亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        結(jié)合高階神經(jīng)元的深度神經(jīng)網(wǎng)絡(luò)用于專利可轉(zhuǎn)讓性評(píng)價(jià)*
        ——以電子信息技術(shù)領(lǐng)域?yàn)槔?/h1>
        2021-03-09 01:30:46武玉英才久然何喜軍
        情報(bào)雜志 2021年2期
        關(guān)鍵詞:價(jià)值評(píng)價(jià)模型

        武玉英 才久然 何喜軍

        ( 北京工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院 北京 100124 )

        隨著現(xiàn)代經(jīng)濟(jì)向知識(shí)密集型轉(zhuǎn)變,專利已成為衡量國(guó)家或企業(yè)技術(shù)水平、創(chuàng)新能力的最重要指標(biāo)之一?!?018年深入實(shí)施國(guó)家知識(shí)產(chǎn)權(quán)戰(zhàn)略加快建設(shè)知識(shí)產(chǎn)權(quán)強(qiáng)國(guó)推進(jìn)計(jì)劃》中明確強(qiáng)調(diào),大力培育高價(jià)值核心專利。從宏觀角度看,培育高價(jià)值專利的基礎(chǔ)是專利價(jià)值評(píng)估。從微觀角度看,專利價(jià)值評(píng)估是企業(yè)通過專利交易獲得競(jìng)爭(zhēng)優(yōu)勢(shì)的前提。然而,專利價(jià)值具有不確定性及模糊性等特點(diǎn)使得專利價(jià)值評(píng)估成為一項(xiàng)艱巨的任務(wù)[1]。Zhang等[2]認(rèn)為專利作為一種具有多重價(jià)值的可轉(zhuǎn)讓資產(chǎn),價(jià)值更高的專利更易交易。據(jù)此,Ko等[3]首次提出專利可轉(zhuǎn)讓性(Patent Transferability Evaluation,PTE)的概念,即通過交易實(shí)現(xiàn)專利潛力的可能性,并從可轉(zhuǎn)讓性角度定量評(píng)價(jià)專利,為專利價(jià)值評(píng)估提供新思路,對(duì)技術(shù)交易推薦具有重要意義。但如何評(píng)價(jià)專利可轉(zhuǎn)讓性,目前還未得到科技主體的廣泛關(guān)注。隨著信息技術(shù)的進(jìn)步和數(shù)據(jù)的組織規(guī)模變大,對(duì)大規(guī)模有效專利數(shù)據(jù)的分析與評(píng)價(jià)也提出了新挑戰(zhàn),而發(fā)展迅速的機(jī)器學(xué)習(xí)能夠有效應(yīng)對(duì)挑戰(zhàn)。已有研究基于深度神經(jīng)網(wǎng)絡(luò)的思路為專利可轉(zhuǎn)讓性評(píng)價(jià)提供了方法支撐,而結(jié)合高階神經(jīng)元后,可以進(jìn)一步模擬專利的各項(xiàng)指標(biāo)與專利可轉(zhuǎn)讓性間復(fù)雜的非線性關(guān)系。本文將基于專利可轉(zhuǎn)讓性角度分析專利,選取與設(shè)計(jì)專利可轉(zhuǎn)讓性評(píng)價(jià)相關(guān)指標(biāo),建立適用于大規(guī)模數(shù)據(jù)的專利可轉(zhuǎn)讓性評(píng)價(jià)模型進(jìn)而評(píng)估專利價(jià)值,為后續(xù)智能化評(píng)估專利價(jià)值的研究提供參考。

