CN110298545B - 一种基于神经网络的专利评价方法、系统和介质 - Google Patents

一种基于神经网络的专利评价方法、系统和介质 Download PDF

Info

Publication number
CN110298545B
CN110298545B CN201910435780.5A CN201910435780A CN110298545B CN 110298545 B CN110298545 B CN 110298545B CN 201910435780 A CN201910435780 A CN 201910435780A CN 110298545 B CN110298545 B CN 110298545B
Authority
CN
China
Prior art keywords
paper
training
evaluation
thesis
evaluated
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.)
Active
Application number
CN201910435780.5A
Other languages
English (en)
Other versions
CN110298545A (zh
Inventor
韦伟
李小娟
王晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Computing Technology of CAS
Original Assignee
Institute of Computing Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Computing Technology of CAS filed Critical Institute of Computing Technology of CAS
Priority to CN201910435780.5A priority Critical patent/CN110298545B/zh
Publication of CN110298545A publication Critical patent/CN110298545A/zh
Application granted granted Critical
Publication of CN110298545B publication Critical patent/CN110298545B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q50/184—Intellectual property management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Technology Law (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于神经网络的专利评价方法、系统和存储介质，该方法包括：步骤100，获取训练专利，设置训练专利集合；步骤200，获取与所述训练专利集合中任一训练专利相关的一第一论文集合，以及该第一论文集合中任一论文的评价参数，根据该第一论文集合对所述神经网络进行训练，得到该第一论文集合的训练模型；步骤300，确定待评价专利，获取与该待评价专利相关的一第二论文集合，以及该第二论文集合中任一论文的评价参数，并计算所述第二论文集合中每篇论文对该待评价专利的评价指数，以及所述第二论文集合中全部论文的评价指数的算术平均值，得到所述待评价专利的质量指数。该方法和系统的使用大大提高了专利技术质量评价的客观性和准确性。

