韋 偉，李小娟

（中國科學(xué)院計(jì)算技術(shù)研究所，北京100190）

（?通信作者電子郵箱lixiaojuan@ict.ac.cn）

0 引言

我國一直積極深入實(shí)施知識產(chǎn)權(quán)戰(zhàn)略保障國家的技術(shù)安全，知識產(chǎn)權(quán)保護(hù)已經(jīng)成為經(jīng)濟(jì)發(fā)展的重要依托。圍繞知識產(chǎn)權(quán)的交易已經(jīng)逐漸變成知識產(chǎn)權(quán)保護(hù)與服務(wù)的重要內(nèi)容。在知識產(chǎn)權(quán)保護(hù)不斷完善的過程中，專利交易作為知識產(chǎn)權(quán)的交易核心，其對經(jīng)濟(jì)活動的作用也更加突出，它的重要性也日益凸顯。但是，如何確定專利的實(shí)際價(jià)值一直是研究的重點(diǎn)和難點(diǎn)，長久以來專利交易過程中存在的一個突出問題是如何保證專利的交易價(jià)格能夠與專利的實(shí)際價(jià)值對等。

針對如何評價(jià)專利的實(shí)際價(jià)值的問題，國內(nèi)和國外專家均進(jìn)行了廣泛的研究，并取得了一定的效果。文獻(xiàn)［1］使用多個指標(biāo)的組合來評價(jià)專利質(zhì)量，如專利被引用的次數(shù)、專利引文的數(shù)量、權(quán)利要求的數(shù)量和專利維持水平；世界上最大的國際聯(lián)機(jī)情報(bào)檢索系統(tǒng)Dialog 提出了專利強(qiáng)度來評價(jià)其質(zhì)量的方法，專利強(qiáng)度是多個技術(shù)指標(biāo)的綜合，包括專利引證、訴訟數(shù)目、權(quán)利要求數(shù)、審查時(shí)間等12 項(xiàng)指標(biāo)；文獻(xiàn)［2］利用層次分析（Analytic Hierarchy Process，AHP）法構(gòu)建專利質(zhì)量評估模型，所構(gòu)造的模型同時(shí)考慮了專利的技術(shù)特征、技術(shù)市場、成本以及產(chǎn)品市場4 個指標(biāo)的特征；文獻(xiàn)［3］依據(jù)國內(nèi)專利發(fā)展現(xiàn)狀，提出單件發(fā)明專利質(zhì)量評價(jià)指標(biāo)體系，同時(shí)使用層次分析法計(jì)算相應(yīng)指標(biāo)的權(quán)重；文獻(xiàn)［4］考慮技術(shù)、市場、競爭和法律因素對專利質(zhì)量的影響，建立專利質(zhì)量評價(jià)模型；文獻(xiàn)［5］研究了4 項(xiàng)專利質(zhì)量指標(biāo)與企業(yè)市場市值之間的關(guān)系，通過回歸分析用企業(yè)市場價(jià)值和專利質(zhì)量之間的關(guān)系評價(jià)專利質(zhì)量；文獻(xiàn)［6］考慮神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)能力，通過構(gòu)建神經(jīng)網(wǎng)絡(luò)模型進(jìn)行高質(zhì)量專利篩選；文獻(xiàn)［7］針對猶豫模糊軟集能夠更加準(zhǔn)確地描述事物本質(zhì)的特性，提出使用猶豫模糊軟集進(jìn)行專利技術(shù)質(zhì)量評價(jià)的方法；文獻(xiàn)［8］提出運(yùn)用直覺模糊層次分析法計(jì)算各專利指標(biāo)權(quán)重，同時(shí)依據(jù)模糊評價(jià)法對專利質(zhì)量進(jìn)行評估的聯(lián)合評價(jià)方法；文獻(xiàn)［9］采用文獻(xiàn)分析法，通過對現(xiàn)有研究文獻(xiàn)的梳理和分析，從專利的技術(shù)性、法定性和商業(yè)性對專利質(zhì)量作出預(yù)測，提出專利技術(shù)質(zhì)量評價(jià)綜合指標(biāo)體系；文獻(xiàn)［10］從法律、技術(shù)和市場三個角度出發(fā)構(gòu)建專利質(zhì)量評價(jià)模型，同時(shí)組合AdaBoost 算法構(gòu)建的多個決策樹模型，最終得到專利質(zhì)量評價(jià)模型。

