CN102725772A - 专利评分和分类 - Google Patents
专利评分和分类 Download PDFInfo
- Publication number
- CN102725772A CN102725772A CN201080062400.5A CN201080062400A CN102725772A CN 102725772 A CN102725772 A CN 102725772A CN 201080062400 A CN201080062400 A CN 201080062400A CN 102725772 A CN102725772 A CN 102725772A
- Authority
- CN
- China
- Prior art keywords
- intangible asset
- model
- group
- discriminant function
- intangible
- 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
- 238000012360 testing method Methods 0.000 claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 84
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000005516 engineering process Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 5
- 238000000540 analysis of variance Methods 0.000 claims description 3
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 99
- 230000004069 differentiation Effects 0.000 description 22
- 239000002609 medium Substances 0.000 description 19
- 238000003860 storage Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000005520 cutting process Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012827 research and development Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004224 protection Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002105 nanoparticle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 101000746134 Homo sapiens DNA endonuclease RBBP8 Proteins 0.000 description 1
- 101000969031 Homo sapiens Nuclear protein 1 Proteins 0.000 description 1
- 102100021133 Nuclear protein 1 Human genes 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Technology Law (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了用于分类无形资产的方法、系统和设备。该方法包括确定分类目标。该方法还包括通过处理器使用一个或多个无形资产测试组来构建判别分析(DA)模型。该DA模型包括一个或多个判别函数,所述判别函数用于基于与所述无形资产测试组中的至少一个无形资产相关的属性组将所述一个或多个无形资产测试组分类成两组或更多组,以便满足所述分类目标。之后,该方法包括通过所述DA模型来分类无形资产目标组。
Description
技术领域
本申请大体上涉及知识产权的分析,并且在一些实施例中涉及用于基于某个标准对无形资产(例如专利和/或专利申请)进行评分和/或分类的计算机系统和方法。
背景技术
诸如专利和商标等无形资产对于社会和经济非常重要。它们激励个别发明人和公司参与研究和开发(R&D)。在没有专利的情况下,第三方将免费利用任何新的发明,最后导致越来越少的发明人和公司愿意在R&D方面进行投入,从而阻碍了技术进步。
专利组合(patent portfolio)将帮助企业保护其投资、收益和资产。例如,强有力的专利组合会给竞争者的进入造成阻碍,并且为企业所提供的产品和服务维持排他性的市场空间。专利组合对于企业是有价值的,这是因为它通过专利许可或转让来产生收益。它可以是用于例如通过交叉许可获得其它专利技术的强有力谈判工具。专利组合还可以在面对专利侵权诉讼时用作防御工具。例如,具有宽泛且强有力的专利组合的公司针对其自身专利的侵权进行反诉,并且迫使控告方快速和解。
然而,专利具有不同的质量和价值。在世界上不同国家中,每年提交各个技术领域的大量的不同质量和价值的专利。这些专利中的一些专利保护了公司的核心技术,而另一些专利保护非核心技术或者仅仅是对公知技术进行小的渐增式改进。
另外,开发、维护或获取专利组合的成本是巨大的。因此,企业应该定期评估其专利组合的价值,并且提出与公司商业目标相一致的专利组合策略。例如,公司可以决定放弃或出售对于公司而言价值较低的非核心专利。相反,公司可以决定维持或更新核心的高价值专利,或者甚至提交同一专利族内的其它同族专利。
因此,对于许多目的而言,系统及客观地评估专利的质量、价值或强度的方式是非常有用的。例如,公司可以使用此类信息在各个方面做出更好的商业决定,包括但不限于R&D花费、产品开发、资源分配、战略专利申请过程、许可或诉讼、竞争情报和基准测试(benchmarking)等。投资者可以利用这些信息更好地评估不同公司的预期资产价值。贷款者可以利用这些信息评估和发放由包括专利组合在内的公司资产担保的贷款相关的风险。
发明内容
根据本发明的一个方面,提供了用于分类无形资产的方法。该方法包括确定分类目标。该方法还包括通过处理器使用一个或多个无形资产测试组来构建判别分析(DA)模型。该DA模型包括一个或多个判别函数,所述判别函数用于基于与所述无形资产测试组的一个或多个无形资产相关的属性组将所述一个或多个无形资产测试组分类成两组或多组,以符合分类目标。之后,该方法包括通过所述DA模型来分类无形资产目标组。
根据本发明的另一个方面,提供了一种用于分类无形资产的判别分析(DA)模型的构建方法。该方法通过处理器获得一个或多个判别函数,所述判别函数用于基于与无形资产测试组中的一个或多个无形资产相关的属性组将所述无形资产测试组分成两组或更多组。所述一个或多个判别函数包括所述属性组中的加权属性的组合。
根据本发明的再一个方面,提供了一种分类无形资产的方法。该方法包括通过处理器基于DA模型来分类无形资产组。所述DA模型包括一个或多个判别函数,所述判别函数用于基于与所述无形资产组中的一个或多个无形资产相关的属性组将所述无形资产组分类成两组或更多组。所述一个或多个判别函数包括所述属性组中的加权属性的组合。
根据本发明的另一个方面,提供了一种包括用于分类无形资产的计算机可执行指令的计算机可读存储介质。这些指令包括使用一个或多个无形资产测试组来构建DA模型。所述DA模型包括一个或多个判别函数,所述判别函数用于基于与所述无形资产测试组中的一个或多个无形资产相关的属性组将所述无形资产测试组分类成两组或更多组。这些指令还包括通过所述DA模型来分类无形资产目标组。