Description

一种基于神经网络的专利评价方法、系统和介质
技术领域
本发明涉及人工智能领域，尤其涉及一种基于神经网络和论文相似性的专利技术质量评价技术。
背景技术
近年来，知识产权保护在我国经济发展过程中的地位不断提高。围绕知识产权的交易已经成为知识产权保护与服务的重要组成部分。而作为知识产权的交易核心，专利交易在知识产权保护的大背景下，其对经济活动的作用也必将更加突出。但是，长久以来专利交易过程中的一个突出的核心矛盾是如何保证专利的交易价格能够实际的反映专利的实际价值。为了解决这个问题，首先要解决的是如何评价专利的实际价值。在实际操作中，一个专利的实际价值评价过程通常包含市场、法律、技术等多方面的多个维度。每种不同的评价方法对不同维度的考量也不尽相同。聚焦到技术因素，目前大多数的专利技术评价方法大多都是通过专家或同行评议的方法进行，在这种方法下，受限于专家知识领域或知识限制，甚至专家的利益归属，很难能够做到客观公正的对专利的实际技术价值进行评价。
发明内容
为了解决上述技术问题，本发明目的在于提供一种针对专利技术质量评价的技术方法，该方法通过神经网络与相似度计算的基础上，通过论文的客观质量参数来评价专利的技术质量。
具体地说，本发明公开了一种基于神经网络的专利评价方法，其特征在于，包括以下步骤：
步骤100，获取训练专利，设置训练专利集合；
步骤200，获取与所述训练专利集合中任一训练专利相关的一第一论文集合，以及该第一论文集合中任一论文的评价参数，根据该第一论文集合对所述神经网络进行训练，得到该第一论文集合的训练模型；
步骤300，确定待评价专利，获取与该待评价专利相关的一第二论文集合，以及该第二论文集合中任一论文的评价参数，并计算所述第二论文集合中每篇论文对该待评价专利的评价指数，以及所述第二论文集合中全部论文的评价指数的算术平均值，得到所述待评价专利的质量指数。
上述评价方法，其特征在于，所述第一论文集合包括与该训练专利具有相同申请信息的一第三论文集合Pa以及与该训练专利任一关键字相对应的非具有相同申请信息的一第四论文集合Pna；
所述第二论文集合包括与该待评价专利具有相同申请信息的一第五论文集合Pa T以及与该待评价专利任一关键字相对应的非具有相同申请信息的一第六论文集合Pna T。
上述评价方法，其特征在于，所述相同申请信息包括专利的发明人和/或申请人。
上述评价方法，其特征在于，所述第三论文集合和所述第五论文集合中论文的评价参数包括论文发表时间t、发表期刊的影响因子r和/或引用因子h；
所述第四论文集合和所述第六论文集合中论文的评价参数包括论文发表时间t、发表期刊的影响因子r、引用因子h和/或作者因子a。
上述评价方法，其特征在于，步骤200，还包括：
步骤210，分别获取所述第三论文集合Pa中各论文pi a和所述第四论文集合Pna中各论文pi na的评价参数；
步骤220，计算所述论文pi a和pi na各自与所述训练专利T之间的相似性
Figure BDA0002070464460000021
分别得到论文pi a的表征向量
Figure BDA0002070464460000022
和论文pi na的表征向量
Figure BDA0002070464460000023
步骤230，将所述论文pi a的表征向量
Figure BDA0002070464460000024
和所述论文pi na的表征向量
Figure BDA0002070464460000025
分别输入所述神经网络进行训练，分别得到第三论文集合Pa的训练模型：
Figure BDA0002070464460000026
和第四论文集合Pna的训练模型：
Figure BDA0002070464460000031
其中，Ma(T，pi a)与Mna(T，pi na)的值域为(0，100]。
上述评价方法，其特征在于，所述第三论文集合和第四论文的获取方法，包括：
步骤211，获取所述训练专利集合中每一训练专利T的发明人和/或申请人信息，并获取每一训练专利T的关键字，形成训练专利的关键字集合K；
步骤212，根据所述每一训练专利T的发明人和/或申请人信息搜索论文，形成第三论文集合Pa；
步骤213，根据所述每一训练专利T的关键字集合K的每一关键字k搜索论文，形成第四论文集合Pna。
上述评价方法，其特征在于，所述步骤300还包括：
步骤310，获取所述第五论文集合Pa T中各论文pi aT的评价参数，并计算所述论文pi aT与所述待评价专利T之间的相似性SSi aT，得到论文pi aT的表征向量
Figure BDA0002070464460000032
从而得到第五论文集合Pa T的表征向量集合
Figure BDA0002070464460000033
