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
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
一半模型童話王國(guó)·奇妙邏輯推理(2024年5期)2024-06-19 16:03:38 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』中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2020年10期)2020-11-26 08:24:50 重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布數(shù)學(xué)物理學(xué)報(bào)(2020年2期)2020-06-02 11:29:24 一粒米的價(jià)值文理導(dǎo)航·科普童話(2016年7期)2017-02-04 15:09:20 “給”的價(jià)值小天使·四年級(jí)語(yǔ)數(shù)英綜合(2016年11期)2016-11-29 22:37:30 3D打印中的模型分割與打包光學(xué)精密工程(2016年6期)2016-11-07 09:07:19 基于Moodle的學(xué)習(xí)評(píng)價(jià)中國(guó)教育技術(shù)裝備(2015年19期)2015-03-01 02:43:07 保加利亞轉(zhuǎn)軌20年評(píng)價(jià)俄羅斯問題研究(2012年1期)2012-03-25 09:54:51 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
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
童話王國(guó)·奇妙邏輯推理(2024年5期)2024-06-19 16:03:38
石油瀝青(2021年4期)2021-10-14 08:50:44
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2020年10期)2020-11-26 08:24:50
數(shù)學(xué)物理學(xué)報(bào)(2020年2期)2020-06-02 11:29:24
文理導(dǎo)航·科普童話(2016年7期)2017-02-04 15:09:20
小天使·四年級(jí)語(yǔ)數(shù)英綜合(2016年11期)2016-11-29 22:37:30
光學(xué)精密工程(2016年6期)2016-11-07 09:07:19
中國(guó)教育技術(shù)裝備(2015年19期)2015-03-01 02:43:07
俄羅斯問題研究(2012年1期)2012-03-25 09:54:51
體育師友(2012年4期)2012-03-20 15:30:10
