CN111784054A - 基于贝叶斯神经网络的专利价值实现路径预测方法及系统 - Google Patents
基于贝叶斯神经网络的专利价值实现路径预测方法及系统 Download PDFInfo
- Publication number
- CN111784054A CN111784054A CN202010630980.9A CN202010630980A CN111784054A CN 111784054 A CN111784054 A CN 111784054A CN 202010630980 A CN202010630980 A CN 202010630980A CN 111784054 A CN111784054 A CN 111784054A
- Authority
- CN
- China
- Prior art keywords
- path
- neural network
- value
- technical
- prediction
- 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
- 238000013531 bayesian neural network Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000000694 effects Effects 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000007639 printing Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 230000007123 defense Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Technology Law (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Primary Health Care (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于技术价值测定技术领域,公开了一种基于贝叶斯神经网络的专利价值实现路径预测方法及系统,利用RFID扫描设备扫描专利条形码获取专利号,并且读取专利正文数据;构建基于贝叶斯神经网络的专利路径预测模型;对读取的专利数据进行估值特征提取、利用构建的模型计算所有可能的现实价值路径以及每条路径上的特征重要性;输出预测结果,生成预测报告并打印。本发明提出了一种基于贝叶斯神经网络的路径预测模型来预测现实路径,而不是预测专利价值。本发明挖掘了专利的实用技术和特征效应,并从中提取了技术阶价特征,用于表示技术要素;同时采用贝叶斯神经网络来预测专利实现价值的路径,进行现实路径预测。
Description
技术领域
本发明属于技术价值测定技术领域,尤其涉及一种基于贝叶斯神经网络的专利价值实现路径预测方法及系统。
背景技术
目前,随着知识经济时代和创新驱动发展战略的实施,专利文本数据大量涌现,专利交易市场日益活跃。但是,专利转化率低,专利估值困难。专利价值估值的研究具有重要的理论意义,但研究相对滞后,尤其是自动专利价值估值的研究,主要的挑战来自于如何在标准价值数据不足的情况下设计估值模型,用来训练/测试估值模型。
专利价值是指专利能为专利权人带来的经济回报。在经济上,专利价值是指从专利转移、防御和实施中获得的经济利益。专利的转移、防御和实施是实现专利价值的现实路径,如果一项专利已经被用在转移、防御和实施,专利则完成专利转换,并将从专利转换中获益。
目前的专利估值研究主要分为两大类:(1)估值特征研究。(2)估值方法研究。但以上模型存在以下局限性:(1)在专利估价模型中忽略了技术因素及其技术因素对专利估值影响。大多数模型从专利的某些结构化部分提取特性,而不是从非结构化文本内容提取技术元素。事实上,技术要素是专利估值的基本特征,因此不应被忽视。(2)实践价值数据不足,无法对估值模型进行训练/测试。由于专利交易市场和隐私政策的不成熟限制了开源实用专利价值数据的数量,大多数估值模型在没有实用价值数据支持的情况下对专利价值进行训练和测试。
通过上述分析,现有技术存在的问题及缺陷为:(1)现有专利估值方法标准价值数据不足,没有对专利价值进行训练和测试,同时估值准确率不高。
(2)现有估值方法忽略的技术因素及其影响。大多数模型从专利的某些结构化部分提取特性,而不是从非结构化文本内容提取技术元素。
解决以上问题及缺陷的难度为:(1)训练/测试数据集成和处理的难度大。之前没有相关特征表示的训练/测试数据,现在从专利估价的实现途径:保护,实施或转移出发采集数据并进行数据集成有一定难度。
(2)技术特征的提取以及分析的难度大,之前没有技术特征表示的方法,故对技术特征的提取以及分析难度较大。
