CN102567476A - 一种技术相似性专利的筛选与评价方法 - Google Patents
一种技术相似性专利的筛选与评价方法 Download PDFInfo
- Publication number
- CN102567476A CN102567476A CN2011104209544A CN201110420954A CN102567476A CN 102567476 A CN102567476 A CN 102567476A CN 2011104209544 A CN2011104209544 A CN 2011104209544A CN 201110420954 A CN201110420954 A CN 201110420954A CN 102567476 A CN102567476 A CN 102567476A
- Authority
- CN
- China
- Prior art keywords
- subnet
- referenced
- technology
- tsu
- flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种技术相似性专利的筛选与评价方法，包括基于目标专利-相似技术-大技术环境的立体定向分析技术与引用网络TSU-CN微结构相对接的建立步骤，相关子网建立步骤，内外部技术流量监测数据采集步骤，基于动态TSU-CN微结构技术谱参数基础数据提取步骤，技术谱参数建立步骤。通过目标专利技术流量与其在相似技术及其大技术环境中的宏观与微观对接，立体和定量监控、保证了评价和筛选结果的相对客观性和准确性。使企业在技术引进和国外失效专利开发中能够对“目标专利在现实背景下的技术价值”进行合理准确的定位，避免盲目技术引进和专利开发而导致竞争失利，同时有助于企业对自身技术专利在国际同类技术中的竞争力评估，以及对投资股票等的选择。
Description
技术领域
本发明属于专利技术筛选与评价领域，涉及一种基于技术相似性专利的筛选与评价方法，是通过TSU微结构技术谱分析法筛选及评价专利技术，可应用于企业在技术引进和国外失效专利开发中对技术价值进行合理准确定位。
背景技术
根据2006年《中国科技统计年鉴》的统计数据，我国行业每百万元R&D投入对应发明专利申请量平均为0.15件/百万；专利数量多，仅中国科学院近十年历年失效专利年均990件/年；专利利润低，我国企业利润与专利申请数量无明显相关；专利引进费用昂贵，购买一项被专利的基因专利产品开发许可权，通常要支付500-1000万美元。
如何对越来越多的专利进行导向化管理？如何科学评估专利的创新含量、技术复杂性、开发前景与技术竞争力？如何让企业在技术引进和国外失效专利开发中能够对“目标专利在现实背景下的技术价值”进行合理准确的定位，如何让企业避免盲目技术引进和专利开发而导致竞争失利，如何有助于企业对自身技术专利的竞争力评估，以及对投资股票等的选择？
专利价值有三种体现形式：直接经济价值、间接经济价值、和专利技术价值。其中直接经济价值决定于市场；间接经济价值取决于专利保护期、技术周期长短等；专利技术价值则取决于专利本身的技术含量。因此，对专利技术价值的评价越来越受到业界重视。
然而在目前的做法中，专利技术价值的评价仅依靠单一的专利引用次数来衡量，在方法上存在明显局限性：(1)不能进行跨技术领域比较；(2)不能结合技术背景做出评价；(3)不能反映某项专利的技术复杂度和创新含量；(4)不能反映专利技术价值的潜在要素。
发明内容
本发明的目的是提供一种技术相似性专利的筛选与评价方法，是一种基于技术相似性专利筛选的TSU微结构技术谱分析法，对企业技术引进和专利筛选具有普适性，通过对目标专利技术价值技术谱参数的分析，为企业新技术的引进决策及国外失效专利的开发筛选提供工具。
所述技术相似性专利的筛选与评价方法，包括基于“目标专利-相似技术-大技术环境”(Targeted patent-similar techniques-universal techniques，简称TSU)的立体定向分析技术与引用网络TSU-CN微结构相对接的建立步骤，相关子网建立步骤，内外部技术流量监测数据采集步骤，基于动态TSU-CN微结构技术谱参数基础数据提取步骤，技术谱参数建立步骤。
本发明方法通过以下步骤实现：
