인다.

WS5는 미세기포 기반 수중 플라즈마 반응 시스템(T1)과 소재 제조․촉매 및 분리 공정 기술(T4)의 기여도가 함께 높게 나타났으며, 대표 키워드에서도 같은 경향이 확인되어 미세기포 기반 반응 기술과 소재 제조․분리 기술이 결합된 기술 조합으로 해석하였다. ‘플라즈마 방전조를 구비한 하폐수 고도처리 시스템’(10-2010-0010952)은 플라즈마 방전으로 생성된 라디칼과 오존을 하폐수 처리에 활용하는 기술로서, WS5의 응용 맥락과 연관된다.

WS6은 소재 제조․촉매 및 분리 공정 기술(T4)과 플라즈마 기반 폐수 산화분해 시스템(T2)의 기여도가 상대적으로 높게 나타났으며, 대표 키워드 구성도 이러한 조합을 뒷받침하여 소재 제조․촉매․분리 기술과 폐수 처리 기술이 결합된 기술 조합으로 해석하였다. ‘수중 중금속 제거용 활성탄소섬유 표면개질방법’(10-2022-0147279)은 대기압 플라즈마를 이용한 소재 표면 개질을 수중 중금속 제거에 적용한 사례로, WS6에서 나타난 소재․처리공정 결합의 기술적 특성과 연관된다.

이상의 분석 결과, WS1-WS6은 서로 다른 토픽 기여도와 대표 키워드 구성을 보였다. WS1과 WS2에서는 미세기포 기반 반응 시스템(T1)에 서로 다른 처리 관련 토픽이 함께 나타났으며, WS3, WS5 및 WS6에서는 두 개 이상의 구조․반응․공정 관련 토픽이 함께 기여하는 형태가 확인되었다. WS4는 특정 토픽에 집중되기보다 다수 토픽의 기여도가 비교적 분산된 형태를 보였다. 한편 WS4와 WS5는 격자 해상도 변화에 따른 토픽 구성의 대응 유사도가 다른 후보에 비해 상대적으로 낮게 나타났으므로(<Table 7> 참조), 다른 WS에 비해 잠정적으로 해석할 필요가 있으며, 세부 기술 조합은 격자 설정에 따른 변동 가능성을 고려하여 해석하였다.

역매핑 과정에서 발생한 음수값 처리 방식에 따른 영향을 추가로 확인하기 위하여, 0-절단 후 재정규화, 절댓값 변환, 최솟값 기준 평행이동 및 softmax 변환을 비교하였다. 일부 낮은 기여도의 토픽에서는 처리 방식에 따라 상대적 순서의 차이가 나타났으나, WS1-WS6의 해석에 사용한 주요 토픽 조합은 검토한 처리 방식에서도 동일하게 유지되었다. 다만 이는 변환 후 토픽 기여도의 크기나 토픽 간 격차까지 동일하다는 의미는 아니다. 또한 이러한 비교는 주요 토픽 조합 수준에서 수행된 것으로, FREX 점수와 결합하여 산출되는 최종 대표 키워드 자체의 민감성까지 검증한 것은 아니다.

5. 결 론

본 연구는 2000년부터 2024년까지 출원된 국내 수처리 플라즈마 특허 443건을 대상으로 LDA 토픽 모델링과 GTM 분석을 연계하여 기술 지형을 분석하고 공백기술 후보 영역을 탐색하였다. LDA 분석을 통해 수처리 플라즈마 기술을 6개의 핵심 토픽으로 체계화하고, 문서-토픽 확률 행렬을 GTM의 입력값으로 활용하여 기술지도를 구축하였다. GTM Modes Mapping을 기반으로 총 6개의 공백기술 후보 영역(WS1-WS6)을 식별하였으며, 기대 점유도를 통해 경성 할당에 따른 공백 판정을 추가로 검토하였다. 기대 점유도 분석 결과 WS2-WS6은 점유 노드의 최소 수준보다 낮은 값을 보인 반면, WS1은 상대적으로 높은 값을 나타내어 경계 인접형 탐색 후보로 해석하였다. 역매핑으로 산출한 토픽 기여도와 대표 키워드를 바탕으로 각영역의 기술 조합을 해석하였다. 본연구는 기존 LDA-GTM 결합 접근을 수처리 플라즈마 특허 분야에 적용하고, 공백기술 후보의 판정과 민감성 검토 및 기술적 해석 절차를 구체화하였다는 점에서 의의가 있다.