步骤320，获取所述第六论文集合Pna T中各论文pi naT的评价参数，并计算所述论文pi naT与所述待评价专利T之间的相似性SSi naT，得到论文pi naT的表征向量
Figure BDA0002070464460000034
从而得到第六论文集合Pa T的表征向量集合
Figure BDA0002070464460000035
步骤330，计算专利质量指数M，计算公式为：
Figure BDA0002070464460000036
其中，na＝|Pa T|，nna＝|Pna T|；
步骤340，根据所述专利质量指数M确定专利的评价。
上述评价方法，其特征在于，所述第五论文集合和第六论文的获取方法，包括：
步骤311，确定待评价专利Tt，并获取待评价专利Tt的发明人和/或申请人信息，以及该专利的关键字，形成关键字集合Kt；
步骤312，根据所述待评价专利Tt的发明人和/或申请人信息搜索论文，形成第五论文集合Pa T；
步骤313，根据所述待评价专利Tt的关键字集合Kt的每一关键字kt搜索论文，形成第六论文集合Pna T。
为实现本发明的另一目的，本发明还公开了一种基于神经网络的专利评价系统，其特征在于，包括：
专利信息读取模块，用于分别读取训练专利和待评价专利的信息；
论文集合获取模块，用于根据读取的所述训练专利的信息和所述待评价专利的信息，分别获取与该训练专利信息相关的一第一论文集合和与该待评价专利信息相关的一第二论文集合，以及所述第一论文集合和所述第二论文集合中各论文的评价参数；
模型训练模块，用于根据获取的该所述第一论文集合中各论文的评价参数，计算所述第一论文集合中各论文与所述训练专利的相似度，得到该第一论文集合中所述各论文的表征向量，并根据该表征向量，对所述神经网络进行训练，得到所述论文集合的训练模型；
专利评价模块，用于根据获取的所述第二论文集合中各论文的评价参数，计算所述第二论文集合中各论文与所述待评价专利的相似度，并计算所述第二论文集合中各论文对该待评价专利的评价指数，以及所述第二论文集合中全部论文的评价指数的算术平均值。
上述评价系统，其特征在于，所述第一论文集合包括与该训练专利具有相同申请信息的一第三论文集合Pa以及与该训练专利任一关键字相对应的非具有相同申请信息的一第四论文集合Pna；
所述第二论文集合包括与所述待评价专利具有相同申请信息的一第五论文集合Pa T以及与所述待评价专利任一关键字相对应的非具有相同申请信息的一第六论文集合Pna T。
上述评价系统，其特征在于，所述相同申请信息包括专利的发明人和/或申请人。
上述评价系统，其特征在于，所述第三论文集合和所述第五论文集合中论文的评价参数包括论文发表时间t、发表期刊的影响因子r和/或引用因子h；
所述第四论文集合和所述第六论文集合中论文的评价参数包括论文发表时间t、发表期刊的影响因子r、引用因子h和/或作者因子a。
为实现本发明的另一目的，本发明还公开了一种可读存储介质，用于存储执行上述方法的计算机程序。
本发明还提出了一种电子设备，包括所述的用于专利技术质量评价的系统，该服务器可以实现对专利技术质量的智能评价。
为让本发明的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。
附图说明
图1为该基于神经网络的专利技术质量评价方法的总体流程
图2为模型训练流程
图3为训练论文集合的获取流程图
图4为同作者论文模型训练网络
图5为其他作者论文模型训练网络
图6为专利评价流程图
图7为待评价专利相关论文集合的获取流程图
具体实施方式
本发明提出了一种以神经网络和相似性计算和基础的专利技术质量评价方法。该方法首先以论文与专利之间的相似性为基础，同时将该相似性计算结果与论文的引用情况、论文发表时间、论文发表期刊、论文作者等多个因素输入神经网络进行训练，形成论文与评价专利之间的技术质量评价模型。在形成上述模型后，在实际评价时，通过对所有专利相关的类似专利应用该评价模型，计算每篇论文对专利的质量评价指数，并最后计算评价质量指数的算术平均为最后的专利质量指数。
本发明提出的专利技术质量评价方法的具体评价步骤如下所示，其工作流程如图1所示：
1、模型训练。模型训练的目的为获得单篇论文与目标评价专利之间的计算模型。假定训练专利集合为
Figure BDA0002070464460000051
那么训练的整体流程如附图2所示，分成以下几个步骤：
S210、获取任意
Figure BDA0002070464460000069
获得相关的论文集合，获取方法如图3所示：首先搜索与目标专利具有相同作者或者是同一单位的论文，获得集合Pa；其次，根据专利T对应的关键字集合K，对任意k∈K，获得非目标专利作者的其他论文，所得到的论文集合为Pna。对于Pa和Pna分别进行如下操作：