在實(shí)際操作中，一個專利的實(shí)際價(jià)值評估過程通常需要考慮市場、法律、技術(shù)等多方面的因素，不同的質(zhì)量評價(jià)方法對不同因素的考量也不盡相同。但無一例外，專利本身的技術(shù)質(zhì)量都是各個評價(jià)方法中的重要一環(huán)。目前，針對專利質(zhì)量評價(jià)的方法多采用專家打分或者采用行業(yè)領(lǐng)域?qū)＜宜O(shè)計(jì)的打分及評價(jià)體系。然而，這種方法受到專家個人主觀因素的限制較多，難以客觀地描述專利的技術(shù)質(zhì)量。上述文獻(xiàn)所述方法雖然提出了客觀質(zhì)量評價(jià)方法，但在技術(shù)質(zhì)量評價(jià)時(shí)，考慮的因素仍然沒有擺脫傳統(tǒng)評價(jià)體系，忽略了一個重要的因素，即論文與專利的關(guān)系，論文與專利具有很大的相似性，可以利用與專利相似的多篇論文間接地映射專利的技術(shù)質(zhì)量。而現(xiàn)階段，論文質(zhì)量評估方法相對健全，客觀評價(jià)指標(biāo)已被廣泛接受，論文質(zhì)量的評估是學(xué)術(shù)界一直關(guān)注與探討的核心問題之一。文獻(xiàn)［11］通過分析科技論文的質(zhì)量評價(jià)體系和評價(jià)準(zhǔn)則，選擇論文被引頻次、評價(jià)指標(biāo)指數(shù)、影響因子作為評價(jià)指標(biāo)，并利用鏈接分析法和引文分析法進(jìn)行論文質(zhì)量的評價(jià)。文獻(xiàn)［12］依據(jù)層次分析法和模糊數(shù)學(xué)理論的評價(jià)方法，將論文質(zhì)量的評價(jià)進(jìn)行定性分析到定量分析的轉(zhuǎn)化，利用論文質(zhì)量評價(jià)指標(biāo)建立判決矩陣，同時(shí)進(jìn)行一致性檢驗(yàn)，計(jì)算各個指標(biāo)的單層權(quán)重值和合成權(quán)重值，最終實(shí)現(xiàn)論文質(zhì)量評估。文獻(xiàn)［13］主要對反映學(xué)術(shù)型碩士學(xué)位論文質(zhì)量的5 個指標(biāo)，即論文選題、論文創(chuàng)新、論文寫作、論文成果及論文評閱和答辯進(jìn)行綜合考量，然后基于模糊綜合評判模型提出判定論文質(zhì)量的模糊綜合評價(jià)方法。文獻(xiàn)［14］考慮以下6 個維度的因素:論文選題來源、文獻(xiàn)收集能力、專業(yè)知識水平、指導(dǎo)教師水平、知識創(chuàng)新能力和論文寫作質(zhì)量，構(gòu)造科學(xué)、客觀的論文質(zhì)量評價(jià)模型，使用離散Hopfield 神經(jīng)網(wǎng)絡(luò)進(jìn)行論文質(zhì)量評估。經(jīng)過多年的發(fā)展，論文質(zhì)量的評估的多種判定方法已經(jīng)被大家廣泛接收。目前，主要的評價(jià)參數(shù)包括論文的引用數(shù)量及論文引用H-index，期刊、會議影響因子，作者影響因子等，這些參數(shù)已被認(rèn)為能夠廣泛客觀地反映論文質(zhì)量。

雖然已有成熟的論文質(zhì)量評價(jià)已經(jīng)能夠反映專利的質(zhì)量，但是如何建立專利和論文之間的聯(lián)系，是關(guān)乎專利質(zhì)量評價(jià)的關(guān)鍵問題。本文提出使用文檔相似度計(jì)算來構(gòu)建專利與相似論文的集合，通過計(jì)算文檔距離，篩選出最相似論文集合，作為專利技術(shù)質(zhì)量評估的增廣數(shù)據(jù)集，并利用該數(shù)據(jù)集合構(gòu)建專利質(zhì)量評估模型，用于評估專利質(zhì)量。

