KR20070085109A - 관련된 데이터베이스 레코드들을 선택하고, 분석하며,네트워크로서 비주얼화하기 위한 방법 및 장치 - Google Patents

Abstract

데이터베이스 레코드들 또는 관련된 문서들의 세트들을 선택하여 네트워크 데이터로 변환하고, 그 데이터를, 사용자들이 네트워크의 노드들 및 링크들로서 표현될 데이터의 하나 이상의 속성들을 선택하는 것에 의해, 다양한 네트워크 디스플레이들 중에서 선택하고 다양한 네트워크 디스플레이들 사이에서 이동하는 것을 가능하게 하는, 네트워크 비주얼리제이션 시스템으로 제시하기 위한 방법 및 장치.

데이터베이스 레코드, 네트워크 데이터, 노드, 링크, 네트워크 디스플레이, 네트워크 비주얼리제이션 시스템, 속성, 분석

Description

관련된 데이터베이스 레코드들을 선택하고, 분석하며, 네트워크로서 비주얼화하기 위한 방법 및 장치 {METHOD AND APPARATUS FOR SELECTING, ANALYZING AND VISUALIZING RELATED DATABASE RECORDS AS A NETWORK}

이 출원은, 그것의 전체 내용들이 여기에 참고 문헌으로써 포함되어 있는, 2004년 5월 4일에 출원된, 미국 가특허출원 제 60/567,997호에 대한 우선권을 주장한다.

본 출원은 일반적으로 데이터 마이닝(data mining) 및 데이터 분석의 분야에 관한 것이다. 좀더 구체적으로, 본 출원은 관련된 데이터베이스 레코드들을 네트워크 그래픽 표현으로 제시하기 위한 방법들 및 시스템들에 관한 것이다.

"정보화 시대" 및 "지식 경제"는 우리 시대를 특징짓는 디지털 정보의 급증을 설명하는데 흔히 사용되는 2가지 용어들이다. 명칭이야 어찌 되었든, 생성되는 정보의 양이 전례가 없는 속도로 증가하고 있다는 것에는 의문의 여지가 없다. 새로운 지식 개발 속도를 정량화하기 위한 많은 시도들이 이루어져 왔고 지식 개발의 기하급수적인 성장에 대한 다양한 추정치들을 발생시켜 왔다. 다양한 소스들이 이러한 정보 급증을 기술하고 이러한 정보 급증의 정량화를 시도한다. 자주 인용되는 통계 자료의 종류에 대한 몇가지 일례들은 다음과 같다:

ㆍ 총 인간 지식은 일반적으로 5년 내지 10년마다 배가함

ㆍ 과학 지식은 일반적으로 3년 내지 5년마다 배가함

ㆍ 의료 지식은 일반적으로 2년 내지 8년마다 배가함

ㆍ 등록된 미국 특허들의 수는 지난 7년 동안 약 2배가 되었음

ㆍ 매일 대략 150만 페이지들이 웹에 추가됨

ㆍ 1999년에 디지털 저장된 원래 내용(original content)의 전세계적 상연에는 저장을 위해 약 635,000 내지 210만 테라바이트가 필요할 것임

이러한 추정치들의 신뢰도와 상관없이, 이들 모두는 새로운 정보의 부인할 수 없는 급증을 지적하고 있다. 컴퓨터 기술이 새로운 정보를 생성하고 저장하는 것을 좀더 용이하게 만들어 왔다. 이러한 정보를 저장하는데 사용되는 데이터베이스들의 수와 사이즈 모두가 기하급수적으로 증가하고 있다.

이용 가능한 정보의 빠른 성장에도 불구하고, 정보를 받아들이고 이해하는 인간의 정신 능력들은 크게 향상되지 않았다. 이용 가능한 정보의 급증 및 그것을 받아들이지 못하는 우리의 능력이 정보 과부하(information overload)를 초래한다. 정보의 광대한 축적이 정확한 정보를 찾는 것을 상당히 어렵게 하고 심지어는 이용 가능한 새로운 지식의 광대한 양을 이해하는 것조차 어렵게 한다.

지식 경제의 작업자들은, 정보는 넘쳐나지만 그로부터 인사이트들(insights)을 얻기는 어려운 환경에서 작업한다. 이러한 작업자들은 대개, 그들의 성과 및/또는 의사 결정(decision-making)을 향상시킬 수 있기 위해, 관심있는 특정 토픽 또는 영역에 관한 정보를 찾아내고 이해해야 한다. 그러나, 그들의 의사 결정에 지식을 제공하여 그들의 의사 결정을 향상시킬 수 있는 정보의 이용 가능성에도 불구하고, 정보를 찾아내거나 받아들이기 위한 현실적인 방법이 존재하지 않는다.

정보 작업자들이, 그들이 검색 중인 데이터의 거대한 "건초더미"에서 그들이 추구하는 정보 "바늘"을 찾아내는 것을 돕기 위해, 많은 회사들에 의한 엄청난 투자들이 이루어져 왔다. 정보 검색을 위한 주된 패러다임은 "검색 및 분류(Search and Sift)"라고 할 수 있다. "검색 및 분류" 방법은 항상, 매칭되는 대다수 검색 결과들을 리턴하는 부울 검색(Boolean search)으로 시작한다. 그 다음, 정보 검색자는, 그들이 추구하는 정보를 찾아내기 위해 결과들을 분류한다. 인터넷 사용자들 및 다른 대형 데이터베이스들의 사용자들은 이 방법에 상당히 익숙할 것이다.

정보 검색 분야의 투자 대부분은 "검색 및 분류" 프로세스를 향상시키는 것에 집중되어 왔다. 향상들의 일례들로는 다음과 같은 것들을 들 수 있다:

ㆍ 쿼리 정제(query refinement) - 쿼리 정제는, 검색에 관련된 좀더 많은 문서들을 획득하거나 무관한 문서들을 결과 세트로부터 제외시키기 위해, 정보 검색자의 쿼리 이면에 담긴 의도를 판정하여 쿼리를 정제하고자 한다. 관련성이 높은 문서들을 획득할 것을 기대하여, 쿼리 용어들이 검색 용어들의 동의어들을 포함하도록 확장되는 "동의어 확장" 이 쿼리 정제의 일례이다.

ㆍ 결과 랭킹 - "검색 및 분류" 방법을 향상시키기 위한 제 2 수단은 결과 랭킹이다. 결과 랭킹은, 정보 검색자의 의도에 대한 검색 결과들의 관련성에 기초해, 검색 결과들을 순서화하고자 한다. 관련성 랭킹들은, 검색 용어들의 사용 빈도, 검색 용어들의 문서내에서의 위치, 및 결과 세트의 문서들에 대해 인지되는 " 중요성/유용성"을 포함하는, 다양한 수단들로 추정되어 왔다. 아마도 결과 랭킹의 가장 좋은 일례는, 검색 결과 페이지로 링크하는 다른 웹 페이지들의 수에 근거하는 Google'의 페이지 랭크 메트릭(page rank metric)일 것이다.

ㆍ 결과 필터링 - "검색 및 분류" 방법을 향상시키기 위한 수단의 마지막 일례는 결과 필터링이다. 결과 필터링은 결과 세트의 문서들을 소정 분류 방식에 기초해 분류하고자 한다. 기대하는 것은, 이로써 정보 검색자는 그의/그녀의 "분류"를, 관심 분야와 가장 밀접하게 관련되어 있는 결과 세트의 서브세트로 좁힐 수 있을 것이라는 것이다. 결과 필터링의 일례들로는, 문서 분류들의 고정 분류법에 근거하는 Northern Light의 "결과들의 폴더들"(예를 들어, 도 1 참고), 문서들을 문서들의 의미 내용(semantic content)에 근거해 계층형 트리 구조로 분류하는 Vivisimo의 문서 클러스터링 도구(예를 들어, 도 2 참고), 및 문서들을, Vivisimo와 유사하지만 "버블 디스플레이(bubble display)"를 사용해 각 분류의 상대적 사이즈에 대한 비주얼 디스플레이도 제공하는 동적인 계층 구조로 분류하는 Grokker(예를 들어, 도 3 참고)를 들 수 있다.

이 방법들 모두가 "검색 및 분류" 방법의 유용한 향상들이지만, 이들 모두는 필요한 정보의 특정 유형을 가정하는데, 다시 말해, 정보 검색자는 정보의 특정 부분(PIECE)을 찾고 있고 추구되는 정보는 결과 세트의 문서들내에서(WITHIN) 발견될 수 있다고 가정한다. 이러한 정보 검색 유형은 다음과 같은 질문들에 대한 대답들을 찾아내는 것에 목적을 둔다:

ㆍ 누가 Bobby Kennedy를 살해했는가?

ㆍ 무엇이 세상에서 두번째로 높은 산인가?

ㆍ CA주 Palo Alto의 내일 일기 예보는 무엇인가?

ㆍ IBM'의 현재 주가는 얼마인가?

여기에서 설명되는 실시예들이 "검색 및 분류" 방법에 대한 추가적인 향상을 표현하기는 하지만, 그들의 주된 기여들은, 상이한 종류의 필요한 정보를 충족시키는 것에 목적을 둔다. 이러한 실시예들의 주된 목적은, 세트의 문서 사이에서(AMONG)에서 정보의 패턴들을 받아들이기 위한 수단을 제공하는 것에 의해, 정보 사용자들이 검색 결과들 또는 거대 문서 세트들을 이해하는 것을 돕는 것이다. 이런 종류의 정보를 여기에서는 "메타데이터(metadata)"라고 하는데, 그것이, 데이터베이스나 검색 결과의 임의의 특정 문서 또는 레코드에 포함되어 있는 것보다 높은 레벨의 정보를 표현하기 때문이다. 이런 종류의 정보 검색은 다음과 같은 질문들에 응답하는 것에 목적을 둔다:

ㆍ 얼마나 많은 문서들이 나의 관심 분야와 관련이 있으며, 그 수가 얼마나 빨리 증가하고 있는가?

ㆍ 누가 이 주제에 관한 정보의 주된 저자들인가?

ㆍ 어떤 회사들이 이 주제에 관한 정보를 발생시키고 있는가?

ㆍ 이 분야에서 작업 중인 회사들/저자들 사이는 어떤 관계인가?

설명된 실시예들은 한 세트의 문서들 또는 검색 결과와 연관된 메타데이터를 드러내기 위해 향상된 비주얼리제이션 기술들(advanced visualization techniques)을 이용한다. 본 발명의 신규한 기여들을 이해하기 위해, 이 분야의 다른 시스템 들 및 기술들을, 특히 2가지 연구 영역들; 1) 메타데이터를 제시하는 기존의 방법들 및 2) 거대 데이터 세트들을 이해하는데 사용되는 비주얼리제이션 방법들내에서 재검토하는 것이 유용하다.

메타데이터를 제시하는 기존 방법들

거대 데이터 세트들에 관련된 메타데이터를 분석하고 제시하기 위한 선행 노력들은 다수 카테고리들로 나눠질 수 있다. 다음에서는, 본 발명을 차별화하기 위한 목적에서 각각에 대한 간략한 설명 및 업계의 기존 상태에 대한 일례들이 제공된다.