실무적으로 도출된 공백기술 후보는 R&D 및 특허전략 수립을 위한 사전 탐색 자료로 활용될 수 있다. 각 후보 영역의 토픽 조합과 대표 키워드는 관련 선행특허의 검토 범위를 좁히고, 기술요소 간 결합 가능성 및 차별화 가능한 구성요소를 탐색하는 데 참고자료로 활용될 수 있다. 또한 격자 해상도 변화에도 유사한 토픽 조합이 반복적으로 나타난 후보는 후속 선행기술조사 및 R&D 검토의 우선순위 설정에 참고할 수 있는 반면, 격자 설정에 민감한 후보는 추가 검증을 거쳐 판단할 필요가 있다.

다만 본 연구에서 도출한 후보 영역은 GTM이 잠재공간에서 추정한 결과로서, 실제 기술적․산업적 타당성이나 시장 기회를 직접 입증한 것은 아니다. 또한 분석 대상이 국내 KIPRIS 특허와 수처리 분야의 IPC C02F로 한정되었으며, 특허는 원칙적으로 출원 후 18개월이 경과한 뒤 공개되므로 검색 시점까지 공개되지 않은 일부 특허가 분석에 포함되지 않았을 가능성이 있다는 한계가 있다. 격자 해상도 변화에 따른 공백기술 후보의 토픽 구성 유사성은 역매핑 벡터의 코사인 유사도를 통해 검토하였으나, 잠재공간 자체의 좌표 대응과 공간 구조의 안정성은 직접 평가 하지 못하였다.

또한 표준화 여부와 GTM 하이퍼파라미터 설정, 특히 RBF 중심 격자 파라미터( $m)$ 와 RBF 폭( $s)$ 의 변화에 따라 공백 노드의 수와 판정 결과가 달라지는 것으로 나타나, 본 연구의 공백기술 후보는 표준화된 입력과 기준 파라미터 설정에서 도출된 탐색적 결과로 한정하여 해석할 필요가 있다. 아울러 전처리 임계값과 FREX 가중치 변화에 따른 최종 대표 키워드의 민감성은 별도로 검증하지 않았으며, 역매핑 음수값 처리 방식에 대해서는 주요 토픽의 상대적 순위 수준에서 대안적 처리 결과를 비교하였으므로, 향후 다양한 분석 조건에서 대표 키워드의 안정성을 추가로 검토할 필요가 있다. 향후 해외 특허와 인접 기술 분류를 포함한 분석, 시계열 검증 및 기술성․권리성․시장성 평가를 병행하여 공백기술 후보 영역의 타당성을 종합적으로 검증할 필요가 있다.

Acknowledgement

This work was supported by the Institute of Information & Communications Technology Planning & Evaluation (IITP)-Innovative Human Resource Development for Local Intellectualization program grant funded by the Korea government(MSIT) (IITP-2026-RS-2024-00439292)

Figure

<Figure 1>.

Research Framework and Data Flow

<Figure 2>.

Coherence and Log Perplexity for Topic Number Selection

<Figure 3>.

GTM Modes Map with White Space Candidate Areas

<Figure 4>.

GTM Modes Maps at Four Grid Resolutions (8×8, 10×10, 12×12, 15×15; standardized input)

<Figure B1>.

GTM Modes Maps at Four Grid Resolutions

Table

<Table 1>.

Patent Search Conditions

Note: Search conducted as of April 1, 2026. The query is retained in Korean to preserve KIPRIS search reproducibility and avoid duplicating “plasma” across orthographic variants (플라즈마, 플라스마, 프라즈마, plasma, plazma).

<Table 3>.

LDA model parameters

Parameter	Value
K	6
alpha(α), eta(η)	auto
passes	30
iterations	500
random state _	42

<Table 2>.

Comparison Between K=6 and K=11

Note: Maximum pairwise keyword overlap rate was calculated as the number of shared words divided by 10 for each pair of topics using their top-10 keywords; the highest value among all topic pairs is reported.

Criterion	K=6	K=11
Coherence in K-search stage (C v) _	0.3760	0.3727
Mean coherence across 10 seeds (final configuration)	0.3461	0.3409
SD of coherence (final configuration)	0.0244	0.0201
Maximum pairwise keyword overlap rate in K-search stage (%)	30.0	40.0
Minimum dominant-topic patent share (final configuration,%)	11.7	6.1

<Table 4>.