在此基礎(chǔ)上，通過團(tuán)隊(duì)在多年知識產(chǎn)權(quán)服務(wù)工作中積累的大量被廣泛認(rèn)可專利質(zhì)量評估數(shù)據(jù)作為樣本。本文進(jìn)一步使用了神經(jīng)網(wǎng)絡(luò)作為訓(xùn)練方法，實(shí)現(xiàn)利用論文相似性與專利技術(shù)質(zhì)量評價(jià)之間的映射。深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）［15］通過加深網(wǎng)絡(luò)的層次，使其性能進(jìn)一步增強(qiáng)，通過建立含有大量節(jié)點(diǎn)的深度網(wǎng)絡(luò)模型，完成各種分類和預(yù)測任務(wù)，能夠完全勝任專利或論文的質(zhì)量評估工作。

綜上，本文提出了一種結(jié)合論文質(zhì)量評估的針對專利技術(shù)質(zhì)量評價(jià)的方法，所提方法在文檔相似度計(jì)算和深度神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，通過論文客觀質(zhì)量來評價(jià)專利的技術(shù)質(zhì)量。

1 專利質(zhì)量評估方法設(shè)計(jì)

1.1 專利質(zhì)量評估架構(gòu)

本文所提出的專利質(zhì)量評估的架構(gòu)如圖1 所示，該方法首先從專利出發(fā)，以專利核心關(guān)鍵詞及所屬領(lǐng)域?yàn)槌霭l(fā)點(diǎn)，獲取與專利相關(guān)的論文集合，并以論文與專利之間的相似性計(jì)算為篩選方法，篩選相似論文作為專利評估的增廣數(shù)據(jù)集。然后將論文數(shù)據(jù)集中的相似性計(jì)算結(jié)果與論文的引用情況、論文發(fā)表時(shí)間、論文發(fā)表期刊、論文作者等多個因素輸入深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，形成論文與待評估專利間的質(zhì)量評估模型。在形成上述質(zhì)量評估模型后，在實(shí)際專利質(zhì)量評估時(shí)，通過對所測試專利最相似的論文分別應(yīng)用該質(zhì)量評估模型，計(jì)算出每篇論文對專利的質(zhì)量評估指數(shù)，并最后計(jì)算評估質(zhì)量指數(shù)的算術(shù)平均為最后的專利質(zhì)量評估結(jié)果。

論文與專利的相似性計(jì)算主要通過關(guān)鍵詞匹配的方法，采用詞移距離（Word Mover's Distance，WMD）算法［16-17］，用來度量文檔距離，而最相近論文的篩選規(guī)則是取文檔相似度值大于0.8的文檔（0.8為實(shí)際測試所得閾值）。

論文的質(zhì)量特征指標(biāo)包括論文的發(fā)表時(shí)間、論文發(fā)表期刊的影響因子、論文的引用因子、論文的作者因子，其中，如果是同作者的論文則沒有論文的作者因子這個指標(biāo)。

圖1 專利質(zhì)量評估的架構(gòu)Fig. 1 Patent quality evaluation framework

1.2 論文與專利相似度計(jì)算

本文通過專利與論文間的文檔相似性計(jì)算來篩選相似論文，從而構(gòu)成論文集合。本文使用的文檔相似度計(jì)算主要通過WMD 算法計(jì)算文檔距離，WMD 算法核心思想是將EMD（Earth Mover's Distance）和詞嵌入（word2vec）相結(jié)合。EMD算法實(shí)際上解決線性規(guī)劃中運(yùn)輸問題的最優(yōu)路線問題，用來測量某分布之間的距離。而將EMD 算法應(yīng)用于自然語言處理領(lǐng)域與詞嵌入技術(shù)相結(jié)合，通過詞嵌入，可以得到詞語的分布式低維實(shí)數(shù)向量表示，可以計(jì)算詞語之間的距離，即可完成文檔相似度的計(jì)算。