통계 분석

문서들의 세트들을 분석하는데 사용되는 수단들 중 가장 간단하면서도 가장 널리 사용되는 수단이 통계 분석이다. 통계 분석은, 날짜, 저자/발명자, 저자/발명자 약력(author/inventor affiliation), 국가, 분류(classification), 또는 다른 속성별로 세트의 문서들 수를 계산하는 것 만큼이나 간단할 수 있다. 이것은, 조사되고 있는 데이터의 특정 유형에 관련된 통계 자료의 계산을 포함할 수도 있다. 예를 들어, 특허 데이터 분야에서는, 인용 수(number of citations), 인용구(citations)/특허/연도, 출원으로부터 등록까지의 시간, 가장 최근의 인용 시기, 가장 최근의 학술적 인용 시기, 및 다른 통계 자료가 때때로 계산된다. 이러한 통계 방법들이 널리 이용되고, 일부 경우들에서는, Delphion, Micropatent 및 CHI Research에 의해 특허 구역에서 제공되는 것들 및 다른 분야들의 다른 것들과 같은 상업적 애플리케이션들에 의해 자동화된다.

통계 분석은 평가 중인 문서들의 세트에 대한 소정의 유용한 인사이트를 제공할 수도 있지만, 획득될 수 있는 인사이트의 양에서는 분명히 제한적이다. 이런 유형의 가장 널리 알려진 도구들은 각각의 속성값을 가진 문서들의 수(예를 들어, Company A, Company B, Company C 등을 위한 문서들의 수) 또는 전체적인 문서 세트와 연관된 통계 자료(예를 들어, 출원부터 등록까지의 평균 시간)을 나타내는 문서 보고서들 또는 간단한 막대 그래프들을 제공한다. 이들은, 다양한 문서들이 어떻게 서로 관련되어 있는지에 관한 정보를 제공하지 않으며, 이들은, 사용자가 문서들의 다양한 속성들이 전체적인 문서 세트에 관해 드러내는 것이 무엇인지를 조사할 수 있는 방법으로, 메타데이터와 상호 작용하기 위한 수단을 제공하지 않는다. 본 발명의 하나 이상의 실시예들의 목적은, 사용자들이 문서들의 그룹들 사이의 관계들을 이해할 수 있는 수단을 제공하고 문서 세트 또는 검색 결과와 연관되어 있는 메타데이터로의 심도있는 조사를 위한 수단을 제공하는 것이다.

클러스터링(clustering)

문서들의 거대 세트들에 관한 메타데이터를 드러내는데 사용되는 다른 방법은 클러스터링이다. 문서들을 클러스터들로 그룹화하는 다양한 도구들이 개발되어 왔다. 이러한 도구들 중 일부는 카테고리들의 고정 분류법에 기초해 문서들을 클러스터들로 분리하는 한편, 다른 것들은 문서들내의 의미 정보를 이용해 문서들을 카테고리들의 동적 세트로 클러스터링한다. 고정 분류법 클러스터링 도구들의 2가지 일례들이 Northern Light 검색 엔진 및 The Brain(http://www.thebrain.com/)의 웹 검색 도구이다. 고정 분류법 클러스터링 방법은 2가지 방법들 중 하나로 실현 된다. 첫번째, 카테고리들은 문서들의 명시적 속성들에 근거할 수 있다. 예를 들어, 인터넷 검색 결과들은, ".com", ".net", ".edu"와 같은 그들의 도메인 확장자들 또는 ".sp", ".ge", ".jp" 등과 같은 그들의 국가 도메인에 기초해 카테고리들로 분리될 수 있다. 두번째, 카테고리들은, 데이터 리포지토리의 문서들에 앞서 양도되었던 분류법에 기초할 수 있다. 이것은 일반적으로, 문서들 또는 그 문서들이 해당되는 도메인들을 수동으로 재검토하고 문서들 또는 그 문서들이 해당되는 도메인들을 고정 분류법내의 하나 이상 카테고리들에 양도하는 것에 의해 실현된다.

문서들 또는 검색 결과들을 클러스터링하는 제 2 방법은 동적 분류법의 생성에 기초한다. 이 클러스터링 기술들은 문서들내의 의미 데이터를 사용해 문서 세트를 좀더 작은 그룹들로 클러스터링한 다음, 그들이 공통적으로 가지고 있는 단어들 또는 문구들에 기초해 그 그룹들을 "명명"한다. 클러스터링 방법은 본질적으로, 세트의 문서들의 특징에 대한 인사이트를 제공할 수 있는 자동화된 분류 스키마를 생성한다. 이 기술은 광범위한 문서 유형들에 적용되어 왔고 이 펑크션을 수행하는 다양한 상용 소프트웨어 애플리케이션들이 이용 가능하다. 특허들의 분야내에서 클러스터링 기술들을 사용하는 일례들로는 Micropatent의 Aureka(http://www.micropat.com/static/index.htm) 도구 세트로 통합되어 있는 Vivisimo 및 Themescape 도구들(http://www.micropat.com/static/advanced.htm)과 Delphion의 도구 세트에서 이용 가능한 Text Clustering 도구들(http://www.delphion.com/products/research/products-cluster)을 들 수 있다. Vivisimo의 도구들은, Inxight (http: //www.inxight.com/products/smartdiscovery/)에 의해 개발된 의미 분석 도구들에서와 같이, 텍스트 문서들의 임의 세트에 대해 동작하도록 구성될 수 있다.

이러한 클러스터링 도구들을 사용해, 문서 세트 또는 검색 결과에 관한 기본적인 메타데이터가 제시될 수 있다. 앞서 언급된 도구들에 의해 이용되는 방법들은 각각의 카테고리에 해당되는 세트 또는 검색 결과의 문서들 수를 자동적으로 디스플레이하여, 구하고 있는 정보 부분을 찾아내기 위해 결과들을 좀더 빠르게 "분류(sift)"하는 것을 가능하게 할 수 있다. 이들은 문서 세트 또는 검색 결과의 내용들에 관한 유용한 소정 정보도 제공한다.

가장 널리 공지되어 있는 클러스터링 도구들의 가치는 중요한 2가지 방법들로 제한된다. 첫번째, 문서 세트의 내용들에 관해 제공되는 메타데이터는 그것이 클러스터링되는 분류법이 양호할 경우에만 양호하다. 이것은, 고정 및 동적 분류법 클러스터링 기술들 모두의 본질적인 한계이다.

고정 분류법들은 다음과 같은 다수 팩터들에 의해 그들의 유용성이 제한된다:

ㆍ 이 분류법은, 정보 검색자가 아니라, 정보 생성자의 우선 순위들에 기초한다. 분류법의 생성은, 정보의 어떤 속성들이 가장 중요한지에 관해 선택하는 단계를 수반한다. 예를 들어, 새의 유형들에 관한 분류법에서의 제 1 분기들(branches)은 철새 대 텃새, 물새 대 육조(landfowl) 등과 같은 다수의 가능한 방식들로 확립될 수 있다. 대부분, 분류학자의 우선 순위들이 정보 사용자의 필요 들과 일치하지 않으므로, 제공되는 클러스터링 메타데이터의 가치를 제한하게 된다.

ㆍ 고정 분류법들은, 데이터베이스의 내용들이 생성되는 것에 따라 쉽게 조정될 수 없다. 일단 분류법이 확립되고 사용자들이 그것을 사용하기 시작하면, 그것은 고정되어 바꾸기 어려워진다. 내용들이 생성됨에 따라, 불가피하게 새로운 카테고리들을 추가하고, 카테고리들을 세분하고, 카테고리들을 재조합해야 할 수도 있다. 이로 인해, 결과들을 시간에 걸쳐 비교하는 것이 어려워진다. 일례로서, IPC(International Patent Classification system)로 공지되어 있는, WIPO에 의해 생성된 기술들의 분류법(taxonomy of technologies)을 고려한다. IPC는 현재 그것의 7번째 개정이 이루어진 상태이다. 각각의 개정에서, 클래스들이 추가, 이동, 세분 및 삭제되었다. 그러나, 개정 이전에 출원된 수백만 특허 문서들은 변함없이, 특허가 등록될 당시에 존재했던 원래의 분류 스키마에 따라 분류되어 있다. 고정 분류법에 기초할 경우, 이로 인해 클러스터링 메타데이터의 프레젠테이션을 해결하기가 어렵게 한다.

ㆍ 고정 분류법들에 관련된 다른 쟁점은, 데이터 세트의 문서들은 통상적으로 단일 분류에만 해당되지 않는다는 점이다. 이로 인해, 통상적으로 문서들을 분류법내의 다수 카테고리들로 양도하는 것으로써 해결되어 왔던 분류 문제가 발생한다. 이러한 다중-양도은, 다수 문서들이 다중 카테고리들에 해당될 경우 클러스터링된 결과들을 어떻게 디스플레이할 것인지의 난제를 발생시킨다. 이들의 통상적인 해결책들은 단일(일차) 분류내의 각 문서만을 카운트하거나, 분류의 카테고리 각각을 위해 한번씩, 문서를 여러번 카운트하는 것이다. 양자의 해결책들 모두 문제의 소지가 있다. 첫번째 해결책은 이차 분류들에 관한 중요한 정보를 간과하고, 두번째 해결책은 각 문서의 다중 인스턴스들을 표현한다.

ㆍ 고정 분류법들의 다른 주된 제한은 카테고리들에 문서들을 양도함에 있어서의 난제이다. 통상적으로, 이것은, 문서의 저자에 의해서나 분류를 담당하는 특별히 훈련된 사람 또는 사람들에 의해 수행되는 수동 프로세스이다. 다시 한번, 양자의 옵션들 모두 문제의 소지가 있다. 저자 분류는 일관성의 부족이라는 문제가 있는 한편, 중앙 집권식 분류는, 대다수 문서들이 분류되어야 할 경우, 엄청난 시간을 요한다.

동적 분류법들은 고정 분류법들의 제한들 중 일부를 극복하기 위해 생성되었다. 그러나, 동적 분류법들 또한, 대형 문서 세트에 관한 메타데이터를 제공함에 있어서 그들의 유용성을 떨어뜨리는 그들만의 고유한 제한들을 가진다. 동적 분류법들과 연관된 난제들 중 일부가 다음에서 설명된다:

ㆍ 발명자들에 의해 공지된 모든 동적 분류법 시스템들은 의미 데이터에 기초한다. 간단히 말해서, 문서들의 분류는 문서들에 포함되어 있는 단어들의 유사도에 기초한다. 이에 의한 문제는, 사상들을 표현해야 하는 경우, 모든 언어들이 지나치게 부정확하다는 것이다. 의미 유사도에 기초한 문서들의 모든 분류는 동의성(다수 단어들이 동일한 의미를 표현하는 것) 및 다의성(단어들이 다중 의미들을 갖는 것) 모두로부터 난제를 겪을 것이다. 의미 클러스터링의 가치가 분명히 존재하지만, 발명자들이 경험한 바로는, 생성된 클러스터들이 내용들을 연상시키기는 하지만 정확한 것과는 거리가 멀다는 것이었다.

ㆍ 의미 클러스터링과 연관된 두번째 언어적 쟁점은 다중 언어들이다. 상이한 언어들의 문서들이 데이터 세트에 포함되어 있을 경우, 의미 클러스터링 도구들은 전혀 쓸모가 없다. 세계화를 위한 경향이 계속되고 있으므로, 이 문제도 계속해서 그 중요성이 증가할 것이다. 다언어 문서 세트들의 언어적 비교를 허용하기 위해 다언어 시소러스들(multilingual thesauri)을 사용하기 위한 일부 시도들이 있어 왔지만, 이 연구는 여전히 초기 단계 상태이다.