        1 文獻(xiàn)回顧

        1.1專利價(jià)值評(píng)估與專利可轉(zhuǎn)讓性評(píng)價(jià)國(guó)內(nèi)外學(xué)者從不同角度開展專利價(jià)值評(píng)估研究。王浩[4]從勞動(dòng)價(jià)值論角度討論專利的價(jià)值和使用價(jià)值,提出專利價(jià)值的評(píng)價(jià)客體為專利的使用價(jià)值。Zhang等[2]從專利引證角度衡量專利價(jià)值,并選擇前向引用指標(biāo)評(píng)價(jià)專利價(jià)值。傳統(tǒng)的專利價(jià)值研究主要包括技術(shù)價(jià)值、法律價(jià)值、經(jīng)濟(jì)價(jià)值三個(gè)方面。Lanjouw等[5]實(shí)證評(píng)估計(jì)算機(jī)、制藥等四個(gè)技術(shù)領(lǐng)域的專利維持價(jià)值和潛在專利訴訟的法律保護(hù)價(jià)值。楊思思等[6]結(jié)合技術(shù)發(fā)展現(xiàn)狀和產(chǎn)業(yè)特點(diǎn),選取先進(jìn)性、成熟度等8類指標(biāo)評(píng)價(jià)特定專利的技術(shù)價(jià)值度。隨后又選取市場(chǎng)應(yīng)用情況、專利申請(qǐng)規(guī)模等7類指標(biāo)評(píng)價(jià)特定專利的經(jīng)濟(jì)價(jià)值度[7]。而Ko等[3]提出的專利可轉(zhuǎn)讓性是通過交易實(shí)現(xiàn)專利潛力的可能性,專利可轉(zhuǎn)讓性評(píng)價(jià)與上述研究有所區(qū)別。第一,專利可轉(zhuǎn)讓性評(píng)價(jià)是基于交易視角的二分類問題,即專利是否發(fā)生轉(zhuǎn)讓。第二,專利可轉(zhuǎn)讓性評(píng)價(jià)是基于可量化指標(biāo)的研究,克服傳統(tǒng)專利價(jià)值評(píng)估中指標(biāo)簡(jiǎn)易加權(quán)求和的不足。第三,專利可轉(zhuǎn)讓性評(píng)價(jià)能夠識(shí)別具有高可轉(zhuǎn)讓性的專利,側(cè)面評(píng)估專利價(jià)值和篩選可交易的高價(jià)值專利。

        1.2專利價(jià)值評(píng)估指標(biāo)與專利可轉(zhuǎn)讓性評(píng)價(jià)指標(biāo)國(guó)內(nèi)外專利價(jià)值評(píng)估體系主要包括以下幾種:a.專利價(jià)值度(Patent Value Degree,PVD)[8],包括法律、技術(shù)和經(jīng)濟(jì)三個(gè)維度,共18項(xiàng)指標(biāo)。b.CHI公司指標(biāo)體系。源于《華爾街日?qǐng)?bào)》的專利計(jì)分卡,包括質(zhì)量、數(shù)量、科學(xué)和速度四個(gè)維度,共6項(xiàng)指標(biāo)。c.IEEE專利實(shí)力計(jì)分卡??紤]數(shù)量和技術(shù)價(jià)值,包括5個(gè)指標(biāo)?,F(xiàn)有研究通過擴(kuò)展或改進(jìn)上述指標(biāo)體系評(píng)估專利價(jià)值,但存在以下不足:一方面,忽略指標(biāo)之間的復(fù)雜相關(guān)性,另一方面,部分指標(biāo)難以量化而不得不依靠主觀人為判斷,上述原因?qū)е略u(píng)價(jià)結(jié)果不理想。對(duì)于專利可轉(zhuǎn)讓性評(píng)價(jià)指標(biāo),Ko等基于國(guó)際專利分類號(hào)(IPC)衍生出三項(xiàng)新指標(biāo),即IPC規(guī)模、IPC活動(dòng)和IPC申請(qǐng)人,分別定義為相關(guān)IPC的專利總數(shù)、過去5年的專利數(shù)量和申請(qǐng)者數(shù)量[3]。然而,上述研究的評(píng)價(jià)指標(biāo)存在一定局限:一是根據(jù)專利自身屬性選取的指標(biāo)較少,二是未考慮專利權(quán)人特征。因此,本文基于專利價(jià)值評(píng)估指標(biāo),從技術(shù)和法律兩個(gè)維度選取專利可轉(zhuǎn)讓性評(píng)價(jià)內(nèi)部指標(biāo),基于交易視角中專利權(quán)人特征設(shè)計(jì)專利可轉(zhuǎn)讓性評(píng)價(jià)外部指標(biāo),全面客觀地開展評(píng)價(jià),為后續(xù)模型建立奠定基礎(chǔ)。