文檔相似度計(jì)算流程如圖2 所示。首先需要使用初始關(guān)鍵詞檢索與專利相關(guān)的論文，組成初始論文集。然后，為了對整篇文檔進(jìn)行文檔相似度計(jì)算，需要統(tǒng)計(jì)出文檔中的關(guān)鍵詞，關(guān)鍵詞的統(tǒng)計(jì)采用兩步進(jìn)行提取:首先，通過專利所屬領(lǐng)域方向提取核心技術(shù)關(guān)鍵詞，相關(guān)核心專業(yè)關(guān)鍵詞根據(jù)領(lǐng)域標(biāo)引數(shù)據(jù)生成，相關(guān)生成方法超出本文討論范圍，不在此具體討論；其次，對非核心專業(yè)關(guān)鍵詞通過文檔詞頻的統(tǒng)計(jì)方法，由于停用詞的詞頻會更多，所以在統(tǒng)計(jì)文檔詞頻時(shí)，需要去除停用詞。文檔的相似度計(jì)算核心采用word2vec，通過word2vec，將所有關(guān)鍵詞轉(zhuǎn)換為一定維度的向量，向量中元素的初始值通過領(lǐng)域?qū)I(yè)詞庫結(jié)合詞頻進(jìn)行確認(rèn)。在生成向量的基礎(chǔ)上，進(jìn)而通過式（1）計(jì)算不同文檔關(guān)鍵詞間的歐氏距離來計(jì)算關(guān)鍵詞i到關(guān)鍵詞j的相似度:

得到不同文檔的關(guān)鍵詞間的距離后，即可得到兩個文檔間的距離:

在這里定義轉(zhuǎn)換矩陣Rij（Rij≥0），表示文檔1 中的詞i有多少轉(zhuǎn)化為了文檔2中的詞j。

因此，需要將累計(jì)的代價(jià)最小化，即求如下公式:

為了保證文檔1 能轉(zhuǎn)化為文檔2，需要保證詞i 轉(zhuǎn)化為文檔2 中所有詞語的量之和為di，同理，也應(yīng)該滿足文檔1 中轉(zhuǎn)化到文檔2中的詞j的總量為d′j。

由于需要使用語料來訓(xùn)練詞向量，而不同領(lǐng)域的語料訓(xùn)練出的詞向量能夠側(cè)重于在不同的領(lǐng)域使用，為了提高文本相似度計(jì)算的效果，使用不同領(lǐng)域的語料來訓(xùn)練詞向量。

最終計(jì)算出所有與專利距離最近的論文（而最相近論文的篩選規(guī)則是取文檔相似度值大于0.8 的文檔），組成專利評估的增廣論文數(shù)據(jù)集，經(jīng)過篩選后的論文質(zhì)量評價(jià)被用于反映專利技術(shù)質(zhì)量。

圖2 文檔相似度計(jì)算流程Fig. 2 Process of document similarity calculation

1.3 專利質(zhì)量評估模型

專利質(zhì)量評估模型主要是映射專利相似論文的質(zhì)量特征指標(biāo)與論文質(zhì)量之間的關(guān)系，此模型的構(gòu)建使用深度神經(jīng)網(wǎng)絡(luò)，構(gòu)建模型后主要進(jìn)行模型的訓(xùn)練。模型訓(xùn)練的目的為獲得單篇論文與目標(biāo)評估專利之間的質(zhì)量評估模型。

設(shè)定訓(xùn)練專利集合為Γ，訓(xùn)練專利評估模型的過程如圖3所示。圖3 中所示訓(xùn)練過程，根據(jù)論文屬性，將增廣論文集劃分為兩個不同的集合:與專利作者同相似論文集合Pa，以及非專利作者的相似論文集合Pna。對于任意專利T ∈Γ，獲得其相似的論文集合，獲取方法為:首先檢索與目標(biāo)專利具有相同作者或者是同一單位的論文，構(gòu)成論文集合Pa；其次，獲取專利T 的關(guān)鍵詞集合Kt，利用關(guān)鍵詞檢索論文，獲得其他作者的其他論文，所得到的論文集合為Pna。對于論文集合Pa和Pna分別進(jìn)行不同操作。

圖3 訓(xùn)練專利評估模型流程Fig. 3 Process of training patent assessment model

針對上述兩個論文集合Pa和Pna，分別利用圖4 和圖5 中所示的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。深度神經(jīng)網(wǎng)絡(luò)具有輸入層、多個隱藏層和輸出層，主要特點(diǎn)是內(nèi)部各層節(jié)點(diǎn)間的連接是全聯(lián)接的，網(wǎng)絡(luò)通過不斷學(xué)習(xí)，逐漸調(diào)節(jié)網(wǎng)絡(luò)各權(quán)重值，調(diào)節(jié)網(wǎng)絡(luò)的最終輸出逐漸接近期望輸出，最終輸出質(zhì)量評估模型。深度神經(jīng)網(wǎng)絡(luò)的詳細(xì)介紹可參考文獻(xiàn)［13］。