(1)建立与“目标专利-相似技术-大技术环境”相对接的TSU微结构框架，将其与目标专利与专利引用网络中的“目标节点(Targeted node)-子网(Subnetwork-全网(Universal network)”(TSU-CN)微结构环境中的施引与被引表现相对接，建立基于TSU-CN的技术知识流微结构数据分析系统；
(2)以目标专利为中心，基于向心引用网络，建立参考专利的引用专利CR、引用专利的参考专利RC、引用专利的引用专利CC、参考专利的参考专利RR四个关系子网模块；
(3)对构建的相关子网，通过TSU-CN微结构技术谱数据监测模块下的内部技术流量采集模块和外部技术流量采集模块，提取基于TSU-CN结构的内部技术知识流、外部技术增长流结构监测数据，1个参考专利计为1个单位技术知识流量，引用1次计为1个单位技术增长流量，记录一套基于TSU-CN微结构技术谱的基础数据；
(4)应用时间序列设置模块的动态时间分析维度，通过技术谱参数提取模块，根据不同时间维度下从CR、RC、CC、RR子网中提取出的TSU-CN微结构技术谱基础数据按某种特定方式对子网内各专利项元素进行排列，记录目标专利在四个子网内专利项元素中的排列位次；
(5)在TSU微结构数据计算模块，根据步骤(1)-(4)得出的基础参数数据，建立TSU-CN微结构技术谱参数：CR、RC、CC、RR指数，0＜取值范围均为＜1。
步骤(1)具体如下：
(1.1)构建技术进化特征的初级标度，以目标专利及该目标专利的参考专利为基本比较单元，建立目标专利与密切相关专利的关系子网(targeted patent-similartechniques)的网络微结构对接子网(targeted node-subnetwork)，即T-S关系子网；
(1.2)构建T-S关系子网中各节点与整个专利技术引用网络的关系，即通过T-S各节点对参考专利的施引关系(反向)和被后续专利的动态引用关系(正向)建立起与整个专利引用网络(universal networks，U-CN)的关系网络TSU-CN；
(1.3)去除T-S关系子网中的等同专利，建立与“目标专利-相似技术-大技术环境”相对接的专利引用网络TSU-CN技术流微结构数据分析系统。
步骤(2)具体如下：
(2.1)在构建四个关系子网模块时，将目标专利作为相关子网中的一个成员纳入；
(2.2)以目标专利为中心，将其当作参考专利的一个扩展项，根据“扩展的参考专利”的引用专利节点，建立参考专利的引用专利子网：CR子网参数模块；
(2.3)以目标专利为中心，将其当作引用专利的一个扩展项，根据“扩展的引用专利”的参考专利节点，建立引用专利的参考专利子网：RC子网参数模块；
(2.4)以目标专利为中心，根据“扩展的引用专利”的引用专利节点，建立引用专利的引用专利子网：CC子网参数模块；
(2.5)以目标专利为中心，根据“扩展的参考专利”的参考专利节点，建立参考专利的参考专利子网：RR子网参数模块。
步骤(3)具体如下：
(3.1)通过内部技术流量采集模块和外部技术流量采集模块，从CR、CC子网提取子网外部动态技术增长流，从RC、RR子网提取子网内部技术知识流。
(3.2)在CR子网中，提取每个参考专利节点正向专利引用网络(后续专利)引用的次数，记录CR子网每个节点在整个引用网络中的动态外部技术增长流量，引用1次计为1个单位技术增长流量；
(3.3)在RC子网中，提取每个引用专利节点的参考专利个数，记录RC子网每个节点在整个引用网络中的内部技术知识流量，1个参考专利计为1个单位技术知识流量；
(3.4)在CC子网中，提取每个引用专利节点的专利引用次数(后续专利的后续专利)，记录CC子网每个节点在整个引用网络中的动态外部技术增长流量，引用1次计为1个单位技术增长流量；
(3.5)在RR子网中，提取每个参考专利节点的参考专利个数(参考专利的参考专利)，记录RR子网每个节点在整个引用网络中的静态内部技术知识流量，1个参考专利计为1个单位技术知识流量。
步骤(4)具体如下：
(4.1)应用技术谱参数提取模块，将每个子网中记录的数据都按从大到小顺序排列，比较目标专利相关技术流在各个子网中相对表现，结合时间序列设置模块，对CR、CC子网的流量设定目标专利与子网其他专利的观察时间是否同步；
(4.2)应用技术谱参数提取模块，将CR子网中的每条参考专利按各自引用次数的数量从大到小排列，记录目标专利在该排列中的位次；
(4.3)应用技术谱参数提取模块，将RC子网中的每条引用专利按各自参考专利的数量从大到小排列，记录目标专利在该排列中的位次；
