In order to achieve accurate assessment of the quality of announced patents, this study constructs a dynamic patent quality assessment model based on deep learning. The model takes into account both the static and dynamic characteristics of patents, including multiple indicators in legal, market, and technological aspects, making the assessment results more comprehensive and objective. In terms of static assessment, indicators include the remaining validity period of the patent right, the number of claims, and the number of examples, which reflect the basic attributes and legal value of the patent. By constructing a static assessment quality interval, the quality status of the patent is clarified at the static level. In terms of dynamic assessment, the market transaction situation and technological development trends of similar patents are considered, including indicators such as average monthly transaction price, average monthly transfer price, transaction volume, and technical feature indicators. These indicators help capture the performance and technological influence of patents in the market, thereby better reflecting the dynamic quality of patents. By integrating static and dynamic assessments, an open deep learning assessment model is constructed to provide the corresponding quality assessment interval according to the classification numbers. This not only improves assessment efficiency but also provides strong data support for the transformation and application of patents. Through empirical analysis, this study uses the announcement patent data from the National Intellectual Property Administration to select 1 000 samples for the extraction of static assessment quality intervals and dynamic assessment quality intervals. By establishing distribution interval charts for static and dynamic assessments and using specific screening methods, high and low screening intervals are determined, and corresponding assessment quality intervals are calculated. On this basis, the results of static and dynamic assessments are integrated to construct a deep learning assessment model for accurately assessing the quality of announced patents. The model considers multi-dimensional factors such as the technical level of patents, degree of innovation, and market demand, and can output three levels of assessment grade signals: normal, low, and high. It also uses a redirection mechanism for further analysis of abnormal or borderline assessment results. In addition, the model's training used a BP neural network, including an input layer, a hidden layer, and an output layer, where the hidden layer was designed with two intermediate layers and three neuron units to enhance the model's processing capability and precision. With continuously updated patent data, the model can learn and adjust itself to improve the accuracy and reliability of the assessment.