        1.3專利價(jià)值評(píng)估與專利可轉(zhuǎn)讓性評(píng)價(jià)方法國(guó)內(nèi)外學(xué)者采用多種方法評(píng)估專利價(jià)值,包括層次分析法、模糊綜合評(píng)價(jià)法、灰色關(guān)聯(lián)分析等[9-10]。但上述方法難以應(yīng)用于大規(guī)模數(shù)據(jù),需要探索更為智能化的方法。隨著大數(shù)據(jù)分析方法的興起,許多學(xué)者利用機(jī)器學(xué)習(xí)方法分析評(píng)價(jià)專利,如協(xié)同過濾[11]、支持向量機(jī)[12]等。近來(lái),深度神經(jīng)網(wǎng)絡(luò)(DNN),即具有多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò),能夠提取更多高維特征而在處理復(fù)雜任務(wù)中表現(xiàn)出良好的性能[13]。由于專利可轉(zhuǎn)讓性評(píng)價(jià)指標(biāo)多樣且指標(biāo)間存在多種復(fù)雜相關(guān)性,奠定了本文采用DNN開展評(píng)價(jià)的方法基礎(chǔ)。高階神經(jīng)網(wǎng)絡(luò)(High-Order Neural Network)由Giles和Maxwell提出[14],包括求和神經(jīng)元和求積神經(jīng)元,具有收斂速度快、存儲(chǔ)能力強(qiáng)的優(yōu)點(diǎn),并且極大增強(qiáng)網(wǎng)絡(luò)處理非線性映射問題的能力。Nguyen[15]等提出一種新的高階神經(jīng)元用于泡沫混凝土抗壓強(qiáng)度預(yù)測(cè),結(jié)果表明高階模型性能優(yōu)于具有線性神經(jīng)元的人工神經(jīng)元網(wǎng)絡(luò)模型(C-ANN)。受上述方法啟發(fā),本文嘗試結(jié)合高階神經(jīng)元將深度神經(jīng)網(wǎng)絡(luò)方法用于專利可轉(zhuǎn)讓性評(píng)價(jià)并建立模型。

        綜上,本文從專利可轉(zhuǎn)讓性角度分析專利,基于專利價(jià)值評(píng)估指標(biāo),從技術(shù)和法律兩個(gè)維度選取專利可轉(zhuǎn)讓性評(píng)價(jià)內(nèi)部指標(biāo),基于交易視角中專利權(quán)人特征設(shè)計(jì)專利可轉(zhuǎn)讓性評(píng)價(jià)外部指標(biāo),結(jié)合高階神經(jīng)元將深度神經(jīng)網(wǎng)絡(luò)方法用于專利可轉(zhuǎn)讓性評(píng)價(jià)并建立模型,進(jìn)行專利價(jià)值評(píng)估并區(qū)分可交易的高價(jià)值專利,為后續(xù)智能化評(píng)估專利價(jià)值的研究提供參考。

        2 電子信息領(lǐng)域?qū)@赊D(zhuǎn)讓性評(píng)價(jià)指標(biāo)體系構(gòu)建

        近年來(lái),以計(jì)算機(jī)、通信、軟件產(chǎn)業(yè)為主的信息產(chǎn)業(yè)已經(jīng)成為國(guó)家經(jīng)濟(jì)支柱型產(chǎn)業(yè),因此,本文針對(duì)電子信息領(lǐng)域?qū)@_展可轉(zhuǎn)讓性評(píng)價(jià),構(gòu)建指標(biāo)體系原則如下:a.科學(xué)性。將可轉(zhuǎn)讓性評(píng)價(jià)指標(biāo)體系分為內(nèi)部和外部指標(biāo),并劃分不同維度來(lái)細(xì)分。b.可行性。盡量選取可量化指標(biāo),保證評(píng)價(jià)過程的可計(jì)算性。