(3)价值路径预测模型建模的难度,之前没有专利价值路径预测的模型,现在需要运用提取的技术和非技术特征建立一个价值路径预测模型具有一定难度。
解决以上问题及缺陷的意义为:从价值度量的角度来看,我们提出的专利价值路径预测的方法,将专利价值的实现分为路径预测和价值量化,该专利从专利价值路径预测出发,来研究专利的价值,回避了专利量化的问题。
从特征的角度来看,该专利提出了专利的技术表示方法,以该表示为基础,提取专利的技术特征,解决了之前专利技术特征不足的问题。
从模型的角度出发,本发明结合数据特征提出了有监督的专利路径估值方法,该方法通过贝叶斯神经网络将专利的估值特征与预测路径相联系,并对特征重要性进行分析。
发明内容
针对现有技术存在的问题,本发明提供了一种基于贝叶斯神经网络的专利价值实现路径预测方法及系统。
本发明是这样实现的,一种基于贝叶斯神经网络的专利价值实现路径预测方法,包括:
步骤一,利用RFID扫描设备扫描专利条形码获取专利号,并且读取专利正文数据;
步骤二,构建基于贝叶斯神经网络的专利路径预测模型;
步骤三,对读取的专利数据进行估值特征提取、利用构建的模型计算所有可能的现实价值路径以及每条路径上的特征重要性;
步骤四,输出预测结果,生成预测报告并打印。
进一步,步骤二中,所述基于贝叶斯神经网络的专利路径预测模型构建方法包括:
(1)收集专利估值数据;
(2)将收集的专利估值数据划分为训练数据和测试数据;
(3)通过专利原始表示和基于特征效果的表示形式表示估值专利;
(4)从专利原始表示和基于特征效果的表示中提取非技术估值特征和技术估值特征;
(5)基于提取的非技术估值特征和技术估值特征构建基于贝叶斯神经网络的专利路径预测模型。
进一步,步骤(3)中,所述通过专利原始表示和基于特征效果的表示形式表示估值专利包括:
(3.1)估值专利VP表示为:
(3.2)专利效用VUT表示为:
VUT(p)={VNk|1≤k<|VUT(p)|-1}
VNk={vni||vni|=k,0≤i<|VNk|-1}
vni={n(i,j)|1≤j≤|vni|}——→vi,0
其中,p表示专利,v表示技术动词;n表示技术名词;VNk是一组k价效用技术;vni是VNk中的第i价效用技术;|vn|表示vni的价,等于名词数量;
(3.3)专利的特征效果即功效表达DFE表示为:
DFE(p)={FEk|0≤k<|DFE(p)|-1}
其中,FEk表示一组k阶功效关系;fei表示FEk中的第i个功能-效果关系;|fei|表示功效的阶数;vn(i,x)表示效应fei中的第x价效用技术;e表示效果;f表示功能。
进一步,步骤(4)中,所述从专利原始表示和基于特征效果的表示中提取非技术估值特征和技术估值特征包括:所述技术估值特征包括技术阶价特征、估值特征;
(4.1)从专利的功效和效用技术中提取技术阶价特征;
所述专利阶价特征DVF为:
其中d表示阶数;v表示价;e表示效果;f表示功能。
(4.2)估值特征VF表示为:
VF={fi|1≤i≤|VF|}
其中fi表示专利p的特征;
(4.3)利用估值特征预测实现专利估值的途径;
所述专利的现实价值路径RVP表示为:
RVF={DIT}
其中,D定义了防御的布尔状态;I表示实施的布尔状态;T表示转移的布尔状态。
进一步,步骤(5)中,所述基于贝叶斯神经网络的专利路径预测模型可表示为:
p(yp|xp,VP1∈VP0)
=∫p(yp|xp,W,γY)p(W|γW,VP1)
p(γ)dWdγ
p(γ)=p(γY)p(γW);
p(yp|xp,VP*)=∫p(yp|xp,W)q(W)dW
其中,xp表示p的特征;yp表示p的现实路径;w={wl|l∈L}表示具有层的权重;wl={wi,j,l|l∈L}表示将Vl×(Vl-1+1)的权重链接到l-1的单元;y={yY,yW};yY表示约Y的准确率参数;yw表示关于W的准确率参数;VPl表示已标出值Yl={yp|p∈VPl}并给出特征Xl={xp|p∈VPl}的估值专利。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
步骤1,利用扫描设备扫描专利条形码获取专利号,并且读取专利正文数据;
步骤2,构建基于贝叶斯神经网络的专利路径预测模型;
步骤3,对读取的专利数据进行估值特征提取、利用构建的模型计算所有可能的现实价值路径以及每条路径上的特征重要性;
步骤4,输出预测结果,生成预测报告并打印。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
利用扫描设备扫描专利条形码获取专利号,并且读取专利正文数据;
构建基于贝叶斯神经网络的专利路径预测模型;
对读取的专利数据进行估值特征提取、利用构建的模型计算所有可能的现实价值路径以及每条路径上的特征重要性;