根据本发明的再一个方面,提供一种用于分类无形资产的设备。该设备包括处理器,所述处理器配置成使用一个或多个无形资产测试组来构建DA模型。所述DA模型包括一个或多个判别函数,所述判别函数用于基于与所述无形资产测试组中的一个或多个无形资产相关的属性组将所述无形资产测试组分类成两组或更多组。所述处理器还配置成通过所述DA模型来分类无形资产目标组。
根据本发明的一个方面,提供了一种用于分类无形资产的设备。该设备包括使用一个或多个无形资产测试组来构建DA模型的构件。所述DA模型包括一个或多个判别函数,所述判别函数用于基于与所述无形资产测试组中的一个或多个无形资产相关的属性组将所述无形资产测试组分成两组或更多组。所述设备还包括通过所述DA模型来分类无形资产目标组的构件。
附图说明
通过参照下面的说明以及附图将能够最好地理解本申请。在附图中,使用相同的附图标记来表示相同的部分。
图1是本发明实施例的用于分类无形资产的方法的流程图。
图2是本发明实施例的用于改进DA模型的流程图。
图3是本发明实施例的用于分类无形资产的DA模型的构建方法的流程图。
图4是本发明实施例的用于分类无形资产的方法的流程图。
图5是使用线性判别分析(LDA)对与专利资产或知识产权资产相关的两个示例性的目标组或事件组进行分类的示意图。
图6表示两个示例性组,其中两个组之间的差异相对于在各个组内的差异较大。
图7表示本发明实施例的用于构建专利评分和分类模型的示例性过程的流程图。
图8表示用于实施本发明各个实施例的处理功能的示例性计算系统。
具体实施方式
下面给出的说明将使本领域普通技术人员能够制造和使用本发明,并且在特定用途及其要求的情况下给出了说明。在不脱离本发明的精神和范围的情况下,本领域普通技术人员容易对这些实施例做出各种变型,并且这里界定的一般性原理可以应用于其它实施例和应用。而且,在下面的说明中,为了说明的目的给出了许多细节。然而,本领域普通技术人员应认识到本发明可以在不使用这些具体细节的情况下实施。在其它情况下,以方框图形式示出公知的结构和装置,以便不会使没必要包含这些细节的本发明的说明变得不清楚。因此,本发明不打算受限于所示的实施例,而是具有与在这里所披露的原理和特征一致的最大范围。
虽然通过具体示例和示例性附图对本发明进行了说明,但本领域普通技术人员应认识到本发明不限于这些示例和附图。本领域普通技术人员应当认识到可以使用硬件、软件、固件或它们的组合来实施各种实施例的操作。例如,可以使用处理器或受到软件、固件或硬接线逻辑的控制的其它数字电路来执行一些方法(本领域普通技术人员应当认识到,这里的术语“逻辑”指的是用于执行所提到的功能的固定硬件、可编程逻辑和/或它们的适当组合)。软件和固件可以存储在计算机可读存储介质上。如本领域普通技术人员所公知,一些其它方法可以使用模拟电路来实施。另外,在本发明的实施例中可以使用存储器或其它存储装置以及通信部件。
本发明的各个实施例提供了对无形资产进行分类的方法和系统。无形资产包括但不限于专利、专利申请、商标和版权。对于分类而言,可以使用示例性的判别分析(DA)模型来对无形资产评分,然后可以使用这些评分来分类无形资产。DA是一种多变量统计分析和机器学习技术,其用于确定如下属性(也称为特征、预测变量、度量/非度量独立变量等),这些属性用于在两组或更多组目标(例如无形资产)之间进行区分。根据这些属性,DA还用来识别目标所属的组。
示例性DA模型可以是线性DA(LDA)模型。LDA是一种用于获得如下属性的线性组合的统计分析和机器学习技术,这些属性用于区分两个或多个目标组。在LDA中,使用属性的加权组合来预测目标的相关组分类,而不依赖于作为组分类的不同预测因子的各个属性。
图1是根据实施例的无形资产的分类方法的流程图。在110处,用户确定分类目标。分类目标包括潜在估价、诉讼可能性/结果、潜在商业化或随后的续期/放弃决定。例如,用户可能想要确定专利组合中的高价值专利和低价值专利。在此情况下,用户将选择潜在估价作为分类目标。在另一个示例中,用户可能想要确定最有可能用于产品制造的专利。在此情况下,用户将选择潜在商业化作为分类目标。在实施例中,可以通过用户界面(UI)向用户显示多个分类目标。UI可以是基于网络的UI。例如,可以使用下拉菜单来显示多个分类目标,并且用户可以从下拉菜单中选择其中一个分类目标。或者,可以使用各种通信手段来传输分类目标。
在120处,基于用户确定的分类目标,处理器通过使用一个或多个无形资产测试组来构建判别分析(DA)模型。在一个示例中,可以专门为特定技术构建DA模型。因此,存在有多个用于多个技术领域的DA模型。这对特定技术领域的无形资产进行精确分类中是非常有帮助的。为了构建专用于特定技术的DA模型,所使用的一个或多个无形资产测试组也属于该特定技术。例如,如果要构建用于将纳米颗粒领域中的专利进行分类的DA模型,则用于构建DA模型的专利资产测试组包括纳米颗粒领域中的专利。
另外,一个或多个无形资产测试组中的一个无形资产测试组与一个分类目标相关。基于一个或多个分类目标来建立无形资产测试组。因此,对于每个分类目标而言,存在特定的无形资产测试组。在用户选择分类目标时,处理器使用针对该分类目标构建的无形资产测试组来对无形资产目标组进行分类。例如,用户选择专利估价作为专利目标组的分类目标。为了便于分类,处理器选择如下专利测试组,该专利测试组包括高价值专利和低价值专利。作为另一个实施例,用户可以选择诉讼可能性/结果作为专利目标组的分类目标。为了便于分类,处理器选择如下专利测试组,该专利测试组包括已经败诉的专利和已经胜诉的专利。
另外,一个或多个无形资产测试组包括针对给定目标具有已知的或预定的价值或结果的无形资产组。例如,在针对专利估价构建的专利测试组中,该专利测试组中的一个或多个专利的价值是已知的。在另一个示例中,在针对随后的续期/放弃决定的目标构建的专利测试组中,该专利测试组中的专利的结果是已知的,即它们什么时候放弃或者它们续期过多少次。
在识别无形资产测试组并且构建DA模型之后,DA模型中的一个或多个判别函数将一个或多个无形资产测试组分类成两组或更多组,以满足分类目标。DA模型可包括线性判别分析(LDA)模型。在该情况下,一个或多个判别函数包括一个或多个线性判别函数。下面结合图5和图6对LDA模型和线性判别函数进行详细说明。
基于与一个或多个无形资产测试组中的一个或多个无形资产相关的属性组来进行分类。通过使用多种调查和分析方法中的一种方法来选择用于DA模型的属性组。这些方法的示例包括相关文献描述属性的评论、专家意见、与资产所有人的会谈和经验分析。通过DA模型确定属性与测试组中的不同组的专利或其它无形资产之间的关联以及确定这些属性的相对重要性。专利属性的示例包括但不限于专利中的独立权利要求数量、专利中的从属权利要求数量、专利年龄和权利要求中所涵盖的法定类别的数量。在图7的描述中结合表1进一步说明了专利的这些属性。如果无形资产为商标,则属性的示例可以包括但不限于商标的年龄、该商标下的总销售额、商标的回想、识别或知晓度、与该商标的关联、商标相关的信誉、商标的地理权或管辖权、商标的许可数或许可价值和商标的续期历史。
一个或多个判别函数包括属性组中的加权属性的组合。权重通过使用一个或多个判别函数来确定,并且表示相关属性的相对重要性。下面将结合图5详细说明判别函数。一个或多个判别功可能不能计算出一些属性的权重。对于这些属性而言,确定具有未知权重的属性与具有已知权重的属性之间的相关性。之后,将相关性因子应用于具有已知权重的属性的权重,从而确定具有未知权重的属性的权重。这可以由公式(1)表示。
WXu=a(WXk) (1)
其中,
WXu=未知属性Xu的权重
WXk=已知属性Xk的权重
a=相关性系数
例如,两个属性“专利年龄”和“专利的续期次数”具有直接的相关性,这是因为经过续期的次数越大,则专利的年龄将越长。如果判别属性能够确定与“专利年龄”相关的权重,并且该判别函数不能确定与“专利续期次数”相关的权重,则计算出该专利的这两个属性之间的相关性因子。之后,将相关性因子应用于与“专利年龄”相关的权重,以便确定“专利续期次数”的权重。另外,这可以充当用于提高DA模型的预测能力的相关性因子。