圖4 同作者論文深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 4 Structure of deep neural network of papers with same author

圖5 其他作者論文深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 5 Structure of deep neural network of papers with other authors

圖6 專利質(zhì)量評估流程Fig. 6 Process of patent quality assessment

2 仿真實(shí)驗(yàn)

選取中國期刊全文數(shù)據(jù)庫（China National Knowledge Infrastructure，CNKI）作為論文數(shù)據(jù)源，它包含中國學(xué)術(shù)期刊總數(shù)據(jù)庫、中國博士及碩士學(xué)位論文數(shù)據(jù)庫、中國重要學(xué)術(shù)會議論文數(shù)據(jù)庫等數(shù)據(jù)資源，完全滿足本文所提方法的需求。

所采用的專利質(zhì)量打分取值為（0，100］，該分值越高，表明待檢測專利質(zhì)量越好。與專利相似的論文質(zhì)量特征指標(biāo)分別為:論文的發(fā)表時(shí)間t、論文發(fā)表期刊的影響因子r、論文的引用因子h、論文的作者因子a（如果是同作者的論文則沒有論文的作者因子這個特征指標(biāo)）。

根據(jù)團(tuán)隊(duì)積累的專利評價(jià)數(shù)據(jù)，分別選取機(jī)械工程、物理、電學(xué)、化學(xué)4 個領(lǐng)域的專利，各自形成1 000 組訓(xùn)練數(shù)據(jù)集和100 組測試數(shù)據(jù)集，并給出每組樣本的專利質(zhì)量專家定性評價(jià)分?jǐn)?shù)。首先分別使用4 個領(lǐng)域的語料訓(xùn)練各自領(lǐng)域的詞向量，然后使用各自的1 000 組訓(xùn)練數(shù)據(jù)集分別對上述4 個領(lǐng)域的專利質(zhì)量評價(jià)模型進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練，分別生成4 個領(lǐng)域的專利質(zhì)量評價(jià)模型，再分別使用各自的100 組測試數(shù)據(jù)進(jìn)行專利質(zhì)量模型的測試，并將測試結(jié)果與專家定性評價(jià)結(jié)果進(jìn)行比較，所得誤差對比結(jié)果如表1所示。

表1 專利質(zhì)量評估模型測試誤差對比Tab. 1 Test error comparison results of patent quality evaluation model

從表1 可以看出，本文提出的專利質(zhì)量評價(jià)模型已經(jīng)具有較好的學(xué)習(xí)能力，對于機(jī)械工程、物理、電學(xué)和化學(xué)4 個不同領(lǐng)域的專利，模型評估結(jié)果的誤差均值分別為3.204 805、3.247 298、3.781 234 和3.516 674，能對專利質(zhì)量和評分產(chǎn)生較好的反映，可以適用于專利質(zhì)量評估。不同領(lǐng)域的專利質(zhì)量評價(jià)結(jié)果誤差最小值均能控制在1 以下。4 個不同領(lǐng)域的專利均能夠得到與專家定性評價(jià)結(jié)果相一致的質(zhì)量評分，說明本文方法已具有專利質(zhì)量評價(jià)能力，且能較好地評價(jià)專利質(zhì)量；同時(shí)，本文方法能夠?qū)崿F(xiàn)不同類型的專利的質(zhì)量評價(jià)。

為了進(jìn)一步驗(yàn)證本文方法的有效性，將本文方法與基于AHP 法構(gòu)建的模型、基于反向傳播神經(jīng)網(wǎng)絡(luò)模型構(gòu)建的模型和基于猶豫模糊軟集構(gòu)建的模型進(jìn)行對比。對比方法均采用直接對專利進(jìn)行質(zhì)量評價(jià)，使用的專利特征為專利的技術(shù)特征、技術(shù)市場、成本以及產(chǎn)品市場4 個指標(biāo)，分別針對機(jī)械工程、物理、電學(xué)、化學(xué)四個領(lǐng)域的專利，各自100 組測試專利的質(zhì)量評價(jià)和專家定性評價(jià)的對比結(jié)果如圖7～10所示。