(4.4)应用技术谱参数提取模块，将CC子网中的每条引用专利按各自引用次数的数量从大到小排列，记录目标专利在该排列中的位次；
(4.5)应用技术谱参数提取模块，将RR子网中的每条参考专利按各自参考专利的数量从大到小排列，记录目标专利在该排列中的位次。
步骤(5)具体如下：
(5.1)在TSU微结构数据计算模块，根据步骤(4.2)-(4.5)中得到的目标专利在各个相关排列中的位次Rp，用“相对地位指数”表示目标专利在各自子网中的技术谱参数，计算方法如下：
其中，RI(p)代表目标节点(专利p)在子网中的相对地位指数，具体可根据不同子网用CR、RC、CC、RR指数表示，Rp代表目标节点(专利p)与子网各成员按某种表现比较时，所排列的位次(按降序)，S是子网成员的数量，1代表把该节点(专利p)算作子网成员之一，加入到子网中；0＜m(p)＜1。
根据上述步骤，可以得到目标专利比较其参考专利在整个专利引用网络中的“外部技术增长流”的相对表现参数CR指数，目标专利比较其引用专利在第二代后续专利中的“外部技术增长流”相对表现参数CC指数，目标专利比较其引用专利的“内部技术知识流”相对表现参数RC指数，目标专利比较其参考专利的参考专利中的“内部技术知识流”相对表现参数RR指数，建立“目标专利-相似技术-大技术环境”(TSU)立体定向分析技术的TSU-CN微结构技术谱参数。
所述技术相似性专利的筛选与评价方法的步骤(1)-(5)包括：
——步骤(1)中的TSU-CN的技术知识流微结构数据分析系统，优点是用于企业在现实专利技术价值分析时，可以对真实世界“目标专利-相似技术-大技术环境”的技术知识流和技术增长流相对表现进行实时监测和分析，目标节点每含1个参考专利反映1个单位技术知识流量，目标节点被后续专利引用1次反映1个单位技术增长流量；
——步骤(2)、(3)中的子网模块和TSU-CN微结构技术谱数据监测模块，优点是用于企业对目标专利的技术价值分析时，对目标专利的直接参考、直接引用、技术耦合、技术共引专利进行多维度技术流量比较，通过内部技术流量采集模块和外部技术流量采集模块，监测相关专利在整个专利引用网络中的内部技术知识流和外部技术增长流。结合步骤(4)，提取出目标专利在相似专利技术中“相对表现”的基础技术参数数据；
——步骤(4)中技术谱参数提取模块和时间序列设置模块，优点是用于企业对目标专利的技术价值分析中，可以对拟比较的相关子网中的技术相似性专利，进行观察时间的同步和非同步设置，根据在特定时间维度下采集的内外部技术流量数据，将CR、RC、CC、RR四个子网内的专利元素项分别按内部技术知识流和外部技术增长流的流量数据大小从大到小排列，真实记录目标专利在四种专利元素项排列中的位次。
——步骤(5)的TSU微结构数据计算模块，优点是用于企业对目标专利的技术价值分析中，根据公式(1)的简单算法，可以得到表示目标节点(专利p)在各个子网中的相对地位指数，即代表目标专利在不同子网中的技术谱参数CR、RC、CC、RR指数，0＜取值范围均为＜1，各指数的值越高，在同类技术中的技术价值越大。
本发明设计了面向技术复杂性和技术多样性背景下，基于“目标专利-相似技术-大技术环境”的TSU立体定向分析技术，及其与引用网络相对接的TSU-CN技术谱分析法，对企业技术引进和专利筛选具有普适性，评价与筛选过程中避免了传统方法技术价值评价仅靠引用次数单维指标而引起的跨技术领域的不可比，通过目标专利技术流量与其在相似技术及其大技术环境中的宏观与微观对接，立体和定量监控、保证了评价和筛选结果的相对客观性和准确性。使企业在技术引进和国外失效专利开发中能够对“目标专利在现实背景下的技术价值”进行合理准确的定位，避免盲目技术引进和专利开发而导致竞争失利，同时有助于企业对自身技术专利在国际同类技术中的竞争力评估，以及对投资股票等的选择。
附图说明
图1为发明的TSU立体定向原理图。
图2为发明的专利筛选方法得到的目标专利的动态TSU技术谱分析图。
图3为发明的基于技术相似性专利筛选的TSU微结构技术谱分析法技术路线图。
具体实施方式
本发明结合实施例和附图作优选地具体的说明，但本发明的保护范围并不限于此。
实施例一