在使用DA模型确定属性的权重之后,使用和积函数(sum productionfunction)来计算无形资产测试组中的一个或多个无形资产的一个或多个输出评分(output score)。通过将无形资产的相关属性乘以权重来确定无形资产的输出评分。使用所述一个或多个输出评分来分类一个或多个无形资产。在实施例中,使用一个或多个输出评分将无形资产测试组划分成两组或更多组。例如,无形资产测试组包括十件专利,对于这十件专利中的每一件专利而言,使用将潜在估价用作分类目标的DA模型来确定输出评分。通过该DA模型确定出处于1-5的范围的输出评分。之后,将输出评分为1-3的专利归类为低价值,并且将输出评分为4至5的专利归类为高价值专利,反之亦然。
通过使用多个统计工具来验证DA模型。多个统计工具包括但不限于方差分析(ANOVA)测试、Spearman秩相关系数测试、卡方自动交叉检验检测(CHAID)测试和Wilk'lamba测试。DA模型的验证确保了由该DA模型完成的分类是精确的。在实施例中,为了增强DA模型的预测能力,反复地改进一个或多个判别函数。这将结合图2作进一步说明。
在DA模型的构建、验证和改进之后,在130处,通过DA模型来分类无形资产目标组。在实施例中,可以在没有验证和改进的情况下使用DA模型。使用DA模型来计算无形资产目标组中的一个或多个无形资产的一个或多个输出评分。使用所述一个或多个输出评分将无形资产目标组划分成两组或更多组。该DA模型可以构建成专用于特定技术领域。因此,如果该无形资产目标组处于通信领域,则将针对通信领域专门构建DA模型。或者,DA模型可以如此构建,使得该DA模型基本上适用于多个技术领域。
使用专用于特定分类目标和特定技术领域的无形资产测试组来构建DA模型。针对特定目标和技术领域构建的这些DA模型可以精确地分类专利资产目标组。而且,由于已经针对各种分类目标和各种技术领域构建出多个DA模型,所以用户只需简单地选择分类目标并且指定专利资产目标组的技术领域。这为用户提供了可以用于划分专利资产目标组的DA模型。
图2为根据实施例的DA模型的改进流程图。基于属性组,处理器通过使用一个或多个无形资产测试组来构建DA模型。一个或多个无形资产测试组包括具有已知价值、已知结果、预定价值和预定结果中的一者的无形资产组。在构建之后,使用DA模型将无形资产测试组分类/划分成两组或更多组。这已经结合图1进行了详细说明。
在210处,为了提高DA模型的精确性,处理器确定DA模型的预测能力。通过基于已知价值、已知结果、预定价值和预定结果中的一者来验证该无形资产测试组的分类,从而确定出预测能力。例如,使用针对潜在估价目标创建的专利资产测试组来构建DA模型。在该专利测试组中,每个专利的货币价值是已知的。根据这些已知的价值,可以将专利测试组划分成多个示例性组,例如下面三个组,即高价值专利、中价值专利和低价值专利。之后,使用DA模型将专利测试组划分成这三组。将基于专利价值进行的专利分组与使用DA模型做出的专利分组进行比较和验证。基于比较结果,如果这些分组非常匹配,则DA模型具有良好的预测能力。
之后,在220处,进行检查以确定DA模型的预测能力是否处于预定可接受限制范围内。在上面给出的示例之后,将预测能力的预定可接受限制范围设定为80%,但是该示例性限制范围是非限定性的,并且可以设定得更高或更低。换句话说,在将基于专利估价的专利分组与使用DA模型做出的专利分组进行比较和验证时,分组之间应该至少有80%的匹配。如果分组之间匹配的专利的百分比小于80%,则DA模型的预测能力是不可接受的。
如果DA模型的预测能力没有处于预定可接受限制范围内,则在230处改进DA模型中的一个或多个判别函数。例如,如果分组之间的匹配专利的百分比小于80%,则改进DA模型中的一个或多个判别函数。之后,重复210和220。
因此,反复地进行一个或多个判别函数的改进过程,直到DA模型的预测能力落入到预定可接受限制范围内。为了改进一个或多个判别函数,针对该属性组中的一个或多个属性调节与相应属性相关的权重。调节权重可以包括向与一个或多个属性相关的权重应用相关性因子。返回到步骤220,如果DA模型的预测能力落入到预定可接受限制范围内,则在240处完成DA模型。
DA模型的反复改进提高了DA模型的精确性。而且,由于通过与具有已知结果/价值的测试组进行比较来进行改进,所以最后的DA模型可以令人信服地用于分类专利目标组。
图3为根据实施例的用于分类无形资产的DA模型的构建方法的流程图。在310处,处理器获得一个或多个判别函数。所获得的所述一个或多个判别函数满足分类目标。已经结合图1详细说明了分类目标。
一个或多个判别函数用于基于与无形资产测试组中的一个或多个无形资产相关的属性组将无形资产测试组分类为两组或更多组。一个或多个判别函数包括属性组中的加权属性的组合。
为了获得一个或多个判别函数,确定出DA的预测能力。之后,对所述一个或多个判别函数进行反复改进,以使得预测能力落入到预定可接受限制范围内。也可以使用多个统计工具检查DA模型的精确性,从而验证DA模型。这已经结合图2进行了详细说明。
图4为根据实施例的无形资产的分类方法的流程图。用户确定出分类目标。构建出满足分类目标的DA模型。基于用户确定的分类目标,在410处,处理器基于DA模型对无形资产组进行分类。DA模型包括一个或多个判别函数,这些判别函数用于基于与无形资产组中的一个或多个无形资产相关的属性组将这组无形资产分类为两组或更多组。这已经结合图1进行了详细说明。
为了对无形资产组进行分类,通过使用DA模型生成无形资产组中的每个无形资产的输出评分。基于输出评分,将无形资产组划分成两组或更多组。这已经结合图1进行了说明。
图5是通过使用LDA对与专利资产或知识产权资产相关的两个示例性目标组或事件组进行分类的图形说明。图5示出了在正交轴线上具有两个预测因子或属性X1和X2的两个组(组A和组B)的曲线。可视地观察该曲线,组A的成员趋向于在X2轴上比组B的成员具有更大的值。但是,将X2用作组A或组B的唯一预测因子将产生出较差的结果,这是因为组A在X2上的分布(曲线510)和组B在X2上的分布(曲线520)的重叠部分(阴影区530)较大,并且该较大的重叠区域(阴影区530)表示将组A中的目标或事件误分类成属于组B的可能性很高,或者反之亦然。因此,X2是这两组之间的较差判别因子。同样,将X1用作组A或组B的唯一预测因子也将产生不令人满意的结果,这是因为同样在轴线X1上在这两组之间存在明显的重叠部分(在图5中未示出)。因此,在该示例中,只使用其中一个预测因子不能获得精确的区分。
在上面的简单示例性示例中,LDA得到两个预测因子或属性(X1和X2)的线性转换,该线性转换产生新的转换值组(判别评分或Z评分),与单独的任一预测因子相比,该新的转换值组提供了更精确的判别:
Z=f(X1,X2)=C1*X1+C2*X2
如图5所示,组A在Z上的分布(曲线550)和组B在Z上分布(曲线560)相互重叠。可以使用切割评分线540将目标分配到组A或组B中。例如,其Z评分低于切割评分线的目标分配给组A,而其Z评分高于切割评分线的目标分配给组B。要指出的是,组A的Z分布(曲线550)和组B的Z分布(曲线560)的重叠部分(阴影区570)与阴影区530相比较小。因此,线性转换使得能够更好地区分组A和组B,并且因此降低了将组A中的目标或事件误分类成属于组B的可能性或反之亦然。
广义上讲,LDA可以使用以下通常形式来评估单个独立变量Y1与一组独立变量X1至Xn之间的关系:
Y1=X1+X2+X3+…+Xn
其中,Y1为非度量变量或分类变量,即从一个分类状态到另一个分类状态变化的变量,例如从好到坏、从高到低、从贵到贱,并且X1-Xn是度量变量,即在尺寸范围上具有数值的变量,例如年龄,权利要求的数量或美元数。独立变量也可以是非度量变量,例如实体大小、资产的法律状态等。与LDA相反,普通的回归分析确定了度量或非度量的非独立变量。
