KR102502271B1 - 인공지능을 기반으로 한 특허 평가 방법 - Google Patents

Abstract

인공지능을 기반으로 한 특허 평가 방법은 사용자 단말로부터 평가 대상 특허에 관한 평가 특허 정보 및 평가 대상 특허를 보유한 평가 대상 기업에 관한 평가 기업 정보를 획득하는 단계, 평가 기업 정보 및 평가 특허 정보를 기초로 입력 신호를 생성하는 단계, 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 신경망에 입력하는 단계, 신경망의 입력 결과에 기초하여, 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 비교 신호를 미리 학습된 뉴럴 네트워크에 입력하는 단계, 뉴럴 네트워크 각각의 입력 결과에 기초하여 사용자 단말에 특허 평가 정보를 전송하는 단계를 포함한다.

Description

인공지능을 기반으로 한 특허 평가 방법{PATENT ASSESSMENT METHOD BASED ON ARTIFICIAL INTELLIGENCE}

이하의 실시예들은 인공지능을 기반으로 한 특허 평가 방법에 관한 것이다.

기업 기술 보호 및 활용 측면에서 실효성 있는 특허 평가가 요구되고 있다. 기술 이전, 현물 출자, 금융 등에서 무형 자산의 가치를 객관적으로 평가하는 것의 중요성이 강조되고 있다.

다양한 특허 평가 모델이 제시되고 있으며 활용 목적에 따라 다소 상이하지만, 대체로 기술성, 권리성, 사업성, 시장성 등의 평가 항목과 세부 항목에 대한 평가 지표를 통해 등급을 부여하는 평가 방식과 크게 다르지 않다.

특허 기술은 기업을 통해 다양한 방식으로 수익 창출로 이어질 수 있으므로 특허를 평가하는데 기업의 영향을 무시할 수 없다. 다만, 특허와 기업이 상호 간에 미치는 영향이 충분히 고려되는 것이 필요하며, 다양한 업종 및 상이한 재무 상태를 가지는 기업들 중에서 어떠한 기업이 해당 특허를 보유하고 있으며, 유사한 특허들 중에서 해당 특허를 기업이 보유함으로써 야기되는 영향이 존재하며, 이러한 상호 영향력이 반영된 평가가 가능한 개선된 평가 모델이 요구된다.

한국 등록 특허 공보 제10-1932517호

본 발명은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 평가 대상 특허에 관한 평가 특허 정보 및 평가 대상 특허를 보유한 평가 대상 기업에 관한 평가 기업 정보를 획득하고, 평가 기업 정보 및 평가 특허 정보를 기초로 입력 신호를 생성하며, 신경망에 입력한 결과에 기초한 출력값 및 비교 신호를 뉴럴 네트워크에 입력한 결과에 기초하여 특허 평가 정보를 생성하는 인공지능을 기반으로 한 특허 평가 방법을 제공함에 그 목적이 있다.

본 발명의 과제는 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 인공지능을 기반으로 한 특허 평가 방법은 사용자 단말로부터 평가 대상 특허에 관한 평가 특허 정보 및 평가 대상 특허를 보유한 평가 대상 기업에 관한 평가 기업 정보를 획득하는 단계, 평가 기업 정보 및 평가 특허 정보를 기초로 입력 신호를 생성하는 단계, 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 신경망에 입력하는 단계, 신경망의 입력 결과에 기초하여, 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 비교 신호를 미리 학습된 뉴럴 네트워크에 입력하는 단계, 뉴럴 네트워크 각각의 입력 결과에 기초하여 사용자 단말에 특허 평가 정보를 전송하는 단계를 포함한다.

본 발명의 일 실시예에 따르면, 상기 입력 신호를 생성하는 단계는, 상기 평가 기업 정보를 기초로 제1 입력 신호를 생성하는 단계; 및 상기 평가 특허 정보를 기초로 제2 입력 신호를 생성하는 단계를 포함하고, 상기 신경망에 입력하는 단계는, 상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 기업 분류 신경망에 입력하는 단계; 및 상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 특허 분류 신경망에 입력하는 단계를 포함하며, 상기 뉴럴 네트워크에 입력하는 단계는, 상기 기업 분류 신경망의 입력 결과에 기초하여, 상기 기업 분류 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제1 비교 신호를 미리 학습된 제1 뉴럴 네트워크에 입력하는 단계; 및 상기 특허 분류 신경망의 입력 결과에 기초하여, 상기 특허 분류 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제2 비교 신호를 미리 학습된 제2 뉴럴 네트워크에 입력하는 단계를 포함하고, 상기 특허 평가 정보를 전송하는 단계는, 상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크 각각의 입력 결과에 기초하여 특허 평가 정보를 생성하는 단계를 포함할 수 있다.

본 발명의 일 실시예에 따르면, 상기 기업 분류 신경망은, 상기 평가 대상 기업의 업종 정보, 재무 정보, 주가 정보 중 하나 이상을 포함하는 상기 평가 기업 정보를 인코딩한 제1 입력 신호와, 상기 평가 대상 특허의 분류 코드, 인용문헌수, 피인용문헌수, 청구항수 중 하나 이상을 포함하는 상기 평가 특허 정보를 인코딩한 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 상기 평가 대상 기업에 대한 고유의 기업 분류값을 출력하며, 상기 특허 분류 신경망은, 상기 평가 대상 기업의 업종 정보, 재무 정보, 주가 정보 중 하나 이상을 포함하는 상기 평가 기업 정보를 인코딩한 제1 입력 신호와, 상기 평가 대상 특허의 분류 코드, 인용문헌수, 피인용문헌수, 청구항수 중 하나 이상을 포함하는 상기 평가 특허 정보를 인코딩한 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 상기 평가 대상 특허에 대한 고유의 특허 분류값을 출력할 수 있다.

본 발명의 일 실시예에 따르면, 상기 제1 뉴럴 네트워크는, 상기 기업 분류 신경망의 출력값과, 상기 데이터베이스에 저장된 기업 정보 중 상기 평가 대상 기업에 대한 기업 분류값과 미리 설정된 범위 내의 기업 분류값을 가지는 기업들에 대한 상기 제1 비교 신호를 입력으로 하고, 상기 제1 비교 신호로부터 얻은 정보와 상기 기업 분류 신경망의 출력값의 비교를 통해 상기 평가 대상 기업의 기업 평가 지표를 산출하며, 사용자의 입력에 따른 제1 학습 신호를 통해 학습하고, 상기 제2 뉴럴 네트워크는, 상기 특허 분류 신경망의 출력값과 상기 데이터베이스에 저장된 특허 정보 중 상기 평가 대상 특허에 대한 특허 분류값과 미리 설정된 범위 내의 특허 분류값을 가지는 특허들에 대한 상기 제2 비교 신호를 입력으로 하고, 상기 제2 비교 신호로부터 얻은 정보와 상기 특허 분류 신경망의 출력값의 비교를 통해 상기 평가 대상 특허의 특허 평가 지표를 산출하며, 사용자의 입력에 따른 제2 학습 신호를 통해 학습할 수 있다.

본 발명의 일 실시예에 따르면, 상기 특허 분류 신경망은, 상기 평가 대상 특허의 청구범위를 포함하는 명세서 구성 항목 중 하나 이상의 항목에 기재된 내용을 임베딩한 제3 입력 신호를 입력으로 더 포함할 수 있다.

본 발명에 의하면, 기업 분류값에 기업의 업종 분류, 재무 상태, 투자 상태와 함께 특허의 정량적 특징이 반영됨으로써 기업 경영에 대한 특허의 연관성을 내포하는 특성을 확인할 수 있고, 특허 분류값에 특허의 정량적 특징 및 정성적 특징을 포함하는 특허의 인용지수, 권리강도 등의 특성과 함께 기업의 정량적 특징이 반영됨으로써 특허의 영향력에 대한 기업의 연관성을 내포하는 특성을 파악할 수 있다.

다만, 본 발명의 효과들은 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 일 실시예에 따른 인공지능을 기반으로 한 특허 평가 방법을 설명하기 위한 순서도이다.
도 2는 일 실시예에 따른 기업 분류 신경망 및 특허 분류 신경망을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 인공지능을 기반으로 한 특허 평가 방법을 설명하기 위한 구성도이다.
도 4는 일 실시예에 따른 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크를 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 장치의 구성의 예시도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

다양한 양상들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.

본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '~부', '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어를 의미할 수 있다.

본 발명의 실시예들에서, 별도로 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명의 실시예에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 명세서 상에서 언급된 '포함한다', '갖는다', '이루어진다' 등이 사용되는 경우 '~만'이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성 요소를 단수로 표현한 경우에 특별히 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함한다.

본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.

이하 첨부된 도면들을 참고하여 본 발명의 작용 원리 및 실시예들에 대해 설명한다.

도 1은 일 실시예에 따른 인공지능을 기반으로 한 특허 평가 방법을 설명하기 위한 순서도이다.

인공지능을 기반으로 한 특허 평가를 위한 제어 장치(이하, 제어 장치)는 프로세서, 메모리, 유저 인터페이스 및 통신 인터페이스를 포함하고, 다른 전자 장치와 네트워크를 통해 연결될 수 있다. 통신 인터페이스는 유, 무선 네트워크 또는 유선 직렬 통신 등을 통하여 소정 거리 이내의 다른 전자 장치와 데이터를 송수신할 수 있다. 네트워크는 일실시예에 따른 전자 장치와 다양한 개체들(entities) 간의 유, 무선 통신을 가능하게 한다. 전자 장치는 네트워크를 통해 다양한 개체들과 통신할 수 있고, 네트워크는 표준 통신 기술 및/또는 프로토콜들을 사용할 수 있다. 이때, 네트워크(network)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network) 등을 포함하나 이에 한정되지 않으며, 정보를 송, 수신할 수 있는 다른 종류의 네트워크가 될 수도 있음을 통신 기술 분야의 통상의 지식을 가진 자라면 알 수 있다.

일실시예에 따른 사용자 단말은 통신 기능이 포함된 전자 장치일 수 있다. 예를 들면, 사용자 단말은 스마트 폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 화상전화기, 전자북 리더기(e-book reader), 데스크톱 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라(camera), 또는 웨어러블 장치(wearable device)(예: 전자 안경과 같은 head-mounted-device(HMD), 전자 의복, 전자 팔찌, 전자 목걸이, 전자 앱세서리(appcessory), 전자 문신, 스마트카(smart car) 또는 스마트 와치(smartwatch)중 적어도 하나를 포함할 수 있다.

일 실시예에 따른 특허 평가 시스템은 특허 평가를 위한 제어 장치를 포함하는 서버 및 사용자 단말을 포함할 수 있다. 일 실시예에 따른 서버는 평가자가 보유한 자체 서버일 수 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 서버는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능, 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 서버는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경망을 구비할 수 있다. 서버는 사용자 단말의 사용자를 위한 웹 페이지 또는 어플리케이션과 연동될 수 있다. 서버는 사용자 단말과 유무선으로 통신하도록 구성될 수 있다.

일 실시예에 따른 인공지능을 기반으로 한 특허 평가 방법은 사용자 단말로부터 평가 대상 특허에 관한 평가 특허 정보 및 평가 대상 특허를 보유한 평가 대상 기업에 관한 평가 기업 정보를 획득하는 단계(110), 평가 기업 정보 및 평가 특허 정보를 기초로 입력 신호를 생성하는 단계(120), 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 신경망에 입력하는 단계(130), 신경망의 입력 결과에 기초하여, 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 비교 신호를 미리 학습된 뉴럴 네트워크에 입력하는 단계(140), 뉴럴 네트워크 각각의 입력 결과에 기초하여 사용자 단말에 특허 평가 정보를 전송하는 단계(150)를 포함한다.

본 발명의 일 실시예에 따르면, 상기 입력 신호를 생성하는 단계(120)는, 상기 평가 기업 정보를 기초로 제1 입력 신호를 생성하는 단계(121) 및 상기 평가 특허 정보를 기초로 제2 입력 신호 및 제3 입력 신호를 생성하는 단계(122)를 포함할 수 있다. 상기 신경망에 입력하는 단계(130)는, 상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 기업 분류 신경망에 입력하는 단계(131) 및 상기 제1 입력 신호, 상기 제2 입력 신호 및 상기 제3 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 특허 분류 신경망에 입력하는 단계(132)를 포함할 수 있다. 상기 뉴럴 네트워크에 입력하는 단계(140)는 상기 기업 분류 신경망의 입력 결과에 기초하여, 상기 기업 분류 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제1 비교 신호를 미리 학습된 제1 뉴럴 네트워크에 입력하는 단계(141) 및 상기 특허 분류 신경망의 입력 결과에 기초하여, 상기 특허 분류 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제2 비교 신호를 미리 학습된 제2 뉴럴 네트워크에 입력하는 단계(142)를 포함할 수 있다. 상기 특허 평가 정보를 전송하는 단계(150)는, 상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크 각각의 입력 결과에 기초하여 특허 평가 정보를 생성하는 단계(151)를 포함할 수 있다.

일 실시예에 따른 서버는 사용자 단말로부터 평가 대상 특허에 관한 평가 특허 정보 및 평가 대상 특허를 보유한 평가 대상 기업에 관한 평가 기업 정보를 획득한다(110). 평가 특허 정보는 평가의 대상이 되는 특허를 식별할 수 있는 출원 번호, 출원일, 발명의 명칭, 분류 코드 등의 서지 정보와, 인용문헌수, 피인용문헌수, 청구항수, 패밀리출원수 등의 부가 정보와, 청구범위, 배경기술, 발명의 효과 등 발명의 설명을 포함하는 명세서 구성 항목을 포함할 수 있다. 평가 기업 정보는 평가 대상 특허를 현재 보유하고 있는 현재권리자인 기업에 관한 정보로서, 해당 기업의 재무 정보, 업종 정보, 주가 정보 등을 포함할 수 있다. 일 실시예에서 서버는 사용자 단말로부터 평가 대상 특허 및 평가 대상 기업을 식별할 수 있는 식별 정보를 획득하고 해당 식별 정보를 기초로 제어 장치 내 데이터베이스에 기저장된 평가 특허 정보 및 평가 기업 정보를 불러올 수 있다.

일 실시예에 따르면, 서버는 평가 기업 정보 및 평가 특허 정보를 기초로 입력 신호를 생성할 수 있다(120). 일 실시예에 따르면, 서버는 평가 기업 정보를 기초로 제1 입력 신호를 생성하고(121), 평가 특허 정보를 기초로 제2 입력 신호 및 제3 입력 신호를 생성할 수 있다(122).

일 실시예에 따르면, 서버는 생성된 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 신경망에 입력할 수 있다(130). 일 실시예에 따르면, 서버는 제1 입력 신호 및 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 기업 분류 신경망에 입력하고(131), 제1 입력 신호, 제2 입력 신호 및 제3 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 특허 분류 신경망에 입력할 수 있다(132).

일실시예에 따른 각각의 기업 분류 신경망과 특허 분류 신경망은 특징 추출 신경망과 분류 신경망으로 구성되어 있으며 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행할 수 있다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함할 수 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절될 수 있다. 활성 함수는 통상적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행될 수 있다.

일실시예에 따르면, 분류 신경망은 은닉층과 출력층을 가지고 있다. 특허 평가 방법을 위한 기업 분류 신경망 및 특허 분류 신경망에서는 은닉층이 3개 이상 존재할 수 있으며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 컨볼루션 신경망의 출력층 노드는 총 50개로 할 수 있다.

일 실시예에 따르면, 서버는 신경망의 입력 결과에 기초하여, 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 비교 신호를 미리 학습된 뉴럴 네트워크에 입력할 수 있다(140). 일 실시예에 따르면, 서버는 기업 분류 신경망의 입력 결과에 기초하여, 기업 분류 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제1 비교 신호를 미리 학습된 제1 뉴럴 네트워크에 입력하고(141), 상기 특허 분류 신경망의 입력 결과에 기초하여, 특허 분류 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제2 비교 신호를 미리 학습된 제2 뉴럴 네트워크에 입력할 수 있다(142).

일실시예에 따르면, 서버는 데이터베이스 내에 기저장된 출력 신호를 뉴럴 네트워크에 입력으로 사용할 수 있다. 입력으로 사용되는 제1 비교 신호 및 제2 비교 신호를 포함하는 출력 신호는 기업 분류 신경망 및 특허 분류 신경망의 연산을 통해 출력된 출력값을 비교를 통해 분석하고, 출력 신호에 누적된 정보를 활용하기 위하여 사용될 수 있다.

일 실시예에 따르면, 서버는 뉴럴 네트워크 각각의 입력 결과에 기초하여 사용자 단말에 특허 평가 정보를 전송할 수 있다(150). 서버는 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크 각각의 입력 결과에 기초하여 특허 평가 정보를 생성할 수 있다(151).

도 2는 일 실시예에 따른 기업 분류 신경망 및 특허 분류 신경망을 설명하기 위한 도면이고, 도 3은 일 실시예에 따른 인공지능을 기반으로 한 특허 평가 방법을 설명하기 위한 구성도이며, 도 4는 일 실시예에 따른 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크를 설명하기 위한 도면이다.

일 실시예에 따르면, 상기 기업 분류 신경망은, 상기 평가 대상 기업의 업종 정보, 재무 정보, 주가 정보 중 하나 이상을 포함하는 상기 평가 기업 정보를 인코딩한 제1 입력 신호와, 상기 평가 대상 특허의 분류 코드, 인용문헌수, 피인용문헌수, 청구항수 중 하나 이상을 포함하는 상기 평가 특허 정보를 인코딩한 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 상기 평가 대상 기업에 대한 고유의 기업 분류값을 출력하며, 상기 특허 분류 신경망은, 상기 평가 대상 기업의 업종 정보, 재무 정보, 주가 정보 중 하나 이상을 포함하는 상기 평가 기업 정보를 인코딩한 제1 입력 신호와, 상기 평가 대상 특허의 분류 코드, 인용문헌수, 피인용문헌수, 청구항수 중 하나 이상을 포함하는 상기 평가 특허 정보를 인코딩한 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 상기 평가 대상 특허에 대한 고유의 특허 분류값을 출력할 수 있다.

본 발명의 일 실시예에 따르면, 상기 제1 뉴럴 네트워크는, 상기 기업 분류 신경망의 출력값과, 상기 데이터베이스에 저장된 기업 정보 중 상기 평가 대상 기업에 대한 기업 분류값과 미리 설정된 범위 내의 기업 분류값을 가지는 기업들에 대한 상기 제1 비교 신호를 입력으로 하고, 상기 제1 비교 신호로부터 얻은 정보와 상기 기업 분류 신경망의 출력값의 비교를 통해 상기 평가 대상 기업의 기업 평가 지표를 산출하며, 사용자의 입력에 따른 제1 학습 신호를 통해 학습하고, 상기 제2 뉴럴 네트워크는, 상기 특허 분류 신경망의 출력값과 상기 데이터베이스에 저장된 특허 정보 중 상기 평가 대상 특허에 대한 특허 분류값과 미리 설정된 범위 내의 특허 분류값을 가지는 특허들에 대한 상기 제2 비교 신호를 입력으로 하고, 상기 제2 비교 신호로부터 얻은 정보와 상기 특허 분류 신경망의 출력값의 비교를 통해 상기 평가 대상 특허의 특허 평가 지표를 산출하며, 사용자의 입력에 따른 제2 학습 신호를 통해 학습할 수 있다.

본 발명의 일 실시예에 따르면, 상기 특허 분류 신경망은, 상기 평가 대상 특허의 청구범위를 포함하는 명세서 구성 항목 중 하나 이상의 항목에 기재된 내용을 임베딩한 제3 입력 신호를 입력으로 더 포함할 수 있다.

각각의 기업 분류 신경망과 특허 분류 신경망을 통해 획득한 고유의 기업 분류값과 고유의 특허 분류값은 각각의 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크의 입력이 될 수 있다. 기업 분류값은 제1 입력 신호 및 제2 입력 신호를 기초로 기업 분류 신경망을 통해 출력됨으로써 기업의 업종 분류, 재무 상태, 투자 상태와 함께 특허의 정량적 특징이 반영됨으로써 기업 경영에 대한 특허의 연관성을 내포하는 특성을 확인할 수 있다. 특허 분류값은 제1 입력 신호 내지 제3 입력 신호를 기초로 특허 분류 신경망을 통해 출력됨으로써 특허의 정량적 특징 및 정성적 특징을 포함하는 특허의 인용지수, 권리강도 등의 특성과 함께 기업의 정량적 특징이 반영됨으로써 특허의 영향력에 대한 기업의 연관성을 내포하는 특성을 파악할 수 있다.

제1 뉴럴 네트워크는 고유의 기업 분류값과 함께, 평가 대상 기업에 대한 기업 분류값과 미리 설정된 범위 내의 기업 분류값을 가지는 기업들에 대한 제1 비교 신호를 입력받음으로써 평가 대상 기업의 기업 평가 지표를 산출할 수 있다. 제1 비교 신호는 기업의 업종 정보, 재무 정보, 주가 정보 등을 기초로 도출된 기업 분류값이 일정 범위 내에 포함된 기업들에 대한 정보로서, 해당 기업들과 비교하여 평가 대상 기업의 상대적인 지표를 도출할 수 있다. 제1 비교 신호는 서로 상이한 둘 이상의 범위 내에 포함된 기업들 각각에 대한 정보일 수 있다. 제1 비교 신호는 예를 들어, 평가 대상 기업과 업종, 재무 상태 등 일부 또는 전체 특성이 소정 범위 내로 유사한 것으로 판단할 수 있는 기업들에 대한 정보일 수 있다. 또한, 제1 비교 신호는 평가 대상 기업과 업종, 재무 상태 등 일부 또는 전체 특성이 소정 범위 외의 범위에 포함되는 상이하다고 판단할 수 있는 기업들에 대한 정보일 수 있다. 이러한 기업 평가 지표는 기업의 예상 재무 정보, 예상 주가 정보 등에 대해 표준 정규 분포를 이루는 통계적 수치로 산출될 수 있다.

제2 뉴럴 네트워크는 고유의 특허 분류값과 함께, 평가 대상 특허에 대한 특허 분류값과 미리 설정된 범위 내의 특허 분류값을 가지는 특허들에 대한 제2 비교 신호를 입력받음으로써 평가 대상 특허의 특허 평가 지표를 산출할 수 있다. 제2 비교 신호는 특허 분류값이 일정 범위 내에 포함된 특허들에 대한 정보로서, 해당 특허들과 비교하여 평가 대상 특허의 상대적인 지표를 도출할 수 있다. 제2 비교 신호는 서로 상이한 둘 이상의 범위 내에 포함된 특허들 각각에 대한 정보일 수 있다. 제2 비교 신호는 예를 들어, 평가 대상 특허와 분류 코드, 인용도, 권리 강도 등 일부 또는 전체 특성이 소정 범위 내로 유사한 것으로 판단할 수 있는 특허들에 대한 정보일 수 있다. 또한, 제2 비교 신호는 평가 대상 특허와 분류 코드, 인용도, 권리 강도 등 일부 또는 전체 특성이 소정 범위 외의 범위에 포함되는 상이하다고 판단할 수 있는 특허들에 대한 정보일 수 있다. 이러한 특허 평가 지표는 특허의 권리강도, 무효가능성, 수익화가능성, 매출기여도 등에 대해 표준 정규 분포를 이루는 통계적 수치로 산출될 수 있다.

일실시예에 따르면, 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크는 사용자가 이미 검증받았거나 별도로 산출한 평가 정보와 상당한 차이를 파악한 경우 사용자에 의해 입력된 수정 정보에 의해 생성되는 제1 학습 신호 및 제2 학습 신호를 각각 전달받아 학습할 수 있다.

일실시예에 따른 제1 학습 신호 및 제2 학습 신호는 수정 정보와 출력값의 오차를 바탕으로 만들어지며, 경우에 따라 델타를 이용하는 SGD나 배치 방식 혹은 역전파 알고리즘을 따르는 방식을 사용할 수 있다. 본 제1 학습 신호에 의해 각각의 뉴럴 네트워크는 기존의 가중치를 수정해 학습을 수행하며, 경우에 따라 모멘텀을 사용할 수 있다. 오차의 계산에는 비용함수가 사용될 수 있는데, 비용함수로 Cross entropy 함수를 사용할 수 있다.

일실시예에 따르면, 평가 대상 기업의 기업 평가 지표 및 평가 대상 특허의 특허 평가 지표를 획득하는 데에 있어서, 컴퓨터는 내부의 인공지능(인공 신경망)을 제어하여, 데이터베이스를 검색하고, 기업 및 평가에 대한 정보를 갱신할 수 있다. 이 때에 사용되는 인공지능은 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크로 구성될 수 있다.

일 실시예에서, 제1 뉴럴 네트워크는 은닉층과 출력층을 가지고 있다. 제1 뉴럴 네트워크에는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제1 뉴럴 네트워크의 출력층 노드는 총 100개로 할 수 있다. 제1 뉴럴 네트워크의 출력층 활성함수는 소프트맥스 함수를 사용할 수 있으나, 이에 국한하지 않는다. 소프트맥스 함수는 one-hot 인코딩의 대표 함수로서, 모든 출력 노드의 합을 총 1이 되게 하며 가장 최대의 값을 가지는 출력 노드의 출력을 1로 하고, 나머지 출력 노드의 출력을 0으로 하는 함수이다. 소프트맥스 함수를 통해 100개의 출력 중 하나의 출력만을 선택하는 것이 가능할 수 있다.

학습 장치는 제1 뉴럴 네트워크를 제1 레이블들을 통해 학습할 수 있다. 학습 장치는 제어 장치와 동일할 수 있으나, 이에 국한하지 않는다. 제1 뉴럴 네트워크는 제1 레이블드 트레이닝 입력 벡터들을 입력해 얻은 제1 트레이닝 출력들을 제1 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제1 뉴럴 네트워크의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.

다음으로, 학습 장치는 비교값을 기초로 제1 뉴럴 네트워크를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.

일 실시예에서, 제2 뉴럴 네트워크는 은닉층과 출력층을 가지고 있다. 제2 뉴럴 네트워크에는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 30개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제2 뉴럴 네트워크의 출력층 노드는 총 10개로 할 수 있다. 제2 뉴럴 네트워크의 출력층 활성함수는 소프트맥스 함수를 사용할 수 있으나, 이에 국한하지 않는다.

학습 장치는 제2 뉴럴 네트워크를 제2 레이블들을 통해 학습할 수 있다. 학습 장치는 제어 장치와 동일할 수 있으나, 이에 국한하지 않는다. 제2 뉴럴 네트워크는 제2 레이블드 트레이닝 입력 벡터들을 입력해 얻은 제2 트레이닝 출력들을 제2 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제2 뉴럴 네트워크의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.

다음으로, 학습 장치는 비교값을 기초로 제2 뉴럴 네트워크를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.

도 5는 일 실시예에 따른 장치의 구성의 예시도이다.

일 실시예에 따른 장치(701)는 프로세서(702) 및 메모리(703)를 포함한다. 프로세서(702)는 도 1 내지 도 4를 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 4를 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 구체적으로, 장치(701)는 서버(100), 사용자 단말(110), 또는 인공 신경망 학습 장치 등일 수 있다.

메모리(703)는 전술된 방법들과 관련된 정보를 저장하거나 전술된 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(703)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(702)는 프로그램을 실행하고, 장치(701)를 제어할 수 있다. 프로세서(702)에 의하여 실행되는 프로그램의 코드는 메모리(703)에 저장될 수 있다. 장치(701)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.

장치(701)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(703)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(702)는 메모리(703)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(701)와 학습된 인공 신경망을 이용하는 장치(701)는 동일할 수도 있고 개별적일 수도 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

본 발명의 실시예들에 따른 시스템 및 방법에서의 통신 연결은 유선 통신이나 무선 통신과 같은 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 통신망(LAN; Local Area Network), 도시권 통신망(MAN; Metropolitan Area Network), 광역 통신망(WAN; Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 바람직하게는, 본 명세서에서의 통신 연결은 공지의 인터넷 또는 월드와이드웹(WWW; World Wide Web)일 수 있다. 그러나, 통신 연결은, 굳이 이에 국한될 필요 없이, 공지의 유무선 데이터 통신망, 공지의 전화망 또는 공지의 유무선 텔레비전 통신망을 그 적어도 일부에 있어서 포함할 수도 있다. 예를 들면, 통신 연결은 무선 데이터 통신망으로서, 와이파이(WiFi) 통신, 와이파이 다이렉트(WiFi-Direct) 통신, 롱텀 에볼루션(LTE, Long Term Evolution) 통신, 블루투스 통신(더 구체적으로는, 저전력 블루투스(BLE; Bluetooth Low Energy)), 적외선 통신, 초음파 통신 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다. 다른 예를 들면, 통신 연결은 광 통신망으로서, 라이파이(LiFi, Light Fidelity) 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (5)

1. 인공지능을 기반으로 한 특허 평가 방법으로서,
   서버가 사용자 단말로부터 평가 대상 특허에 관한 평가 특허 정보 및 상기 평가 대상 특허를 보유한 평가 대상 기업에 관한 평가 기업 정보를 획득하는 단계;
   상기 서버가 상기 평가 기업 정보 및 상기 평가 특허 정보를 기초로 입력 신호를 생성하는 단계;
   상기 서버가 상기 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 신경망에 입력하는 단계;
   상기 서버가 상기 신경망의 입력 결과에 기초하여, 상기 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 비교 신호를 미리 학습된 뉴럴 네트워크에 입력하는 단계; 및
   상기 서버가 상기 뉴럴 네트워크의 입력 결과에 기초하여 상기 사용자 단말에 특허 평가 정보를 전송하는 단계를 포함하고,
   상기 입력 신호를 생성하는 단계는,
   상기 서버가 상기 평가 기업 정보를 기초로 제1 입력 신호를 생성하는 단계; 및
   상기 서버가 상기 평가 특허 정보를 기초로 제2 입력 신호를 생성하는 단계;
   를 포함하고,
   상기 신경망에 입력하는 단계는,
   상기 서버가 상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 기업 분류 신경망에 입력하는 단계; 및
   상기 서버가 상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 특허 분류 신경망에 입력하는 단계;
   를 포함하며,
   상기 뉴럴 네트워크에 입력하는 단계는,
   상기 서버가 상기 기업 분류 신경망의 입력 결과에 기초하여, 상기 기업 분류 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제1 비교 신호를 미리 학습된 제1 뉴럴 네트워크에 입력하는 단계; 및
   상기 서버가 상기 특허 분류 신경망의 입력 결과에 기초하여, 상기 특허 분류 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제2 비교 신호를 미리 학습된 제2 뉴럴 네트워크에 입력하는 단계;
   를 포함하고,
   상기 특허 평가 정보를 전송하는 단계는,
   상기 서버가 상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크 각각의 입력 결과에 기초하여 특허 평가 정보를 생성하는 단계;
   를 포함하며,
   상기 기업 분류 신경망은,
   상기 평가 대상 기업의 업종 정보, 재무 정보, 주가 정보 중 하나 이상을 포함하는 상기 평가 기업 정보를 인코딩한 제1 입력 신호와, 상기 평가 대상 특허의 분류 코드, 인용문헌수, 피인용문헌수, 청구항수 중 하나 이상을 포함하는 상기 평가 특허 정보를 인코딩한 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 상기 평가 대상 기업에 대한 고유의 기업 분류값을 출력하며,
   상기 특허 분류 신경망은,
   상기 평가 대상 기업의 업종 정보, 재무 정보, 주가 정보 중 하나 이상을 포함하는 상기 평가 기업 정보를 인코딩한 제1 입력 신호와, 상기 평가 대상 특허의 분류 코드, 인용문헌수, 피인용문헌수, 청구항수 중 하나 이상을 포함하는 상기 평가 특허 정보를 인코딩한 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 상기 평가 대상 특허에 대한 고유의 특허 분류값을 출력하고,
   상기 제1 뉴럴 네트워크는,
   상기 기업 분류 신경망의 출력값과, 상기 데이터베이스에 저장된 기업 정보 중 상기 평가 대상 기업에 대한 기업 분류값과 미리 설정된 범위 내의 기업 분류값을 가지는 기업들에 대한 상기 제1 비교 신호를 입력으로 하고, 상기 제1 비교 신호로부터 얻은 정보와 상기 기업 분류 신경망의 출력값의 비교를 통해 상기 평가 대상 기업의 기업 평가 지표를 산출하며, 사용자의 입력에 따른 제1 학습 신호를 통해 학습하고,
   상기 제2 뉴럴 네트워크는,
   상기 특허 분류 신경망의 출력값과 상기 데이터베이스에 저장된 특허 정보 중 상기 평가 대상 특허에 대한 특허 분류값과 미리 설정된 범위 내의 특허 분류값을 가지는 특허들에 대한 상기 제2 비교 신호를 입력으로 하고, 상기 제2 비교 신호로부터 얻은 정보와 상기 특허 분류 신경망의 출력값의 비교를 통해 상기 평가 대상 특허의 특허 평가 지표를 산출하며, 사용자의 입력에 따른 제2 학습 신호를 통해 학습하는,
   인공지능을 기반으로 한 특허 평가 방법.
   
2. 삭제
3. 삭제
4. 삭제
5. 제1 항에 있어서,
   상기 특허 분류 신경망은,
   상기 평가 대상 특허의 청구범위를 포함하는 명세서 구성 항목 중 하나 이상의 항목에 기재된 내용을 임베딩한 제3 입력 신호를 입력으로 더 포함하는,
   인공지능을 기반으로 한 특허 평가 방법.
   

Images