        本文基于專利價(jià)值評(píng)估指標(biāo),從技術(shù)和法律兩個(gè)維度選取專利可轉(zhuǎn)讓性評(píng)價(jià)內(nèi)部指標(biāo)。由于專利所屬外部環(huán)境的特征對(duì)專利交易活動(dòng)具有重要意義,僅考慮專利自身屬性的內(nèi)部指標(biāo)無(wú)法體現(xiàn)專利技術(shù)環(huán)境的特點(diǎn),因此,基于交易視角中專利權(quán)人特征設(shè)計(jì)專利可轉(zhuǎn)讓性評(píng)價(jià)外部指標(biāo)。

        2.1專利可轉(zhuǎn)讓性評(píng)價(jià)內(nèi)部指標(biāo)選取專利可轉(zhuǎn)讓性評(píng)價(jià)內(nèi)部指標(biāo)如下:

        2.1.1 專利技術(shù)價(jià)值源于專利技術(shù)自身的性能 技術(shù)維度指標(biāo)選取如下:a.技術(shù)新穎性。指該專利相比其他專利具有技術(shù)優(yōu)勢(shì),本文基于專利摘要相似度測(cè)度專利技術(shù)新穎度[16]。b.科學(xué)關(guān)聯(lián)度[17]。指專利技術(shù)與科技發(fā)展的關(guān)聯(lián)程度,通過專利引用科技文獻(xiàn)的數(shù)量表示。c.技術(shù)覆蓋范圍[18]。指專利所涉及的技術(shù)領(lǐng)域,通過國(guó)際專利分類號(hào)(IPC)的數(shù)量表示。d.技術(shù)影響力[19]。反映專利在該技術(shù)領(lǐng)域受重視程度,通過被引證次數(shù)表示。e.發(fā)明人數(shù)量[20]。反映專利的創(chuàng)造水平。f.申請(qǐng)人數(shù)量[21]。反映專利申請(qǐng)的復(fù)雜性。

        2.1.2 專利法律價(jià)值源于專利法律制度的保護(hù) 法律維度指標(biāo)選取如下:a.專利保護(hù)范圍[22]。反映申請(qǐng)人的技術(shù)創(chuàng)新能力,通過權(quán)利要求數(shù)量表示。b.專利文件質(zhì)量[23]。一般指專利文件的詳細(xì)程度,本文采用專利說(shuō)明書頁(yè)數(shù)表示。c.同族專利數(shù)量[24]。由至少一個(gè)共同優(yōu)先權(quán)聯(lián)系的一組專利文獻(xiàn),稱一個(gè)專利族(Patent Family),同一專利族中每件專利互為同族專利。d.專利涉及訴訟情況[25]。采用專利訴訟當(dāng)事人、復(fù)審請(qǐng)求人、無(wú)效請(qǐng)求人的統(tǒng)計(jì)數(shù)量表示。

        2.2專利可轉(zhuǎn)讓性評(píng)價(jià)外部指標(biāo)設(shè)計(jì)專利可轉(zhuǎn)讓性評(píng)價(jià)外部指標(biāo)如下:

        2.2.1 專利權(quán)人類型 通過對(duì)電子信息領(lǐng)域?qū)@灰字黧w分析發(fā)現(xiàn),企業(yè)間交易是專利交易的主要形式,高校及科研院所專利技術(shù)交易行為較少。由于企業(yè)專利轉(zhuǎn)化能力更強(qiáng),轉(zhuǎn)化條件完善,更易實(shí)現(xiàn)專利商用化[26]。該指標(biāo)計(jì)算方式為:分別將企業(yè)、高校、科研院所、個(gè)人的專利轉(zhuǎn)化能力得分記為3,2,2,1。

        2.2.2 專利權(quán)人能力 從企業(yè)規(guī)模看,大型企業(yè)擔(dān)當(dāng)新技術(shù)傳播者的角色,承擔(dān)著新發(fā)明商業(yè)化的風(fēng)險(xiǎn)[27],其專利可轉(zhuǎn)讓性高于小型企業(yè)。該指標(biāo)計(jì)算方式為:分別將大型企業(yè)和小型企業(yè)的實(shí)力得分記為2,1;分別將985高校和其他高校實(shí)力得分記為2,1。

        2.2.3 專利權(quán)人-IPC競(jìng)爭(zhēng)力 由于電子信息領(lǐng)域技術(shù)更新迅速,專利對(duì)企業(yè)競(jìng)爭(zhēng)發(fā)揮關(guān)鍵作用,具有更強(qiáng)競(jìng)爭(zhēng)力的專利可轉(zhuǎn)讓性更高。為了體現(xiàn)專利在該技術(shù)領(lǐng)域的競(jìng)爭(zhēng)強(qiáng)度及專利權(quán)人在該技術(shù)領(lǐng)域的競(jìng)爭(zhēng)水平[28],設(shè)計(jì)兩個(gè)專利權(quán)人-IPC競(jìng)爭(zhēng)力指標(biāo):專利權(quán)人-IPC種類數(shù)量,即專利權(quán)人擁有專利IPC種類的個(gè)數(shù);專利權(quán)人-IPC數(shù)量,即專利權(quán)人擁有專利IPC的個(gè)數(shù)。

        綜上,選取設(shè)計(jì)電子信息領(lǐng)域?qū)@赊D(zhuǎn)讓性評(píng)價(jià)指標(biāo)共14個(gè),如表1所示。

        表1 電子信息領(lǐng)域?qū)@赊D(zhuǎn)讓性評(píng)價(jià)指標(biāo)

        3 專利可轉(zhuǎn)讓性評(píng)價(jià)(HO-DNN-PTE)模型

        3.1HO-DNN-PTE模型建立模型的單個(gè)神經(jīng)元結(jié)構(gòu)如圖1所示。

        圖1 模型單個(gè)神經(jīng)元結(jié)構(gòu)

        第l層加權(quán)輸入替換輸入向量和可訓(xùn)練參數(shù)的匹配加權(quán)向量的內(nèi)積,如式(1)所示,從而將一階神經(jīng)元升為高階,增強(qiáng)單個(gè)神經(jīng)元能力,優(yōu)化神經(jīng)網(wǎng)絡(luò)。σ1、σ2、σ3為激活函數(shù),解釋輸入激活的組件間的非線性關(guān)系進(jìn)而建立復(fù)雜模型。

        (1)

        為解決神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)減速問題,選擇交叉熵(Cross-entropy)函數(shù)作為損失函數(shù),如式(2)所示。

        (2)

        模型最后一層L的誤差如式(3)所示。

        (3)

        為了加快收斂速度,模型使用tanh作為激活函數(shù)如式(4)所示。

        (4)

        由于tanh函數(shù)輸出小于0,ReLU不適用于最后一層L的激活函數(shù),因此,選擇sigmoid做二分類輸出效果較好,如式(5)所示。

        (5)

        為提高計(jì)算效率,使用Adam優(yōu)化器優(yōu)化梯度下降法訓(xùn)練所提出的模型。當(dāng)循環(huán)訓(xùn)練數(shù)據(jù)后,一輪訓(xùn)練過程完成,并以新一輪開始,當(dāng)達(dá)到預(yù)定的最大次數(shù)時(shí),模型的訓(xùn)練過程完成。

        3.2模型性能評(píng)價(jià)采用accuracy、precision、recall和F1共4個(gè)指標(biāo)評(píng)估模型性能,計(jì)算方法如下:

        其中,M表示測(cè)試集中預(yù)測(cè)結(jié)果正確的數(shù)目,N表示測(cè)試集總數(shù)目,Mp表示發(fā)生轉(zhuǎn)讓的專利中被預(yù)測(cè)正確的數(shù)目,Np表示預(yù)測(cè)可能發(fā)生轉(zhuǎn)讓的數(shù)目,Nc表示實(shí)際發(fā)生過轉(zhuǎn)讓的數(shù)目。

        4 實(shí)證研究

        4.1數(shù)據(jù)來(lái)源及處理基于IncoPat專利數(shù)據(jù)庫(kù)檢索2014-2018年中國(guó)電子信息領(lǐng)域有效發(fā)明授權(quán)專利數(shù)據(jù),共檢索到專利42 790個(gè)。在此專利集合中,統(tǒng)計(jì)發(fā)生轉(zhuǎn)讓的專利共5 780個(gè)。為避免數(shù)據(jù)集中分布不平衡,對(duì)未發(fā)生轉(zhuǎn)讓的專利樣本進(jìn)行欠采樣,隨機(jī)去掉樣本,最后篩選得到10 937個(gè)發(fā)明專利為數(shù)據(jù)集。使用python處理數(shù)據(jù),過程如下:

        a.轉(zhuǎn)讓記錄拆分:根據(jù)專利庫(kù)中唯一標(biāo)識(shí)碼“公開號(hào)”,對(duì)單次轉(zhuǎn)讓記錄中多主體進(jìn)行拆分,得到專利轉(zhuǎn)受讓人一一對(duì)應(yīng)的關(guān)系。

        b.專利技術(shù)新穎度計(jì)算:使用gensim庫(kù)對(duì)專利摘要計(jì)算專利相似度,并計(jì)算相似水平為0.2的技術(shù)新穎度。

        c.專利權(quán)人拆分與識(shí)別:根據(jù)專利庫(kù)中唯一標(biāo)識(shí)碼“公開號(hào)”,拆分多個(gè)專利權(quán)人,并利用模糊匹配結(jié)合人工篩選的方式分別識(shí)別各專利權(quán)人類型和實(shí)力并賦值,最后將每個(gè)專利的專利權(quán)人類型和實(shí)力分別合并。

        d.專利權(quán)人-IPC對(duì)應(yīng):取專利IPC號(hào)的前四類作為分類標(biāo)識(shí),統(tǒng)計(jì)專利權(quán)人的全部專利涉及的IPC數(shù)量及IPC種類數(shù)量,并同當(dāng)前專利匹配,最后將IPC數(shù)量及IPC種類數(shù)量分別合并。

        e.統(tǒng)計(jì)其他指標(biāo):分別統(tǒng)計(jì)每個(gè)專利引用科技文獻(xiàn)的數(shù)量、IPC的數(shù)量、被引證次數(shù)、發(fā)明人數(shù)量、申請(qǐng)人數(shù)量、權(quán)利要求數(shù)量、說(shuō)明書頁(yè)數(shù)、同族專利數(shù)量、訴訟當(dāng)事人、復(fù)審請(qǐng)求人、無(wú)效請(qǐng)求人的數(shù)量。

        將上述處理后得到的14個(gè)指標(biāo)用下式進(jìn)行標(biāo)準(zhǔn)化處理:

        (6)

        4.2HO-DNN-PTE模型參數(shù)設(shè)計(jì)將處理后的數(shù)據(jù)集隨機(jī)劃分75%為訓(xùn)練集,25%為測(cè)試集?;诟唠A神經(jīng)元的深度神經(jīng)網(wǎng)絡(luò)的專利可轉(zhuǎn)讓性評(píng)價(jià)模型輸入層維度為14,即上述14個(gè)指標(biāo),隱含層為四層,每層神經(jīng)元個(gè)數(shù)為30,通過試錯(cuò)法確定。輸出層維度為1,即專利轉(zhuǎn)讓。模型參數(shù)設(shè)計(jì)如表2所示。

        表2 HO-DNN-PTE模型參數(shù)

        圖2 不同學(xué)習(xí)率下訓(xùn)練集預(yù)測(cè)精度的變化曲線

        不斷調(diào)整學(xué)習(xí)率,不同學(xué)習(xí)率下訓(xùn)練集預(yù)測(cè)精度的變化曲線如圖2所示。由圖2可得,學(xué)習(xí)率為0.01時(shí),訓(xùn)練集預(yù)測(cè)精度最高,適用于本文所提出的專利可轉(zhuǎn)讓性評(píng)價(jià)模型,因此,采用0.01的學(xué)習(xí)率訓(xùn)練模型。

        4.3HO-DNN-PTE模型性能評(píng)價(jià)根據(jù)3.2節(jié)公式評(píng)價(jià)模型性能,為檢驗(yàn)方法的穩(wěn)健性,隨機(jī)進(jìn)行5折交叉驗(yàn)證,重復(fù)訓(xùn)練測(cè)試過程并計(jì)算測(cè)試集中的平均性能,并與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)方法和僅使用高階神經(jīng)元的方法作對(duì)比,如表3所示。

        表3 模型精度對(duì)比

        通過表3可得,HO-PTE及HO-DNN-PTE模型精度均高于BP-PTE,說(shuō)明使用高階神經(jīng)元評(píng)價(jià)專利可轉(zhuǎn)讓性的方法具有可行性。其中,HO-DNN-PTE性能最好,準(zhǔn)確率比BP-PTE提高4.67%,比HO-PTE提高1.68%。HO-DNN-PTE的精確率和召回率均較高,考慮精確率和召回率的綜合指標(biāo)F1,HO-DNN-PTE的效果最佳,達(dá)到86.72%,驗(yàn)證了模型具有效性且穩(wěn)健性較好。

        4.4HO-DNN-PTE模型結(jié)果分析為了驗(yàn)證HO-DNN-PTE模型在大規(guī)模專利可轉(zhuǎn)讓性評(píng)價(jià)中的適用性,隨機(jī)評(píng)估42 484個(gè)專利,以模型輸出概率將專利劃分為A、B、C三個(gè)級(jí)別,并確定實(shí)際轉(zhuǎn)讓專利的百分比如表4所示。

        表4 專利級(jí)別及轉(zhuǎn)讓率

        由表4可得,A級(jí)別專利轉(zhuǎn)讓率最高,其次是B級(jí)別,C級(jí)別最低。上述結(jié)果說(shuō)明模型能夠識(shí)別具有高可轉(zhuǎn)讓性的專利,評(píng)價(jià)級(jí)別越高,實(shí)際轉(zhuǎn)讓專利的比例越高,即高價(jià)值專利更易交易。其中:10 069項(xiàng)A級(jí)別專利實(shí)際轉(zhuǎn)讓2 766項(xiàng),專利轉(zhuǎn)讓率為27.47%。由于個(gè)別企業(yè)并不轉(zhuǎn)讓這類優(yōu)勢(shì)技術(shù),而是將其用于研發(fā),表明該模型能夠區(qū)分通過交易實(shí)現(xiàn)價(jià)值的潛在專利,有助于企業(yè)監(jiān)測(cè)專利潛力,進(jìn)而將其實(shí)際應(yīng)用于企業(yè)專利戰(zhàn)略。

        5 研究結(jié)論

        專利作為一種知識(shí)產(chǎn)權(quán),蘊(yùn)含豐富的信息,本文從專利可轉(zhuǎn)讓性角度分析專利,基于專利價(jià)值評(píng)估指標(biāo),從技術(shù)和法律兩個(gè)維度選取專利可轉(zhuǎn)讓性評(píng)價(jià)內(nèi)部指標(biāo),基于交易視角中專利權(quán)人特征設(shè)計(jì)專利可轉(zhuǎn)讓性評(píng)價(jià)外部指標(biāo),針對(duì)電子信息領(lǐng)域?qū)@麛?shù)據(jù),將結(jié)合高階神經(jīng)元的深度神經(jīng)網(wǎng)絡(luò)方法用于專利可轉(zhuǎn)讓性評(píng)價(jià)并建立模型(HO-DNN-PTE),實(shí)際應(yīng)用于大規(guī)模專利可轉(zhuǎn)讓性評(píng)價(jià)。本研究具有以下三個(gè)優(yōu)點(diǎn):