通过具有下面形式的公式获得LDA线性组合(也被称为判别函数或变量):
Zjk=fj(X1k,X2k,…,Xnk)=a+W1X1k+W2X2k+……+WnXnk
其中,Zjk=目标k的判别函数j的判别评分(在该情况下,k为专利资产,其由专利号、公开号等来识别)
fj()=判别函数j
a=截距
Wi=独立变量i的判别权重
Xik=目标k的独立变量i
应认识到,LDA计算出NG-1个判别函数,其中,NG为独立变量中的组数。例如,在存在两组时,LDA计算出一个判别函数,而在存在三组时,LDA计算出两个判别函数。通过判别函数fj()来界定判别评分(Zjk)。针对各个判别函数上的各个目标计算出判别评分,并且将判别评分与切割评分线结合使用来确定预测的组成员资格。例如,在三组或三级独立变量的情况下,每个目标将具有用于每个判别函数(判别函数一和二)的评分,从而使得能够二维地绘制这些目标,其中各个维度表示各个判别函数。因此,LDA不限于如在回归分析中的单个变量(变量的单个线性组合),而是创建用于表示这些组之间的判别维度的多个变量。
LDA涉及获取判别函数,这些判别函数将用于在多个规定组之间进行很好区分。通过为各个独立变量设定判别权重以使得组间差异相对于组内差异最大化,来实现判别。如果组间差异相对于组内差异较大,则可以推断出,该判别函数能够很好地区分这些组。例如,图6示出了两个组:各个组的成员分别由开圆和十字表示。由于在组间差异相对于组内差异较大,所以通过该判别函数可以很好地分离这些组。
针对判别函数的统计显著性的示例性测试包括:对两组或更多组的判别评分的分布进行比较。参照图5,如果在分布的重叠较小,则该判别函数能够很好地判别(参见阴影区570)。如果重叠部分较大,则该函数对组之间的判别较差(参见阴影区530)。
图7表示根据实施例的专利评分和分类模型的示例性构建过程的流程图。在710处,确定或选择评分过程的目标。在一个示例中,目标用于基于专利资产在独立变量组上的评分将专利资产分类成组。例如,公司可能需要获取特定技术领域中的专利资产,并且与想要购买的专利资产相比存在更多的候选专利资产。在该情况下,一个目的在于基于这些专利资产的预计未来货币价值将这些候选专利资产分类成两组或更多组。独立变量组可以是专利资产属性或特征,例如在专利资产中的独立权利要求的数量、从属权利要求的数量、专利资产的年龄等。一旦将这些候选专利资产分类,则可以使用该结果来帮助管理团队判断要购买哪些(哪个)专利资产。
在另一个示例中,公司可能需要判断是否要继续进行其专利组合内的一些专利申请。在该情况下,一个目的在于基于预计的专利申请授权可能性将专利申请分类成两个组。一旦将这些专利申请分类,则可以使用该结果来帮助执行者判断要将哪些(哪个)专利申请保持在其专利组合中。应认识到,可以使用专利评分方法来按照许多不同的方式对专利资产进行分类。上面的实施例不是详尽的。评分方法不论用户何时识别单个分类/非度量非独立变量和几个度量或非度量独立变量(例如,这些变量与专利资产相关)的情况下都是合适的。
在一个示例中,公司可能需要改进其专利战略,以便对其专利组合的开发并和维护成本的同时使其专利组合的价值最大化。例如,该公司可能有意确定减少或限制专利中的页数、专利同族的数量、权利要求中的项数等是否会明显降低其专利组合的整体价值。在一个示例中,因此,该目的在于确定两个(或更多个)先验规定的组的变量组上的平均评分特性之间是否存在统计学显著差异。
如果在一个独立变量(X1)和其它独立变量之间在判别函数中存在高的多重共线性,则在不明显降低该模型的判别能力的情况下可以从判别函数将X1去除。在一个示例中,目标可包括:确定这些独立变量中的哪个独立变量对两组或更多组中的平均评分特性的差异贡献更大。在另一个示例中,目标可以包括:确定由独立变量潜在组形成的组之间的判别维度的数量和组成。
接着,参照图7,在720处,考虑LDA模型设计问题。这些设计问题可以包括下面中的一个或多个:判别函数的非独立和独立变量的选择、样本大小、以及将样本分成两个子样本的划分(一个子样本用于评估判别函数,并且另一个子样本用于验证整个判别模型)。
如针对LDA所述,非独立变量是分类的(非度量的),或者至少可以被转变成数字值,并且独立变量通常是度量的。在一个示例中,非独立变量可以具有两组,例如最终获得授权的专利申请与最终放弃的专利申请。在其它示例中,非独立变量可以涉及三个以上的组。在一些示例中,非独立变量是真的多分变量,并且在没有任何修改的情况下各个组相互排斥并且是完备的。
在一个示例中,专利资产组的市场价值可以用作非独立变量,并且这些专利资产的属性或特征(专利量度)用作独立变量。由于专利资产的市场价值是数字的,即它能够在连续区间中取值,所以在应用判别分析之前将市场价值转变成分类变量。在一个示例中,通过使用上四分位Q3值(市场/销售价格)作为类别划分点或截止线(根据上四分位截止线将高值与低值分开)来比较上四分位专利与其余专利资产,由此进行判别分析。在其它示例中,可以通过使用上四分位值Q3、中间值Q2、60百分位P60和80百分位P80作为市场价值划分点来创建具有三组或更多组的不同类别变量。在另一个示例中,可以将类别变量创建成仅包括两个极端组,例如市场价值中的顶部10百分位内的专利资产组和市场价值中底部10百分位内的专利资产组,从而排除了落入在这两个极端组之外的专利资产。
独立变量通常为度量变量。它们是与专利资产的价值和质量相关的属性或特征(专利度量)。可以基于不同的研究和观察来确定这些属性。例如,所识别的专利属性和市场中的实际专利资产价值之间关系的现有文字和统计分析的查看可以为判别分析创建专利属性组。
也可以基于与专利所有人、知识产权(IP)资产管理者、IP律师和其它专家的会谈来确定专利属性。数据二次研究、对专利活动的当前趋势的观察、定性推断和经验也可以产生出额外的专利属性。表1中列出了非穷举的示例性专利属性组。
表1
在图7的720处可能考虑到的另一个LDA模型设计问题在于样本组的大小。通常,LDA对样本大小与独立变量数量之间的比例是敏感的。一般地,针对各个独立变量应该进行二十次或更多次观察,以便避免出现不稳定的结果。即使在所考虑到的所有变量没有输入到判别函数中的情况下(例如在逐步评估中),在分析时,在所建议的最小样本组大小的情况下,对每个独立变量进行五次观察,并且该比例应用到所考虑到的所有变量。除了整体样本大小之外,组大小通常应该超过独立变量的数量。
在图7的720处可能考虑到的另一个LDA模型设计问题在于将样本分成两个子样本,一个子样本用于评估判别函数,并且另一个子样本用于验证整体判别模型。另外,在一个示例中,将样本随机地分成两组,一组用于模型评估(分析样本),并且另一组用于模型验证(保留样本(holdout sample))。因此,一个或多个无形资产测试组包括分析样本和保留样本。函数的验证方法是已知的交叉验证方法。组之间的划分可以为50-50、60-40、75-25等。在一个示例中,选择用于保留样本的组的大小与总样本分布成正比。
注意,LDA通常在满足几个基本假定的情况下很好地运作。例如,LDA通常假定(但不是必须)独立变量具有多元正态分布(multivariatenormal distribution)。LDA通常还假定(但不是必须)组具有相同的协方差矩阵(covariance matrices)。通常,LDA在独立变量之间的多重共线性较小时(即独立变量不是高度相关的,使得一个独立变量能够通过其它独立变量时)很好地运作。继续参照图7,在730处获得判别函数,并且评估LDA模型以便与实际数据完全匹配。例如,估计判别函数权重,并且确定LDA模型的统计显著性和有效性。在一个示例中,通过同时估计方法(simultaneous estimation method)来计算判别函数,在该同时估计方法中同时考虑所有的独立变量。在该方法中,根据整个单独变量组计算出判别函数,而不论各个独立变量的判别能力如何。该方法在不需要从模型中去除弱评估能力的独立变量时是适用的。在另一个示例中,通过逐步估计方法计算判别函数,在该逐步估计方法中将具有最高判别能力的独立变量相继地输入到判别函数中。
在估计判别函数之后,确定整个判别模型的统计显著性以及各个所评估的判别函数的统计显著性。如先前所述,LDA估计NG-1个判别函数,其中NG是非独立变量中的组数。例如,在存在两组时,LDA计算出一个判别函数,并且在存在三组时,LDA计算出两个判别函数。如果一个或多个函数在统计上不显著,则使用被限制成显著函数数量的函数数量来重新估计该判别模型。评估统计显著性存在有多种标准,这些标准包括但不限于Roy最大特征根、Wilks'Lambda、Hotelling轨迹和Pillari判据。在一个示例中,为各个独立变量注释出Wilks'lambda显著性值,并且使用的显著性判据是0.05。在判别模型中只包括在统计上显著的那些独立变量,并且提取它们的判别权重。
应认识到,整个模型中以及判别函数中的统计显著性不一定意味着模型的预测精度是可接受的。因此,在一个示例中,在确定出统计显著性之后,可以使用分类矩阵(classification matrices)来估计模型的预测精度。
如先前所述,可将样本分成分析样本和保留样本。在构建判别函数时使用分析样本。将从分析样本中获取的权重应用于保留样本的评分和分类。保留样本的评分和分类用来构建分类矩阵,所构建的分类矩阵包含当专利资产与市场价值比较时正确分类的和不正确分类的专利资产的数量。正确分类的专利资产的百分比通常被称为命中率。命中率越高,则预测精度越高。
可以通过将从分析样本计算出的判别权重与保留样本中的对应于这些判别权重的独立变量相乘,来计算保留样本中的各个专利资产的判别评分。在一个示例中,如果保留样本中的专利资产的判别评分小于切割评分线,则将专利资产归类为低价值专利资产,并且如果评分大于切割评分线,则将专利资产归类为高价值专利资产。由于保留样本内的专利资产的市场价值是已知的,所以可以发现正确分类的专利资产的数量,并且因此可以确定命中率。在一个示例中,85%或更高的命中率被认为是令人满意的。在另一个示例中,可以将该命中率与仅偶然地(即不在函数的辅助下)正确分类专利资产的可能性相比,来评估该模型的整体匹配性。在组的样本大小相等的简单示例中,将偶然地正确分类的可能性的估计值是组数的倒数。例如,在两组函数中,可能性为0.5,对于三组函数而言可能性将为0.33。
继续参照图7,在740处,检验各个独立变量在组间进行判别时的相对重要性。在一个示例中,检验判别函数中各个独立变量的判别权重的大小。注意,判别权重的符号表示相应独立变量是作出正贡献还是作出负贡献。判别权重的大小表示相应独立变量对于判别函数的相对贡献。因此,与权重较小的独立变量相比,具有相对更大权重的独立变量对于判别函数的判别能力的贡献更大。
在另一个示例中,可以使用判别负荷(被称为结构系数或结构相关性)作为判别权重来评估各个独立变量对于判别函数的相对贡献。判别负荷对给定的独立变量和与给定的判别函数相关的判别评分之间的相关性进行估计。判别负荷反映出独立变量与判别函数共享的变量,并且其可以解释为类因子负荷(like factor loading)。
在又一个示例中,在使用逐步评估方法(与同时评估方法相反)时,可以使用偏F(partial F)值来评估每个变量的相关显著性水平。偏F测试用来确定偏F数值,并且是用于在如下变量的预测精度上的额外贡献的F测试,该变量的预测精度高于判别函数中已存在的变量的预测精度。对显著性F值的绝对大小进行检验并分级。较大的F数值表示更大的判别能力。
继续参照图7,在750处,可以对判别结果进行验证以提供如下保证:这些结果具有外部有效性以及内部有效性。例如,在某些实施例中,可以使用交叉验证来识别和校正如下情形:仅在分析样本上评估时,判别分析扩大了命中率。因此,可以将数据组随机地划分成分析样本和保留样本,保留样本用于验证。验证通常确定特定变量对于特定目标来说是否是好的判别因子,并且可以去除不是好的判别因子的那些变量。可以通过使用以下方法中的一种或多种方法来进行验证:方差分析(ANOVA)、Wilk均数齐性测试(Wilk's Test of equality of means)、自动交叉检测(Automatic interaction detector)、卡方自动交叉检验(CHi-squared Automatic Interaction Detector,CHAID)、聚类分析(clustering)、Spearman等级相关性(Spearman's rank correlation)或其它验证技术。
返回到图7,在760处,可以使用已获得的判别函数来确定专利资产的专利评分,并测试专利评分的统计显著性和预测精度,以及进行验证等。在一个示例中,可以基于评分来将专利资产分级,其中评分越高其等级越高。在一个示例中,可以通过将专利评分与切割评分线进行比较来将专利资产划分到至少两组专利资产中的一组中。例如,如果专利评分小于切割评分线,则该专利资产属于第一组,如果专利评分大于切割评分线,则专利资产属于第二组。
应认识到,在一些实施例中,在上面所述的一些步骤可以按照不同的顺序进行,或者可以同时而不是顺序进行。例如,在评估统计显著性或预测精度之前,可以检查各个独立变量在组之间进行判别时(图7中的740)的相对重要性。在一些实施例中,可以重复进行上述步骤中的一些步骤。例如,在检查每个独立变量在组之间进行判别时的相对重要性(图7中的740)之后,再次计算判别函数(图7中的730)。在一些实施例中,可以省略一些步骤,例如,可以在不评估各个独立变量的重要性(图7中的740)和/或验证判别结果(图7中的750)的情况下构建LDA模型。另外,可以在事实上没有对目标专利资产进行分类的情况下,使用构建的LDA模型来对专利资产评分。
将认识到,可以在服务器-客户端环境(例如在诸如互联网等网络中)下实施用于构建和/或使用LDA模型的示例性方法和系统。用于构建和/或使用LDA模型的合适界面例如可以包括网络-浏览器界面。另外,可以从专利资产数据集(例如客户端和/或服务器的远程或本地数据库)中获取专利资产。
这里所述的多个技术可以在硬件或软件或两者的组合中来实施。优选地,这些技术可以在可编程计算机上所执行的计算机程序中实施,各个所述计算机包括处理器、可由处理器读取的存储介质(包括易失性和非易失性存储器和/或存储元件)以及合适的输入和输出设备。将程序代码应用于由输入设备输入的数据以执行上述函数,并且产生输出信息。将该输出信息应用于一个或多个输出设备。而且,各个程序优选地实施在高等级程序或面对目标的编程语言中来与计算机系统通信。然而,需要时,可以在汇编或机器语言的方式实施这些程序。在任何情况下,语言可以是编译或解释语言。
各个此类计算机程序优选地存储在可由通用或专用可编程计算机读取的存储介质或设备(例如CD-ROM、硬盘或磁盘)上,以便在计算机读取存储介质或设备时来配置和操作计算机,从而执行上述过程。该系统还可以实施为配置有计算机程序的计算机可读存储介质,其中这样配置的存储介质使得计算机按照特定的、预定的方式操作。
图8表示可以用来实施本发明各个实施例的处理功能的示例性计算机系统800(例如SIMD设备、客户端设备、服务器设备、一个或多个处理器等)。本领域普通技术人员还将认识到如何使用其它计算机系统或构架来实施本发明。计算机系统800例如可以是用户设备,例如桌上型电脑、移动电话、个人娱乐设备、DVR等、主机、服务器或任意其它适用于给定用途或环境的专用或通用计算设备。计算系统800可包括一个或多个处理器,例如处理器804。处理器804可使用通用或专用处理引擎(例如微处理器、微控制器或其它控制逻辑)来实施。在该实施例中,处理器804与总线802或其它通信介质连接。
计算系统800还可以包括主存储器808,主存储器808优选为随机存取存储器(RAM)或其它动态存储器,以用于存储处理器804所执行的信息和指令。主存储器808还可以在处理器804执行指令期间存储临时变量或其它中间信息。计算系统800同样可以包括与总线802耦合的只读存储器(“ROM”)或其它静态存储设备,以便存储于处理器804的静态信息和指令。
计算系统800还可以包括信息存储机构810,信息存储机构810例如可以包括介质驱动装置812和可拆卸存储接口820。介质驱动装置812可以包括用于支持固定或可拆卸存储介质的驱动装置或机构,例如硬盘驱动器、磁盘驱动器、磁带驱动器、光盘驱动器、CD或DVD驱动器(R或RW)或其它可拆卸或固定介质驱动器。存储介质818例如可以包括硬盘、磁盘、磁带、光盘、CD或DVD或其它通过介质驱动装置812读取或写入的固定或可拆卸介质。如这些实施例所述,存储介质818可以包括存储有特定计算机软件或数据的计算机可读存储介质。
在可选实施例中,信息存储介质810可以包括用于使计算机程序或其它指令或数据能够装载到计算系统800中的其它类似设备。这些设备例如包括可拆卸存储单元822和接口820,例如程序盒式存储器和盒式接口、可拆卸存储器(例如闪存或其它可拆卸存储器模块)和存储器插槽以及其它可拆卸存储单元和使得软件和数据能够从可拆卸存储单元822传输给计算系统800的接口820。
计算系统800还可以包括通信接口824。通信接口824可以用于使软件和数据能够在计算系统800和外部设备之间传输。通信接口824的示例包括调制解调器、网络接口(例如以太网或其它NIC卡)、通信端口(例如USB端口)、PCMCIA插槽和卡等。通过通信接口824传输的软件和数据具有信号的形式,这些信号可以是能够由通信接口824接收到的电子、电磁、光学或其它信号。通过信道828将这些信号提供给通信接口824。该信道828可以传输信号,并且可以使用无线介质、电线或线缆、光纤或其它通信介质来实施。信道的一些示例包括电话线、蜂窝电话链路、RF链路、网络接口、局域网或广域网以及其它通信信道。
在本文中,例如,术语“计算机程序产品”和“计算机可读介质”通常可以用来指代诸如存储器808、存储设备818、存储单元822或在信道828上的信号等介质。计算机可读介质可以涉及向处理器804提供用于执行的一个或多个指令的一个或多个序列。通常被称为“计算机程序代码”(可以编组成计算机程序或其编组)的这些指令在被执行时能够使计算系统800执行本发明实施例的特征或功能。
在使用软件来实施这些元件的实施例中,软件可以存储在计算机可读介质中并且使用例如可拆卸存储驱动器814、驱动器812或通信接口824装载到计算系统800中。控制逻辑(在该示例中,软件指令或计算机程序代码)在由处理器804执行时能够使处理器804执行本发明的上述函数。
将理解的是,为了清楚起见,参照不同的功能单元和处理器对本发明的实施例进行了说明。然而,显而易见的是,在不脱离本发明的情况下可以使用在不同功能单元、处理器或范畴之间任意合适的功能分布。例如,由不同处理器或控制器执行的功能可以由同一处理器或控制器执行。因此,对特定功能单元的参照只是提供对用于提供所述功能的合适手段的参照,而不是表示严格的逻辑或物理结构或组织。
虽然本发明已结合一些实施例对本发明进行了说明,但并不打算将本发明限于在这里给出的具体形式。而是,本发明的范围仅仅由权利要求所限定。另外,虽然一些特征可以变现为是结合特定实施例来描述的,但本领域普通技术人员将认识到所描述的各个特征可以按照本发明进行组合。
另外,虽然被个别地列出,但是多个装置、单元或方法可以由例如单个单元或处理器来实施。另外,虽然单独的特征可以被包括在不同权利要求中,但这些特征可能可以有利地组合,以及包括在不同权利要求中的内容并不意味着特征的组合是不可行的和/或是不利的。另外,将特征包含在一类权利要求中并不意味着限制到这个类别,而是表明该特征同样地可以适当地应用于其它权利要求类别。
Claims (29)
1.一种用于分类无形资产的方法,所述方法包括:
确定分类目标;
通过处理器使用一个或多个无形资产测试组来构建判别分析(DA)模型,其中,所述DA模型包括至少一个判别函数,所述判别函数用于基于与所述一个或多个无形资产测试组中的至少一个无形资产相关的属性组将所述一个或多个无形资产测试组分类成至少两组,以满足所述分类目标;并且
通过所述DA模型来分类无形资产目标组。
2.如权利要求1所述的方法,其中,所述分类目标包括潜在估价、诉讼可能性、诉讼结果、潜在商业化和随后的续期/放弃决定。
3.如权利要求1所述的方法,其中,所述一个或多个无形资产测试组中的一个无形资产测试组与一个所述分类目标相关。
4.如权利要求1所述的方法,其中,所述判别分析(DA)模型包括线性判别分析(LDA)模型,并且所述至少一个判别函数包括至少一个线性判别函数。
5.如权利要求1所述的方法,其中,所述至少一个判别函数包括所述属性组中的加权属性的组合。
6.如权利要求5所述的方法,其中,构建所述DA模型的所述步骤包括:确定所述属性组中的至少一个属性的权重。
7.如权利要求6所述的方法,其中,确定所述权重的所述步骤包括:确定具有未知权重的属性与具有已知权重的属性之间的关系,并且应用相关性因子以基于所述具有已知权重的属性的权重来确定所述具有未知权重的属性的权重。
8.如权利要求1所述的方法,其中,分类所述无形资产测试组或所述无形资产目标组的所述步骤包括:确定所述DA模型的针对所述无形资产测试组或所述无形资产目标组中的各个无形资产的输出评分,并且基于针对各个无形资产确定的所述输出评分将所述无形资产测试组或所述无形资产目标组分成两组或更多组。
9.如权利要求1所述的方法,其中,所述一个或多个无形资产测试组中的各个无形资产测试组包括多个针对给定目标具有已知价值、已知结果、预定价值和预定结果中的一者的无形资产。
10.如权利要求9所述的方法,其中,构建所述DA模型的所述步骤包括:通过基于所述已知价值、所述已知结果、所述预定价值和所述预定结果中的一者验证所述无形资产测试组的分类来确定所述DA模型的预测能力。
11.如权利要求10所述的方法,其中,构建所述DA模型的所述步骤包括:反复改进所述至少一个判别函数,使得所述DA模型的预测能力落入到预定可接受限制内。
12.如权利要求11所述的方法,其中,反复改进所述至少一个判别函数的所述步骤包括:针对所述属性组中的至少一个属性,调节与该相应属性相关的权重。
13.如权利要求1所述的方法,其中,构建所述DA模型的所述步骤包括:通过使用多个统计工具来验证所述DA模型。
14.如权利要求13所述的方法,其中,所述多个统计工具包括方差分析(ANOVA)测试、Spearman秩相关系数测试、卡方自动交叉检验(CHAID)测试和Wilk'Lamba测试中的一者。
15.如权利要求1所述的方法,其中,构建所述DA模型的所述步骤是针对特定技术领域进行的。
16.一种用于构建判别分析(DA)模型的方法,所述DA模型用于分类无形资产,所述方法包括:
通过处理器获得至少一个判别函数,所述判别函数用于基于与无形资产测试组中的至少一个无形资产相关的属性组将所述无形资产测试组分类成两组或更多组,所述至少一个判别函数包括所述属性组中的加权属性的组合。
17.如权利要求16所述的方法,还包括:
确定分类目标,
其中,获得所述至少一个判别函数的所述步骤包括:获得所述至少一个判别函数以满足所述分类目标。
18.如权利要求16所述的方法,其中,获得所述至少一个判别函数的所述步骤包括:确定所述属性组中的至少一个属性的权重。
19.如权利要求16所述的方法,还包括:通过基于与所述无形资产测试组的已知价值、已知结果、预定价值和预定结果中的一者相比的所述DA模型验证所述无形资产测试组的分类来确定所述DA模型的预测能力。
20.如权利要求19所述的方法,其中,所述获得步骤包括:反复地改进所述至少一个判别函数,使得所述DA模型的预测能力落入到预定可接受限制范围内。
21.如权利要求16所述的方法,还包括:使用多种统计工具来验证所述DA模型。
22.一种用于分类无形资产的方法,所述方法包括:
通过处理器基于判别分析(DA)模型来分类无形资产组,所述DA模型包括至少一个判别函数,所述判别函数用于基于与所述无形资产组中的至少一个无形资产相关的属性组将所述无形资产组分类成至少两组。
23.如权利要求22所述的方法,还包括:
确定分类目标,
其中,所述DA模型配置成满足所述分类目标。
24.如权利要求22所述的方法,其中,分类所述无形资产组的所述步骤包括:
产生所述DA模型的针对各个所述无形资产的输出评分,并且
根据所述输出评分将所述无形资产组分成两组或更多组。
25.一种用于分类无形资产的判别分析(DA)模型,所述DA模型包括:
至少一个判别函数,所述判别函数用于基于与无形资产组中的各个无形资产相关的属性组将所述无形资产组分类成至少两组,所述至少一个判别函数包括所述属性组中的加权属性的组合。
26.如权利要求25所述的DA模型,其中,所述DA模型包括线性判别分析(LDA)模型,且所述至少一个判别函数包括至少一个线性判别函数。
27.一种包括用于分类无形资产的计算机可执行指令的计算机可读存储介质,所述指令包括:
使用一个或多个无形资产测试组来构建判别分析(DA)模型,其中,所述DA模型包括至少一个判别函数,所述判别函数用于基于与所述一个或多个无形资产测试组中的至少一个无形资产相关的属性组将所述一个或多个无形资产测试组分类成至少两组;以及
通过所述DA模型来分类无形资产目标组。
28.一种用于分类无形资产的设备,所述设备包括:
处理器,其配置成:
使用一个或多个无形资产测试组来构建判别分析(DA)模型,其中,所述DA模型包括至少一个判别函数,所述判别函数用于基于与所述一个或多个无形资产测试组中的至少一个无形资产相关的属性组将所述一个或多个无形资产测试组分类成至少两组;以及
通过所述DA模型来分类无形资产目标组。
29.一种用于分类无形资产的设备,所述设备包括:
使用一个或多个无形资产测试组来构建判别分析(DA)模型的构件,其中,所述DA模型包括至少一个判别函数,所述判别函数用于基于与所述一个或多个无形资产测试组中的至少一个无形资产相关的属性组将所述一个或多个无形资产测试组分类成至少两组;以及
通过所述DA模型来分类无形资产目标组的构件。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/IB2010/000335 WO2011089461A1 (en) | 2010-01-25 | 2010-01-25 | Patent scoring and classification |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102725772A true CN102725772A (zh) | 2012-10-10 |
Family
ID=42236529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201080062400.5A Pending CN102725772A (zh) | 2010-01-25 | 2010-01-25 | 专利评分和分类 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20120296835A1 (zh) |
CN (1) | CN102725772A (zh) |
WO (1) | WO2011089461A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112789647A (zh) * | 2018-10-01 | 2021-05-11 | 马里兰怡安风险服务有限公司 | 用于无形资产分析的框架 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120317041A1 (en) * | 2011-06-08 | 2012-12-13 | Entrepreneurial Innovation, LLC. | Patent Value Calculation |
WO2015190485A1 (ja) * | 2014-06-10 | 2015-12-17 | アスタミューゼ株式会社 | 知的財産権の評価の方法、システム、および、プログラム |
US10832360B2 (en) * | 2015-10-20 | 2020-11-10 | International Business Machines Corporation | Value scorer in an automated disclosure assessment system |
US10417341B2 (en) | 2017-02-15 | 2019-09-17 | Specifio, Inc. | Systems and methods for using machine learning and rules-based algorithms to create a patent specification based on human-provided patent claims such that the patent specification is created without human intervention |
US11593564B2 (en) | 2017-02-15 | 2023-02-28 | Specifio, Inc. | Systems and methods for extracting patent document templates from a patent corpus |
US10621371B1 (en) | 2017-03-30 | 2020-04-14 | Specifio, Inc. | Systems and methods for facilitating editing of a confidential document by a non-privileged person by stripping away content and meaning from the document without human intervention such that only structural and/or grammatical information of the document are conveyed to the non-privileged person |
US10747953B1 (en) | 2017-07-05 | 2020-08-18 | Specifio, Inc. | Systems and methods for automatically creating a patent application based on a claim set such that the patent application follows a document plan inferred from an example document |
US11023662B2 (en) | 2017-02-15 | 2021-06-01 | Specifio, Inc. | Systems and methods for providing adaptive surface texture in auto-drafted patent documents |
US10713443B1 (en) * | 2017-06-05 | 2020-07-14 | Specifio, Inc. | Machine learning model for computer-generated patent applications to provide support for individual claim features in a specification |
JP6306786B1 (ja) * | 2017-08-17 | 2018-04-04 | 株式会社ゴールドアイピー | 知的財産支援装置および知的財産支援方法並びに知的財産支援プログラム |
US10984476B2 (en) * | 2017-08-23 | 2021-04-20 | Io Strategies Llc | Method and apparatus for determining inventor impact |
JP6457058B1 (ja) * | 2017-12-06 | 2019-01-23 | 株式会社ゴールドアイピー | 知的財産システム、知的財産支援方法および知的財産支援プログラム |
CN110969330A (zh) * | 2018-09-30 | 2020-04-07 | 曹西军 | 企业竞争壁垒评估方法及系统 |
KR102161666B1 (ko) * | 2020-04-22 | 2020-10-05 | 한밭대학교 산학협력단 | LDA 토픽 모델링과 Word2vec을 활용한 유사 특허 문서 추천 시스템 및 방법 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6330547B1 (en) * | 1999-06-02 | 2001-12-11 | Mosaic Technologies Inc. | Method and apparatus for establishing and enhancing the creditworthiness of intellectual property |
US7996155B2 (en) * | 2003-01-22 | 2011-08-09 | Microsoft Corporation | ANOVA method for data analysis |
-
2010
- 2010-01-25 WO PCT/IB2010/000335 patent/WO2011089461A1/en active Application Filing
- 2010-01-25 CN CN201080062400.5A patent/CN102725772A/zh active Pending
- 2010-01-25 US US13/575,126 patent/US20120296835A1/en not_active Abandoned
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112789647A (zh) * | 2018-10-01 | 2021-05-11 | 马里兰怡安风险服务有限公司 | 用于无形资产分析的框架 |
Also Published As
Publication number | Publication date |
---|---|
WO2011089461A1 (en) | 2011-07-28 |
US20120296835A1 (en) | 2012-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102725772A (zh) | 专利评分和分类 | |
CN110009479B (zh) | 信用评价方法及装置、存储介质、计算机设备 | |
Hartson et al. | Criteria for evaluating usability evaluation methods | |
Hartson et al. | Criteria for evaluating usability evaluation methods | |
Kočišová et al. | Discriminant analysis as a tool for forecasting company's financial health | |
WO2006004131A1 (ja) | 企業評価装置、企業評価プログラム並びに企業評価方法 | |
CN111523996A (zh) | 一种审批方法及系统 | |
CN112700325A (zh) | 一种基于Stacking集成学习的网贷回头客预测的方法 | |
CN113449942A (zh) | 客户体验评测方法、系统及管理平台 | |
Svabova et al. | Prediction model of firms financial distress | |
Wetter et al. | Improving business failure prediction for new firms: Benchmarking financial models with human and social capital | |
Chermiti | Establishing Risk and Targeting Profiles Using Dara Mining: Decision Trees | |
EP2610811A1 (en) | Determining a personalized fusion score | |
Ekel et al. | South American business environment cost index: reforms for Brazil | |
CN111191889A (zh) | 一种基于逻辑回归与投票式模型集成的评分卡开发方法 | |
Hu et al. | Evaluation and identification of potential high-value patents in the field of integrated circuits using a multidimensional patent indicators pre-screening strategy and machine learning approaches | |
Okpo et al. | Corporate strategies information disclosure and behaviour of investors in the Nigerian capital market | |
Awad et al. | Using data mining tools to prediction of going concern on auditor opinion-empirical study in iraqi commercial | |
KR20130083053A (ko) | 악성 해외건설 프로젝트 판별 시스템 | |
Niknya et al. | Financial distress prediction of Tehran Stock Exchange companies using support vector machine | |
Yip | Business failure prediction: a case-based reasoning approach | |
CN113191888A (zh) | 催收评分方法及装置 | |
Howard et al. | Can Machine Learning Improve Correspondence Audit Case Selection? | |
FALISOVÁ et al. | FINANCIAL PERFORMANCE MEASUREMENT MODELS IN THE AUTOMOTIVE INDUSTRY IN SLOVAKIA. | |
CN112926816B (zh) | 供应商评价方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20121010 |