盧志平 唐健廷

（1.廣西科技大學(xué)經(jīng)濟(jì)與管理學(xué)院 柳州 545006）（2.廣西工業(yè)高質(zhì)量發(fā)展研究中心 柳州 545006）

1 引言

國家將2025 年每萬人口擁有高價值發(fā)明專利12 件的預(yù)期目標(biāo)作為一項政策指標(biāo)，寫入了“十四五”規(guī)劃和2035年遠(yuǎn)景目標(biāo)綱要中［1］。而高價值專利體現(xiàn)在專利的質(zhì)量上，表現(xiàn)為專利的各個維度的價值［2］。因此圍繞專利進(jìn)行質(zhì)量評估，是篩選高價值專利的一個關(guān)鍵。

由于專利質(zhì)量與專利市場價值存在區(qū)別，導(dǎo)致傳統(tǒng)的專利評估方法并不適用于專利質(zhì)量評估，因此不少國內(nèi)外學(xué)者就專利質(zhì)量的評估方法進(jìn)行了研究。對專利質(zhì)量的評估指標(biāo)進(jìn)行約減，降低復(fù)雜度［3］；采用FANP 法對企業(yè)對專利組合的質(zhì)量進(jìn)行評估［4］；通過文獻(xiàn)計量分析的方式，對高校中鋰電池領(lǐng)域?qū)＠|(zhì)量進(jìn)行評估［5］。通過對專利的投資組合價值指數(shù)進(jìn)行計算，來評估專利的質(zhì)量［6］。而對大量的專利同時進(jìn)行評估時，常用到機(jī)器學(xué)習(xí)的方法。通過對機(jī)器學(xué)習(xí)方法中不同的評估模型進(jìn)行比較，神經(jīng)網(wǎng)絡(luò)模型獲得較好的實驗效果［7～8］。而神經(jīng)網(wǎng)絡(luò)模型本身存在著收斂速度慢，算法不完備的局限性。因此有學(xué)者先對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，進(jìn)而對專利的質(zhì)量進(jìn)行評估分析［9～10］。

綜上所述，由于機(jī)器學(xué)習(xí)的特點，可以有效節(jié)省了人為評估的費用成本和時間成本，同時也克服了主觀性因素的存在。但是這類方法在對專利進(jìn)行質(zhì)量評估時存在容易陷入局部最優(yōu)和收斂速度慢的局限性，因此，本文先用CRITIC—熵權(quán)法對指標(biāo)進(jìn)行篩選，并約減指標(biāo)，避免冗余。并運用Logistic混沌結(jié)合的麻雀搜索算法去優(yōu)化BP神經(jīng)網(wǎng)絡(luò)中收斂速度慢的局限性。該模型可以篩選出高價值的專利，為高?；蛘咂髽I(yè)的專利交易選擇提供決策支持。

2 專利評估指標(biāo)體系選擇

早期學(xué)者對于專利質(zhì)量價值評估的研究很多都是參考《專利價值分析指標(biāo)體系操作手冊》［11］，但這本手冊里面給出的指標(biāo)很多都是涉及了定性分析，難以量化。本文通過相關(guān)文獻(xiàn)梳理［2］和咨詢專家的意見，構(gòu)建了一種可定量評估專利質(zhì)量的指標(biāo)體系。

3 專利質(zhì)量評估模型構(gòu)建

3.1 CRITIC—熵權(quán)法的組合權(quán)重模型

CRITIC 法可以體現(xiàn)指標(biāo)間的沖突性，而熵權(quán)法則可以衡量指標(biāo)之間的離散程度。兩種方法結(jié)合可以使得指標(biāo)權(quán)重結(jié)果更加合理［12］。因此，本文使用CRITIC—熵權(quán)法去計算各個指標(biāo)的客觀權(quán)重，其計算步驟如下。

1）首先對專利特征指標(biāo)進(jìn)行無量綱化處理，由此得到標(biāo)準(zhǔn)矩陣X*如式（1）所示。

2）由標(biāo)準(zhǔn)矩陣X*通過式（2）和式（3）計算得到標(biāo)準(zhǔn)差σj與指標(biāo)間的相關(guān)系數(shù)ρij。

3）計算各指標(biāo)所含的信息量Gj和客觀權(quán)重w1，其中，Gj為指標(biāo)j與另外各指標(biāo)沖突性的量化指標(biāo)。Gj越大，表示指標(biāo)j權(quán)重越大。