ㆍ 동적 분류법들의 마지막 제한은 일 문서 세트 또는 검색 결과로부터의 클러스터들과 다른 문서 세트 또는 검색 결과로부터의 클러스터들간의 비교가 어렵다는 것이다. 동적 분류법은 문서 세트에 대해 특정적으로 생성되기 때문에, 상이한 문서 세트들 또는 상이한 검색 결과들을 위해 생성된 2가지 분류법들이 비교될 수 없다.

ㆍ 동적 분류법들 또한 상술된 다중 분류 문제로부터의 어려움을 겪는다.

클러스터링 기술의 두번째 제한은, 모든 분류법이 문서 세트 또는 검색 결과를 단일 속성과 관련해서만 설명한다는 것이다. 대부분의 분류법들이, 그들이 분류하는 문서들의 토픽들 또는 테마들을 설명하기 위한 것이다. 이 정보가 유용하기는 하지만, 사용자들로 하여금 클러스터링 정보 뿐만 아니라 문서 세트 또는 검색 결과를 설명하는 메타데이터의 다른 이용 가능한 다양한 소스들을 동시에 이용할 수 있게 하는 시스템이 발명자들에 의해 공지되어 있지 않다. 본 발명의 하나 이상의 실시예들의 목적은, 사용자의 특정 정보 필요들을 충족시키는 문서 세트 또 는 검색 결과에 관한 심오한 레벨의 인사이트를 제공하기 위해, 사용자들에게, 고정 및 동적 분류법들 모두에 포함되어 있는 정보 뿐만 아니라 다른 광범위한 메타데이터 소스들을 반복적으로 또는 동시에 이용할 수 있는 방법을 제공하는 것이다.

대형 데이터 세트들을 이해하는데 사용되는 비주얼리제이션 방법들

대형 문서 세트들 또는 검색 결과들에 관련된 메타데이터에 대한 인사이트를 획득하는 가장 진보된 방법들이 비주얼리제이션 기술들이다. 데이터 비주얼리제이션 분야는, 컴퓨터 프로세서들이 복잡한 데이터 관계들을 디스플레이하는데 필요한 수백만 회의 계산들을 수행하기에 충분할 정도로 강력해짐에 따라, 지난 몇년 동안 빠르게 발전되어 왔다. 다수의 데이터 비주얼리제이션 도구들은 본 발명과 관련하여 고려해 볼 가치가 있다. 이들은, 후술될 몇가지 카테고리들로 나누어질 수 있다. 각각을 위해 관련 일례들도 제공될 것이다.

계층형 디스플레이들 - 채택되어 온 일 비주얼리제이션 방법이 계층형 디스플레이이다. 그것의 가장 단순한 형태로서, 문서들 또는 검색 결과들은, 분류된 데이터를 디스플레이하기 위한 주지의 메타포어(metaphor)인 디렉토리 구조와 유사한 트리 구조의 형태로 표현된다. 메타데이터를 드러내도록 설계된 일례의 계층형 디스플레이는 상술된 Vivisimo의 클러스터링 도구를 포함한다. 거대한 계층형 구조를 디스플레이하고 이해하는 것의 어려움 때문에, 이러한 계층 구조들을 디스플레이하기 위한 몇가지 다른 방법들이 개발되어 왔다. 일례가 어안 렌즈들(fisheye lens)인데, 이는, Micropatent의 Aureka 도구 세트내에서 특허 인용들의 거대 계층 구조들을 디스플레이하는데 사용된다. 어안 디스플레이로 인해, 사용자들은, 전체 계층 구조내에서 그들의 위치를 여전히 이해하는 상태에서, 계층 구조의 일부분을 확대할 수 있다.

계층형 디스플레이의 다른 복잡한 일례는 Grokis Corporation에 의해 개발되었으며 미국특허 제 6,879,332B2호에 설명되어 있는 Grokker 도구이다. Vivisimo 도구들과 마찬가지로, Grokker 도구는 의미 알고리즘에 기초해 문서들을 계층형 구조로 클러스터링한다. Vivisimo와 달리, Grokker 도구는 정형화된 마리메꼬 도면(stylized marimekko diagram)으로 사용자들에게 정보를 제시한다. Grokker 비주얼리제이션은, 문서 세트를, 문서들의 클러스터 각각이 클러스터의 문서들 수에 기초해 크기가 조정된 2차원 공간으로 표현한다. 스크린상의 공간은 전체적인 검색 결과를 표현한다. 이 공간내에서, 문서들의 클러스터들이 디스플레이되고(원들 또는 사각형들로 표현되고) 그러한 문서들내에서 발견되는 공통적인 단어에 기초해 레이블링된다. 각각의 클러스터내에서, 추가적인 "서브-클러스터들" 역시 비주얼로 표현되고 핵심 단어로써 레이블링(labeled)된다. 계층 구조는, 최종적으로 문서들 자체가 계층 구조의 최저 레벨에서 발견될 때까지 내려간다.

계층형 데이터 비주얼리제이션의 이러한 선도적 일례들 각각은 문서들내에 포함되어 있는 잠재적 의미 정보에 기초하고, 그에 따라, 고정 및 동적 분류법들을 설명하는 섹션에서 상술된 의미 분석의 제한들로부터 어려움을 겪는다.

공간 비주얼리제이션들 - 대형 문서 세트내의 메타데이터를 드러내는데 사용되는 비주얼리제이션의 두번째 유형은 공간 비주얼리제이션이다. 공간 비주얼리제이션은 맵 메타포어를 사용해 문서 레코드들을 2 또는 3-차원 공간들에 정렬한다. 다양한 공간 비주얼리제이션 도구들이 다소 차이가 있기는 하지만, 발명자들에게 공지된 것들은 유사한 방법에 따라 맵을 생성한다. 이 방법은 4가지 단계들; 1) 각각의 문서를 위한 의미 벡터(semantic vector)를 계산하는 단계 - 데이터 세트의 문서 각각에 대해, (통상적으로 단어 또는 개념 용법의 히스토그램에 기초해) 문서의 의미 내용을 표현하기 위한 벡터를 계산하는 단계, 2) 유사도 행렬(similarity matrix)을 생성하는 단계 - 각각의 문서를 위한 의미 벡터들을 사용해, 각각의 문서 쌍을 위한 유사도 메트릭을 계산하고 그에 의해 문서의 유사도 행렬을 생성하는 단계, 3) 유사도 행렬에 기초해 2 또는 3차원 투영을 생성하는 단계 - 주성분 분석(principal component analysis) 또는 유사한 방법(예를 들어, 다차원 스케일링)을 사용해, 문서들간의 거리가, 유사도 행렬에 의해 설명되는 바와 같은, 문서들간의 유사도를 가장 잘 반영하도록, 세트의 문서 각각을 위한 위치들을 계산하는 단계, 및 4) 정보 공간의 비주얼리제이션을 드로잉하는 단계 - 2 또는 3차원 투영을 사용해, 문서들을 문서 공간내의 포인트들로서 플로팅하는 단계를 수반한다.

일부 공간 비주얼리제이션 도구들은, 클러스터링의 정도(degree of clustering)를 드러내기 위해, 정보 공간상에 토포그래픽 오버레이(topographical overlay)를 덧씌우는 추가 단계를 취한다. 일부는, 클러스터내의 공통되는 단어들에 기초해 클러스터링된 그룹들을 식별하고 레이블링할 수도 있다.

공간 비주얼리제이션 도구의 일례가 Themescape 맵인데, 이는, Aurigin Systems에 의해 개발된 특허 분석 도구 모음의 일부이고 현재로서는 그것의 방계 회사인 Micropatent를 통해 그것을 취득한 The Thomson Corporation에 의해 제공되 는 판매물의 일부이다. Themescape 비주얼리제이션 도구는 (사용자의 임의대로) 특허 타이틀들, 요약서들 또는 전문(full text)에 관한 의미 분석을 사용해 상술된 방법에 기초한 정보 공간의 2차원 투영을 생성한다. 도 4에 도시되어 있는 바와 같이, Themescape는 맵 메타포어를 사용하고, 산들로써 정보 공간의 최고로 클러스터링된 부분들을 표현하는 식으로, 정보 공간상에 토포그래피를 덧씌운다. Themescape 맵의 사용자들은 회사 이름들 및 다른 핵심 단어들에 대해 정보 공간을 검색하는 것에 의해 또는 추가적인 검토 또는 분석을 위해 문서 리스트로 다시 읽어들이거나 보내기해야 할 문서 클러스터들을 선택하는 것에 의해 지형을 답사할 수 있다.

Themescape 도구를 위한 기초적인 기술은, 이 또한, SPIRE(Spatial Paradigm for Information Retrieval and Exploration)로서 공지되어 있는 공간 비주얼리제이션 도구를 가지고 있는 Pacific Northwest National Laboratory에서 수행된 연구로부터 비롯되었다. 도 5에 도시되어 있는 바와 같이, Spire는 2개의 비주얼리제이션 유추들(analogies)을 갖는데, 그 중 하나인 "Starfield"는 마치 별이 총총히 박힌 하늘처럼 보이는 화면에 문서들의 플롯을 3차원들로 나타낸다. 두번째 "Theme view"는 Aurigin의 Themescape 맵에 의한 구현과 상당히 유사한 토포그래픽 메타포어이다.

거대 데이터 세트에 포함되어 있는 정보에 대한 일반적인 이해를 발전시키는데는 상당히 유용하지만, 발명자들에게 공지되어 있는 공간 비주얼리제이션 도구들은 그들의 비주얼리제이션 근거를 문서들내에 포함되어 있는 잠재한 의미 정 보(latent semantic information)에만 두므로, 그에 따라, 동적 분류법들을 설명하는 섹션에서 상술된 바와 같은 의미 분석의 제한들로부터 어려움을 겪는다.

네트워크 비주얼리제이션 - 거대 데이터 세트들과 연관된 메타데이터에 대한 이해를 증진시키기 위해 간혹 적용되는 최종적인 비주얼리제이션 기술이 네트워크 비주얼리제이션이다. 그것의 가장 단순한 형태로서, (수학자들은 그래프라고 부를) 네트워크 도면(network diagram)은 그저 (에지들(edges) 또는 타이들(ties)로도 알려져 있는) 링크들에 의해 접속되어 있는 (통상적으로 도트들로서 표현되는) 노드들의 세트일 뿐이다. 네트워크 그래프들은 새로운 것이 아니고, 일부 네트워크 개념들은 적어도 고대 그리스 시대로 거슬러 올라간다. 사회 네트워크 분석(social network analysis)은 1930년대에 주목할 만하게 발전되었다. 강력한 프로세서들을 갖춘 현대 컴퓨터들의 개발이 전산화된 네트워크 비주얼리제이션 도구들의 생성을 가능하게 만들어 왔다.