GTM model parameters

Parameter	Value
Grid size	10×10
m (RBF center grid)	4
s (RBF width)	0.3
Regularization (λ)	0.1
niter	200
random state _	42

<Table 5>.

Representative Keywords and Patent Distribution by Topic

Note: Top-15 keywords per topic are presented as the candidate keyword set used in the cross-node keyword extraction procedure described in Section 3.5.

Topic	Representative Keywords (Weight)	Dominanttopic patents(%)
T1	liquid(0.052), microbubble(0.035), mixing(0.031), storage(0.025), tank(0.020), ozone(0.019), control(0.017), ion(0.016), contaminated water(0.016), waste(0.016), space(0.015), purification(0.014), raw water(0.014), voltage(0.014), power(0.013)	57 (12.9%)
T2	wastewater(0.135), purification(0.031), decomposition(0.031), oxidation(0.016), ion(0.015), underwater(0.015), voltage(0.014), tank(0.014), sterilization(0.013), plasma(0.013), catalyst(0.012), organic matter(0.011), ozone(0.011), storage(0.010), upper part(0.010)	52 (11.7%)
T3	ozone(0.061), generator(0.035), odor(0.023), water tank(0.016), mixing(0.013), upper part(0.012), module(0.011), lower part(0.010), radical(0.010), activation(0.009), piping(0.009), contact(0.008), oxidation(0.008), fixing(0.008), transfer(0.008)	80 (18.1%)
T4	fabrication(0.066), separation(0.035), catalyst(0.032), activation(0.029), surface(0.022), coating(0.019), metal(0.016), ion(0.011), selection(0.010), solution(0.009), oil-water separation(0.009), carbon(0.009), electricity(0.009), electrolysis(0.008), oxygen(0.008)	78 (17.6%)
T5	sterilization(0.061), control(0.030), module(0.024), voltage(0.023), power(0.020), storage(0.020), chamber(0.019), arrangement(0.018), seawater(0.015), provision(0.014), water purification(0.014), ballast water(0.014), member(0.011), injection(0.011), grounding(0.011)	84 (19.0%)
T6	underwater(0.057), space(0.035), water treatment(0.033), dielectric(0.033), power(0.029), fluid(0.027), dielectric tube(0.018), flow(0.018), arrangement(0.017), member(0.015), object(0.015), direction(0.012), injection(0.012), accommodation(0.010), grounding(0.010)	92 (20.8%)

<Table 6>.

Expected Occupancy of Vacant Nodes

Note: For reference, among the 94 occupied nodes (nodes with at least one Modes-assigned patent), the minimum O<sub>k</sub> was 0.675 (node 85, 1 patent) and the maximum was 20.171 (node 31, 24 patents); mean O<sub>k</sub>=4.690.

WS	Node	Expected occupancy (Ok)
WS1	26	0.929
WS2	45	0.122
WS3	59	0.167
WS4	78	0.035
WS5	81	0.457
WS6	83	0.396

<Table 7>.

Cross-Resolution Maximum Cosine Similarity of White-Space Candidates

Note. Values are the maximum cosine similarity between each WS’s topic contribution vector and those of all vacant nodes in the comparison grid (10×10 column omitted; self-similarity=1.000). The number of comparison nodes differed by grid (8×8: 30; 12×12: 20; 15×15: 16), which may affect maximum similarity values, particularly for finer grids.

White-space candidate	8×8	12×12	15×15	Min.
WS1	0.951	0.997	0.998	0.951
WS2	0.982	0.999	0.966	0.966
WS3	0.964	0.981	0.958	0.958
WS4	0.806	0.955	0.843	0.806
WS5	0.810	0.789	0.944	0.789
WS6	0.938	0.981	0.931	0.931

<Table 8>.

Comparison of Vacant Nodes between Raw and Standardized Inputs

Note. Both conditions used the same 443×6 document-topic probability matrix and identical GTM hyperparameters (grid size=10×10, m=4, s=0.3, λ=0.1, niter=200, random_state=42); only the input scaling differed.

Input condition	Vacant nodes (count)	Vacant node IDs
Standardized (Z-score)	6	26, 45, 59, 78, 81, 83
Raw topic probabilities	19	18, 19, 26, 30, 46, 53, 55, 56, 57, 60, 74, 79, 82, 83, 85, 87, 88, 89, 95

<Table 9>.

Sensitivity of Vacant Node Identification to GTM Hyperparameters

Note. Baseline settings were m=4, s=0.3, and λ=0.1, corresponding to the default parameter values of the ugtm Python package (Version 2.3.0). Each parameter was varied one at a time while the other settings were fixed at baseline.

Parameter	Tested range	Main result
m	2-6	Vacant nodes varied from 6 to 14; baseline overlap was 0/6-2/6 outside m=4
s	0.1-1.0	Vacant nodes varied from 6 to 17; baseline overlap was 1/6-3/6 outside s=0.3
λ	0.01-1.0	6 nodes and 6/6 overlap were maintained at 0.01-0.1; overlap was 5/6-2/6 at 0.3-1.0

<Table 10>.

Inverse-mapped topic contribution values for vacant nodes (WS1-WS6)

WS	Coordinate	T1	T2	T3	T4	T5	T6
WS1	(-0.56, 0.11)	0.757	-0.041	0.021	0.047	0.223	-0.006
WS2	(-0.11,-0.11)	0.618	0.327	0.054	-0.004	-0.034	0.038
WS3	(0.11, 0.78)	0.114	0.055	0.381	-0.026	0.087	0.388
WS4	(0.56, 0.56)	-0.036	0.153	0.177	0.218	0.210	0.278
WS5	(0.78, -1.00)	0.403	0.028	0.099	0.373	0.050	0.048
WS6	(0.78, -0.56)	0.102	0.240	0.005	0.638	0.021	-0.006

<Table 11>.

Representative Keywords of Vacant Nodes

Note. Word weight was computed using a FREX (frequency-exclusivity) score for each topic, combining the within-topic frequency percentile rank and the cross-topic exclusivity percentile rank of each word. A higher weight was placed on exclusivity (ω=0.7) to more strongly suppress terms that appear generically across multiple topics. Topic contributions with negative inverse-mapped values (<Table 10>) were set to zero and the remaining values were renormalized to sum to 1 before weighting. See Bischof and Airoldi [1] for the frequency-exclusivity framework.

WS	Representative Keywords
WS1	liquid(0.032), microbubble(0.025), mixing(0.012), waste(0.011), sterilization(0.010)
WS2	wastewater(0.042), liquid(0.026), microbubble(0.021), mixing(0.010), waste(0.009)
WS3	ozone(0.016), underwater(0.015), dielectric(0.011), generator(0.011), fluid(0.009)
WS4	wastewater(0.020), fabrication(0.013), underwater(0.011), sterilization(0.009), dielectric(0.008)
WS5	fabrication(0.023), liquid(0.018), microbubble(0.014), catalyst(0.009), separation(0.009)
WS6	fabrication(0.039), wastewater(0.032), catalyst(0.015), separation(0.013), activation(0.011)

<Table A1>.

Preprocessing Dictionary, Synonym Rules, and Stopword List

Note: Korean terms are retained in their original form because they represent the actual dictionary entries, synonym rules, and stopwords used in preprocessing the Korean patent corpus.

Reference

Bischof, J. and Airoldi, E.M., Summarizing Topical Content with Word Frequency and Exclusivity, Proceedings of the 29th International Conference on Machine Learning (ICML-12), 2012, pp. 201-208.
Bishop, C.M., Svensén, M., and Williams, C.K.I., GTM: The Generative Topographic Mapping, Neural Computation, 1998, Vol. 10, pp. 215-234.
Blei, D.M., Ng, A.Y., and Jordan, M.I., Latent Dirichlet Allocation, Journal of Machine Learning Research, 2003, Vol. 3, pp. 993-1022.
Blei, D.M., Probabilistic topic models, Communications of the ACM, 2012, Vol. 55, No. 4, pp. 77-84.
Government of the Republic of Korea (Joint Ministries), The 4th Basic Plan for Sustainable Development 2021-2040, Vol. 2, 2021, pp. 227-240.
Guo, H., Xing, M., Sun, X., and Liu, T., Bibliometric analysis and scientific trends on perfluorinated and polyfluoroalkyl substances (PFASs) as an emerging pollutant, Water-Energy Nexus, 2024, Vol. 7, pp. 187-199.
Hoffman, M.D., Blei, D.M., and Bach, F., Online Learning for Latent Dirichlet Allocation, Proceedings of the 23rd International Conference on Neural Information Processing Systems, Vancouver, Canada, 2010, pp. 856-864.
Hong, J.Y., Nam, H.K., Han, G.E., and Cho, S.W., Forecasting Trends in Smart Safety Management Technologies Using BERTopic and GTM, Journal of the Korea Management Engineers Society, 2024, Vol. 29, No. 4, pp. 61-75.
Hosseini Bamakan, S.M., Babaei Bondarti, A., Babaei Bondarti, P., and Qu, Q., Blockchain technology forecasting by patent analytics and text mining, Blockchain: Research and Applications, 2021, Vol. 2, 100019.
Jiang, B., Zheng, J., Qiu, S., Wu, M., Zhang, Q., Yan, Z., and Xue, Q., Review on electrical discharge plasma technology for wastewater remediation, Chemical Engineering Journal, 2014, Vol. 236, pp. 348-368.
Jin, W., and Huang, J., Innovation trends and evolutionary paths of electrocatalytic HER technology, World Patent Information, 2025, Vol. 83, 102388.
Korean Intellectual Property Office, Opening the Path to R&D Innovation with Patent Big Data, 2024. https://www.kipo.go.kr/ko/kpoBultnDetail.do?menuCd= SCD0200618&ntatcSeq=20360&aprchId=BUT0000029 &sysCd=SCD02 (accessed Jun. 7, 2026).
Kyere-Yeboah, K., Bique, I.K., and Qiao, X.C., Advances of non-thermal plasma discharge technology in degrading recalcitrant wastewater pollutants: A comprehensive review, Chemosphere, 2023, Vol. 320, 138061.
Lee, H., Shin, Y., Kim, K., Kim, H., Kang, J., Yoo, J., Kang, S.U., Yoo, Y., and Hong, Y.C., Degradation of trace pollutants in industrial wastewater using underwater nonthermal plasma: Toward evaluation of bioecotoxicity, Chemical Engineering Journal, 2024, Vol. 492, 152057.
Lee, J., Cha, S., Kim, H., Lee, D.Y., and Kim, H.I., A review of water treatment technologies for PFAS removal: Representative substances PFOA and PFOS, Journal of Korean Society of Water and Wastewater, 2025, Vol. 39, No. 2, pp. 93-108.
Liu, Z., Feng, J., and Uden, L., From technology opportunities to ideas generation via cross-cutting patent analysis: Application of generative topographic mapping and link prediction, Technological Forecasting & Social Change, 2023, Vol. 192, 122565.
Mao, G., Hu, H., Liu, X., Crittenden, J., and Huang, N., A bibliometric analysis of industrial wastewater treatments from 1998 to 2019, Environmental Pollution, 2021, Vol. 275, 115785.
Mao, G., Han, Y., Liu, X., Crittenden, J., Huang, N., and Ahmad, U.M., Technology status and trends of industrial wastewater treatment: A patent analysis, Chemosphere, 2022, Vol. 288, 132483.
Nam, H.K., Hong, J.Y., Woo, M.S., Han, G.E., Song, J.M., Yun, Y.K., Lee, I.Y., and Cho, S.W., Analysis of Technology Trends in Smart Port Technologies Using Topic Modeling and Generative Topographic Mapping, Journal of The Korea Society of Computer and Information, 2025, Vol. 30, No. 1, pp. 171-183.
Ossai, I.C., Hamid, F.S., Redzwan, G., Aboudi-Mana, S.C., Hassan, A., Emenike, C.U., Okere, K.J., and Ntiamoah-Asare, D., Progress in wastewater treatment, separation and purification technologies-mechanisms, benefits, challenges, efficiencies, and sustainability perspectives, Journal of Environmental Management, 2026, Vol. 399, 128591.
Park, R., Kim, J.G., and Kim, H.W., Prediction of varying microcystins during non-thermal plasma oxidation of harvested microalgal biomass, Journal of Hazardous Materials, 2021, Vol. 403, 123596.
Pournemati, K., Habibi-Yangjeh, A., and Salmanzadeh-Jamadi, Z., A critical review on application of emerging hybrid cavitation-plasma technology for remediation of wastewater effluents, Journal of Water Process Engineering, 2024, Vol. 67, 106183.
Röder, M., Both, A., and Hinneburg, A., Exploring the Space of Topic Coherence Measures, Proceedings of the Eighth ACM International Conference on Web Search and Data Mining, Shanghai, China, 2015, pp. 399-408.
Son, C., Suh, Y., Jeon, J., and Park, Y., Development of a GTM-based patent map for identifying patent vacuums, Expert Systems with Applications, 2012, Vol. 39, pp. 2489-2500.
Sun, X., Jin, L., Zhou, F., Jin, K., Wang, L., Zhang, X., Ren, H., and Huang, H., Patent analysis of chemical treatment technology for wastewater: Status and future trends, Chemosphere, 2022, Vol. 307, 135802.
Syed, S. and Spruit, M., Full-Text or Abstract? Examining Topic Coherence Scores Using Latent Dirichlet Allocation, Proceedings of the International Conference on Data Science and Advanced Analytics, Tokyo, Japan, 2017, pp. 165-174.
United Nations, Transforming our world: the 2030 Agenda for Sustainable Development, A/RES/70/1, 2015.
Zayanah, N.F., Samudro, G., Nur, M., Firdausy, A.M., Priyambada, I.B., Mangkoedihardjo, S., and Rahim, A.N.C.A., Trends and Evolution of Plasma Technology for Wastewater Treatment from 2000 to 2024: A Systematic Bibliometric Analysis, Indonesian Journal of Urban and Environmental Technology, 2025, Vol. 8, No. 1, pp. 202-227.

Filing period	2000-01-01 to 2024-12-31
Country	Republic of Korea (KR)
Document type	Patent applications (utility models excluded)
Search fields	Title, Abstract, Claims (TL, AB, CL)
Status included	Published, registered, and expired/lapsed
Unit of analysis	Application number
IPC	C02F
Keywords	(플라즈마+플라스마+프라즈마+plasma+plazma)* (방전+전극+전원+전압+전류+코로나+유전체+아크 +글로우+펄스+수중+액중+기상+가스상+제트+마 이크로웨이브+RF+고전압+반응기+리액터+고도산 화+고급산화+DBD+discharge+corona+dielectric+arc +glow+pulse+underwater+gas+jet+microwave+MW+o xidation+radical+AOP)

User Dictionary Terms	플라스마, 프라즈마, 유전체 장벽 방전, 유전체장벽방전, 코로나 방전, 아크 방전, 펄스 방전, 고도산화, 고도산화공정, 수산화 라디칼, OH 라디칼, 난분해성, 침출수, PFAS
Synonym Rules	플라스마/프라즈마/Plasma/plazma/prasma/PLAZMA/플라즈마→plasma 유전체 장벽 방전/유전체장벽방전/dielectric barrier discharge→dbd 코로나 방전/코로나방전/corona discharge→corona 아크 방전/아크방전/arc discharge→arc 펄스 방전/펄스방전/pulsed discharge→pulse 고도산화/고도산화공정/advanced oxidation process→aop 수산화 라디칼/수산화라디칼/OH 라디칼→oh radical _ 기체/공기/가스→gas phase _
Stopwords	본, 발명, 상기, 포함, 특징, 구성, 장치, 방법, 배경, 명세서, 효과, 수단, 청구항, 단계, 제공, 구비, 이용, 사용, 의해, 통해, 관한, 위한, 따른, 대한, 결합, 설치, 관련, 내지, 각각, 하나, 특허, 목적, 기술, 분야, 연구, 연구자, 본고, 결론, 개념, 관점, 파악, 측면, 고려, 시사, 제언, 반영, 기능, 첫째, 둘째, 다음, 이상, 이하, 형성, 실시예, 도면, 대해, 또한, 로서, 바탕, 경우, 모두, 따라서, 별로, 로부터, 및, 또는, 어느, 특정, 복수, 일부, 수행, 이의, 인가, 우수한, 시스템, 해결, 현저한, 종래, 기존, 기술적, 공개, 등록, 존재, 위치, 있어서, 하는, 것을, 특징으로, 제1, 제2, 제3, 이상의, 적어도, 하나의, 포함하는, 항에, 의한, 위치한, 삭제, 본문에, 내용에, 구성되는, 배치되는, 상단에, 하단에, 처리, 과정, 내부, 외부, 생성, 상태, 이동, 통과, 공급, 발생, 연결, 유입, 배출, 반응, 청구, 물질, 제거, 사이, 조절, 다수, 일정, 통로, 부분, 구조