参照图3，一种基于技术相似性专利筛选的TSU微结构技术谱分析法包括基于“目标专利-相似技术-大技术环境”(Targeted patent-similar techniques-universaltechniques，简称TSU)的立体定向分析技术与引用网络TSU-CN微结构相对接的建立步骤，相关子网建立步骤，内外部技术流量监测数据采集步骤，基于动态TSU-CN微结构技术谱参数基础数据提取步骤，技术谱参数建立步骤：
(1)建立与“目标专利-相似技术-大技术环境”相对接的TSU微结构框架，将其与目标专利与专利引用网络中的“目标节点(Targeted node)-子网(Subnetwork-全网(Universal network)”(TSU-CN)微结构环境中的施引与被引表现相对接，建立基于TSU-CN的技术知识流微结构数据分析系统；
(2)以目标专利为中心，基于向心引用网络，建立参考专利的引用专利CR、引用专利的参考专利RC、引用专利的引用专利CC、参考专利的参考专利RR四个关系子网模块；
(3)对构建的相关子网，通过TSU-CN微结构技术谱数据监测模块下的内部技术流量采集模块和外部技术流量采集模块，提取基于TSU-CN结构的内部技术知识流、外部技术增长流结构监测数据，1个参考专利计为1个单位技术知识流量，引用1次计为1个单位技术增长流量，记录一套基于TSU-CN微结构技术谱的基础数据；
(4)应用时间序列设置模块的动态时间分析维度，通过技术谱参数提取模块，根据不同时间维度下从CR、RC、CC、RR子网中提取出的TSU-CN微结构技术谱基础数据按某种特定方式对子网内各专利项元素进行从大到小排列，记录目标专利在四个子网内专利项元素中的排列位次；
(5)在TSU微结构数据计算模块，根据步骤(1)-(4)得出的基础参数数据，建立TSU-CN微结构技术谱参数：CR、RC、CC、RR指数，0＜取值范围均为＜1。
所述的步骤(1)包括如下具体步骤：
(1.1)从美国《德温特创新索引》(DII)数据库中提取基础数据，以目标专利为中心，进行TSU-CN立体定位，构建技术进化特征的初级标度，以目标专利及该目标专利的参考专利为基本比较单元，建立目标专利与密切相关专利的关系子网(targetedpatent-similar techniques)的网络微结构对接子网(targeted node-subnetwork)，即T-S关系子网；
(1.2)构建T-S关系子网中各节点与整个专利技术引用网络的关系，即通过T-S各节点对参考专利的施引关系(反向)和被后续专利的动态引用关系(正向)建立起与整个专利引用网络(universal networks，U-CN)的关系网络TSU-CN；
(1.3)去除T-S关系子网中的等同专利，建立与“目标专利-相似技术-大技术环境”相对接的专利引用网络TSU-CN技术流微结构数据分析系统。
所述的步骤(2)子网模块的参数构成包括：
如步骤(2.2)建立目标专利的CR子网参数模块，分析参数包括：目标专利的引用专利，参考专利的引用专利；
如步骤(2.3)建立目标专利的RC子网参数模块，分析参数包括：目标专利的参考专利，引用专利的参考专利；
如步骤(2.4)建立目标专利的CC子网参数模块，分析参数包括：目标专利的引用专利，引用专利的引用专利；
如步骤(2.5)建立目标专利的RR子网参数模块，分析参数包括：目标专利的参考专利，参考专利的参考专利。
进一步，步骤(4)具体如下：
(4.1)应用技术谱参数提取模块，将每个子网中记录的数据都按从大到小顺序排列，比较目标专利相关技术流在各个子网中相对表现，结合时间序列设置模块，对CR、CC子网的流量设定目标专利与子网其他专利的观察时间是否同步；
(4.2)应用技术谱参数提取模块，将CR子网中的每条参考专利按各自引用次数的数量从大到小排列，记录目标专利在该排列中的位次；
(4.3)应用技术谱参数提取模块，将RC子网中的每条引用专利按各自参考专利的数量从大到小排列，记录目标专利在该排列中的位次；
(4.4)应用技术谱参数提取模块，将CC子网中的每条引用专利按各自引用次数的数量从大到小排列，记录目标专利在该排列中的位次；
(4.5)应用技术谱参数提取模块，将RR子网中的每条参考专利按各自参考专利的数量从大到小排列，记录目标专利在该排列中的位次。
步骤(5)具体如下：
(5.1)在TSU微结构数据计算模块，根据步骤(4.2)-(4.5)中得到的目标专利在各个相关排列中的位次Rp，用“相对地位指数”表示目标专利在各自子网中的技术谱参数，计算方法如下：