네트워크 패러다임은 거대 데이터 세트들의 분석에 적용하기에 아주 유용한 방법이다. 네트워크 렌즈들이 그렇게 가치있는 데에는 2가지 구체적인 이유들이 존재한다. 첫번째, 대다수 비주얼리제이션 도구들은 분석 중인 엔티티(통상적으로, 문서, 사람 또는 기관)에 관심을 집중하도록 설계된다. 네트워크 비주얼리제이션들은 개개 엔티티들에 관한 정보를 디스플레이할 뿐만 아니라, 엔티티들간의 관계들 또한 상당히 강조한다. 네트워크 디스플레이는 엔티티들만이 아니라, 그러한 엔티티들이 동작하는 시스템도 나타낸다. 최근에는, 다양한 과학 및 학술 연구자들이, 환원적 분석(reductionist analysis;예를 들어, 문제를 그것의 구성 부분 들로 분해하고 각 성분을 철저하게 분석하는 것에 초점을 두는 분석)이 제한적이라는 것을 실감하고 있다. 생물학, 유전학, 생태학, 사회 과학, 물리학, 천문학, 정보 과학 및 다수의 다른 것들과 같은 분야들 모두가 시스템 분석(시스템 분석)에 기초해 진보되어 왔다. 시스템 분석은 최소 요소들(예를 들어, 유전자들, 원자들 또는 간혹은 쿼크들, 및 비트들)이 아니라 그러한 요소들간의 상호 작용들에 초점을 맞춘다. 네트워크 도구는 본질적으로 시스템 비주얼리제이션 도구이다. 따라서, 종래 기술의 다른 비주얼리제이션 도구들이 도출할 수 있는 것과는 완전 상이한 종류들의 인사이트 및 결론들을 도출할 수 있다.

네트워크 비주얼리제이션 도구들이 거대 데이터 세트들을 분석하기에 적합한 두번째 이유는, 네트워크들은 정보의 동일한 세트를 다양한 관점들로부터 볼 수 있는 가능성을 가지고 있다는 것이다. 종래 기술의 네트워크 비주얼리제이션 시스템들은 이 사실을 중요하게 이용하지 않지만, 네트워크들은 일 관점에서 다른 관점으로 변환될 수 있는 잠재력을 가지고 있고, 각각의 관점은 분석되고 있는 데이터에 관한 상이한 인사이트를 제공한다. 네트워크 비주얼리제이션 시스템에 대한 다음의 기술은, 거대하고 복잡한 데이터 세트들에 관해 얻어질 수 있는 인사이트를 극적으로 향상시키기 위해, 이것이 실현될 수 있는 방법을 설명할 것이다.

그러나, 우선은, 네트워크 비주얼리제이션 업계의 현재 상태를 이해하고 기존 도구들의 주된 제한들 중 일부를 확인해야 한다. 다음과 같은 것들을 포함하는, 다양한 전산화 네트워크 비주얼리제이션 도구들(computerized network visualization tools)이 존재한다:

ㆍ aiSee (www.aisee.com)

ㆍ Cyram NetMiner - (www.netminer.com)

ㆍ GraphVis (www.graphvis.org)

ㆍ IKNOW -

(http://www.spcomm.uiuc.edu/projects/TECLAB/IKNOW/index.html)

ㆍ Inflow - (www.orgnet.com/inflow3.html)

ㆍ Krackplot(www.andrew.cmu.edu/user/krack/krackplot/krackindex.html)

ㆍ Otter (www.caida.org/tools/visualization/otter/)

ㆍ Pajek (http://viado.fmf.uni-lj.si/pub/networks/pajek/)

ㆍ UCINET & NetDraw (www.analytictech.com)

ㆍ Visone (www.visone.de/)

이러한 도구들 각각은 네트워크 그래프를 생성할 수 있다. 좀더 발전된 패키지들(예를 들어, UCINET/NetDraw, NetMiner)은 다음과 같은 일련의 비주얼리제이션 능력들을 제공한다:

ㆍ 다른 레이아웃 알고리즘들 선택하기

ㆍ 다수 노드 유형들 디스플레이하기

ㆍ 속성값에 기초해 노드들의 크기 조정하기/채색하기/형태 선택하기

ㆍ 다수 링크 유형들 디스플레이하기

ㆍ 링크 유형에 기초해 링크들의 크기 조정하기/채색하기/선 유형(line type) 선택하기

이러한 도구들 모두는 범용 네트워크 비주얼리제이션 도구들이다. 다시 말해, 이들은, 네트워크의 노드들 및 링크들 모두가 정의되는 방식으로 구조화되는 임의 데이터의 네트워크 그래프들을 디스플레이하도록 설계된다. 이러한 도구들 각각은 특정한 (그리고 대개는 고유한) 파일 포맷을 사용해 노드들과 노드 속성들 및 링크들과 링크 속성들에 관한 정보를 포착한다. 노드 정보는, 각각의 노드가 노드 레코드로써 표현되는 노드 리스트를 통해 포착된다. 노드 레코드들은, 그 노드를 위한 고유한 식별자인 하나 이상의 필드를 포함하지만, 노드에 관한 정보를 제공하는 다른 속성 필드들을 포함할 수도 있다. 링크 정보는, 최소한으로는 어떤 2개 노드들이 링크되어 있는지를 식별하지만 링크 강도, 링크 방향, 및 링크 유형과 같은 정보도 포착할 수 있는 링크 리스트(또는 링크 행렬)을 통해 포착된다.

도구들은 도구들의 세부 사항들에서 차이가 있지만, 도구들과 작업 프로세스는 도 6에서와 같은 공통 패턴을 따른다. 공지의 종래 기술 시스템들 중 어떤 것의 사용자는 이용될 모든 소스들로부터 데이터를 모은다. 그 다음, 그녀는, 데이터내의 어떤 엔티티가 노드들을 표현할 것인지 그리고 그녀가 어떤 정보를 사용해 노드들간의 링크들을 생성할 것인지에 대한 정의를 선택한다. 그 다음, 데이터는 네트워크 비주얼리제이션 도구의 특정 파일 구조와 매칭하도록 포매팅되어야 한다. 모든 경우들에서, 이것은, 사용자에게 노드들의 리스트 및 링크-리스트 또는 링크-행렬을 생성할 것을 요구한다. 일단 적절하게 포매팅되고 나면, 네트워크 데이터의 파일들은 네트워크 비주얼리제이션 시스템으로 입력되어 분석되고 비주얼화될 수 있다. 사용자는 도구내의 데이터로써 작업하여 상이한 레이아웃 알고리즘들 또 는 디스플레이 속성들을 선택할 수 있고, 제공되는 임의의 분석 도구들을 사용해 네트워크 구조를 분석할 수 있다.

사용자가 노드들 및/또는 링크들의 상이한 정의를 사용해 데이터의 다른 비주얼리제이션을 개발하고 싶다면, 그녀는 처음부터 시작해, 노드들 및 링크들을 재정의해야 하고, 데이터를 노드 및 링크-리스트로 리포매팅(reformatting)해야 하며, 새로운 파일들을 비주얼리제이션 시스템으로 재도입해야 한다. 그 다음, 시스템은 노드들 및 링크들의 새로운 정의에 기초해 네트워크 그래프를 디스플레이할 수 있다. 이러한 종래 기술 시스템들의 본질적인 제한들 중 일부로는 다음과 같은 것들을 들 수 있다:

ㆍ 임의 데이터 소스로부터의 데이터베이스 레코드들은, 이들이 시스템에 의해 사용 가능한 노드 및 링크 정보를 포함하지 않기 때문에, 비주얼화될 수 없다.

ㆍ 데이터에 액세스하고 데이터를 포매팅하는 프로세스는 네트워크 비주얼 리제이션 도구로 통합되지 않는다.

ㆍ 사용자는 데이터를 시스템에 적합한 노드/링크 리스트들로 포매팅해야 한다.

ㆍ 사용자는, 시스템에서의 사용을 위해 데이터를 포매팅하기 전에, 무엇이 노드를 구성하고 무엇이 링크를 구성하는지에 대한 안정된 정의(stable definition)를 선택해야 한다.

ㆍ 네트워크 비주얼리제이션 시스템내에서 작업하는 동안에는, 노드들 및 링크들의 정의들을 변경할 방법이 없다.

ㆍ 새로운 노드/링크 정의가 선택되면, 양자의 네트워크들 모두가 동일한 기초적 데이터에 기초한다 하더라도, 제 1 정의에 기초한 네트워크를 제 2 정의에 기초한 네트워크와 조합하거나 접속할 방법이 없다.

ㆍ 특정 소스로부터의 데이터에 의해 반복적으로 사용될 특히 유용한 노드 및 링크 정의들을 특정할 방법이 없다. 그 소스로부터의 데이터가 비주얼화될 때마다, 사용자는 처음부터 시작해 각각의 노드 및 링크 정의를 특정해야 하고 비주얼리제이션 시스템에 적합하도록 데이터를 조작해야 한다.

일 태양에서, 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법은 하나 이상의 기술 기준들(descriptive criteria)에 따라 2 이상의 데이터베이스 레코드들을 선택하는 단계를 포함한다. 2 이상의 데이터베이스 레코드들 각각은 공통적인 레코드 클래스의 멤버들이다. 본 방법은 레코드 클래스의 하나 이상의 속성들을 식별하고, 네트워크 노드들을 데이터베이스 레코드들로부터의 하나 이상의 속성들의 인스턴스들에 연관짓는 단계를 더 포함한다. 또한, 본 방법은 네트워크 노드들을, 하나 이상의 속성들의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계도 포함한다.

공통 레코드 클래스는, LexisNexis 데이터베이스, Thomson 데이터베이스, USPTO 데이터베이스, EPO 데이터베이스, 또는 Derwent 데이터베이스와 같은, 데이터베이스로부터의 특허 레코드들을 포함할 수도 있다.

공통 레코드 클래스는, PubMed 데이터베이스와 같은, 데이터베이스로부터의 학술 저널 논문들을 포함할 수도 있다.

기술 기준들은, 예를 들어, (i) 특허 레코드들 각각의 본문 필드(body field)내의 하나 이상의 핵심 단어들, (ii) 특허 레코드들 각각의 제목 필드내의 하나 이상의 핵심 단어들, (iii) 특허 레코드들 각각의 발명자 필드의 하나 이상의 발명자들, (iv) 특허 레코드들 각각의 양수인 필드의 하나 이상의 양수인들, (v) 요약 필드내의 하나 이상의 핵심 단어들, 또는 그것에 관한 조합들을 포함할 수도 있다.

속성들은, 예를 들어, 발명자, 양수인, 출원일, 등록일(issue date), IPC 코드, USPC 코드, 또는 검색 필드를 포함할 수도 있다.

네트워크 링크들은 접속된 노드들 사이에서 발생하는 공통 인스턴스들의 양을 설명하는 특징을 포함할 수도 있다. 특징은, 예를 들어, 링크 두께, 링크 컬러 또는 링크 텍스처(link texture)를 포함할 수도 있다.

네트워크 노드들은, 2 이상의 데이터베이스 레코드들의 특징을 설명하는 메타-노드들을 포함할 수도 있다.

본 방법은, 선택된 2 이상의 데이터베이스 레코드들을 변경하기 위해, 하나 이상의 기술 기준들을 변경하면서, 식별하고 접속시키는 단계들을 반복적으로 실행하는 단계를 더 포함할 수도 있다. 하나 이상의 기술 기준들은, 예를 들어, 날짜들의 범위를 포함할 수도 있다.

본 방법은 특허 레코드들의 공통 레코드 클래스가 아닌 레코드 클래스로부터 추가 데이터베이스 레코드들을 선택하는 단계 및 네트워크 노드들, 네트워크 링크들, 또는 양자를 추가 데이터베이스 레코드들로부터의 하나 이상의 속성들의인스턴스들에 연관짓는 단계를 더 포함한다. 다른 레코드 클래스는, 예를 들어, 특허 레코드들과 연관된 라이센싱 이력, 특허 레코드들과 연관된 소송 이력 또는 특허 레코드들과 연관된 특허 유지료(maintenance fee) 이력을 설명할 수도 있다.