输出预测结果,生成预测报告并打印。
本发明的另一目的在于提供一种基于贝叶斯神经网络的专利价值实现路径预测方法的基于贝叶斯神经网络的专利价值实现路径预测系统,所述基于贝叶斯神经网络的专利价值实现路径预测系统包括:
数据采集模块,用于利用RFID扫描设备扫描专利条形码获取专利号,并且读取专利正文数据;
模型构建模块,用于构建基于贝叶斯神经网络的专利路径预测模型;
特征提取模块,用于对读取的专利数据进行估值特征提取;
预测模块,用于利用构建的模型预测所有可能的现实价值路径以及每条路径上的特征重要性;
输出模块,用于输出预测结果,生成预测报告并打印。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提出了一种基于贝叶斯神经网络的路径预测模型来预测现实路径,而不是预测专利价值。本发明挖掘了专利的实用技术和特征效应,并从中提取了技术阶价特征,用于表示技术要素;同时采用贝叶斯神经网络来预测专利实现价值的路径,进行现实路径预测。
与现有方法相比,本发明方法的优点总结如下:(1)创新专利技术。在本发明的模型中,专利由功效和效用技术表示。该表示法从技术角阶为路径预测奠定了基础,从中可以提取技术特征。
(2)路径预测建模方面的创新。在本发明的模型中,本发明提出了专利估价的三种基本途径,它们构成了8种组合。本发明首次提出了使用贝叶斯神经网络的专利路径预测模型。
(3)标准数据集中的创新。在开展工作之前,没有用于专利估值的标准数据集,而是手动收集了一些实际数据。本发明提出了一种自动收集专利数据的方法,利用具有不同的途径来实现专利估价。
对比的技术效果或者实验效果。如图8添加技术特征前后的准确率。如图9添加技术特征前后的准确率在添加技术特征部件之前和之后的召回率。如图10添加技术特征前后的F值。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于贝叶斯神经网络的专利价值实现路径预测方法流程图。
图2是本发明实施例提供的基于贝叶斯神经网络的专利价值实现路径预测方法原理图。
图3是本发明实施例提供的基于贝叶斯神经网络的专利路径预测模型构建方法流程图。
图4是本发明实施例提供的基于贝叶斯神经网络的专利路径预测模型构建方法原理图。
图5是本发明实施例提供的基于贝叶斯神经网络的专利价值实现路径预测系统结构示意图;
图中:1、数据采集模块;2、模型构建模块;3、特征提取模块;4、预测模块;5、输出模块。
图6是本发明实施例提供的专利扫描示意图。
图7是本发明实施例提供的生成报告实物图。
图8是本发明实施例提供的添加技术特征前后的准确率图。
图9是本发明实施例提供添加技术特征前后的准确率在添加技术特征部件之前和之后的召回率图。
图10是本发明实施例提供的添加技术特征前后的F值图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于贝叶斯神经网络的专利价值实现路径预测方法及系统,下面结合附图对本发明作详细的描述。
如图1-图2所示,本发明实施例提供的基于贝叶斯神经网络的专利价值实现路径预测方法包括:
S101,利用RFID扫描设备扫描专利条形码获取专利号,并且读取专利正文数据;
S102,构建基于贝叶斯神经网络的专利路径预测模型;
S103,对读取的专利数据进行估值特征提取、利用构建的模型计算所有可能的现实价值路径以及每条路径上的特征重要性;
S104,输出预测结果,生成预测报告并打印。
如图3-图4所示,步骤S102中,本发明实施例提供的基于贝叶斯神经网络的专利路径预测模型构建方法包括:
S201,收集专利估值数据;
S202,将收集的专利估值数据划分为训练数据和测试数据;
S203,通过专利原始表示和基于特征效果的表示形式表示估值专利;
S204,从专利原始表示和基于特征效果的表示中提取非技术估值特征和技术估值特征;
S205,基于提取的非技术估值特征和技术估值特征构建基于贝叶斯神经网络的专利路径预测模型。
步骤S203中,本发明实施例提供的通过专利原始表示和基于特征效果的表示形式表示估值专利包括:
(3.1)估值专利VP表示为:
(3.2)专利效用VUT表示为:
VUT(p)={VNk|1≤k<|VUT(p)|-1}
VNk={vni||vni|=k,0≤i<|VNk|-1}
vni={n(i,j)|1≤j≤|vni|}——→vi,0
其中,p表示专利,v表示技术动词;n表示技术名词;VNk是一组k价效用技术;vni是VNk中的第i价效用技术;|vn|表示vni的价,等于名词数量;
(3)专利的特征效果即功效表达DFE表示为:
DFE(p)={FEk|0≤k<|DFE(p)|-1}
其中,FEk表示一组k阶功效关系;fei表示FEk中的第i个功能-效果关系;|fei|表示功效的阶数;vn(i,x)表示效应fei中的第x价效用技术;e表示效果;f表示功能。