S220、对于pi a∈Pa，获得其论文的发表时间t，论文发表期刊的影响因子r以及论文的引用因子。论文的引用因子采用h-index记为h。论文的h-index计算方法可以通过论文的引用数量进行计算，h-index的计算方法不在本文的讨论范围之类，不再赘述。同时，对于pi a，计算pi a与T之间的相似性，得到SSi a，相似性计算可以利用词频+SVM计算方法获得，也可以利用其他类似方法。由此，得到论文pi a的表征向量
Figure BDA0002070464460000061
对于
Figure BDA0002070464460000062
获得其论文的发表时间获得其论文的发表时间t，论文发表期刊的影响因子r，论文的引用因子h以及论文的作者因子a。其中论文的引用因子h同样采用h-index，论文的作者因子采用论文作者的NSP评价指标，该指标已在论文作者评价领域取得广泛使用，其计算方法不在本文讨论范围之内，不再赘述。同时，对于
Figure BDA0002070464460000063
计算
Figure BDA0002070464460000064
与T之间的相似性，得到
Figure BDA0002070464460000065
由此，得到论文
Figure BDA0002070464460000066
的表征向量
Figure BDA0002070464460000067
S230、针对上述两个论文集合Pa和Pna，分别利用附图4和附图5中所示的神经网络进行训练。本实施例中，附图4和附图5所采用的神经网络为BP神经网络。
因此，对于Pa，所得到的训练模型为：
Figure BDA0002070464460000068
代表论文pi a与T之间的评价关系，反应的是单纯利用论文pi a来对T进行质量评价的结果。其中，Ma(T，pi a)的值域为(0，100]，其中，取值越高代表专利技术质量评价越高。
那么，对于Pna，所得到的训练模型为：
Figure BDA0002070464460000071
代表论文
Figure BDA0002070464460000072
与T之间的评价关系，反应的是单纯利用论文
Figure BDA0002070464460000073
来对T进行质量评价的结果。其中，Mna(T，pi na)的值域为(0，100]，其中，取值越高代表专利技术质量评价越高。
此外，对于评价过程所采用的神经网络系统，不限于BP神经网络，也可以采用卷积神经网络等其他神经网络系统。在不同的网络系统中，所采用的训练目标模型函数不同，不再赘述。
2、评价。评价的流程如附图6所示：
在通过训练获得两个论文评价模型Ma(T，pi a)和Mna(T，pi na)后，对评价目标Tt专利进行如下操作：
S310、获得目标专利Tt的作者论文集合和非作者论文集合Pa t和Pna t。该计算方法与步骤S210相同。
S320-330、对于Pa t和Pna t，计算对应的表征向量集合
Figure BDA0002070464460000074
和
Figure BDA0002070464460000075
计算表征向量集合的过程同步骤S220。
S340、对于Pa t和Pna t，计算最终的目标专利评价为：
Figure BDA0002070464460000076
其中，na＝|Pa T|，nna＝|Pna T|。
本评价方法的物理含义可以理解为：Ma(T，pi a)代表的是专利作者对自己专利的技术评价，反应的是作者自身技术实力在目标专利中的体现。Mna(T，pi na)代表的是其他作者的其他论文所反应的目标专利的技术能力，类似于其他论文作者对目标专利的客观评分。最后，步骤S340的计算结果代表所有不同论文对目标专利评价结果的算术平均，以平均掉不同论文、不同作者之间的差异。
本发明的另一实施例中，进一步包括一种存储介质，用于存储执行本发明方法(图1所示)的计算机处理程序。
本发明的另一实施例中，进一步包括一种专利技术质量评价系统，包括所述的存储介质，该专利技术质量评价系统调取并执行该存储介质中的可执行指令，以完成对专利技术的质量评价。
本发明的另一实施例中，进一步包括一种服务器，包括所述的用于专利技术质量评价的系统，该服务器可以实现对专利技术质量的智能评价。例如具有专利技术质量评价功能的单机或联网运行的应用程序或者机器人。
本发明的有益效果在于：通过计算论文与专利技术的相似度，并将该计算结果与论文的客观质量参数输入神经网络，构建论文与评价专利之间的技术质量评价模型，大大提高了专利技术质量评价得客观性和准确性。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (9)