從圖7～10 可以看出，所選測試專利的質(zhì)量不等，本文方法和對比方法均能對機(jī)械工程、物理、電學(xué)、化學(xué)4 個領(lǐng)域的專利進(jìn)行有效的質(zhì)量評價(jià)，并且能夠?qū)⒉煌|(zhì)量的專利進(jìn)行有效地區(qū)分。本文方法對某些專利的質(zhì)量評價(jià)誤差較大，如機(jī)械工程領(lǐng)域的編號為66 的專利，誤差達(dá)到18.929 777，物理領(lǐng)域編號為34 的專利，誤差達(dá)到19.013 115，而對比方法在處理這些專利時(shí)誤差較小。造成這種現(xiàn)象的原因是由于專利質(zhì)量和論文質(zhì)量存在一定的差異，根本原因是待評價(jià)的專利并不一定能找到完全匹配的論文。但是，對比算法在處理某些專利時(shí)也存在誤差較大的情況，比如使用AHP 模型處理機(jī)械工程領(lǐng)域的61 號專利時(shí)的誤差達(dá)到了27.553 747，使用反向傳播神經(jīng)網(wǎng)絡(luò)模型處理化學(xué)領(lǐng)域的98 號專利時(shí)誤差達(dá)到17.025 602，使用猶豫模糊軟集模型進(jìn)行機(jī)械工程18 號專利的質(zhì)量評價(jià)時(shí)誤差達(dá)到16.831 319，而本文方法在處理這些專利時(shí)誤差均較小。

為了能夠更直觀地分析不同算法的專利質(zhì)量評價(jià)結(jié)果，使用平均絕對誤差對圖7～10所示結(jié)果進(jìn)行分析，得到圖11所示統(tǒng)計(jì)結(jié)果。使用反方向傳播神經(jīng)網(wǎng)絡(luò)模型進(jìn)行專利質(zhì)量評價(jià)的結(jié)果誤差較大，平均絕對誤差基本在4 以上，使用猶豫模糊軟集模型進(jìn)行專利質(zhì)量評價(jià)的結(jié)果誤差小于AHP 模型得到的誤差，而本文方法的結(jié)果誤差相對較小。可見本文方法能夠綜合利用與專利質(zhì)量相似的多篇論文進(jìn)行專利質(zhì)量計(jì)算的優(yōu)勢，這種機(jī)制為專利質(zhì)量評價(jià)提供更有效的質(zhì)量分析依據(jù)。

圖7 機(jī)械工程領(lǐng)域?qū)＠|(zhì)量評價(jià)對比Fig. 7 Comparison of patent quality evaluation in mechanical engineering field

圖8 物理領(lǐng)域?qū)＠|(zhì)量評價(jià)對比Fig. 8 Comparison of patent quality evaluation in physical field

圖9 電學(xué)領(lǐng)域?qū)＠|(zhì)量評價(jià)對比Fig. 9 Comparison of patent quality evaluation in electricity field

3 結(jié)語

本文通過分析現(xiàn)有國內(nèi)外專利質(zhì)量研究方法，考慮專利和論文之間的相似性，通過文檔相似度計(jì)算篩選出相似論文組成論文集，為專利質(zhì)量計(jì)算提供可靠基礎(chǔ)；同時(shí)，考慮深度神經(jīng)網(wǎng)絡(luò)擁有的較強(qiáng)的非線性映射性能，提出了一種以文檔相似度計(jì)算和深度神經(jīng)網(wǎng)絡(luò)的使用論文質(zhì)量來估計(jì)專利質(zhì)量的評估方法。仿真結(jié)果表明，本文方法能夠?qū)Σ煌I(lǐng)域的專利進(jìn)行較好的質(zhì)量評估。最后需要說明的是，本文所提評價(jià)方法可能具有一定的片面性，需要不斷進(jìn)行探討和研究。但本文所提方法對專利質(zhì)量評價(jià)技術(shù)的研究具有一定的啟迪性。

此外，本文在進(jìn)行文檔相似度計(jì)算時(shí)依賴于提取的關(guān)鍵詞的準(zhǔn)確性，目前采用的通過詞頻提取關(guān)鍵詞的方法存在不確定性的因素，比如，提取的關(guān)鍵詞并不一定是論文核心關(guān)鍵詞，因此，在接下來的工作中，需要解決提取關(guān)鍵詞時(shí)的不確定性。

圖10 化學(xué)領(lǐng)域?qū)＠|(zhì)量評價(jià)對比Fig. 10 Comparison of patent quality evaluation in chemical field

圖11 專利質(zhì)量平均絕對誤差對比分析Fig. 11 Comparison and analysis of mean absolute error of patent quality