步骤S204中,本发明实施例提供的从专利原始表示和基于特征效果的表示中提取非技术估值特征和技术估值特征包括:所述技术估值特征包括技术阶价特征、估值特征;
(4.1)从效用技术和专利的阶效应中提取技术阶价特征;
所述专利阶价特征DVF为:
其中d表示阶数;v表示价;e表示效果;f表示功能。
(4.2)估值特征VF表示为:
VF={fi|1≤i≤|VF|}
其中fi表示专利p的特征;
(4.3)利用估值特征预测实现专利估值的途径;
所述专利的现实价值路径RVP表示为:
RVF={DIT}
其中,D定义了防御的布尔状态;I表示实施的布尔状态;T表示转移的布尔状态。
步骤S205中,本发明实施例提供的基于贝叶斯神经网络的专利路径预测模型可表示为:
p(yp|xp,VP1∈VP0)
=∫p(yp|xp,W,γY)p(W|γW,VP1)
p(γ)dWdγ
p(γ)=p(γY)p(γW);
p(yp|xp,VP*)=∫p(yp|xp,W)q(W)dW
其中,xp表示p的特征;yp表示p的现实路径;w={wl|l∈L}表示具有层的权重;wl={wi,j,l|l∈L}表示将Vl×(Vl-1+1)的权重链接到l-1的单元;y={yY,yW};yY表示约Y的准确率参数;yw表示关于W的准确率参数;VPl表示已标出值Yl={yp|p∈VPl}并给出特征Xl={xp|p∈VPl}的估值专利。
如图5所示,本发明实施例提供的基于贝叶斯神经网络的专利价值实现路径预测系统包括:
数据采集模块1,用于利用RFID扫描设备扫描专利条形码获取专利号,并且读取专利正文数据;
模型构建模块2,用于构建基于贝叶斯神经网络的专利路径预测模型;
特征提取模块3,用于对读取的专利数据进行估值特征提取;
预测模块4,用于利用构建的模型预测所有可能的现实价值路径以及每条路径上的特征重要性;
输出模块5,用于输出预测结果,生成预测报告并打印。
下面结合具体实施例对本发明的技术方案作进一步说明。
实施例:
本发明所度量的价值是通过自然语言处理,机器学习,数据挖掘的技术来实现的。模型应用过程如图2所示,模型应用过程如图4所示。
模型应用具体流程如下:
第一步,扫码获取专利数据。系统首先利用RFID扫描设备扫描专利条形码获取专利号,并且读取专利正文,扫描专利功能如图6所示。
第二步,特征提取。提取专利的估值特征如表1所示。
表1专利的估值特征
第三步,后台模型计算。后台计算出的所有可能的现实价值路径,之后计算出每条路径上的特征重要性。
第四步,智能打印终端生成报告并打印。生成报告如图7所示。
第五步,读取报告。
模型学习具体流程如下:
第一步,收集估值数据。
第二步,把专利数据划分为模型中使用的训练数据和测试数据。
第三步,通过专利原始表示和基于特征效果的表示形式在公式3-8中表示估值专利。
专利是指一些要被估值的专利,由下式定义:
定义1(估值专利(VP))
价键是化学术语,是指一个原子与其他原子结合的能力。在语言学中,价是指动词携带的参数(名词)的数量。受价理论假设的启发,在公式3中定义了专利的效用技术。效用技术是技术动词和技术名词之间的动词-名词关系,其中技术动词的价等于其主要技术名词的数量。
给定专利p,其效用由下式定义:
定义2(效用(VUT))
VUT(p)={VNk|1≤k<|VUT(p)|-1} (3)
VNk={vni||vni|=k,0≤i<|VNk|-1} (4)
vni={n(i,j)|1≤j≤|vni|}——→vi,0 (5)
其中v表示技术动词;n表示技术名词;VNk是一组k价实用技术;vni是VNk中的第i价效用技术;|vn|表示vni的价,等于名词数量。
专利的效价实用技术的关联关系形成了专利的特征效果,专利的特征效果由以下方式定义:
定义3(功效表达(DFE))
DFE(p)={FEk|0≤k<|DFE(p)|-1} (6)
其中FEk表示一组k阶功效关系;fei表示FEk中的第i个功能-效果关系;|fei|表示功效的阶数;vn(i,x)表示效应fei中的第x价效用技术;e表示效果;f表示功能。
第四步,从公式10中的专利原始表示和基于特征效果的表示中提取非技术估值特征和技术估值特征。
为了发现专利技术要素对现实路径预测的影响,本发明从效用技术和专利的阶效应中提取了一些技术阶价特征。
定义4(阶价特征(DVF))
其中d表示阶数;v表示价;e表示效果;f表示功能。
在表2中列出了专利的阶价特征。
表2专利的阶价特征
除技术特征外,从专利中提取的估值特征还用于预测实现专利估值的途径。
定义5(估值特征(VF))
VF={fi|1≤i≤|VF|} (10)
其中fi表示专利p的特征。表2列出了本发明方法中使用的估值特征。
表2方法中使用的估值特征
专利的现实路径由以下方式定义,
定义6(现实价值路径(RVP))
RVF={DIT} (11)
D定义了防御的布尔状态;I表示实施的布尔状态;T表示转移的布尔状态。