1.一种基于神经网络的专利评价方法，其特征在于，包括以下步骤：
步骤100，获取训练专利，设置训练专利集合；
步骤200，获取与所述训练专利集合中任一训练专利相关的一第一论文集合，以及该第一论文集合中任一论文的评价参数，根据该第一论文集合对所述神经网络进行训练，得到该第一论文集合的训练模型；
步骤300，确定待评价专利，获取与该待评价专利相关的一第二论文集合，以及该第二论文集合中任一论文的评价参数，并计算所述第二论文集合中每篇论文对该待评价专利的评价指数，以及所述第二论文集合中全部论文的评价指数的算术平均值，得到所述待评价专利的质量指数；其中
所述第一论文集合包括与该训练专利具有相同申请信息的一第三论文集合Pa以及与该训练专利任一关键字相对应的非具有相同申请信息的一第四论文集合Pna；所述第二论文集合包括与该待评价专利具有相同申请信息的一第五论文集合Pa T以及与该待评价专利任一关键字相对应的非具有相同申请信息的一第六论文集合Pna T；
所述第三论文集合和所述第五论文集合中论文的评价参数包括论文发表时间t、发表期刊的影响因子r和/或引用因子h；所述第四论文集合和所述第六论文集合中论文的评价参数包括论文发表时间t、发表期刊的影响因子r、引用因子h和/或作者因子a；
步骤200进一步包括：
步骤210，分别获取所述第三论文集合Pa中各论文pi a和所述第四论文集合Pna中各论文pi na的评价参数；
步骤220，计算所述论文pi a和pi na各自与所述训练专利T之间的相似性SSi a、SSi na，分别得到论文pi a的表征向量
Figure FDA0003308131110000011
和论文pi na的表征向量
Figure FDA0003308131110000012
步骤230，将所述论文pi a的表征向量
Figure FDA0003308131110000013
和所述论文pi na的表征向量
Figure FDA0003308131110000014
分别输入所述神经网络进行训练，分别得到所述第三论文集合Pa的训练模型：
Figure FDA0003308131110000021
和所述第四论文集合Pna的训练模型：
Figure FDA0003308131110000022
其中，Ma(T，pi a)与Mna(T，pi na)的值域为(0，100]。
2.根据权利要求1所述的评价方法，其特征在于，所述相同申请信息包括专利的发明人和/或申请人。
3.根据权利要求1所述的评价方法，其特征在于，所述第三论文集合和第四论文的获取方法，包括：
步骤211，获取所述训练专利集合中每一训练专利T的发明人和/或申请人信息，并获取每一训练专利T的关键字，形成训练专利的关键字集合K；
步骤212，根据所述每一训练专利T的发明人和/或申请人信息搜索论文，形成第三论文集合Pa；
步骤213，根据所述每一训练专利T的关键字集合K的每一关键字k搜索论文，形成第四论文集合Pna。
4.根据权利要求1所述的评价方法，其特征在于，所述步骤300还包括：
步骤310，获取所述第五论文集合Pa T中各论文pi aT的评价参数，并计算所述论文pi aT与所述待评价专利T之间的相似性SSi aT，得到论文pi aT的表征向量
Figure FDA0003308131110000023
从而得到第五论文集合Pa T的表征向量集合
Figure FDA0003308131110000024
步骤320，获取所述第六论文集合Pna T中各论文pi naT的评价参数，并计算所述论文pi naT与所述待评价专利T之间的相似性SSi naT，得到论文pi naT的表征向量
Figure FDA0003308131110000025
从而得到第六论文集合Pa T的表征向量集合
Figure FDA0003308131110000026
步骤330，计算专利质量指数M，计算公式为：
Figure FDA0003308131110000027
其中，na＝|Pa T|，nna＝|Pna T|；
步骤340，根据所述专利质量指数M确定专利的评价。
5.根据权利要求1所述的评价方法，其特征在于，所述第五论文集合和第六论文的获取方法，包括：
步骤311，确定待评价专利Tt，并获取待评价专利Tt的发明人和/或申请人信息，以及该专利的关键字，形成关键字集合Kt；
步骤312，根据所述待评价专利Tt的发明人和/或申请人信息搜索论文，形成第五论文集合Pa T；
步骤313，根据所述待评价专利Tt的关键字集合Kt的每一关键字kt搜索论文，形成第六论文集合Pna T。
6.一种基于神经网络的专利评价系统，其特征在于，包括：
专利信息读取模块，用于分别读取训练专利和待评价专利的信息；
论文集合获取模块，用于根据读取的所述训练专利的信息和所述待评价专利的信息，分别获取与该训练专利信息相关的一第一论文集合和与该待评价专利信息相关的一第二论文集合，以及所述第一论文集合和所述第二论文集合中各论文的评价参数；
模型训练模块，用于根据获取的该所述第一论文集合中各论文的评价参数，计算所述第一论文集合中各论文与所述训练专利的相似度，得到该第一论文集合中所述各论文的表征向量，并根据该表征向量，对所述神经网络进行训练，得到所述论文集合的训练模型；
专利评价模块，用于根据获取的所述第二论文集合中各论文的评价参数，计算所述第二论文集合中各论文与所述待评价专利的相似度，并计算所述第二论文集合中各论文对该待评价专利的评价指数，以及所述第二论文集合中全部论文的评价指数的算术平均值；其中
所述第一论文集合包括与该训练专利具有相同申请信息的一第三论文集合Pa以及与该训练专利任一关键字相对应的非具有相同申请信息的一第四论文集合Pna；所述第二论文集合包括与该待评价专利具有相同申请信息的一第五论文集合Pa T以及与该待评价专利任一关键字相对应的非具有相同申请信息的一第六论文集合Pna T；
所述第三论文集合和所述第五论文集合中论文的评价参数包括论文发表时间t、发表期刊的影响因子r和/或引用因子h；所述第四论文集合和所述第六论文集合中论文的评价参数包括论文发表时间t、发表期刊的影响因子r、引用因子h和/或作者因子a；
所述模型训练模块分别获取所述第三论文集合Pa中各论文pi a和所述第四论文集合Pna中各论文pi na的评价参数；并计算所述论文pi a和pi na各自与所述训练专利T之间的相似性SSi a、SSi na，分别得到论文pi a的表征向量
Figure FDA0003308131110000041
和论文pi na的表征向量
Figure FDA0003308131110000042
将所述论文pi a的表征向量
Figure FDA0003308131110000043
和所述论文pi na的表征向量
Figure FDA0003308131110000044
分别输入所述神经网络进行训练，分别得到所述第三论文集合Pa的训练模型：
Figure FDA0003308131110000045
和所述第四论文集合Pna的训练模型：
Figure FDA0003308131110000046
其中，Ma(T，pi a)与Mna(T，pi na)的值域为(0，100]。
7.根据权利要求6所述的评价系统，其特征在于，所述相同申请信息包括专利的发明人和/或申请人。
8.一种可读存储介质，用于存储执行权利要求1至5中任意一种所述方法的计算机程序。
9.一种电子设备，其特征在于，包括权利要求6-7任一项所述的基于神经网络的专利评价系统 。
CN201910435780.5A 2019-05-23 2019-05-23 一种基于神经网络的专利评价方法、系统和介质 Active CN110298545B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910435780.5A CN110298545B (zh) 2019-05-23 2019-05-23 一种基于神经网络的专利评价方法、系统和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910435780.5A CN110298545B (zh) 2019-05-23 2019-05-23 一种基于神经网络的专利评价方法、系统和介质