其中，RI(p)代表目标节点(专利p)在子网中的相对地位指数，具体可根据不同子网用CR、RC、CC、RR指数表示，Rp代表目标节点(专利p)与子网各成员按某种表现比较时，所排列的位次(按降序)，S是子网成员的数量，1代表把该节点(专利p)算作子网成员之一，加入到子网中；0＜RI(p)＜1。
参照图1，根据上述步骤与算法，可以得到目标专利比较其参考专利在整个专利引用网络中的“外部技术增长流”的相对表现参数CR指数，目标专利比较其引用专利在第二代后续专利中的“外部技术增长流”相对表现参数CC指数，目标专利比较其引用专利的“内部技术知识流”相对表现参数RC指数，目标专利比较其参考专利的参考专利中的“内部技术知识流”相对表现参数RR指数，建立“目标专利-相似技术-大技术环境”(TSU)立体定向分析技术的TSU-CN微结构技术谱参数。
根据CR、RC、CC、RR指数值的大小，可以比较两个待选专利或多个待选专利在各自相关技术领域中的技术价值，各指数的值越高，在同类技术中的技术价值越大。
最后，对得到的CR、RC、CC、RR指数应用动态时间维度生成动态技术谱参数曲线，参见图2A和图2B。
实施例二比较2010年世界500强医药企业A和医药企业B 1990-2005年间的专利技术价值。
1、抽样：
表1抽样数据
2、按实施例一步骤(1)到(5)操作；
3、比较结果参见表2-3：
表2两组样本TSU技术谱参数均值
表3两组样本TSU技术谱参数均值的T检验结果
4、结论：企业A的专利TSU技术谱4个参数明显高于企业B，两者存在显著差异。企业A的专利技术价值明显高于企业B
根据本发明方法得出的技术谱参数与世界500强企业得到的利润数据一致。
企业A在1990-2005年间共申请了642件美国专利，2006-2010年利润累计收入185.91亿美元(一个新药专利从申请到取得市场利润周期是8-12年)；企业B在1990-2005年间共申请了539件美国专利，2006-2010年利润累计收入17.486亿美元。企业A与企业B在15年间专利数相差不大，但利润大出10倍以上。
本发明方法对企业技术引进和专利筛选具有普适性，使企业在技术引进和国外失效专利开发筛选时，对目标专利的技术价值在相似技术及其大技术环境中的地位有一个立体实时的清晰认识，并以此作为后期决策的依据之一。对于评价结果，可以用参数值的差异显著性表示(实施例二)，也可以用动态TSU技术谱分析图来直观表达，如图2所示(实施例一)。TSU技术谱可以清晰显示拟比较的两个或多个专利在同类技术多个维度中的技术增长流相对表现和技术知识流相对表现方面所体现的差异，让企业能够直观的对比。也可以让企业对自身开发的技术专利在国际同类技术中的竞争力有一个清醒的认识，对后期投资作出理性决策。
Claims (3)
1.一种技术相似性专利的筛选与评价方法，通过以下步骤实现：
（1）建立与目标专利-相似技术-大技术环境相对接的TSU微结构框架，将其与目标专利与专利引用网络中的目标节点- 子网- 全网微结构环境中的施引与被引表现相对接，建立基于TSU-CN的技术知识流微结构数据分析系统；
（2）以目标专利为中心，基于向心引用网络，建立参考专利的引用专利CR、引用专利的参考专利RC、引用专利的引用专利CC、参考专利的参考专利RR四个关系子网模块；
（3）对构建的相关子网，通过TSU-CN微结构技术谱数据监测模块下的内部技术流量采集模块和外部技术流量采集模块，提取基于TSU-CN结构的内部技术知识流、外部技术增长流结构监测数据，1个参考专利计为1个单位技术知识流量，引用1次计为1个单位技术增长流量，记录一套基于TSU-CN微结构技术谱的基础数据；
（4）应用时间序列设置模块的动态时间分析维度，通过技术谱参数提取模块，根据不同时间维度下从CR、RC、CC、RR子网中提取出的TSU-CN微结构技术谱基础数据按某种特定方式对子网内各专利项元素进行排列，记录目标专利在四个子网内专利项元素中的排列位次；
（5）在TSU微结构数据计算模块，根据步骤（1）-（4）得出的基础参数数据，建立TSU-CN微结构技术谱参数：CR、RC、CC、RR指数，0< 取值范围均为<1。
2.根据权利要求1所述的一种技术相似性专利的筛选与评价方法，其特征在于，步骤（1）具体如下：
（1.1）构建技术进化特征的初级标度，以目标专利及该目标专利的参考专利为基本比较单元，建立目标专利与密切相关专利的关系子网的网络微结构对接子网，即T-S关系子网，
（1.2） 构建T-S关系子网中各节点与整个专利技术引用网络的关系，即通过T-S各节点对参考专利的施引关系和被后续专利的动态引用关系建立起与整个专利引用网络U-CN的关系网络TSU-CN，
（1.3） 去除T-S关系子网中的等同专利，建立与目标专利-相似技术-大技术环境”相对接的专利引用网络TSU-CN技术流微结构数据分析系统；
步骤（2）具体如下：
（2.1） 在构建四个关系子网模块时，将目标专利作为相关子网中的一个成员纳入，
（2.2） 以目标专利为中心，将其当作参考专利的一个扩展项，根据扩展的参考专利的引用专利节点，建立参考专利的引用专利子网：CR子网参数模块，
（2.3） 以目标专利为中心，将其当作引用专利的一个扩展项，根据扩展的引用专利的参考专利节点，建立引用专利的参考专利子网：RC子网参数模块；
（2.4） 以目标专利为中心，根据扩展的引用专利的引用专利节点，建立引用专利的引用专利子网：CC子网参数模块，
（2.5） 以目标专利为中心，根据扩展的参考专利的参考专利节点，建立参考专利的参考专利子网：RR子网参数模块；
步骤（3）具体如下：
（3.1） 通过内部技术流量采集模块和外部技术流量采集模块，从CR、CC子网提取子网外部动态技术增长流，从RC、RR子网提取子网内部技术知识流，
（3.2） 在CR子网中，提取每个参考专利节点正向专利引用网络引用的次数，记录CR子网每个节点在整个引用网络中的动态外部技术增长流量，引用1次计为1个单位技术增长流量，
（3.3） 在RC子网中，提取每个引用专利节点的参考专利个数，记录RC子网每个节点在整个引用网络中的内部技术知识流量，1个参考专利计为1个单位技术知识流量，
（3.4） 在CC子网中，提取每个引用专利节点的专利引用次数，记录CC子网每个节点在整个引用网络中的动态外部技术增长流量，引用1次计为1个单位技术增长流量，
（3.5） 在RR子网中，提取每个参考专利节点的参考专利个数，记录RR子网每个节点在整个引用网络中的静态内部技术知识流量，1个参考专利计为1个单位技术知识流量；
步骤（4）具体如下：
（4.1）应用技术谱参数提取模块，将每个子网中记录的数据都按从大到小顺序排列，比较目标专利相关技术流在各个子网中相对表现，结合时间序列设置模块，对CR、CC子网的流量设定目标专利与子网其他专利的观察时间是否同步，
（4.2）应用技术谱参数提取模块，将CR子网中的每条参考专利按各自引用次数的数量从大到小排列， 记录目标专利在该排列中的位次，
（4.3）应用技术谱参数提取模块，将RC子网中的每条引用专利按各自参考专利的数量从大到小排列，记录目标专利在该排列中的位次，
（4.4）应用技术谱参数提取模块，将CC子网中的每条引用专利按各自引用次数的数量从大到小排列，记录目标专利在该排列中的位次，
（4.5）应用技术谱参数提取模块，将RR子网中的每条参考专利按各自参考专利的数量从大到小排列，记录目标专利在该排列中的位次；
步骤（5）具体如下：
（5.1）在TSU微结构数据计算模块，根据步骤（4.2）-(4.5)中得到的目标专利在各个相关排列中的位次Rp，用“相对地位指数”表示目标专利在各自子网中的技术谱参数，计算方法如下：
其中，代表目标节点（专利p）在子网中的相对地位指数，具体可根据不同子网用CR、RC、CC、RR指数表示，R p 代表目标节点（专利p）与子网各成员按某种表现比较时，所排列的位次（按降序），S是子网成员的数量，1代表把该节点（专利p）算作子网成员之一，加入到子网中；0< 
<1。
3.根据上述步骤，可以得到目标专利比较其参考专利在整个专利引用网络中的外部技术增长流的相对表现参数CR指数，目标专利比较其引用专利在第二代后续专利中的外部技术增长流相对表现参数CC指数，目标专利比较其引用专利的内部技术知识流相对表现参数RC指数，目标专利比较其参考专利的参考专利中的内部技术知识流相对表现参数RR指数，建立目标专利-相似技术-大技术环境立体定向分析技术的TSU-CN微结构技术谱参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011104209544A CN102567476A (zh) | 2011-12-15 | 2011-12-15 | 一种技术相似性专利的筛选与评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011104209544A CN102567476A (zh) | 2011-12-15 | 2011-12-15 | 一种技术相似性专利的筛选与评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102567476A true CN102567476A (zh) | 2012-07-11 |
Family
ID=46412885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2011104209544A Pending CN102567476A (zh) | 2011-12-15 | 2011-12-15 | 一种技术相似性专利的筛选与评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102567476A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104978312A (zh) * | 2014-04-01 | 2015-10-14 | 江苏佰腾科技有限公司 | 一种通过股票代码检索专利信息的方法 |
| CN105009112A (zh) * | 2012-10-19 | 2015-10-28 | 专利分析控股私人有限公司 | 用于网络数据集的呈现和可视导航的系统和方法 |
| CN107533713A (zh) * | 2015-05-20 | 2018-01-02 | 日本精工株式会社 | 价格设定辅助系统、价格设定辅助程序、价格设定辅助方法、知识财产评价辅助系统、知识财产评价辅助程序及知识财产评价设定辅助方法 |
| CN108255807A (zh) * | 2017-12-26 | 2018-07-06 | 中国专利信息中心 | 一种识别研发方向的方法 |
| CN110458466A (zh) * | 2019-08-16 | 2019-11-15 | 内蒙古大学 | 基于数据挖掘和异构知识关联的专利估值方法、估值系统 |
| CN111460324A (zh) * | 2020-06-18 | 2020-07-28 | 杭州灿八科技有限公司 | 一种基于链接分析的引文推荐方法及系统 |
| CN115062135A (zh) * | 2022-08-17 | 2022-09-16 | 国家电网有限公司 | 一种专利筛选方法与电子设备 |
-
2011
- 2011-12-15 CN CN2011104209544A patent/CN102567476A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105009112A (zh) * | 2012-10-19 | 2015-10-28 | 专利分析控股私人有限公司 | 用于网络数据集的呈现和可视导航的系统和方法 |
| CN104978312A (zh) * | 2014-04-01 | 2015-10-14 | 江苏佰腾科技有限公司 | 一种通过股票代码检索专利信息的方法 |
| CN107533713A (zh) * | 2015-05-20 | 2018-01-02 | 日本精工株式会社 | 价格设定辅助系统、价格设定辅助程序、价格设定辅助方法、知识财产评价辅助系统、知识财产评价辅助程序及知识财产评价设定辅助方法 |
| CN108255807A (zh) * | 2017-12-26 | 2018-07-06 | 中国专利信息中心 | 一种识别研发方向的方法 |
| CN108255807B (zh) * | 2017-12-26 | 2021-10-08 | 中国专利信息中心 | 一种识别研发方向的方法 |
| CN110458466A (zh) * | 2019-08-16 | 2019-11-15 | 内蒙古大学 | 基于数据挖掘和异构知识关联的专利估值方法、估值系统 |
| CN110458466B (zh) * | 2019-08-16 | 2023-09-26 | 内蒙古大学 | 基于数据挖掘和异构知识关联的专利估值方法、估值系统 |
| CN111460324A (zh) * | 2020-06-18 | 2020-07-28 | 杭州灿八科技有限公司 | 一种基于链接分析的引文推荐方法及系统 |
| CN115062135A (zh) * | 2022-08-17 | 2022-09-16 | 国家电网有限公司 | 一种专利筛选方法与电子设备 |
| CN115062135B (zh) * | 2022-08-17 | 2022-12-23 | 国家电网有限公司 | 一种专利筛选方法与电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102567476A (zh) | 一种技术相似性专利的筛选与评价方法 | |
| Choi et al. | Monitoring the organic structure of technology based on the patent development paths | |
| Yuan et al. | Abiotic and biotic determinants of coarse woody productivity in temperate mixed forests | |
| CN107169070A (zh) | 一种基于大数据的社保指标仓库的构建系统及其方法 | |
| Durand et al. | Analysis of the plant architecture via tree‐structured statistical models: the hidden Markov tree models | |
| CN107705149A (zh) | 数据实时监控方法、装置、终端设备及存储介质 | |
| CN104166731A (zh) | 一种社交网络重叠社区发现系统及其方法 | |
| CN104572449A (zh) | 一种基于用例库的自动化测试方法 | |
| CN105225149A (zh) | 一种征信评分确定方法及装置 | |
| CN103226554A (zh) | 基于新闻数据的股票自动匹配分类方法和系统 | |
| US20140279690A1 (en) | Managing Sustainable Intellectual Property Portfolio of an Enterprise | |
| Nguyen et al. | Vasabi: Hierarchical user profiles for interactive visual user behaviour analytics | |
| CN104217004B (zh) | 一种交易系统的数据库热点的监控方法及装置 | |
| CN104809246B (zh) | 充电数据的处理方法及装置 | |
| Mauleon-Mendez et al. | Sustainable tourism research towards twenty-five years of the Journal of Sustainable Tourism | |
| CN104915535A (zh) | 生物种群动态预测分析全球通用关键因子预设数组平台 | |
| CN111814671A (zh) | 一种基于遥感协同的林地动态变化监测方法 | |
| CN105868906A (zh) | 一种优化的区域发展成熟度分析方法 | |
| CN103605607B (zh) | 一种软件复杂度分析系统及方法 | |
| CN106296315A (zh) | 基于用户用电数据的情境感知系统 | |
| CN105117588A (zh) | 一种基于医院海量业务数据的医疗质量分析方法 | |
| Deng et al. | A novel mean-variance-maverick DEA prospect cross-efficiency approach for fuzzy portfolio selection | |
| CN102567536A (zh) | 一种基于数据统计学的关键绩效指标分析方法 | |
| CN103501253A (zh) | 一种高性能计算应用特征的监控组织方法 | |
| Ye et al. | Study on the measurement of international knowledge flow based on the patent citation network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120711 |