        第一,從專利可轉(zhuǎn)讓性角度分析專利,基于專利價(jià)值評(píng)估指標(biāo)及交易視角中專利權(quán)人特征劃分內(nèi)外部指標(biāo),且選取設(shè)計(jì)的指標(biāo)均可量化,從而全面客觀地開展評(píng)價(jià),為模型建立奠定基礎(chǔ)。

        第二,專利可轉(zhuǎn)讓性評(píng)價(jià)模型(HO-DNN-PTE)準(zhǔn)確率為84.90%,F(xiàn)1值達(dá)到86.72%,相比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)方法和僅使用高階神經(jīng)元的方法性能較好,驗(yàn)證了模型的有效性。

        第三,與傳統(tǒng)的評(píng)價(jià)模型相比,本文提出的智能化專利評(píng)價(jià)模型在大規(guī)模專利可轉(zhuǎn)讓性評(píng)價(jià)實(shí)際應(yīng)用中具有適用性,能夠區(qū)分通過交易實(shí)現(xiàn)價(jià)值的潛在專利,為企業(yè)監(jiān)測(cè)專利潛力、構(gòu)建專利戰(zhàn)略提供有效方法。

        研究也存在一些不足:專利可轉(zhuǎn)讓性評(píng)價(jià)指標(biāo)影響模型復(fù)雜度及計(jì)算時(shí)間,因此指標(biāo)的選取設(shè)計(jì)有待進(jìn)一步完善;模型通過試錯(cuò)法確定個(gè)別參數(shù),因此模型性能有待進(jìn)一步提高。未來(lái)可以利用更多有效專利信息,有機(jī)融合多種評(píng)價(jià)方法,提高專利可轉(zhuǎn)讓性評(píng)價(jià)的準(zhǔn)確性。

        猜你喜歡
        價(jià)值評(píng)價(jià)模型
        一半模型
        SBR改性瀝青的穩(wěn)定性評(píng)價(jià)
        石油瀝青(2021年4期)2021-10-14 08:50:44
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        一粒米的價(jià)值
        “給”的價(jià)值
        3D打印中的模型分割與打包
        基于Moodle的學(xué)習(xí)評(píng)價(jià)
        保加利亞轉(zhuǎn)軌20年評(píng)價(jià)
        多維度巧設(shè)聽課評(píng)價(jià)表 促進(jìn)聽評(píng)課的務(wù)實(shí)有效
        體育師友(2012年4期)2012-03-20 15:30:10

        中文字幕乱码日本亚洲一区二区 | 好看的欧美熟妇www在线| 青青青爽国产在线视频| 69搡老女人老妇女老熟妇 | 99久久精品费精品国产一区二区| 亚洲AV激情一区二区二三区| 国产啪啪视频在线观看| 久久久精品视频网站在线观看| 成人免费777777被爆出| 国产在线不卡AV观看| 日韩av一区二区三区在线观看| 强d漂亮少妇高潮在线观看| 日本中文字幕乱码中文乱码| 人妻精品久久久久中文字幕69| 日日碰狠狠丁香久燥| 国产自精品在线| 五月激情四射开心久久久| 香蕉免费一区二区三区| 亚洲国产无线乱码在线观看 | 天堂影院一区二区三区四区| 欧美精品v欧洲高清| 国产成人精品一区二区三区av | 欧美一级三级在线观看| 国产精品专区一区二区av免费看| 中文字幕亚洲一区二区不下| 欧美黑吊大战白妞| 国产美女一级做a爱视频| 亚洲永久精品日韩成人av| 国产成人精品2021| 久久亚洲国产精品成人av秋霞| 亚洲日本视频一区二区三区| 一区二区三区在线乱码| 成 人片 黄 色 大 片| 中文字幕无码不卡免费视频| 网友自拍人妻一区二区三区三州| 偷拍美女上厕所一区二区三区| 无码av中文一区二区三区| 久久中文字幕人妻熟av女蜜柚m| 亚洲午夜无码AV不卡| 中文字幕一区二区三区6| 国产精品一区二区av麻豆|