金 武，王書磊，劉曉萌，夏 曄，劉建偉*

（1.中國水產(chǎn)科學(xué)研究院淡水漁業(yè)研究中心，江蘇無錫 214081；2.中國水產(chǎn)科學(xué)研究院，北京 100141）

漁業(yè)專利作為漁業(yè)科研院所知識產(chǎn)權(quán)的重要組成部分，也是漁業(yè)科學(xué)技術(shù)和經(jīng)濟(jì)活動中產(chǎn)生的漁業(yè)領(lǐng)域核心競爭力的重要資源，對促進(jìn)我國漁業(yè)發(fā)展和制定發(fā)展戰(zhàn)略，助力漁業(yè)研究及應(yīng)用的創(chuàng)新發(fā)展具有重要作用［1］。中國水產(chǎn)科學(xué)研究院是中國水產(chǎn)科研領(lǐng)域的權(quán)威機(jī)構(gòu)［2］，其發(fā)表的專利能夠較好地反應(yīng)中國漁業(yè)領(lǐng)域?qū)＠厩闆r。截至2018年年底，中國水產(chǎn)科學(xué)研究院累計(jì)申請8 000余項(xiàng)專利，其中已經(jīng)轉(zhuǎn)化的漁業(yè)專利具有哪些量化的特點(diǎn)，如何從已有專利中篩選出高價(jià)值專利并重點(diǎn)做好這些專利的轉(zhuǎn)化，這些問題目前仍缺乏有效的工具去解決。

人工神經(jīng)網(wǎng)絡(luò)作為數(shù)據(jù)挖掘和建模的重要技術(shù)手段之一，屬于人工智能（artificial intelligence，AI）的技術(shù)范疇。它不需要有關(guān)體系的先驗(yàn)知識，具有自適應(yīng)建模學(xué)習(xí)及自動建模功能［3］，并能從大量數(shù)據(jù)中挖掘出傳統(tǒng)分析方法不能發(fā)現(xiàn)的、隱含的、先前未知的和對決策有潛在價(jià)值的關(guān)系、模式和趨勢［4］。當(dāng)系統(tǒng)環(huán)境發(fā)生變化時，只需輸入新的資料讓模型再學(xué)習(xí)即可很快跟蹤系統(tǒng)的變化，可操作性強(qiáng)［5，6］。它在一些典型的非線性系統(tǒng)，如：生態(tài)系統(tǒng)［3］、城市用水需求組合［7］、海淡水水質(zhì)監(jiān)測［8］和湖泊富營養(yǎng)化［9］等分析與建模中得到了廣泛應(yīng)用。

利用神經(jīng)網(wǎng)絡(luò)建模對中國專利布局、高價(jià)值專利篩選的探索也取得了一些進(jìn)展［10－16］。但漁業(yè)專利作為我國農(nóng)業(yè)核心競爭力的重要資源之一，專利轉(zhuǎn)化率仍有較大提升空間［17］。利用神經(jīng)網(wǎng)絡(luò)及其各種衍生模型進(jìn)行專利等級劃分的嘗試取得了長足發(fā)展［10，11，13，16，18－20］，但利用神經(jīng)網(wǎng)絡(luò)進(jìn)行行業(yè)細(xì)分領(lǐng)域?qū)＠燃墑澐值纳钊胙芯咳暂^少。本文通過對中國水產(chǎn)科學(xué)研究院已有專利進(jìn)行價(jià)值高中低人工分類標(biāo)注，并利用人工神經(jīng)網(wǎng)絡(luò)對現(xiàn)有數(shù)據(jù)進(jìn)行學(xué)習(xí)，建立數(shù)學(xué)模型，以期為提升專利管理效率，重點(diǎn)管理漁業(yè)高價(jià)值專利提供參考。

1 材料與方法

1.1 專利數(shù)據(jù)采集

根據(jù)中國知網(wǎng)專利數(shù)據(jù)庫進(jìn)行申請人為“中國水產(chǎn)科學(xué)研究院”模糊搜索的結(jié)果，截至2019年8月7日，該數(shù)據(jù)庫收錄專利申請日覆蓋2007年11月1日—2019年1月11日，中國水產(chǎn)科學(xué)研究院（因北戴河中心實(shí)驗(yàn)站、營口增殖實(shí)驗(yàn)站、長島增殖實(shí)驗(yàn)站及下營增殖實(shí)驗(yàn)站專利申請量相對較少或收錄不完整，最終數(shù)據(jù)集中未收入）各類專利合計(jì)6 592項(xiàng)。其中2007年和2019年專利數(shù)據(jù)庫收錄不全，這兩部分?jǐn)?shù)據(jù)做剔除處理。經(jīng)過數(shù)據(jù)清洗，包括刪除重復(fù)數(shù)據(jù)、補(bǔ)充缺失值和數(shù)據(jù)歸一化等操作后［21］，5 404項(xiàng)專利數(shù)據(jù)集作為樣本數(shù)據(jù)用于后續(xù)處理，專利申請日覆蓋2008年1月1日—2018年12月31日。該數(shù)據(jù)集包括專利申請人、專利發(fā)明人、申請?zhí)?、公開號、申請日期、郵編、地址、專利代理機(jī)構(gòu)、代理人、國省代碼、摘要、主權(quán)項(xiàng)、主分類號、專利分類號、申請周期、法律公告日和法律狀態(tài)17項(xiàng)信息。

1.2 專利計(jì)量參數(shù)

專利計(jì)量參數(shù)來自商業(yè)數(shù)據(jù)庫Patentics（https：／／www.patentics.com／），其中包括專利度、獨(dú)權(quán)度、方法度、特征度、引用數(shù)、自引用數(shù)、非自引用數(shù)、引用公司數(shù)、被引用數(shù)、影響因子、被自引用、非被自引用數(shù)、被引用公司數(shù)、被引用國家數(shù)、同族數(shù)和同族國家數(shù)16個變量。相關(guān)變量的描述見表1。

表1 數(shù)據(jù)變量定義Tab.1 Definition of data variables

1.3 數(shù)據(jù)處理

經(jīng)合并專利信息和專利計(jì)量參數(shù)后，共有5 404項(xiàng)數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)建模分析。原始數(shù)據(jù)根據(jù)最大值－最小值法進(jìn)行歸一化處理。通過對專利法律狀態(tài)進(jìn)行手動標(biāo)記后，隨機(jī)挑選70%的數(shù)據(jù)用于模型學(xué)習(xí)訓(xùn)練，30%的數(shù)據(jù)用于測試模型效果。模型準(zhǔn)確度通過（accuracy，ACC）比值法計(jì)算：

式（1）中：TP為真陽性，TN為真陰性，F(xiàn)P為假陽性，F(xiàn)N為假陰性。

根據(jù)數(shù)據(jù)集中的法律狀態(tài)變量，將專利申請權(quán)、專利權(quán)的轉(zhuǎn)移，專利實(shí)施許可合同備案的生效、變更及注銷和著錄事項(xiàng)變更標(biāo)記為第一類（高價(jià)值），授權(quán)專利標(biāo)記為第二類（中等價(jià)值），其余全部標(biāo)記為第三類（一般價(jià)值）。數(shù)據(jù)分析采用R統(tǒng)計(jì)軟件和neurallnet包，人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)高價(jià)值專利篩選代碼［11］經(jīng)修改后用于分析。為避免模型不收斂，收斂誤差設(shè)置為1×107。人工神經(jīng)網(wǎng)絡(luò)模型的評估采用混淆矩陣法計(jì)算yACC值。

2 結(jié)果

2.1 專利價(jià)值評估單隱層人工神經(jīng)網(wǎng)絡(luò)模型

當(dāng)隱層設(shè)置等于5時，繪制neurallnet包默認(rèn)單隱層BP（back propagation）神經(jīng)網(wǎng)絡(luò)圖像如圖1所示，每個網(wǎng)絡(luò)連接上的數(shù)值為該連接的權(quán)重值。該模型的準(zhǔn)確度為73.59%，達(dá)到預(yù)期目標(biāo)。trueclass為模型輸出對專利劃分的類別。可以將該模型部署到其他的新的數(shù)據(jù)集上，實(shí)施高價(jià)值專利的篩選工作。

2.2 專利價(jià)值評估深度神經(jīng)網(wǎng)絡(luò)模型

當(dāng)隱含層改為具有兩層隱含層的神經(jīng)網(wǎng)絡(luò)時，結(jié)果如圖2。模型的準(zhǔn)確率降為10.92%，說明單隱層的網(wǎng)絡(luò)預(yù)測結(jié)果優(yōu)于深度神經(jīng)網(wǎng)絡(luò)。如果經(jīng)過擴(kuò)大訓(xùn)練集比例，調(diào)整輸入變量個數(shù)等優(yōu)化后，仍顯示單隱層人工神經(jīng)網(wǎng)絡(luò)模型優(yōu)于深度神經(jīng)網(wǎng)絡(luò)，則可以利用單隱層神經(jīng)網(wǎng)絡(luò)進(jìn)行高價(jià)值專利的篩選。

3 討論

價(jià)值專利是指具有較高使用價(jià)值、交易價(jià)值和附加價(jià)值的專利，能夠使得專利權(quán)人通過使用專利技術(shù)進(jìn)行生產(chǎn)經(jīng)營獲得較高收入，或者能夠通過交易行為或者質(zhì)押等類交易行為獲取較多收益，或者通過其附加價(jià)值為專利權(quán)人帶來間接的、潛在的或隱形的某種積極效果［18］。高價(jià)值專利的識別長期以來缺乏可供實(shí)際操作的有效識別方式［22］，對專利權(quán)價(jià)值評估和高價(jià)值專利識別，國內(nèi)外學(xué)者已經(jīng)開展了一些研究，但是多集中于評估模型的理論研究［10－13，18］。

圖1 專利價(jià)值評估單隱層人工神經(jīng)網(wǎng)絡(luò)模型Fig.1 Single hidden layer artificial neural network model for patent valuation

圖2 專利價(jià)值評估雙隱層人工神經(jīng)網(wǎng)絡(luò)模型Fig.2 Two hidden layer artificial neural network model for patent valuation

近年來，中國專利申請量和授權(quán)量都快速增長，隨之而來給專利審查和科研院所知識產(chǎn)權(quán)管理部門帶來了極大挑戰(zhàn)。一方面，專利審查部門需要將高價(jià)值專利審查周期壓縮；另一方面，知識產(chǎn)權(quán)管理部門在管理海量專利時，缺乏工作重點(diǎn)，導(dǎo)致一部分高價(jià)值專利束之高閣，客觀上降低了專利的轉(zhuǎn)化效率。借助于以人工神經(jīng)網(wǎng)絡(luò)為代表的人工智能技術(shù)，可以快速將知識產(chǎn)權(quán)管理部門的工作重點(diǎn)集中在高價(jià)值專利的轉(zhuǎn)化方面，促進(jìn)成果轉(zhuǎn)化，提高轉(zhuǎn)化效率。根據(jù)本文建立的人工神經(jīng)網(wǎng)絡(luò)及分析結(jié)果，今后可以從擴(kuò)大漁業(yè)專利訓(xùn)練數(shù)據(jù)集、調(diào)整模型輸入變量，選擇合適的隱含層等角度進(jìn)一步提升模型的準(zhǔn)確度。