最后，客觀權(quán)重w1的計算方式如式（5）所示。

4）通過式（6）計算樣本i出現(xiàn)指標(biāo)j的概率pij，通過式（7）計算j項指標(biāo)的熵值ej。

5）通過式（8）計算出第j項指標(biāo)的熵權(quán)w2。

6）根據(jù)專家組所討論的意見，系數(shù)β取值為0.5，并通過式（9）計算綜合權(quán)重wj。

3.2 混沌優(yōu)化的麻雀搜索算法（CSSA）

麻雀搜索算法（SSA）是通過模擬麻雀覓食并逃避捕食者的行為而提出來的一種群智能算法，該算法的收斂速度較快，局部搜索能力也較強，但全局的搜索能力較弱，也容易陷入局部最優(yōu)而無法跳出［13］。因此，選擇Logistic 混沌序列對麻雀種群進(jìn)行初始化，提高初始解的質(zhì)量，增強算法的全局搜索能力。

3.2.1 SSA算法主要實現(xiàn)步驟

1）對SSA 算法的參數(shù)進(jìn)行初始化，包括麻雀的種群規(guī)模在N，發(fā)現(xiàn)者數(shù)量PN以及跟隨者數(shù)量N-PN，偵查者數(shù)量SN，迭代次數(shù)最大為itermax，搜索維數(shù)D，麻雀的初始位置定義為xi=表示個體i的適應(yīng)度。

2）更新種群中發(fā)現(xiàn)者的位置信息，位置更新如式（10）所示：

3）更新跟隨者的位置，位置更新如式（11）所示：

4）在每一次迭代發(fā)生后，隨機(jī)選擇SN個個體進(jìn)行偵察預(yù)警行為。位置更新公式如下：

β為符合標(biāo)準(zhǔn)整體分布的隨機(jī)數(shù)，xw和xb為最優(yōu)、最差個體位置，當(dāng)適應(yīng)度fi=fg時，個體向附近位置移動；當(dāng)fi≠fg時，個體向當(dāng)前最優(yōu)位置移動，其值收斂于最優(yōu)位置。

3.2.2 Logistic映射

Logistic 混沌映射具有長期不可預(yù)測性，其產(chǎn)生的序列{xn,n=0,1,2,3…}是非周期性、且存在發(fā)散的數(shù)列，并且初始值表現(xiàn)十分敏感。Logistic映射的方程式如（13）所示：

其中，參數(shù)μ(0,4],xn(0,1)，當(dāng)3.5699…<μ≤4時，Logistic映射呈混沌狀態(tài)。

3.2.3 混沌優(yōu)化的SSA算法

SSA 算法中加入Logistic 混沌優(yōu)化，增加種群的多樣性，通過混沌擾動避免搜索個體陷入局部最優(yōu)的限制，使算法持續(xù)進(jìn)行全局搜索。其流程如圖1所示。

圖1 CSSA算法流程圖

1）應(yīng)用Logistic 映射生成的混沌序列對算法的參數(shù)進(jìn)行初始化，包括麻雀的種群規(guī)模N，最大迭代次數(shù)itermax，搜索空間維數(shù)D，并生成N個D維向量。

2）通過式（13）對麻雀種群的個體的D個維度進(jìn)行迭代，并用式（14）將Logistics 映射產(chǎn)生的變量值映射到個體上，其中l(wèi)b和ub分別為維度的上邊界和下邊界。

3）計算i個個體的適應(yīng)度fi，以及記錄所在的位置d，并根據(jù)個體適應(yīng)優(yōu)劣進(jìn)行排序。

4）將適應(yīng)度前70%的個體作為發(fā)現(xiàn)者，剩下的30%則為跟隨者，根據(jù)式（10）和式（11）更新發(fā)現(xiàn)者和跟隨者的位置。

5）從種群中隨機(jī)選取20%的個體作為偵查者，并根據(jù)式（12）更新其位置。

6）當(dāng)搜索陷入局部最優(yōu)時，產(chǎn)生混沌序列對個體進(jìn)行混沌擾動。如式（15）所示：

7）重新更新種群中個體的適應(yīng)度和其位置。

8）判斷算法運行是否達(dá)到最大迭代次數(shù)或者求解精度，進(jìn)而執(zhí)行結(jié)果輸出或返回4）。

3.3 CSSA優(yōu)化的神經(jīng)網(wǎng)絡(luò)（CSSA—BPNN）

為了解決BPNN 容易陷入局部最優(yōu)，收斂速度慢的局限性。本文將CSSA 與BPNN 結(jié)合，通過CS?SA算法中的搜索能力較強的特點，對BPNN模型進(jìn)行優(yōu)化。步驟如下：