表3列出了所有可能的现实价值路径。
表3所有可能的现实价值路径
p(yp|xp,VP1,p∈VP0) (12)
在本发明中,本发明的任务是以最大的可能性预测实现每个专利的专利估价的现实路径。
第五步,一种基于贝叶斯神经网络的专利路径预测模型。当输入估值特征时,该模型会导致实现专利估值的价值路径。公式13-17提出了基于贝叶斯神经网络的专利路径预测模型。
p(γ)=p(γY)p(γW) (17)
其中w={wl|l∈L}表示具有层的权重;wl={wi,j,l|l∈L}表示将Vl×(Vl-1+1)的权重链接到l-1的单元;y={yY,yW};yY表示约Y的准确率参数;yw表示关于W的准确率参数;VPl表示已标出了值Yl={yp|p∈VPl}并给出了特征Xl={xp|p∈VPl}的估值专利。
本发明在表4中列出了上述定义的符号,这些符号在本发明中已完全使用。
表4符号及其含义
如果保持γ不变,则公式16中的分布p(W|VP*)通常通过变分分布q(W)来估值,因此p(yp|xp,VP*)由以下预测
p(yp|xp,VP*)=∫p(yp|xp,W)q(W)dW (18)
通过使用p(W|VP*)最小化其Kullback-Leibler散阶来获得变分分布q(W),这等效于通过优化变分参数q(W)来最大化对数证据下界当量(ELBO)。
ELBO=∫q(w)logp(Y*|X*,W)dW-KL(q(W)||p(W|VP*)) (19)
q(W)可以通过高斯过程逼近中的缺失来学习。
此外,该方法还可以实现专利价值的预测,我们将专利价值分为低价值专利、中等价值专利和高价值专利,专利价值判断的依据为专利价值现实途径:转移、防御和实施的数量,当一个专利的专利价值现实途径数量为0时该专利为低价值专利,当一个专利的专利价值现实途径数量为1时该专利为中等价值专利,当一个专利的专利价值现实途径数量大于等于2时该专利为高价值专利,专利价值高低判断如下表所示。
添加技术功能前后的准确率,召回率和F量度表如下:
路径0-7上的功能重要性如下表:
在本发明中,图8是本发明实施例提供的添加技术特征前后的准确率图。图9是本发明实施例提供添加技术特征前后的准确率在添加技术特征部件之前和之后的召回率图。
图10是本发明实施例提供的添加技术特征前后的F值图。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于贝叶斯神经网络的专利价值实现路径预测方法,其特征在于,所述基于贝叶斯神经网络的专利价值实现路径预测方法包括:
利用扫描设备扫描专利条形码获取专利号,并且读取专利正文数据;
对读取的专利数据进行估值特征提取、构建基于贝叶斯神经网络的专利路径预测模型;
对读取的专利数据进行估值特征提取、利用构建的模型计算所有可能的现实价值路径以及每条路径上的特征重要性;
输出预测结果,生成预测报告并打印。
2.如权利要求1所述基于贝叶斯神经网络的专利价值实现路径预测方法,其功能在于,所述基于贝叶斯神经网络的专利路径预测模型构建方法包括:
(1)收集专利估值数据;
(2)将收集的专利估值数据划分为训练数据和测试数据;
(3)通过专利原始表示和基于特征效果的表示形式表示估值专利;
(4)从专利原始表示和基于特征效果的表示中提取非技术估值特征和技术估值特征;
(5)基于提取的非技术估值特征和技术估值特征构建基于贝叶斯神经网络的专利路径预测模型。
3.如权利要求2所述基于贝叶斯神经网络的专利价值实现路径预测方法,其功能在于,步骤(3)中,所述通过专利原始表示和基于特征效果的表示形式表示估值专利包括:
(3.1)估值专利VP表示为:
(3.2)专利效用VUT表示为:
VUT(p)={VNk|1≤k<|VUT(p)|-1}
VNk={vni||vni|=k,0≤i<|VNk|-1}
vni={n(i,j)|1≤j≤|vni|}→vi,0
其中,p表示专利,v表示技术动词;n表示技术名词;VNk是一组k价效用技术;vni是VNk中的第i价效用技术;|vn|表示vni的价,等于名词数量;
(3.3)专利的特征效果即功效表达DFE表示为:
DFE(p)={FEk|0≤k<|DFE(p)|-1}
其中,FEk表示一组k阶功效关系;fei表示FEk中的第i个功能-效果关系;|fei|表示功效的阶数;vn(i,x)表示效应fei中的第x价效用技术;e表示效果;f表示功能。
4.如权利要求2所述基于贝叶斯神经网络的专利价值实现路径预测方法,其特征在于,步骤(4)中,所述从专利原始表示和基于特征效果的表示中提取非技术估值特征和技术估值特征包括:所述技术估值特征包括技术阶价特征、估值特征;
(4.1)从效用技术和专利的阶效应中提取技术阶价特征;
所述专利阶价特征DVF为:
其中d表示阶数;v表示价;e表示效果;f表示功能。
(4.2)估值特征VF表示为:
VF={fi|1≤i≤|VF|}
其中fi表示专利p的特征;
(4.3)利用估值特征预测实现专利估值的途径;
所述专利的现实价值路径RVP表示为:
RVF={DIT}
其中,D定义了防御的布尔状态;I表示实施的布尔状态;T表示转移的布尔状态。
5.如权利要求2所述基于贝叶斯神经网络的专利价值实现路径预测方法,其特征在于,步骤(5)中,所述基于贝叶斯神经网络的专利路径预测模型可表示为:
p(yp|xp,VP1∈VP0)
=∫p(yp|xp,W,γY)p(W|γW,VP1)
p(γ)dWdγ
p(γ)=p(γY)p(γW);
p(yp|xp,VP*)=∫p(yp|xp,W)q(W)dW
6.一种实施如权利要求1-5所述基于贝叶斯神经网络的专利价值实现路径预测方法的基于贝叶斯神经网络的专利价值实现路径预测系统,其功能在于,所述基于贝叶斯神经网络的专利价值实现路径预测系统包括:
数据采集模块,用于利用RFID扫描设备扫描专利条形码获取专利号,并且读取专利正文数据;
模型构建模块,用于构建基于贝叶斯神经网络的专利路径预测模型;
特征提取模块,用于对读取的专利数据进行估值特征提取;
预测模块,用于利用构建的模型预测所有可能的现实价值路径以及每条路径上的特征重要性;
输出模块,用于输出预测结果,生成预测报告并打印。
7.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
步骤1,利用扫描设备扫描专利条形码获取专利号,并且读取专利正文数据;
步骤2,构建基于贝叶斯神经网络的专利路径预测模型;
步骤3,对读取的专利数据进行估值特征提取、利用构建的模型计算所有可能的现实价值路径以及每条路径上的特征重要性;
步骤4,输出预测结果,生成预测报告并打印。
8.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
利用扫描设备扫描专利条形码获取专利号,并且读取专利正文数据;
构建基于贝叶斯神经网络的专利路径预测模型;
对读取的专利数据进行估值特征提取、利用构建的模型计算所有可能的现实价值路径以及每条路径上的特征重要性;
输出预测结果,生成预测报告并打印。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630980.9A CN111784054A (zh) | 2020-07-03 | 2020-07-03 | 基于贝叶斯神经网络的专利价值实现路径预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010630980.9A CN111784054A (zh) | 2020-07-03 | 2020-07-03 | 基于贝叶斯神经网络的专利价值实现路径预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784054A true CN111784054A (zh) | 2020-10-16 |
Family
ID=72758416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010630980.9A Pending CN111784054A (zh) | 2020-07-03 | 2020-07-03 | 基于贝叶斯神经网络的专利价值实现路径预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784054A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034316A (zh) * | 2020-11-25 | 2021-06-25 | 内蒙古大学 | 一种专利价值转换的分析方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109684477A (zh) * | 2018-12-11 | 2019-04-26 | 北京极智感科技有限公司 | 一种专利文本特征提取方法及系统 |
-
2020
- 2020-07-03 CN CN202010630980.9A patent/CN111784054A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109684477A (zh) * | 2018-12-11 | 2019-04-26 | 北京极智感科技有限公司 | 一种专利文本特征提取方法及系统 |
Non-Patent Citations (2)
Title |
---|