다른 태양에서, 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법은 하나 이상의 기술 기준들에 따라 2 이상의 데이터베이스 레코드들을 선택하는 단계를 포함한다. 본 방법은 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 네트워크 노드들을 데이터베이스 레코드들로부터의 공통 속성들 중 제 1 공통 속성의 인스턴스들에 연관짓는 단계를 더 포함한다. 또한, 본 방법은 네트워크 노드들을, 제 1 네트워크 그래픽 표현을 형성하기 위해, 2 이상의 공통 속성들 중 하나의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계도 포함한다. 본 방법은, 네트워크 노드들을 데이터베이스 레코드들로부터의 공통 속성들 중 제 2 공통 속성의 인스턴스들에 연관짓고, 네트워크 노드들을, 제 2 속성의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 것에 의해, 제 1 네트워크 그래픽 표현을 제 2 네트워크 그래픽 표현으로 변환하는 단계를 더 포함한다.

다른 태양에서, 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법은 하나 이상의 기술 기준들에 따라 2 이상의 데이터베이스 레코드들을 선택하는 단계를 포함한다. 본 방법은 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 제 1 세트 네트워크 노드들을 데이터베이스 레코드들로부터의 공통 속성들 중 제 1 공통 속성의 인스턴스들에 연관지으며, 제 2 세트 네트워크 노드들을 데이터베이스 레코드들로부터의 공통 속성들 중 제 2 공통 속성의 인스턴스들에 연관짓는 단계를 더 포함한다. 또한, 본 방법은, 제 1 네트워크 그래픽 표현을 형성하기 위해, 제 1 세트 네트워크 노드들의 하나 이상 멤버들을 제 2 세트 네트워크 노드들의 하나 이상 멤버들dp 네트워크 노드들간의 연관들을 지시하는 네트워크 링크들로써 접속시키는 단계도 포함한다.

또 다른 태양에서, 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법은 하나 이상의 기술 기준들에 따라 2 이상의 데이터베이스 레코드들을 선택하는 단계를 포함한다. 본 방법은 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 제 1 세트 네트워크 노드들을 데이터베이스 레코드들로부터의 공통 속성들 중 제 1 공통 속성의 인스턴스들에 연관지으며, 제 2 세트 네트워크 노드들을 데이터베이스 레코드들로부터의 공통 속성들 중 제 2 공통 속성의 인스턴스들에 연관짓는 단계를 더 포함한다. 또한, 본 방법은 네트워크 구성으로 표현되는 제 2 세트 네트워크 노드들을 네트워크 구성으로 표현되는 제 1 세트 네트워크 노드들 중 하나 이상의 네트워크 노드들내에 포함시키는 단계도 포함한다. 제 2 세트 네트워크 노드들 각각은, 제 2 세트 네트워크 노드들이 포함되어 있는 제 1 속성의 네트워크 노드들과 공통 속성 인스턴스를 공유한다. 본 방법은 제 3 세트 네트워크 노드들을 데이터베이스 레코드들의 공통 속성들 중 제 3 공통 속성과 연관짓고, 네트워크 구성으로 표현되는 제 3 세트 네트워크 노드들을 네트워크 구성으로 표현되는 제 2 세트 네트워크 노드들 중 하나 이상의 네트워크 노드들내에 포함시키는 단계를 더 포함할 수도 있다. 제 3 세트 네트워크 노드들 각각은, 제 3 세트 네트워크 노드들이 포함되어 있는 제 2 속성의 네트워크 노드와 공통 속성 인스턴스를 공유한다. 본 방법은 네트워크 노드들의 하나 이상의 추가 세트들을 데이터베이스 레코드들로부터의 공통 속성들 중 다른 공통 속성들과 연관짓고, 네트워크 노드 멤버들의 그룹 각각이 네트워크 노드를 그룹화하는 단계와 연관된 속성에 의해 특징지워지도록, 네트워크 노드들의 추가 세트들의 하나 이상의 멤버들을 다른 네트워크 노드들내에서 그룹화하는 단계를 더 포함할 수도 있다.

다른 태양에서, 네트워크 비주얼리제이션 시스템은, 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하기에 적합한 명령어들이 저장되어 있는 컴퓨터 판독 가능 매체를 포함한다. 저장된 명령어들은 여기에서 설명되는 하나 이상의 방법들에 대한 단계들을 구현한다.

도 1은 결과 필터링(result filtering)을 사용해 발생되는 그래픽 표현의 종래 기술 일례를 나타낸다.

도 2는 결과 필터링을 사용해 발생되는 그래픽 표현의 다른 종래 기술 일례를 나타낸다.

도 3은 결과 필터링을 사용해 발생되는 그래픽 표현의 또 다른 종래 기술 일례를 나타낸다.

도 4는 공간 비주얼리제이션 도구의 종래 기술 일례를 나타낸다.

도 5는 공간 비주얼리제이션 도구의 다른 종래 기술 일례를 나타낸다.

도 6은 종래 기술 비주얼리제이션 도구들에 의한 작업의 공통 프로세스(common process)를 나타낸다.

도 7은, 데이터베이스 레코드들이 설명된 실시예에서 링크 데이터로 변환될 수 있는 방법을 나타낸다.

도 8은, 소수의 데이터베이스 레코드들에 기초한 간단한 네트워크 도면을 나타낸다.

도 9는 설명된 일 실시예의 네트워크 링크 표현을 나타낸다.

도 10은, 양수인이 동일한 문서들이 함께 클러스터링되어 있는 특허 문서들의 간단한 네트워크를 나타낸다.

도 11은 설명된 일 실시예를 위한 연대순 네트워크 그래프(chronological network graph)의 일례를 나타낸다.

도 12는, PubMed 데이터베이스로부터의 단일 논문을 표현하는 설명된 일 실시예에 의해 발생되는 네트워크를 나타낸다.

도 13은, 설명된 일 실시예에 의해, 메타-노드들을 사용하지 않는 상태에서 발생되는 네트워크를 나타낸다.

도 14는, 설명된 일 실시예에 의해, 메타-노드들을 사용해 발생되는 네트워크를 나타낸다.

도 15는, 도 7의 레코드들이 메타-노드들로 변환되는 방법을 나타낸다.

도 16은, 양수인 노드들과 발명자 노드들간의 링크들이, 발명자가 그 양수인에 의해 보유되는 특허를 발명했는지의 여부에 기초하는 네트워크의 일례를 나타난 다.

도 17은 메타-노드들이 IPC 코드들을 표현하는 그래프를 나타낸다.

도 18은 설명된 일 실시예에 의해 발생되는 프랙탈 네트워크 그래프(fractal network graph)를 나타낸다.

도 19는 설명된 일 실시예에 의해 발생되는 사용자 인터페이스를 나타내고, 도 19A는 그룹을 표현하는 단일 양수인 이름에 따라 다수 양수인 이름들을 그룹화한 결과들을 나타낸다.

도 20은 특허 데이터의 속성들과 학술 저서의 속성들간의 관계들을 나타낸다.

도 21은 PubMed 데이터에 기초하며 여기에서 설명되는 MNVS를 사용해 비주얼화된 통상적 네트워크를 나타낸다.

도 22 내지 도 25는 도 21에 도시된 네트워크의 다른 뷰(view)를 나타낸다.

도 26 및 도 27은, 설명된 일 실시예에 의해 발생되는, 공동 연구(collaboration)의 상이한 클러스터들의 네트워크를 나타낸다.

도 28은, 설명된 일 실시예에 의해 발생되는, 지리(geography)에 의해 제한되는 검색의 네트워크를 나타낸다.

도 29는, 설명된 일 실시예에 의해 발생되는, 조직에 의해 제한되는 검색의 네트워크를 나타낸다.

도 30은, 설명된 일 실시예에 의해 발생되는, 조직들에 걸친 연구 시너지들 또는 대체들(research synergies or substitutions)을 예시하는 네트워크를 나타낸 다.

도 31은, 설명된 일 실시예에 의해 발생되는, 연구 강도의 지역 베이스들(regional bases)을 예시하는 네트워크를 나타낸다.

도 32는 설명된 실시예들의 컴퓨터 구현을 나타낸다.

여기에서 설명되는 실시예들에서 사용되는 바와 같이, 네트워크 비주얼리제이션 시스템(NVS:Network Visualization System)은, 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 것에 의해, 관련된 데이터베이스 레코드들 또는 문서들의 세트들을 이해하기 위한 시스템 및/또는 방법이다. 이러한 방법들 및/또는 시스템들은, 레코드들 사이에서 관계가 확립될 수 있는 레코드들을 가진 임의의 데이터베이스에 적용될 수 있다. NVS가 적용될 수 있는 일부 도메인들의 일례들로는, 이에 한정되는 것은 아니지만, 특허 문서들, 학술 논문들(academic articles)/짧은 논문들(papers)/저널들, 의학/과학 논문들/짧은 논문들/저널들, 저서, 웹 페이지들, 고객들/제품들/공급자들/매출액의 기업 데이터베이스들, 기업 지식 관리 데이터베이스들, 소매 데이터베이스들, 인구 조사 정보/경제 데이터/등의 정부 데이터베이스들, 회원 자격/가입자들/조직 합병의 데이터베이스들 및 다수의 다른 것들을 들 수 있다. 사실상, 정보의 2 이상의 필드들을 가진 정보의 테이블로서 구조화될 수 있는 임의 정보는, 본 발명을 사용해 네트워크로서 비주얼화될 수 있다.

중요한 인사이트는, 데이터베이스 레코드들/문서들이 네트워크로서 표현될 수 있는 다양한 속성들에 의해 서로 관련되어 있다는 것이다. 레코드들/문서들 사 이에서 링크 관계를 생성하는데 사용될 수 있는 속성들의 종류로는, 이에 한정되는 것은 아니지만, 인용 링크들(예를 들어, 문서들 A 및 B는, 문서 A가 문서 B를 인용하기 때문에, 링크됨), 공동-인용 링크들(예를 들어, 문서들 A 및 B는, 문서 C가 문서 A 및 B 모두를 인용하기 때문에, 링크됨), 서지(bibliographic) 커플링(예를 들어, 문서들 A 및 B는, 문서 A와 B 모두가 문서 C를 인용하기 때문에, 링크됨), 공동 저자, 공통 약력(common affiliation;양수인, 회사, 저널 등), 소정의 정적 또는 동적 분류법내의 공통 분류, 공통 핵심 단어들, 의미 유사성, 및 다수의 가능한 다른 링크들을 들 수 있다. 이들 링크들은 데이터베이스 레코드들 또는 문서들의 세트를, 다양한 네트워크 통계 자료 및 비주얼리제이션 도구들을 사용해, 사용자가 선택된 정보를 이해하는데 도움이 될 수 있는 네트워크로서 표현하는 것을 가능하게 한다.

각각의 데이터베이스 레코드는 이러한 속성들의 특정 인스턴스들로써 특징지워진다. 예를 들어, 특허 데이터베이스 레코드들의 "발명자(inventorship)" 속성의 경우, 그 속성의 "인스턴스"는 "John Smith", 즉, 특정 발명자일 수 있다. 따라서, 예를 들어, "발명자" 속성의 동일한 인스턴스 "John Smith"를 공유하는 2개 특허들은 링크되어, 네트워크의 일부로서 비주얼화되는 것으로 생각될 수 있다.

NVS의 상세한 설명이 다음에서 기술되는데, 여기에서는, 데이터베이스 정보 또는 문서들을 네트워크 정보로 변환하기 위한 방법을 설명한 다음 네트워크의 다수 비주얼리제이션들을 생성하기 위한 방법을 설명한다. 특정 데이터베이스들: 특허 데이터베이스 및 의학 저널 데이터베이스들에 NVS를 적용하는 것의 2가지 선택 된 일례들이 추가적으로 개시된다. 이들은 단지 예시적 실시예들일 뿐이라는 것을 이해할 수 있어야 하고, 당업자들이라면, 각각에서 설명되는 특정 방법들이 문서들간의 관계가 후술되는 바와 같은 다양한 링크 유형들을 통해 확립될 수 있는 레코드들/문서들을 가진 임의의 다른 데이터베이스 뿐만 아니라 다른 것들에도 적용될 수 있다는 것을 이해할 수 있을 것이다.

NVS의 주된 비주얼리제이션 패러다임은 네트워크이다. 네트워크는 소정 방식으로 서로 접속되어 있는 오브젝트들의 집합이다. "그래프"를 사용해 네트워크를 비주얼로 표현하는 것이 공통점이다. 네트워크 그래프는, 네트워크의 오브젝트 각각이 노드로서 공지되어 있는 아이콘 또는 엠블럼에 의해 표현되고 오브젝트들간의 접속 각각이 노드들을 비주얼로 접속시키는 (에지 또는 타이로도 공지되어 있는) 링크로서 표현되는 비주얼 표현이다. 이러한 노드들 및 링크들은, 네트워크의 다양한 오브젝트들 사이의 관계들에 대한 비주얼 표현을 제공하는 방식으로 레이아웃될 수 있다.

오브젝트들간의 관계들을 드러내도록 네트워크 그래프를 레이아웃하기 위한 적절한 방식을 찾는 것이 단순한 작업은 아니다. 그래프 이론 및 네트워크 레이아웃 알고리즘들은 잘 확립된 연구 분야들이다. 네트워크의 유용한 비주얼 표현들을 생성하기 위한 다양한 레이아웃 알고리즘들이 개발되어 왔다. 기존의 그래프 레이아웃 방법들을 향상시키는 것이 네트워크 비주얼리제이션 시스템의 의도는 아니다. NVS의 다양한 실시예들에 따르면, 임의의 네트워크 레이아웃 방법이, 관련된 특허 문서들 또는 데이터베이스 레코드들의 거대 세트에 대한 다양한 중요 속성들을 비 주얼화하기 위한 방법으로서 이용될 수 있다. NVS는, 데이터베이스 레코드들 또는 관련된 문서들의 세트에 대한 네트워크 그래프들을 디스플레이하기 위해, 기존의 레이아웃 알고리즘들을 이용한다.

문서들/데이터베이스 레코드들의 거대 세트에 관해 이해되어야 할 핵심 속성들 중 하나가 그들 사이에 존재하는 관계 또는 관계들이기 때문에, 네트워크 패러다임이 비주얼리제이션을 위한 베이시스(basis)로서 선택되어 왔다. 그것의 특징에 의한 네트워크 비주얼리제이션은 관계들을 드러내도록 설계되므로 거대 문서 세트들을 이해하는 아주 유용한 도구이다.

데이터의 획득

NVS를 이용하는 제 1 단계는 검사될 문서들/데이터베이스 레코드들을 획득하는 것이다. 몇가지 수단들이 분석을 위한 문서/데이터베이스 레코드들의 세트에 액세스하는데 이용될 수 있다. (동일한 컴퓨터 시스템내의 또는 하나 이상의 원격 온사이트(onsite) 또는 오프사이트(offite) 서버들의) 전자 데이터 리포지토리에 저장되어 있는 데이터는 그 전체로서 또는 레코드들의 서브세트로서 NVS에 의해 액세스될 수 있다. 이는, 하나 이상의 기술 기준들에 기초한 사용자 쿼리를 컴퓨터 구현형 또는 지원형 검색(computer implemented or assisted search)을 통해 전자적으로 제출하는 것에 실현될 수 있다. 쿼리는 정규의 잘-확립된 부울 신택스를 사용해 제출될 수 있고, 데이터베이스 레코드들의 하나 이상의 필드들내에서 또는 데이터베이스 레코드의 전체적인 "완전 텍스트"내에서 사용자 특정 용어들을 검색하는 것에 의해 수행될 수도 있다. 그 다음, 데이터 또는 쿼리 결과 전체가 네트 워크 비주얼리제이션 시스템에 의해 분석되고 비주얼화될 수 있다. 일 실시예에서, 전자 데이터 리포지토리내의 데이터베이스 레코드들 모두는, USPTO, EPO, Aureka, Micropatent, Thomson, LexisNexis 또는 Derwent 데이터베이스로부터의 특허들 또는, 예를 들어, PubMed 데이터베이스와 같은 다수의 학술, 과학, 엔지니어링 또는 의학 문서 데이터베이스들 중 하나에 포함되어 있는 학술 저널 논문들과 같은, 공통 레코드 클래스의 멤버들이다. 다른 실시예들에서는, 데이터베이스 레코드들이 2 이상의 레코드 클래스들의 멤버들이다.

전자 데이터 리포지토리들에 저장되지 않는 데이터도 NVS에 의해 분석될 수 있지만, 그 데이터는 먼저, 데이터 엔트리, OCR(optical character recognition), 또는 적절한 다른 기술들을 통해 전자 포맷으로 변환되어야 한다. 일단 데이터가 전자 형태로 변환되고 나면, 데이터는 NVS를 사용해 임의의 다른 데이터베이스로서 분석될 수 있다.

데이터베이스 레코드들을 네트워크 데이터로 변환하기

상술된 바와 같이 데이터 리포지토리로부터 추출되는 데이터는 단지 한 세트의 레코드들일 뿐이다. 이 데이터가, 종래 기술내의 공지의 임의 네트워크 비주얼리제이션 도구에 의해서는 "네트워크" 데이터로 간주되지 않을 것이다. 이는, 그것이 노드 리스트 및 링크 리스트(또는 행렬)로서 구조화되어 있지 않기 때문이다. 이 데이터는, 각각의 레코드가 레코드의 속성들을 표현하는 2 이상의 필드들을 가진, 레코드들의 집합일 뿐이다. 예를 들어, 기업 고객 데이터베이스는 고객 ID, 이름, 거리 주소, 도시, 주, 우편번호, 국가, 전화번호, 이-메일 주소, 및 다수의 다른 것들을 위한 필드들을 가질 수도 있다. 이 데이터가 각각의 레코드가 노드로서 간주되는 노드 리스트로서는 유용하지만, 링크 리스트가 존재하지 않으므로, 이 데이터가 네트워크 그래프로서 표현될 수는 없다.

네트워크 비주얼리제이션 시스템은, 각각의 레코드-링킹 속성을 위한 링크 리스크를 생성하는 것에 의해 이 데이터를 네트워크 데이터로 변환한다. 이는, 공통 속성값을 공유하는 각각의 레코드 사이에서 링크를 생성하는 것에 의해 실현된다. 도 7에 도시된 챠트는, 데이터베이스 레코드들이 링크 데이터로 변환될 수 있는 방법에 대한 간략화된 일례를 제공한다.

이 일례에서, 우리는 특허 데이터베이스 레코드들의 아주 단순화된 세트를 사용한다. 양수인 또는 발명자와 같은 속성들에 대해, 동일한 속성값을 공유하는 레코드들의 각 쌍을 위해 링크들이 생성된다. 이 링크들은, 이들이 단순히 속성값들의 동시-발생(co-occurrence)에만 기초하므로, 방향성을 갖지 않는다. 일례에서 도시된 바와 같이, 인용 링크들이 리스트로서 제공된다면, 인용 링크들은 (이 경우, 콤마 한정에 기초해) 파싱된 다음, 인용 특허(citing patent)와 피인용 특허(cited patent) 사이에 방향 링크들이 양도되어야 한다.

이 방법은 데이터베이스 레코드들의 임의 세트를, 상술된 바와 같이, 원래의 레코드들이 노드 리스트이고 하나 이상의 속성들의 공통 인스턴스들에 기초해 링크 리스트들이 생성되는, 네트워크 데이터로 변환하는데 사용될 수 있다. 일단 데이터베이스 레코드들이 네트워크 데이터로 변환되고 나면, 사용자는, NVS를 이용해, 네트워크를 비주얼화할 수 있다.

기본적인 데이터베이스 네트워크들

기본적인 데이터베이스 네트워크에서, 각각의 레코드는 노드로써 표현될 수 있고, 노드들은 상술된 링크들의 다양한 유형들 중 하나 이상을 표현하는 링크들에 의해 서로 접속될 수 있다. 도 8은 소수의 데이터베이스 레코드들에 기초한 아주 간단한 네트워크 도면을 나타낸다.

노드들 표현하기 - 노드들은 기본적인 형태(예를 들어, 원, 타원, 정사각형, 직사각형 등) 또는 아이콘(예를 들어, 문서 그림)으로서 디스플레이될 수 있다. 노드들의 컬러는 노드들의 소정 속성을 표현하기 위해 변경될 수 있다. 또한, 노드는 레코드를 식별하거나 데이터베이스 레코드의 하나 이상 속성들을 디스플레이하는 텍스트로써 레이블링(labeling)될 수도 있다. 실질적인 문제로서, 긴 노드 레이블들은 네트워크 디스플레이를 보기 흉하게 하는 경향이 있다. NVS는 이 문제에 몇가지 방법들로 대처한다. 첫번째, 얼마나 많은 소정 속성값을 노드내에 디스플레이할 것인지를 위한 다수 옵션들이 사용자에게 제공된다. 옵션들은, Full(전체 값), Short(첫번째 단어 또는 처음의 "n개" 문자들), Point(2자리 연도만;two digit year only) 및 None(레이블이 없는 상태)을 포함한다. 이 문제는 부가적으로, 그들이 (마우스 또는 트랙볼과 같은 전자 포인팅 장치를 사용해) 노드를 지적하거나 선택할 때마다, 사용자가 완전한 노드 레이블을 볼 수 있게 하는 것에 의해서도 해결된다.

링크들 표현하기 - 링크들은 라인(line) 또는 화살표로써 표현될 수 있다. 예를 들어, 도 9를 참고한다. 링크들의 디스플레이는, 정점이 인용되는 문서를 향 하는 삼각형을 사용해 화살촉을 부착하는 것에 의해 또는 상이한 컬러들 또는 라인 스타일들(예를 들어, 점선, 실선)을 사용해 순방향(forward) 및 역방향(backward) 인용들을 표현하는 것에 의해, 링크의 방향이 드러나게 할 수 있다. 더 나아가, 노드들간의 접속 강도는 라인의 두께를 변경하는 것에 의해 또는 라인의 컬러 또는 스타일을 변경하는 것에 의해 비주얼로 묘사될 수 있다. 링크의 강도는, 각각의 링크 강도와 연관된 값을 네트워크 도면상의 링크 가까이에 디스플레이하는 것에 의해서도, 묘사될 수 있다. 노드들 사이의 링크들의 다양한 유형들은 상술된 바와 같이 확립될 수 있다.

실질적인 문제로서, 다수 링크들이 동일한 2개 노드들에 접속될 경우, 2개 노드들이 관련되어 있는 다양한 방식들을 사용자가 구별하기는 어렵다. NVS는 이 문제를 여러 방법들로 해결한다. 첫번째, 이들이 비주얼로 상이할 수 있도록, 상이한 링크 유형들이 디스플레이된다. 이것은, 상이한 컬러들, 라인 스타일들(예를 들어, 점선, 실선, 파선), 라인 두께들 등으로써 상이한 링크 유형들을 나타내는 것에 의해 실현된다. 노드들간의 다수 링크들은, 다수의 링크 유형들이 겹치지 않고 디스플레이될 수 있도록 하기 위해, 나란히 정렬된다.

다수 링크 유형들의 문제를 해결하기 위한 다른 기술은 링크들을 하나의 "복합 링크(composite link)"로 무너뜨리고 링크들의 상이한 유형들 및 타이들의 강도를 나타내는 아이콘들을 링크에 부착하는 것이다. 도 9는, 다수의 링크 유형들이 아이콘들을 가진 단일 링크로 해결될 수 있는 방법의 일례를 나타낸다.

이러한 복합 링크의 2개 노드들간의 강도는 다수 방법들로 계산될 수 있다. 그것은 단순히 링크들의 수, 조합된 링크들의 강도들의 합, 또는 조합된 링크들의 가중화된 평균에 기초할 수도 있다. 가중화된 평균이 사용된다면, 가중화 팩터들은 링크 유형 각각의 상대적 중요성에 대한 추정에 기초해 선택될 수 있다.

NVS의 다른 사양은, 사용자에게 어떤 링크 유형들이 활성인지 아니면 비활성인지 그리고 어떤 것이 가시적(visible)인지 아니면 비가시적(invisible)인지를 선택하기 위한 수단이 제공된다는 것이다. 정의에 의해, "활성" 링크들은, 네트워크 그래프의 레이아웃에 영향을 미치는 링크들이다. 다시 말해, 활성 링크들은, 링크되어 있는 노드들을 다같이 끌어 당기는 (스프링 또는 고무 밴드와 같은) 힘을 가진다. 그러나, 모든 활성 링크들이 비주얼리제이션으로 디스플레이될 필요는 없다. 네트워크의 클러스터링 정도가 높거나(즉, 링크들이 밀집되어 있거나) 다중 링크 유형들이 동시에 사용된다면, 네트워크 그래프는 링크들로써 클러스터링될 수도 있다. 사용자가 링크들을 비가시화 하는 것을 허용하는 것에 의해, 사용자는, 그 링크들이 계속해서 그래프 레이아웃에 영향을 미치게 하면서, 그래프 도면으로부터 링크들을 제거할 수 있다.

네트워크 네비게이팅하기 - NVS는 다음과 같은 것들을 포함하지만, 이에 한정되는 것은 아닌, 네트워크를 네비게이팅하기 위한 몇가지 수단들을 제공한다:

ㆍ 노드 주위의 반경 선택하기 - 네트워크를 네비게이팅하는 일 방법은 선택된 노드 주위의 "반경(radius)"을 선택하는 것이다. 이 맥락에서, 반경은 선택된 노드와 다른 노드 사이의 링크들의 수이다. 예를 들어, 반경이 3으로 설정된다면, 선택된 문서로부터 3개 미만의 링크들에 의해 도달될 수 있는 모든 문서들이 네트 워크 그래프에 디스플레이될 것이다.

ㆍ 확장하기 - 네트워크는 네트워크 그래프에 추가 노드들을 추가하도록 확장될 수 있다. 사용자는, 예를 들어, (문서들 또는 데이터베이스 레코드들을 표현하는) 하나 이상의 노드들을 선택하고 "확장하기(Expand)"를 선택할 수 있는데, 이로써, 그 노드/노드들로부터 단일 링크를 통해 도달될 수 있는 (그러나 아직은 비가시적인) 모든 노드들이 네트워크 그래프에 추가된다.

ㆍ 축소하기 - 네트워크는 네트워크 그래프로부터 노드들을 제거하기 위해 축소될 수 있다. 사용자는, 예를 들어, (문서들 또는 데이터베이스 레코드들을 표현하는) 하나 이상의 노드들을 선택하고 "축소하기(Contract)"를 선택할 수 있는데, 이로써, 그 노드/노드들로부터 단일 링크로 도달될 수 있으며 임의의 다른 방법으로 네트워크에 링크되어 있지 않은 모든 노드들이 네트워크 그래프로부터 제거된다.

ㆍ 숨기기 - 노드들은 네트워크 그래프로부터 은닉될 수 있다. 하나 이상의 노드들을 선택하고 "숨기기(Hide)"를 선택하는 것에 의해, 선택된 노드들은 네트워크 그래프로부터 제거된다.

네트워크 필터링하기 - NVS의 다른 유용한 사양은, 네트워크내에 표현되어 있는 노드들을 필터링할 수 있는 능력이다. 이는 다수 방법들로 실현될 수 있다.

1) 디스플레이될 특허 문서들의 속성 값들에 대한 최소, 최대 또는 범위를 특정하는 것에 의해, 필터가 적용될 수 있다. 예를 들어, 문서들은, 다음과 같은, 기준들의 특정 세트를 충족시키는 레코드들만을 표현하도록 필터링될 수 있다:

o 특정 날짜 이전 또는 이후에 날짜가 있는 것

o 특정 속성이 레코드 세트내의 소정 횟수들보다 많거나 적게 등장하는 노드들만을 디스플레이하는 것(예를 들어, 데이터 세트에 5개 이상의 문서들을 가진 저자들을 위한 문서 노드들만을 디스플레이하는 것)

2) 필터는, 디스플레이될 노드 속성들의 값들을 특정하는 것에 의해 적용될 수도 있다. 예를 들어, 문서들은 다음과 같은 문서들만을 표현하도록 필터링될 수도 있다:

o 하나 이상의 회사들에 관련된 문서들

o 하나 이상의 저자들의 특정 세트에 의해 기입된 문서들

o 소정의 고정 또는 동적 분류법에 기초해 하나 이상의 토픽들의 특정 세트내에서 분류되는 문서들

3) 필터는, 사용자에게 속성 값들의 리스트를 제공하고, 사용자로 하여금 디스플레이될 속성 값들을 선택하거나 선택 해제(deselect)할 수 있게 하는 것에 의해 적용될 수도 있다.

4) 필터는, 사용자에게 (마우스 또는 트랙볼과 같은) 컴퓨터 포인팅 장치를 사용해 네트워크 비주얼리제이션으로부터 하나 이상의 노드들을 선택하기 위한 수단을 제공하고, 선택된 노드들이 필터링되어야 한다는 것을 지시하는 메뉴로부터 명령을 선택하게 하는 것에 의해, 적용될 수도 있다.

이러한 필터링 방법들을 개별적으로 또는 조합으로 사용하는 것에 의해, 사용자는 데이터 세트를 동적으로 필터링하여 관심있는 문서들만을 디스플레이할 수 있다. 예를 들어, 사용자는, 그녀가, 회사들(A, B, 및 C)에 의해 연도들(1999 및 2005) 사이에 간행된 문서들 중에서 카테고리들(Al, C3 및 D5)을 갖도록 분류되는 문서들만을 보고 싶다고 특정할 수 있다.

이 능력은 다음과 같은 2가지 이유들 때문에 중요하다: 1) 이 능력으로 인해, 사용자는 데이터 세트내의 문서들의 상이한 서브세트들 사이를 앞뒤로 이동할 수 있고; 2) 이 능력으로 인해, 사용자는 그들의 쿼리를 재정의하여 그들에게 관심없는 문서들을 제거할 수 있다.

속성에 의해 클러스터링하기 - 네트워크의 문서들 사이의 관계들의 상이한 종류들을 드러내는 다른 방법은 문서들의 속성들에 기초해 문서들을 클러스터링하는 것이다. 이를 실현하기 위한 일 방법은, 특정 속성 값을 공유하는 노드들 사이에 추가 링크들을 배치하는 것이다. 예를 들어, 양수인이 동일한 모든 특허들은, 서로에게 끌려 클러스터를 형성하도록, 추가 링크들에 의해 서로에게 링크될 수 있다. 도 10은, 양수인이 동일한 문서들이 함께 클러스터링되어 있는 특허 문서들의 간단한 네트워크를 나타낸다. 다른 방법으로는, 그 값을 가진 노드 각각이 새로운 노드로 링크되는 속성 값을 표현하는 추가 노드가 그래프로 도입될 수 있다. 이것은 이러한 노드들 모두를 효과적으로 클러스터로 끌어 당긴다. 이러한 새로운 "속성 노드" 또는 속성 노드와 다른 노드들간의 링크들을 비주얼리제이션내에 디스플레이할 필요는 없다는 것에 주의한다.

네트워크내의 자연스러운 클러스터들 식별하기 - 링크된 문서들의 네트워크는 자연스럽게, 네트워크의 다른 영역들보다 클러스터링 정도가 좀더 높거나 강하 게 그룹화되어 있는 영역들을 가질 것이다. "클러스터링 정도"는 사회 네트워킹 분야내의 업계 용어이고 네트워크의 일부 또는 전체 네트워크내에서 클러스터링 정도를 판정하기 위한 주지의 통계 방법들이 존재한다. 이러한 클러스터들은, 사회 네트워크 분석 분야의 일부로서 개발된 기술들을 사용해 식별될 수 있다. 클러스터들을 식별하기 위한 다양한 기술들이 존재한다. NVS의 목적이 공지의 클러스터링 기술들을 향상시키는 것은 아니지만, NVS는, 문서들의 거대 세트의 특징에 대한 인사이트를 제공하기 위해, 다양한 클러스터링 기술들을 이용해 특허들의 관련 그룹들을 식별한다.

일단 클러스터들이 식별되고 나면, 클러스터들은 레이블링될 수 있다. 레이블링하는 일 방법은 클러스터에 해당되는 문서들의 타이틀들 및 요약서들 모두에서 또는 다수에서 발견되는 단어들을 식별하는 것이다. 상위(통상적으로 1 내지 5위)의 몇개 단어들을 함께 연결하는 것에 의해, 각각의 클러스터를 위한 레이블이 생성될 수 있다. 이 레이블은 사용자에게 클러스터 각각의 내용에 관한 신호를 제공할 수 있다. 클러스터에서 가장 빈번하게 사용되는 단어들의 열거가 이상적인 클러스터 레이블은 아닐 경우가 많으므로, 사용자에게 클러스터 레이블을 단어들의 좀더 의미있는 세트로 변경할 수 있는 수단을 제공하는 것이 실질적이다.

연대순(chronological) 네트워크 그래프들 - 문서들의 세트에 관한 정보를 드러내는 다른 방법은, 노드들이 날짜에 의해 정렬되는 방식으로 네트워크 그래프를 디스플레이하는 것이다. 사용되는 날짜들은 문서 또는 데이터베이스 레코드와 연관된 임의의 날짜일 수 있다. 예를 들어, 특허 문서들은 특허 문서들과 연관된 다수 날짜들; 우선일, 출원일, 공개일, 등록일, 만료일 뿐만 아니라 다른 날짜들을 가진다. 예를 들어, 네트워크 그래프는 가장 오래된 문서들 모두를 그래프의 왼쪽에 배치할 수 있고 최신 문서들을 오른쪽에 배치할 수 있다(또는 그 반대일 수 있다). 시간에 걸친 기술 발전의 진행을 나타내기 위해 그래프를 따라 시각표(timeline)가 배치될 수 있다. 다른 방법으로는, 네트워크 레이아웃의 배경이 년(year), 세기, 또는 소정의 다른 시간 분할에 의해 세그먼트들로 분할되고, 그 범위에 해당되는 문서들이 적절한 세그먼트에 등장하도록, 레이블링될 수 있다. 도 11은 그러한 연대순 네트워크 그래프의 일례를 나타낸다.