1）通過CSSA 算法的尋優(yōu)結(jié)果，計算得到最優(yōu)的初始權(quán)值和閾值，并導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)。

2）將模型的輸出值與訓(xùn)練的專利樣本中實際的期望值進(jìn)行誤差計算，如式（16）所示：

3）若該模型誤差未達(dá)到初始時設(shè)定的誤差，則該網(wǎng)絡(luò)模型將所計算得到的誤差向前反饋，重新調(diào)整神經(jīng)元之間連接的權(quán)值和修正閾值參數(shù)。其中權(quán)值的調(diào)整為μi+γΔμi，γ是學(xué)習(xí)率(0<γ<1)，控制算法的更新速度，Δμi是負(fù)梯度方向。

CSSA—BPNN 模型經(jīng)過反復(fù)地調(diào)整連接權(quán)和修正閾值，最后使得訓(xùn)練誤差達(dá)到所設(shè)定的數(shù)值或者誤差前饋次數(shù)達(dá)到最大，則停止訓(xùn)練，并保存訓(xùn)練完成的預(yù)測模型。

3.4 專利質(zhì)量分類結(jié)果評價

本文采用準(zhǔn)確率（accuracy）、精確率（preci?sion）、召回率（recall）和F1 值共4 個指標(biāo)對分類結(jié)果進(jìn)行評價，如式（18）和（19）所示，其中，M為分類正確的樣本個數(shù)，N為樣本總數(shù)，MP為預(yù)測正確的正例數(shù)，NP為預(yù)測為正例的數(shù)，Nc表示實際正例數(shù)。

4 實證分析

2021 年中國汽車專利的公開量總共為32 萬件，同比增長4.2%，持續(xù)保持穩(wěn)步增長態(tài)勢。發(fā)明專利授權(quán)量為8.4 萬件，同比大幅增長23.3%?？梢钥闯鲋袊嚨膶＠谏暾埡褪跈?quán)的數(shù)量上持續(xù)提升。也反映出汽車產(chǎn)業(yè)已在專利密集型產(chǎn)業(yè)中占據(jù)了一席之地［14］。同時，新能源汽車產(chǎn)業(yè)作為政府扶持的戰(zhàn)略新興產(chǎn)業(yè)，其產(chǎn)出的專利更具戰(zhàn)略性意義。因此，本文以新能源汽車領(lǐng)域的專利為評估對象，對CSSA-BPNN評估模型的性能進(jìn)行測試。

4.1 專利樣本獲取

本文從incoPat 專利數(shù)據(jù)庫獲取研究需要的數(shù)據(jù)。根據(jù)表1 的指標(biāo)體系，下載了15 個特征指標(biāo)。首先，考慮到專利技術(shù)生命周期的存在，因此選擇了2011 年-2021 年這十年授權(quán)的新能源汽車領(lǐng)域的專利。由于在incoPat 專利數(shù)據(jù)庫中，發(fā)明授權(quán)專利最低價值度為2，最高價值度為10；因此將價值度2～4標(biāo)記為為低價值專利，賦值為0，將價值度5～7 標(biāo)記為普通價值專利賦值為0.5，將價值度8～10 標(biāo)記為高價值專利賦值為1。在三個等級的專利中各隨機(jī)抽取了1000 條數(shù)據(jù)信息，共3000 件專利去構(gòu)建專利指標(biāo)數(shù)據(jù)庫。選擇其中90%為訓(xùn)練集，10%作為測試集，分別用于之后模型的訓(xùn)練和測試。

表1 專利質(zhì)量評價體系

4.2 CRITIC—熵權(quán)法提取重要指標(biāo)

專利評估的過程中所涉及的特征指標(biāo)較多，各個指標(biāo)之間存在著相互關(guān)聯(lián)，為了避免模型在訓(xùn)練學(xué)習(xí)的過程中出現(xiàn)過度擬合，因此需要對特征指標(biāo)進(jìn)行約減，降低模型的復(fù)雜程度［15］。本文采用CRITIC—熵權(quán)法對指標(biāo)評估權(quán)重，約減權(quán)重低的指標(biāo)，保留重要的指標(biāo)并將其輸入到神經(jīng)網(wǎng)絡(luò)模型中。根據(jù)收集得到3000 條專利樣本形成一個指標(biāo)矩陣R，通過3.1 節(jié)的計算步驟，得到各個指標(biāo)的權(quán)重，如表2所示。

對表2 中指標(biāo)的權(quán)重進(jìn)行排序，并將權(quán)重小于0.04 的指標(biāo)作為數(shù)據(jù)噪聲剔除，剩下10 個重要指標(biāo)（C1，C2，C3，C4，C6，C9，C11，C12，C13，C15），這些指標(biāo)占總體權(quán)重的84.5%。

表2 特征指標(biāo)權(quán)重

4.3 模型結(jié)果分析

為驗證模型在專利質(zhì)量評估方面的效果，將專利樣本數(shù)據(jù)輸入到CSSA—BPNN 模型、GA—BPNN模型、PSO—BPNN 和BPNN 模型中進(jìn)行測試和對比，其中初始種群數(shù)量為20，迭代次數(shù)為500，神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元個數(shù)為10，預(yù)設(shè)誤差為0.001；分類結(jié)果如圖2 所示，并通過式（18）和式（19）計算評價模型性能的4 個指標(biāo)，其中X 軸表示專利樣本的統(tǒng)計項數(shù)，Y 軸表述為價值度。結(jié)果如表3所示。

圖2 四種模型結(jié)果

通過表3 可以知道，四類模型的各項指標(biāo)均大于0.75，而且三種經(jīng)過算法優(yōu)化的BPNN 模型的各項性能指標(biāo)均優(yōu)于未經(jīng)優(yōu)化的BPNN 模型。其中，CSSA—BPNN 模型的性能最優(yōu)，在準(zhǔn)確率和精確率方面比BPNN 模型高0.04，在在召回率和F1 值上面，CSSA—BPNN 模型也是最高，達(dá)到了0.819 和0.808。證明了該模型的有效性和穩(wěn)健性較好。因此，利用CSSA—BPNN模型對專利質(zhì)量進(jìn)行評估是可行的。

表3 模型性能指標(biāo)對比

并對三種算法進(jìn)行500 次迭代，其迭代收斂圖和結(jié)果如圖3和表4所示。

圖3 三種算法迭代對比圖

從表4 可以看出，PSO 收斂代數(shù)為393 代，收斂代數(shù)在三種優(yōu)化算法中是最高的，GA 收斂代數(shù)為122 代，但總耗時為267.6s，總耗時是最長。CSSA收斂代數(shù)為51代，總耗時192.2s，相比于GA和PSO具有更高的效率和更低的運算耗時。而且CSSA算法得到的平均適應(yīng)值和最小適應(yīng)值均小于GA 和PSO，說明該算法比傳統(tǒng)的優(yōu)化算法具有較高的求解質(zhì)量。

表4 三種算法收斂結(jié)果對比

5 結(jié)語

本文關(guān)注專利質(zhì)量評估指標(biāo)的適用性和可操作性，探究機(jī)器學(xué)習(xí)的方法應(yīng)用于專利質(zhì)量評估，通過混沌映射改進(jìn)麻雀搜索算法，并結(jié)合神經(jīng)網(wǎng)絡(luò)去構(gòu)建專利質(zhì)量評估模型。與PSO、GA 優(yōu)化的模型進(jìn)行仿真對比，得到以下結(jié)論：1）CSSA—BPNN模型對專利質(zhì)量進(jìn)行評估時，模型的各項指標(biāo)均優(yōu)于BPNN 模型和PSO、GA 優(yōu)化的BPNN 模型，并且分類準(zhǔn)確率達(dá)到0.797。2）在算法尋優(yōu)中，CSSA 比PSO、GA具有更高的效率和更低的運算耗時。

本次研究的主要創(chuàng)新內(nèi)容如下：1）在專利質(zhì)量評估體系中同時考慮了專利的技術(shù)維度指標(biāo)、法律維度指標(biāo)、市場維度指標(biāo)和主體特征指標(biāo)?？梢跃C合體現(xiàn)出專利的技術(shù)競爭力、經(jīng)濟(jì)關(guān)聯(lián)性、權(quán)利穩(wěn)定性等多個方面的價值。2）構(gòu)建CSSA—BPNN 模型對新能源汽車領(lǐng)域的專利進(jìn)行質(zhì)量評估，證明了該評估模型整體性能比傳統(tǒng)算法較優(yōu)。3）通過兩種客觀權(quán)重方法去確定專利各項特征指標(biāo)的權(quán)重，避免主觀因素對權(quán)重的影響。