The dynamic patent quality assessment model based on deep learning proposed in this study is not only innovative in theory but also has high practical application value. It provides a new perspective and method for patent assessment, and helps to promote the effective transformation and rational use of patents. Future research can further optimize the model structure and explore more valuable assessment indicators to improve the model's assessment precision and practicality.
开放科学(资源服务)标识码(OSID)：
随着科技迅猛发展以及全球经济一体化进程的加速,知识产权保护愈发重要。专利作为技术信息的有效载体[1],已成为企业创新竞争的关键资产[2]。从数量上看,根据国家知识产权局发布的专利统计年报,2020—2022年我国专利申请量分别为519.41万件、524.36万件、536.46万件,专利授权量分别为363.93万件、460.15万件、432.34万件,如此大规模的专利申请量和授权量得益于我国专利产权保护的加强以及高校、企业独特的研发平台和科研资源优势。然而,随着专利申请数量的不断增加,造成诸多“非正常”专利申请行为[3]。根据国家知识产权局公布的2023年1—6月知识产权数据月报(专利权人类型国内专利授权统计表),2023年上半年高等院校实用新型专利授权量32 473件,与2022年上半年71 593件相比,同比下降54.64%,说明高等院校实用新型专利授权率同比降幅较大,高校成为国家知识产权局打击“非正常”专利的“重灾区”。同时,《2022年中国专利调查报告》显示,我国高校有效专利产业化率(3.5%)、有效专利许可率(7.9%)和有效专利实施率(12.5%)远低于企业专利产业化率(49.3%)、有效专利许可率(13.8%)和有效专利实施率(63.8%)。而美国2019年高水平大学专利转化率约为40%,日本专利利用率为47.6%。可见,我国大部分高校专利获得授权后往往被“束之高阁”,高校科研资源投入未产生实际应用价值,导致资源浪费严重。无论是专利“非正常”打击还是专利转化利用均与专利质量直接相关。因此,对高校专利质量进行评估迫在眉睫。然而,百万级专利申请量数据很难通过人工方式获取。一般而言,专利质量会随着市场变化和技术发展而发生改变,因此动态评估专利质量可及时反映市场和技术最新变化情况,有助于提高专利评估准确性。因此,寻求一种既准确可靠又具有泛化性的动态评估方法对专利质量进行评价尤为重要。近年来,随着深度学习领域的不断拓展,采用深度学习模型对专利进行评估成为研究热点。本研究利用深度学习模型对高校专利质量进行动态评估,旨在解决高校专利质量评估难的问题。
通过查询现有文献发现,国内外学者对专利质量评估的研究较少,但对专利价值的研究较多[4-12],而专利质量与专利价值相关[13]。专利价值评估体现的是专利的经济价值,如经济投入回报、市场竞争优势以及潜在许可或转让收益等。专利质量评估不仅需要对专利经济指标进行考量,还需要对专利技术水平和法律强度进行考量,如专利独创性、广泛性、可执行性、稳定性和经济性。因此,本文在借鉴现有研究的基础上,对专利质量评估方法进行改进。相比于传统研究方法,深度学习模型遵循“概率近似正确”定理,综合考虑专利多项因素,在不同应用场景中均能保持较好的稳定性,从而能够更加准确地评估专利价值[14-15],因此利用深度学习模型可以避免过度依赖人工统计分析主观性较强和数据不完整带来的不良影响[16]。此外,深度学习模型还具有自适应性和精细化特征学习能力,能够从大量专利数据中提取有效信息,提高专利价值评估的准确性和实用性[17]。未来,深度学习模型将会在专利领域扮演越来越重要的角色,为推动技术创新发展作出更大贡献。因此,基于深度学习模型对专利质量进行评估尤为必要。
专利质量评估是指对专利的技术价值、法律价值和经济价值进行分析,以判断其整体质量水平[18-19],所以不仅要考虑经济价值,也要考虑技术先进性和法律保护力度(万小丽,2009)。对专利技术质量进行考察是专利质量评估的核心内容,主要涉及专利技术内容和创新性,以及专利独创性、广泛性、可执行性和稳定性等,以确保专利技术具有实际应用价值和发展潜力[21]。法律强度主要涉及专利法律保护范围和强度,即对专利法律状态、权利要求和相关法律条款进行详细分析,以确保专利在法律上得到充分保护(于馨淼等,2024)。经济价值也是一个重要考量因素,如对专利市场前景、商业化潜力和潜在收益进行预测,以准确评估专利整体价值[22]。总之,专利质量评估是一个多元化、多层次概念,需要综合考虑技术、法律和经济等多种因素。采用先进分析方法建立专业评估模型,能使研究者更为准确地评估专利整体质量,从而为决策者提供有效参考。
目前,部分学者利用深度学习模型研究专利质量。如谢祥等(2021)基于深度学习技术构建高校发明专利质量评估模型,并引入关键指标和权重信息对初始模型进行改进;王颖特[23]提出一种基于双向门控循环单元注意力机制的高校专利质量评估方法,该方法主要包括评估指标体系构建、评估模型构建和高校发明专利质量预测分析3个阶段;马晓雅[24]基于专利文本属性和结构化数据信息,采取定性与定量结合方法对专利数据进行分析,采用深度学习技术构建基于GRU-Attention机制的神经网络模型;李欣[25]采用机器学习算法研究专利质量,构建专利质量评价指标体系;付振康等[26]采用机器学习方法研究高校专利质量,从技术、保护和产业化3个维度构建专利质量评价指标体系,并运用机器学习回归预测模型构建专利质量评价模型;Zhang等[27]结合粗糙集理论(RST)和多维云模型(MCM)构建专利质量评价和分级系统(RST-MCM),并将其应用于建筑行业专利质量评估,准确率达到90.3%;Wu等[28]利用数据挖掘方法(SOM-KPCA-SVM)及时识别和分类新专利,该方法结合多种数据挖掘技术,能够自动化评估专利质量,而且能预测新专利隐藏的潜在价值。然而,上述研究方法存在一定不足,如指标选取较少、评估特征提取不充分等。因此,需进一步探索如何解决上述问题,以快速便捷地获得更加准确可靠的专利质量评估结果。
本文从公共专利数据库中选取相关数据作为评估模型的特征变量,并通过深度学习方法评估不同指标对专利质量的影响。专利质量指标体系是本文研究的核心,所选取的指标必须具备科学性、通用性和可操作性[29]。同时,也要充分借鉴较为成熟的专利价值评估指标体系。专利质量指标虽然与专利价值指标存在关联,但也存在明显不同。专利价值评估更关注经济指标,一般使用经济模型和理论;专利质量评估则集中于技术和法律层面,一般使用技术分析方法和法律权利评估方法。在经济价值指标方面,两者虽然相互关联,但选取评估指标的方法和侧重点不同,专利价值评估指标往往更加复杂,需要对专利潜在市场价值和未来收益进行量化分析,而专利质量评估则主要聚焦于专利本身属性和特征(于馨淼等,2024)。基于此,本文将技术、法律和经济作为一级指标,二级指标选取区别于专利价值评估指标。同时,综合考虑专利静态指标和动态指标,最终构建如图1所示的专利动态质量评估模型。
图1 专利动态质量评估模型
Fig.1 Dynamic patent quality assessment model
2.1.1 静态评估
首先,通过对所有专利质量进行静态评估,确定每个专利的最小静态评估质量和最大静态评估质量。静态评估质量通过对专利法律特征进行初始评估得出。其次,筛选公告专利样本,建立静态评估质量分布区间,并从中筛选出静态评估高筛选区间和静态评估低筛选区间。最后,根据这两个区间及其它相关数据,计算每个专利的静态评估质量区间。
2.1.2 动态评估
动态评估的目的在于确定专利最小动态评估质量和最大动态评估质量,需考虑专利市场表现、技术发展趋势等因素。通过筛选公告专利样本,建立动态评估质量分布区间图,并从该图中筛选出动态评估高筛选区间和动态评估低筛选区间。然后,根据这两个区间及其它相关数据,计算出每个专利的动态评估质量区间。
2.1.3 综合评估
将静态评估质量区间和动态评估质量区间整合打包成一个公开的专利深度学习评估模型,以准确评估公告专利质量。在实际操作中,将所有公告专利的静态评估质量区间和动态评估质量区间整合打包,在文件夹检索框中输入分类号即可快速获取相对应的静态评估质量区间和动态评估质量区间。
2.1.4 模型训练
建立一个基于BP神经网络的深度学习评估模型,包括输入层、隐藏层和输出层。其中,输入层包括当前专利分类号、静态评估质量和动态评估质量,隐藏层包含两个中间层以及3个神经单元。然后,根据前面计算出的静态评估质量和动态评估质量对模型进行训练与调整,将判定结果发送至输出层。
2.1.5 结果分析
根据模型输出结果对专利等级进行判断,如果输出静态评估正常质量信号和动态评估正常质量信号,则判断当前专利评估等级为正常等级;反之,则判断其为低等级或高等级。同时,对于异常情况,如输出静态评估高质量信号和动态评估低质量信号组合,则需要进行进一步调整和处理。
2.2.1 静态指标选取
静态指标参考法律特征指标,主要根据专利文本特征选取3个3级指标,包括专利权剩余有效期限、权项数、实施例数。
(1)专利权剩余有效期限:专利授权日减去专利申请日得到专利审查时长,专利权有效期限减去审查时长得到专利权剩余有效期限。专利权剩余有效期限是反映专利寿命的指标,也是体现专利质量的指标。一般来说,专利权剩余有效期限越短,说明专利质量越低(栾春娟等,2024)。
(2)权项数。权项数是指专利权利要求数量[30],专利权利要求数量越多,反映专利保护范围越大,表明专利质量越高[31]。
(3)实施例数。专利实施例数与专利独立权利要求数量、专利完整性相关,一项专利实施例数越多,说明专利文本质量越高;而且,专利保护范围与专利实施例数成正比[32]。
综上可知,专利权剩余有效期限和静态评估系数与专利静态评估质量成正比,即专利权剩余有效期限和静态评估系数值越大,则静态评估质量数值越大。权利要求项数和实施例数与专利质量成正比。
2.2.2 专利质量静态模型构建
(1)确定静态评估系数。利用当前时间减去专利授权日得到专利授权时长,授权时长与专利有效期的比值为专利静态评估系数JXu。静态评估系数获取过程为:若授权时长属于第一区间,则专利静态评估系数取值为α1;若授权时长属于第二区间,则专利静态评估系数取值为α2;若授权时长属于第三区间,则专利静态评估系数取值为α3。因此,时长区间包括第一区间、第二区间和第三区间,α1、α2和α3均为固定数值的常数,满足0<α3<α2<α1。
静态评估质量设计过程以发明专利保护期限为基准,以月份为单位,以当前发明专利自申请至授权时长一般为1～3年,最长不超过20年有效期为依据。设置第一时长区间为(0,12]、第二时长区间为(12,24]、第三时长区间为(24,240],α1为1.5、α2为1、α3为0.5。授权时长越短,专利有效期限越长,专利价值也就越高,因此0<α3<α2<α1;α3、α2和α1设置过程如下:筛选公告专利样本,在现有专利交易网站(https://dm.zbj.com/)获取专利交易价值数据,以十个类别热点专利搜索词为筛选条件,每个筛选词在一个时长区间随机选择20个专利,共选取600件专利,得到不同授权时长、不同筛选条件的专利平均交易价值,如表1所示。
表1 不同授权时长、不同筛选条件专利平均交易价值
Table 1 Average transaction values of patents under different screening conditions for varying authorized durations
热点专利搜索词第一时长区间平均交易价值第二时长区间平均交易价值第三时长区间平均交易价值生活用品24 12115 0328 368运输31 03222 18311 651冶金34 21118 3628 931纺织30 46722 47211 562建筑31 54823 82312 567机械工程28 46919 6909 875照明20 28414 6858 482电网32 18421 20510 352新能源36 39622 58911 358信息技术35 10523 35712 864平均值30 38220 34010 601
以第二时长区间对应的α2为基准,将α2设置为1,用第一时长区间平均交易价值与第二时长区间平均交易价值的比值(保留小数点后一位)求得α1为1.5;同理,用第三时长区间平均交易价值与第二时长区间平均交易价值的比值求得α1为0.5。
(2)构建公告专利静态评估模型。JZu=(QSu*a1+SSu*a2+SQu*a3)*JXu;a1、a2和a3均为固定数值的常数,且a1、a2和a3大于0。公告专利权项数QSu的单位为条、实施例数SSu的单位为个,专利权剩余有效期限SQu的单位为月份。a1、a2和a3数值设置过程如下:在求取静态评估质量JZu过程中有3项指标,分别为公告专利的权项数QSu、实施例数SSu和专利权剩余有效期限SQu,这3个指标分别对应3个权重a1、a2和a3。其中,专利权剩余有效期限SQu上限值为240,而公告专利权项数QSu和实施例数SSu的上限不唯一,因此需要确定3个指标之间的关联性,以计算能够代表公告专利权项数QSu和实施例数SSu的数值。在国家专利知识产权局专利数据检索库(https://ggfw.cnipa.gov.cn/PatentCMS_Center/)下载之前选取的600件发明专利文本,从文本中获取每件公告专利的权项数QSu和实施例数SSu,求取每个搜索词数值的平均值,结果如表2所示。
表2 筛选专利权项数与实施例数平均值
Table 2 Average numbers of claims and examples for screened patents
热点专利搜索词权项数平均值实施例数平均值生活用品42运输51冶金74纺织42建筑31机械工程52照明62电网63新能源53信息技术74平均值5.22.6
由表2数据可知,600件专利权项数总平均值为5.2,实施例数总平均值为2.6。将a3设置为0.1,以a3为基础,a1=240×0.1÷5.2=4.6;a2=240×0.1÷2.6=9.2,因此a1为4.6,a2为9.2,a3为0.1。这种设置方式在计算静态评估质量JZu时可确保3项指标占比更加合理。
2.3.1 动态指标选取
动态指标主要考虑随时间变化而发生改变的指标,由于专利市场和技术特征会随着时间变化而改变,因此选取专利市场和技术特征指标作为专利质量动态评估指标。
(1)专利市场指标。专利市场指标主要涉及专利价值,包括同类专利月交易均价、同类专利月转让均价、同类专利月交易量、待转让同类专利月询价次数、已交易同类专利交易价格提升占比、已转让同类专利转让价格提升占比、已交易同类专利交易数量提升占比、待转让同类专利询价次数提升占比。同类专利价值直接影响待评估专利价值(任培民等,2022),同类专利价值变化反映专利价值变化和专利质量变化。
(2)专利技术特征。专利技术指标主要涉及学术价值,包括待转让同类专利月浏览量、待转让同类专利月被引次数、待转让同类专利浏览量提升占比、待转让同类专利被引次数提升占比。专利浏览量和专利被引次数(林德明灯,2016)与专利质量成正比。在一段时间内,专利浏览量和被引次数越高,说明专利关注度越高、专利质量越好。
2.3.2 专利质量动态模型构建
(1)获取前一个月每天同类专利交易量,将前一个月每天同类专利交易量相加求和得到同类专利的月交易量YJL。
(2)获取前一个月每天每件已交易同类专利的交易价格,将前一个月每天每件已交易同类专利的交易价格相加求和得到前一个月每天已交易同类专利的交易价格,将前一个月每天已交易同类专利的交易价格相加求和除以月交易量得到同类专利的月交易均价YJG。
(3)同理,计算待转让同类专利的月转让均价YZG、月询价次数YXL、月浏览量YLL和月被引次量YZL。
(4)计算同类专利的动态体量值DT,公式为:
DT=(YJG+YZG)*b1+(YJL+YXL+YLL+YZL)*b2
(1)
其中,b1和b2为固定数值的比例系数,且两者取值均大于零。
(5)以时间为X轴,以同类专利前一个月每天交易量为Y轴,构建同类专利交易量折线图,分析交易量折线图中同类专利交易量的交易阶段,包括平稳阶段、提升阶段和下降阶段。如图2所示,提升阶段/前一个月天数为同类专利交易量提升占比JLZ。由图2展示的折线图统计提升阶段数量为15,求得交易量提升占比JLZ为1/2。
图2 交易量折线
Fig.2 Transaction volume line
(6)同理可得交易价格折线图中已交易同类专利的交易价格提升占比。由图3可得提升阶段数量为12,求得交易价格提升占比为2/5。
图3 交易价格折线
Fig.3 Transaction price line
通过转让价格折线图中待转让同类专利的转让价格提升占比(ZJZ)可得提升阶段数量为15,求得转让价格提升占比(ZJZ)为1/2,如图4所示。
图4 转让价格折线
Fig.4 Transfer price line
通过询价次数折线图中待转让同类专利的询价次数提升占比(XJZ)可得提升阶段数量为15,求得询价次数提升占比(XJZ)为1/2,如图5所示。
图5 询价次数折线
Fig.5 Inquiry count line
通过浏览量折线图中待转让同类专利浏览量提升占比(LLZ)可得提升阶段数量为14,求得浏览量提升占比(LLZ)为7/15,如图6所示。
图6 浏览量折线
Fig.6 Pageviews line
通过被引次数折线图中待转让同类专利被引次数提升占比(XLZ)可得提升阶段数量为14,求得被引次数提升占比(XLZ)为7/15,如图7所示。
图7 被引次数折线
Fig.7 Citation count line
(7)计算同类专利的动态活跃值DH,公式如下:
DH=[(JJZ+ZJZ)*c1+(JLZ+XJZ)*c2+(LLZ+XLZ)*c3]/e
(2)
上式中,c1、c2和c3均为固定数值的比例系数,且取值均大于零;e为自然常数。
(8)构建同类专利动态评估模型(DZ),公式如下:
DZ=DT*ρ+DH*(1-ρ)
(3)
上式中,ρ为固定数值的比例系数,且0<ρ<1。
通过选取静态指标和动态指标,构建专利质量评估指标体系,共选取15项指标,如表3所示。
表3 专利质量评估指标
Table 3 Patent quality assessment indicators
一级指标二级指标 指标解释标识法律特征指标(静态评估指标)专利申请日专利申请日是指向专利局递交完整、符合法定要求的专利申请文件日期无专利授权日专利权被正式授予的日期无专利权剩余有效期限某个专利当前剩余有效期时间长度SQu权项数专利权要求项数QSu实施例数专利实施例数量SSu市场特征指标(动态评估指标)同类专利月交易均价前一个月每天已交易同类专利交易价格相加求和除以月交易量得到同类专利的月交易均价YJG同类专利月转让均价前一个月每天已转让同类专利交易价格相加求和后除以月交易量得到同类专利的月转让均价YZG同类专利月交易量前一个月每天同类专利的交易量相加求和YJL待转让同类专利月询价次数前一个月每天待转让同类专利询价次数相加求和YXL已交易同类专利交易价格提升占比前一个月交易价格折线图中已交易同类专利的交易价格提升次数/前一个月天数JJZ已转让同类专利转让价格提升占比前一个月转让价格折线图中已转让同类专利的转让价格提升次数/前一个月天数ZJZ已交易同类专利交易数量提升占比前一个月交易数量折线图中已交易同类专利交易数量的提升次数/前一个月天数JLZ待转让同类专利询价次数提升占比前一个月询价次数折线图中待转让同类专利询价次数的提升次数/前一个月天数XJZ技术特征指标(动态评估指标)待转让同类专利月浏览量前一个月每天待转让同类专利浏览次数相加求和YLL待转让同类专利月被引次数前一个月每天待转让同类专利下载次数相加求和YZL待转让同类专利浏览量提升占比前一个月浏览次数折线图中待转让同类专利浏览次数的提升次数/前一个月天数LLZ待转让同类专利被引次数提升占比前一个月下载次数折线图中待转让同类专利下载次数的提升次数/前一个月天数XLZ
对静态评估质量模型和动态评估质量模型进行分析,构建如图8所示的公告专利深度学习评估模型,将需要进行专利转化的当前专利导入深度学习评估模型,根据分类号反馈当前专利评估结果。首先,获取上述计算得到的公告专利静态评估质量和同类专利动态评估质量。其次,根据动态评估质量计算过程映射得到公告专利动态评估质量,公告专利动态评估质量获取过程参考同类专利动态评估质量计算过程。再次,遍历比对所有公告专利的静态评估价值,得到公告专利的最小静态评估质量和最大静态评估质量,两者构成公告专利的静态评估质量区间。同理,得到公告专利的最小动态评估质量和最大动态评估质量,两者构成公告专利的动态评估质量区间。复次,将静态评估质量区间和动态评估质量区间进行整合并将其存放在同一文件夹中,在文件夹检索框输入分类号即可得到相对应的静态评估质量区间和动态评估质量区间。最后,将当前评估得到的专利评估结果录入深度学习评估模型,记录专利评估结果。
图8 深度学习评估模型
Fig.8 Deep learning assessment model
(1)静态评估质量区间提取过程如下:筛选公告专利样本,在国家专利知识产权局专利数据检索库中随机选取部分高校的1 000个公告专利,绘制静态评估质量分布区间图。其中,纵坐标为1 000个公告专利的静态评估质量,横坐标对应1 000个公告专利序号,从静态评估质量分布区间图中筛选出静态评估高筛选区间和静态评估低筛选区间。
(2)公告专利筛选过程如下:选取10个热点专利搜索词进行搜索,对相关度进行排序,每个搜索词对应相关度排序。本文选取100项专利,得到1 000个公告专利样本。如表4所示,统计出每个专利相应的静态评估指标。
表4 公告专利筛选数量
Table 4 Numbers of announced patent screenings
热点专利搜索词第一时长区间选取数量第二时长区间选取数量第三时长区间选取数量生活用品223543运输51877冶金82171纺织123058建筑331255机械工程131572照明182260电网152857新能源32275信息技术213049
遍历比对所有专利,逐个检查每个专利并比较其静态评估质量,以确定每个专利的最小静态评估质量和最大静态评估质量。静态评估质量是对专利初始状态进行评估,反映专利技术水平、创新程度、市场需求。最小静态评估质量是指在所有公告专利中,该专利的静态评估质量最低。而最大静态评估质量则是指在所有公告专利中,该专利的静态评估质量最高。将这两个值结合起来得到公告专利的静态评估质量区间,如图9所示。
图9 静态评估质量分布区间
Fig.9 Distribution interval of static assessment quality
将属于静态评估高筛选区间的静态评估质量通过公式
得到静态评估质量高区间值JGq,i为属于静态评估高筛选区间的静态评估质量的数量;将属于静态评估低筛选区间的静态评估质量通过公式
得到静态评估质量低区间值JDq,j为属于静态评估低筛选区间的静态评估质量的数量,得到静态评估质量区间[JDq,JGq]。
静态评估高筛选区间确定方法为:设定平行于静态评估质量分布区间横轴直线,将其命名为静态评估筛选线,将静态评估筛选线在图中由上向下平移,平移起始位置要高于任意一个静态评估质量分布点的纵坐标高度。当静态评估筛选线与第一个静态评估质量分布点位重合时,在静态评估筛选线下方设定静态评估标定线,静态评估标定线与静态评估筛选线相平行,且静态评估筛选线与静态评估标定线之间的距离为纵坐标数值10,获取落在静态评估筛选线和静态评估标定线上以及之间的静态评估质量分布点数量,将其设定为高筛选标定数量。
将静态评估筛选线和静态评估标定线同时向下平移一个纵坐标数值单位,直至筛选出高筛选标定数量大于或等于静态标定数,静态标定数为20。此时,以静态评估筛选线为第一高区间线,在第一高区间线下方设置第二高区间线,第一高区间线和第二高区间线间的间隔距离为纵坐标数值30,第二高区间线与第一高区间线相平行,如图10所示。
图10 静态评估高筛选区间确定过程
Fig.10 Determination process for high screening interval in static assessment
静态评估低筛选区间确定方法为:将静态评估筛选线在图中由下向上进行平移,平移起始位置要低于任意一个静态评估质量分布点的纵坐标高度。当静态评估筛选线与第一个静态评估质量分布点位重合时,在静态评估筛选线上方设定静态评估标定线,静态评估标定线与静态评估筛选线相平行,且静态评估筛选线与静态评估标定线之间的距离为纵坐标轴数值10,获取落在静态评估筛选线和静态评估标定线上以及之间的静态评估质量分布点数量,将其设定为低筛选标定数量。
将静态评估筛选线和静态评估标定线同时向上平移一个纵坐标数值单位,直至筛选出低筛选标定数量大于或等于静态标定数,静态标定数为20。此时,以静态评估筛选线为第一低区间线,在第一低区间线上方设置第二低区间线,第一低区间线和第二低区间线之间的间隔距离为纵坐标轴数值30,第二低区间线与第一低区间线相平行,如图11所示。
图11 静态评估低筛选区间确定过程
Fig.11 Determination process for low screening interval in static assessment
动态评估的目的是确定专利的最小动态评估质量和最大动态评估质量,反映专利的市场表现、技术发展趋势、竞争环境等因素。最小动态评估质量是指在所有专利中,该专利的动态评估质量最低。而最大动态评估质量则是指在所有专利中,该专利的动态评估质量最高,两者构成专利动态评估质量区间。
动态评估质量区间提取过程为:与上文一样,选取1 000个公告专利建立动态评估质量分布区间图,其中纵坐标为1 000个公告专利的动态评估质量,横坐标对应1 000个公告专利的序号。从动态评估质量分布区间图中筛选出动态评估高筛选区间和低筛选区间,如图12所示。
图12 动态评估质量分布区间
Fig.12 Distribution interval of dynamic assessment quality
将属于动态评估高筛选区间的动态评估质量通过公式
得到动态评估质量高区间值DGq,m为属于动态评估高筛选区间的动态评估质量的数量;将属于动态评估低筛选区间的动态评估质量通过公式
得到动态评估质量的低区间值DDq,n为属于动态评估低筛选区间的动态评估质量的数量,得到动态评估质量区间为[DDq,DGq]。其中,动态评估高筛选区间确定方法参照静态评估高筛选区间确定方法,动态评估低筛选区间确定方法参照静态评估低筛选区间确定方法。
为方便使用,将静态评估质量区间和动态评估质量区间整合打包成一个公开专利深度学习评估模型,这个模型可以更准确地评估公告专利质量。在实际操作中,将所有公告专利的静态评估质量区间和动态评估质量区间及逆行整合并打包。通过在文件夹检索框中输入分类号,可以快速获取相对应的静态评估质量区间和动态评估质量区间。
静态评估和动态评估过程为:检索专利静态评估质量和动态评估质量,当检索到的专利静态评估质量属于静态评估质量区间时,输出正常静态评估等级;当检索到的专利静态评估质量超出静态评估质量区间时,输出超出静态评估等级;当检索到的专利静态评估质量低于静态评估质量区间时,输出低于静态评估等级。当检索到的专利动态评估质量属于动态评估质量区间时,输出正常动态评估等级;当检索到的专利动态评估质量超出动态评估质量区间时,输出超出动态评估等级;当检索到的专利动态评估质量低于动态评估质量区间时,输出低于动态评估等级。
通过公式得到静态评估质量高区间值JGq为93.5,通过公式得到静态评估质量低区间值JDq为28.2,静态评估质量区间为[28.2,93.5]。通过公式得到动态评估质量高区间值DGq为116.5,通过公式得到动态评估质量低区间值DDq为38.3,得到动态评估质量区间为[38.3,116.5]。
图13为深度学习评估模型步骤流程图,模型训练步骤如下:
图13 深度学习评估模型步骤流程
Fig.13 Step-by-step flowchart of deep learning assessment model
(1)建立基于BP神经网络的深度学习评估模型,包括输入层、隐藏层和输出层。
(2)在输入层输入当前专利分类号、静态评估质量和动态评估质量,静态评估质量和动态评估质量获取过程参考同类专利静态评估质量和动态评估质量计算过程。
(3)隐藏层包含两个中间层和3个神经单元,将隐藏层标记为
其中,O表示隐藏层,L表示第L个中间层,K表示第K个神经单元。在
中,基于1 000个公告专利建立静态评估质量分布区间图。
(4)将当前专利静态评估质量录入静态评估质量分布区间图,查找静态评估质量分布区间图包含的数据数量。通过公式
重新计算静态标定数,Jcs为静态标定数,Ns为静态评估质量分布区间图包含的数据数量,int为取整运算符。
(5)当静态标定数更新时,重新筛选静态评估高筛选区间和静态评估低筛选区间,筛选过程参照前文内容,同时重新计算静态评估质量区间。
(6)在中,基于1 000个公告专利绘制动态评估质量分布区间图,将当前专利动态评估质量录入动态评估质量分布区间图。基于上述更新的静态标定数重新计算动态评估质量区间,计算过程参考前文内容。
(7)在中,将当前专利静态评估质量与静态评估质量区间进行对比,若静态评估质量小于静态评估质量区间,则输出静态评估低质量信号;若静态评估质量属于静态评估质量区间,则输出静态评估正常质量信号;若静态评估质量大于静态评估质量区间,则输出静态评估高质量信号。
(8)将当前专利动态评估质量与动态评估质量区间进行对比,若动态评估质量小于动态评估质量区间,则输出动态评估低质量信号;若动态评估质量属于动态评估质量区间,则输出动态评估正常质量信号;若动态评估质量大于动态评估质量区间,则输出动态评估高质量信号。
(9)若输出静态评估正常质量信号和动态评估正常质量信号,则判断当前专利评估等级为正常等级;若输出静态评估低质量信号和动态评估低质量信号,则判断当前专利评估等级为低等级;若输出静态评估高质量信号和动态评估高质量信号,则判断当前专利评估等级为高等级;若输出静态评估低质量信号和动态评估高质量信号,则发送评估质量异常信号至维护终端;若输出信号为一低一正常组合,则对低评估质量进行重新定向;若输出信号为一高一正常组合,则对高评估质量进行重新定向。
(10)低评估质量重定向。若输出静态评估低质量信号,则获取静态评估质量JZu、静态评估质量区间[JDq,JGq]、动态评估质量DZ和动态评估质量区间[DDq,DGq]。通过公式
计算低重定向指数;若输出动态评估低质量信号,则参照上述步骤,通过公式
计算低重定向指数;若低重定向指数大于等于1,则将当前专利评估等级判断为正常等级,反之则判断为低等级。
(11)高评估质量重定向:若输出静态评估高质量信号,则获取静态评估质量JZu、静态评估质量区间[JDq,JGq]、动态评估质量DZ以及动态评估质量区间[DDq,DGq],通过公式
计算高重定向指数;若输出动态评估高质量信号,则参照上述步骤。通过公式
计算高重定向指数,若高重定向指数大于等于1,则将当前专利评估等级判断为正常等级,反之则判断为高等级。
(12)将判断结果发送至输出层。
上述实证过程以现有专利数据库数据为参考依据,从中筛选出具有参考价值的静态评估质量区间和动态评估质量区间,然后将两者整合打包成一个公开专利深度学习评估模型。根据新更新的专利数据不断调整深度学习评估模型,以准确评估公告专利质量,在实际操作中将所有公告专利的静态评估质量区间和动态评估质量区间进行打包,通过在文件夹检索框中输入分类号,可以快速获取相对应的静态评估质量区间和动态评估质量区间,在保证专利评估效率的同时,利用上述方法能够更加精准地对专利质量进行评估。
(1)通过构建一个基于深度学习的专利动态质量评估模型对公告专利质量进行评估。该模型综合考虑专利的静态特征和动态特征,包括法律、市场和技术方面的多个指标,使得评估结果更加全面和客观。在静态评估方面,选取专利权剩余有效期限、权项数和实施例数等指标,这些指标反映专利的基本属性和法律价值,通过静态评估质量区间可以清晰了解专利静态质量。在动态评估方面,考虑到同类专利的市场交易情况和技术发展趋势,包括月交易均价、月转让均价、交易量等指标,以及专利浏览量和被引次数等技术特征指标。这些指标有助于捕获专利在市场上的表现和技术影响力,从而能够更好地反映专利动态质量。通过整合静态评估和动态评估,构建一个公开深度学习评估模型,该模型能够根据分类号快速提供专利相应质量评估区间,不仅有助于提高专利评估效率,还为专利转化和应用提供了有力的数据支撑。
(2)运用国家知识产权局的公告专利数据,选取1 000个样本提取静态评估质量区间和动态评估质量区间。通过绘制静态评估和动态评估分布区间图,运用特定筛选方法确定高筛选区间和低筛选区间,进而计算相应评估质量区间。在此基础上,整合静态评估结果和动态评估结果,构建一个深度学习评估模型,用于准确评估公告专利质量。该模型考虑专利技术水平、创新程度、市场需求等多维度因素,能够输出正常、低和高3种评估等级信号,并通过重定向机制对异常或边界评估结果进行分析。此外,模型训练采用BP神经网络,包括输入层、隐藏层和输出层,其中隐藏层设计了两个中间层和3个神经单元,以增强模型处理能力和精度。通过不断更新专利数据,模型能够自我学习和调整,进而提高评估精确度和可靠性。
(3)构建基于深度学习的专利动态质量评估模型不仅在理论上具有创新性,而且在实践中也具有较高的应用价值。该模型为专利评估提供了一个新视角和新方法,有助于促进专利有效转化和合理利用,推动科技创新,促进经济发展。未来应进一步优化模型结构,探索更多有价值的评估指标,提高模型评估精度和实用性。
本研究存在如下不足:首先,模型准确度分析不足,当前研究未对深度学习模型的准确度进行验证,未来需要通过实际数据集对模型进行测试,以验证模型的有效性和准确性。其次,模型泛化能力。由于专利数据具有高度复杂性和多样性,模型泛化能力是一个重要指标。当前学者未对模型在不同类型专利、不同技术领域的适用性进行充分研究,未来应重点关注模型泛化能力,确保其在不同情境下都能提供可靠的评估结果。综上所述,本研究为基于深度学习的专利动态价值评估提供了初步理论和方法框架,但仍有许多细节和实证工作需要不断完善。
[1] 来音,李婉丽,李峥峰,等.深度注意力机制下的高校专利价值评估方法——基于历史转化特征锚定效应视角[J].情报杂志,2023,42(8):200-207.