WEIDONG LIU 等: "Bayesian Neural Network Based Path Prediction Model Toward the Realization of Patent Valuation", 《2020 IEEE 44TH ANNUAL COMPUTERS, SOFTWARE, AND APPLICATIONS CONFERENCE (COMPSAC)》 * |
WEIDONG LIU 等: "Discovering the realistic paths towards the realization of patent valuation from technical perspectives: defense, implementation or transfer", 《NEURAL COMPUTING AND APPLICATIONS VOLUME》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034316A (zh) * | 2020-11-25 | 2021-06-25 | 内蒙古大学 | 一种专利价值转换的分析方法及系统 |
CN113034316B (zh) * | 2020-11-25 | 2022-04-15 | 内蒙古大学 | 一种专利价值转换的分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609009B (zh) | 文本情感分析方法、装置、存储介质和计算机设备 | |
CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
US11238310B2 (en) | Training data acquisition method and device, server and storage medium | |
CN110083833B (zh) | 中文字词向量和方面词向量联合嵌入情感分析方法 | |
CN107391505A (zh) | 一种图像处理方法及系统 | |
Liu et al. | Stochastic kriging for efficient nested simulation of expected shortfall | |
CN109117480A (zh) | 词预测方法、装置、计算机设备及存储介质 | |
CN111428448B (zh) | 文本生成方法、装置、计算机设备及可读存储介质 | |
CN108052505A (zh) | 文本情感分析方法及装置、存储介质、终端 | |
CN107679475A (zh) | 门店监控评价方法、装置及存储介质 | |
CN113326900A (zh) | 联邦学习模型的数据处理方法、装置及存储介质 | |
KR20200047006A (ko) | 머신 러닝 기반의 근사모델 구축 방법 및 시스템 | |
CN111784054A (zh) | 基于贝叶斯神经网络的专利价值实现路径预测方法及系统 | |
CN102298583A (zh) | 一种电子公告板网页质量评价方法和系统 | |
Grund et al. | Pooling methods for likelihood ratio tests in multiply imputed data sets. | |
CN117474080A (zh) | 一种基于多判别器的对抗迁移学习方法和装置 | |
CN113094533A (zh) | 一种基于混合粒度匹配的图文跨模态检索方法 | |
CN107729424A (zh) | 一种数据可视化方法及设备 | |
Zhang et al. | A multi-branch decoder network approach to adaptive temporal data selection and reconstruction for big scientific simulation data | |
LeBeau | Power Analysis by Simulation using R and simglm | |
CN115544860A (zh) | 间歇性分布式电源在复杂运行场景下的出力建模方法 | |
CN112860531B (zh) | 基于深度异构图神经网络的区块链广泛共识性能评测方法 | |
Walsh et al. | Parameterizing bayesian network representations of social-behavioral models by expert elicitation | |
CN114298327A (zh) | 联邦学习模型的数据处理方法、装置及存储介质 | |
CN110516024A (zh) | 地图搜索结果展现方法、装置、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201016 |