Publications (2)

Publication Number Publication Date
CN110298545A CN110298545A (zh) 2019-10-01
CN110298545B true CN110298545B (zh) 2022-05-27

Family

ID=68027078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910435780.5A Active CN110298545B (zh) 2019-05-23 2019-05-23 一种基于神经网络的专利评价方法、系统和介质

Country Status (1)

Country Link
CN (1) CN110298545B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538178A (zh) * 2021-06-10 2021-10-22 北京易创新科信息技术有限公司 知识产权价值评价方法、装置、电子设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020274A (zh) * 2012-12-27 2013-04-03 国网信息通信有限公司 文献分析方法和系统
CN103116811A (zh) * 2013-01-30 2013-05-22 武汉大学 一种基于价值传递的专利价值评估方法
CN108416535A (zh) * 2018-03-27 2018-08-17 中国科学技术大学 基于深度学习的专利价值评估的方法
CN109447699A (zh) * 2018-10-23 2019-03-08 国网江苏省电力有限公司 一种专利价值评估系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020274A (zh) * 2012-12-27 2013-04-03 国网信息通信有限公司 文献分析方法和系统
CN103116811A (zh) * 2013-01-30 2013-05-22 武汉大学 一种基于价值传递的专利价值评估方法
CN108416535A (zh) * 2018-03-27 2018-08-17 中国科学技术大学 基于深度学习的专利价值评估的方法
CN109447699A (zh) * 2018-10-23 2019-03-08 国网江苏省电力有限公司 一种专利价值评估系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
专利质量评价指标相关研究综述;谷丽等;《科研管理》;20170430;第38卷;第27-33页 *

Also Published As

Publication number Publication date
CN110298545A (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
You et al. PVRNet: Point-view relation neural network for 3D shape recognition
CN112434169B (zh) 一种知识图谱的构建方法及其系统和计算机设备
WO2019196210A1 (zh) 数据分析方法、计算机可读存储介质、终端设备及装置
WO2023108324A1 (zh) 对比学习增强的双流模型推荐系统及算法
CN109214407B (zh) 事件检测模型、方法、装置、计算设备及存储介质
CN105469376A (zh) 确定图片相似度的方法和装置
CN105468596A (zh) 图片检索方法和装置
CN109241290A (zh) 一种知识图谱补全方法、装置与存储介质
CN108573041A (zh) 基于加权信任关系的概率矩阵分解推荐方法
CN111694940A (zh) 一种用户报告的生成方法及终端设备
CN110046740A (zh) 基于大数据的供应商投标行为分析预测方法
CN113360711B (zh) 视频理解任务的模型训练和执行方法、装置、设备及介质
CN109740106A (zh) 基于图卷积神经网络的大规模网络介数逼近方法、存储装置及存储介质
CN110298545B (zh) 一种基于神经网络的专利评价方法、系统和介质
CN112836007B (zh) 一种基于语境化注意力网络的关系元学习方法
CN111488460B (zh) 数据处理方法、装置和计算机可读存储介质
CN111160859A (zh) 一种基于svd++和协同过滤的人力资源岗位推荐方法
CN112148994B (zh) 信息推送效果评估方法、装置、电子设备及存储介质
CN109543512A (zh) 图文摘要的评价方法
CN109886299A (zh) 一种用户画像方法、装置、可读存储介质及终端设备
CN112529637B (zh) 基于情景感知的服务需求动态预测方法及系统
Pu et al. Graph contrastive learning with learnable graph augmentation
CN111126617B (zh) 一种选择融合模型权重参数的方法、装置及设备
Nguyen-Xuan et al. Sketch recognition using lstm with attention mechanism and minimum cost flow algorithm
CN110188181B (zh) 领域关键词确定方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant