步入21世纪以来,世界进入了飞速发展的科技革新时期,科技进步对社会的发展与进步产生着巨大的推动作用,跟踪科研进展和预测未来科技主题研究趋势具有重要意义。传统技术预测方法主要基于德尔菲的专家讨论形式,其存在对技术专家依赖性,且人工处理成本高昂。基于机器学习的预测方法为解决传统主观方法在技术预测方面的诸多不足带来了希望。但是面对海量数据,使用有效的降维方法表征科技文献,建模技术主题的时序演化成为了技术主题预测中最为核心的问题。本文提出了一种基于LSTM的技术主题预测方法,对现有方法从以下两个方面进行改进:首先在技术主题的获取方上,对LDA模型中Gibbs抽样过程做了改进,以提高主题挖掘模型的准确性和稳定性,对文献数据实现更高效的降维。此步基于LDA模型获得初始主题词集,根据Word2vec抽取与初始主体词集带有相似语义的词语,根据权重不同重新分配初始主题词汇间相似度与向量邻接关系,实现对Gibbs抽样改进。其次在技术预测上,提出添加技术主题强度、关键词词频、文献数量三类特征以提高模型预测准确率,考虑到LSTM对序列数据的良好处理能力,以及对长期信息的记忆功能,本文构建基于LSTM的技术主题预测模型。将本模型的预测结果同其他几种机器学习模型和单一特征的LSTM模型的建模结果对比,发现本文采用的建模方法准确率与其他几个模型的准确率相比有不同程度的提升。