[2] 侯剑华,屠一云.基于专利计量的国家间技术竞争情报分析——以智能手机技术为例[J]. 现代情报,2014,34(10):119-123,129.
[3] 谢伟峰,文家春,袁晓东.非正常申请专利行为实证研究[J]. 科技管理研究,2022,42(5):179-185.
[4] 周艳丽,李庆,葛翔宇.一类专利权价值的动态实物期权定价方法[J].数理统计与管理,2019,38(5):940-950.
[5] 詹烨.基于ANP的市场法的专利权质押融资价值评估研究[D]. 成都:西南财经大学,2015.
[6] 孙胜祥,杨成斌,魏华.成本法在专利价值分析中的应用研究[J]. 海军工程大学学报(综合版),2020,17(1):69-73.
[7] 苏健美.基于收益法的专利权价值评估研究[D]. 昆明:云南大学,2014.
[8] 马治国,谢伟,张磊.技术、法律、市场三维视角下我国药品高价值专利评估体系构建研究[J]. 西北大学学报(哲学社会科学版),2022,52(5):120-130.
[9] CHEN X,GAO F,WANG J, et al. Patent valuation: an improved method based on convolutional neural network[J]. Journal of Intelligent &Fuzzy Systems,2020,38(3): 2379-2386.
[10] WANG L,CHEN S,ZHOU W, et al. A patent value evaluation method based on recurrent neural network[C].International Conference on Brain Informatics. Springer,Cham,2018: 333-342.
[11] HUANG T,YAN M,MENG Y, et al. Patent value prediction based on deep learning[J]. Expert Systems with Applications,2019,123: 422-432.
[12] 刘澄,雷秋原,张楠,等.基于BP神经网络的专利价值评估方法及其应用研究[J]. 情报杂志,2021,40(12): 195-202.
[13] 刘妍.专利价值评估研究综述与趋势展望[J].图书情报工作,2022,66(15):127-139.
[14] 张希,胡元佳.非市场基准的专利价值评估方法的理论基础、实证研究和挑战[J].软科学, 2010, 24(9):142-144.
[15] 刘子辰,李小娟,韦伟.基于循环神经网络的专利价格自动评估[J].计算机应用,2021,41(9):2532-2538.
[16] 林弘杰.基于深度学习的专利价值评估方法研究[D].合肥:中国科学技术大学,2018.
[17] 赵雪峰,胡瑾瑾,吴德林,等. 一种基于特征拼接、标签迁移及深度学习组合的专利价值评估方法[J]. 情报学报,2023,42(6):663-680.
[18] 万小丽.专利质量指标研究[D].武汉:华中科技大学,2009.
[19] 郭青,戚湧,高盼军.基于技术、法律和经济三位一体的专利质量评价及应用研究[J]. 中国发明与专利,2021,18(1):21-29.
[20] WU M C.Antecedents of patent value using exchange option models: evidence from a panel data analysis[J].Journal of Business Research, 2011, 64(1):81-86.
[21] 邓洁,张彩铃,李源信.高校专利质量对专利转化的影响效应研究——基于“双一流”高校的实证研究[J].情报杂志,2021,40(10):200-207.
[22] 杨思思,戴磊,郝屹.专利经济价值度通用评估方法研究[J].情报学报,2018,37(1):52-60.
[23] 王颖特. 基于双向门控循环单元注意力机制的高校专利质量评估方法[D]. 北京:北京交通大学,2022.
[24] 马晓雅.基于GRU-Attention机制的高校发明专利质量评估研究[D]. 北京:北京交通大学,2020.
[25] 李欣,范明姐,黄鲁成.基于机器学习的专利质量评价研究[J].科技进步与对策,2020,37(24):116-124.
[26] 付振康,王翔,罗启基,等.基于机器学习的高校专利质量评价实证研究——以山东省高校为例[J].中国发明与专利,2021,18(11):10-20.
[27] LIWEI Z,TONGTONG Z,YUTAO L, et al.Research on patent quality evaluation based on rough set and cloud model[J].Expert Systems with Applications,2024,235:121057.
[28] JHENG-LONG WU, PEI-CHANN CHANG, CHENG-CHIN TSAO, et al.A patent quality analysis and classification system using self-organizing maps with support vector machine[J].Applied Soft Computing,2016,41:305-316.
[29] HIGHAM K,GAETAN DE RASSENFOSSE, JAFFE A B.Patent quality: towards a systematic framework for analysis and measurement[J].Research Policy, 2021, 50(4):104215.
[30] 张杰,孙超,翟东升,等.基于诉讼专利的专利质量评价方法研究[J].科研管理,2018,39(5):138-146.
[31] LANJOUW O J,SCHANKERMAN M.Patent quality and research productivity: measuring innovation with multiple indicators[J].The Economic Journal,2004,114(495):441-465.
[32] 蔡鸿宇,王向锋,徐宗煌,等.高价值专利有何特征——基于模糊集定性比较分析的组态效应研究[J].情报科学,2024,42(4):167-174,183.