기타 경사도들(gradients) - 네트워크들은 시간이 아닌 다른 경사도들의 임의 숫자를 따라 디스플레이될 수도 있다. 정량적인(또는 정량화될 수 있는) 노드들 또는 메타-노드들의 임의 속성이, 네트워크 비주얼리제이션을 디스플레이하기 위한 경사도로서 사용될 수 있다. 다른 경사도의 간단한 일례로는 고객들의 연간 소비(annual spending)에 의해 정렬되는 고객 데이터의 네트워크를 들 수 있다.

"메타-노드들"을 사용해 네트워크 변환하기

여기에서 설명되는 실시예들의 신규한 중심 사양들 중 하나는 네트워크 표현을 변환할 수 있는 능력이다. 종래 기술의 네트워크 비주얼리제이션 도구들은, 무엇이 노드이고 무엇이 링크인지에 대한 고정적이고 안정적인 정의를 보유한다. 예를 들어, 특허 문서들의 세트에 대한 데이터가 종래 기술의 네트워크 비주얼리제이션 도구들 중 하나로 도입되면, 무엇이 노드이고 무엇이 링크인지를 정확하게 정의하는 것이 필요하다. 예를 들어, 각각의 특허가 노드로서 표현되고 공동 발명자가 링크들을 표현한다고 선택한다면, 비주얼리제이션 도구는, 분석 기간 동안 변함없이 그러한 노드/링크 정의를 보유할 것이다. NVS는, 그것이, 사용자로 하여금, 그들이 데이터를 사용하는 것에 따라, 무엇이 노드이고 무엇이 링크인지에 대한 정의를 재정의하는 것에 의해, 네트워크를 변환할 수 있게 한다는 점에서 근본적으로 상이하다.

네트워크 비주얼리제이션 시스템은, 데이터베이스 레코드의 임의 속성이 노드, 링크, 또는 양자로서 표현될 수 있다는 원리에서 동작한다. 간단한 일례로서, 회의 조직자가 다양한 회의 워크샵들 및 각각의 워크샵을 위한 참석자들의 리스트를 가지고 있다면, 그녀는 공통 참석자들에 의해 링크되는 워크샵들의 네트워크로서 이들을 비주얼화할 수도 있지만, 그녀는 그들이 함께 참석하는 워크샵들에 의해 링크되는 참석자들의 네트워크로서 이들을 아주 쉽게 비주얼화할 수도 있다.

극단적인 경우라면, 단일 데이터베이스 레코드도, 각각의 속성이 노드에 의해 표현되고 다양한 속성들이 다른 공통 속성들에 기초해 링크되어 있는 네트워크로서 볼 수 있다. 도 12는, PubMed 데이터베이스로부터의 단일 논문을 표현하는 다소 복잡한 네트워크를 나타낸다. 중앙 노드는 논문 자체를 표현하는 한편, 그 논문의 다양한 속성들은 다른 노드들로써 표현되어 동시-저자 링크들 및 다른 동시 발생 링크들과 같은 링크들에 기초해 서로 접속되어 있는데, 선택된 논문에서 속성들 모두가 발생했기 때문이다.

네트워크 비주얼리제이션 시스템은 데이터베이스 정보를 네트워크 정보로 변환할 뿐만 아니라, 사용자로 하여금 그녀만의 고유한 노드 및 링크 정의들을 생성 할 수 있게 하고, 임의 갯수의 노드들 및 링크들을 단일 네트워크에서 조합할 수 있게 하며, 분석 기간 동안, 자유롭게 그러한 정의들을 변경할 수 있게 한다. 앞서 공지된 방법들하에서는, 네트워크 비주얼리제이션을 이런 식으로 변환하는 것이 불가능하다.

다른 노드 정의들을 생성할 수 있는 능력은 네트워크 디스플레이를 단순화할 수 있고 데이터 세트에 관한 인사이트를 개발할 수 있는 강력한 도구이다. 네트워크 디스플레이의 노드들 및 링크들을 재정의하는 것에 의해, 사용자는 그녀의 주의를 그녀의 관심 엔티티에 집중할 수 있다. 예를 들어, 특허 데이터를 분석 중인 연구자는 특허들이 아니라 회사들, 산업들 또는 발명자들에 초점을 맞출 수도 있다. 이러한 노드들은 단일 문서들 또는 데이터베이스 레코드들을 표현하는 노드들보다 높은 레벨의 엔티티들을 표현한다. 우리는 이러한 높은-레벨의 노드들을 "메타-노드들"이라고 하는데, 이들은 단일 레코드들이 아니라 문서들 또는 데이터베이스 레코드들의 그룹들을 표현하기 때문이다. 이러한 메타-노드들간의 링크들을 우리는 "메타-링크들"이라고 하는데, 이들은, 메타-노드들에 의해 표현되는 문서들 또는 데이터베이스 문서들의 집합들 사이의 링크들의 집성(aggregation of links)을 표현하기 때문이다. 네트워크를 "메타-레벨"로 추상화할 수 있는 능력으로 인해, 사용자는, 임의의 다른 공지 비주얼리제이션 방법을 사용해 가능한 것보다 높은 레벨에서, 질문들에 응답할 수 있고 판정들을 통지할 수 있다.

일례로써 네트워크 변환 방법의 힘이 설명될 수 있다. 노드들이 특허 문서들이고 링크들이 인용 링크들인 1000개를 초과하는 특허 문서들의 복잡한 네트워크 를 가정한다. 네트워크 그래프는 도 13의 그림처럼 보일 수 있다.

이러한 네트워크 그래프로부터 무엇이 이해되어야 하는지를 판정하기는 업렵다. 그러나, 각각의 노드가 회사이도록 노드의 정의를 재정의하는 것에 의해 네트워크를 변환한다면, 도 14에 도시된 것과 유사한 네트워크 도면을 갖게 될 것이다.

특정 사진 기술에 관련된 특허 문서들의 이러한 네트워크 도면은 이 기술 분야의 선도 회사들(leading companies)을 쉽게 식별할 수 있게 하고 그들간의 접속들을 쉽게 이해할 수 있게 한다. 네트워크 도면을 변환하는 것에 의해, 그것은 크게 간략화되었고, 그에 따라, 좀더 중요한 인사이트를 가능하게 할 수 있다.

앞에서는, 데이터베이스 레코드들을 네트워크 데이터로 변환하는 실시예를 설명하였다. 그 실시예는 안정적인 노드 정의, 즉, 각각의 데이터베이스 레코드가 노드라는 노드 정의에 의존한다. 다른 실시예는 데이터베이스 레코드들로부터 메타-노드 데이터 및 메타-링크 데이터를 생성한다. 도 15에 도시된 일례는 앞서 도 7에 도시된 데이터베이스 레코드들의 동일한 단순 세트를 사용해 양수인 메타-노드들 및 메타-링크들을 생성하도록 이것이 실현되는 방법을 예시한다.

프로세스의 제 1 단계는 메타-노드 리스트를 생성하는 것인데, 이는, 단순히 특정 레코드 속성의 고유한 값 각각을 열거하고 데이터 세트에서 그 값이 등장하는 횟수를 기록하는 것에 의해 수행된다. 그 다음, 나머지 속성 필드들(예를 들어, 발명자들, IPC 클래스들 및 인용들)에서의 값들의 동시 발생에 기초해 이 속성(이 일례에서는 양수인)을 위한 하나 이상의 메타-링크 리스트들이 생성된다. 이 방법은 상술된 바와 같이 링크 리스트를 생성하는데 이용되는 방법과 유사하지만, 2가 지 예외들을 가진다. 첫번째, 이 인스턴스의 "레코드"는 데이터베이스로부터의 실제 레코드가 아닌, 방금 생성된 메타-노드 리스트로부터의 레코드이고, 두번째, 메타-링크들은 그 링크로 통합된 동시-발생들(또는 인용들)의 수를 지시하는 링크-강도 값들을 가진다.

데이터베이스 레코드들로부터의 링크 리스트들, 메타-노드 리스트들 및 메타-링크 리스트들의 생성은 문자 그대로 임의 데이터베이스로부터의 데이터베이스 정보를 여기에서 설명되는 네트워크 비주얼리제이션 시스템을 사용하는 네트워크로서 볼 수 있게 한다. 실질적 문제로서, NVS의 설명된 실시예가 사실상 가능한 모든 속성을 링크 리스트로 변환하지는 않으며 그것이 모든 속성을 메타-노드 리스트 또는 메타-링크 리스트로 변환하는 것도 아니다. 오히려, 사용자의 목적을 위해 가장 유용한 속성들만이 네트워크 데이터로 변환된다.

당업자에게는, 어떤 속성들을 변환할 것인지 그리고 분석의 어떤 단계에서 그러한 선택을 수행할 것인지를 선택하기 위한 다른 방법들이 존재한다는 것이 명백할 것이다. 예를 들어, 가끔은, 어떤 속성들을 관심있는 특정 데이터베이스를 위한 링크 및 메타-노드 데이터로 변환할 것인지를 컴퓨터 프로그램의 일부로서 미리 정의해 두는 것이 바람직스럽다. 이것은, 사용자로 하여금, 그녀의 연구 동안 이 도구로써 작업할 노드들, 메타-노드들, 링크들 및 메타-링크들의 표준 세트에 액세스할 수 있게 한다. 네트워크는 다수 노드들, 메타-노드들 및 링크들로써 필터링, 변환, 및 관찰될 수 있지만, 분석 중인 특정 데이터 세트를 위해 확립된 속성들의 경계들내에서만 그러하다.

다른 방법으로는, 사용자에게, 그녀의 분석 기간 동안, 데이터베이스 레코드들로부터 링크, 메타-노드 및 메타-링크들로 변환할 속성들을 선택할 수 있는 능력을 제공할 수도 있다. 이것은, 단순히 사용자에게 네트워크 데이터로의 변환을 위한 리스트로부터 속성들(필드들)을 선택할 수 있게 하는 것에 의해 실현될 수 있다. 일단 속성들이 선택되고 나면, 링크들, 메타-노드들 및 메타-링크들이 상술된 방법에 따라 생성되어, 사용자에게 이용 가능한 네트워크 비주얼리제이션 리소스들의 세트에 추가될 수 있다.

데이터베이스 레코드들로부터 메타-노드 및 메타-링크 정보를 생성하는 다른 방법들도 존재한다. 다음의 일례들은 그러한 정보를 생성하는 다른 방법들을 예시하지만, 이러한 2가지 방법들 이외의 다른 방법들도 사용될 수 있다.

일례 1 - 메타-노드들 및 메타-링크들은 속성 값들의 범위에 기초해 생성될 수 있다. 예를 들어, (예를 들어, 연간 매출액을 기록하는 고객 데이터베이스 필드에) 수치인 데이터베이스 레코드의 속성이 존재한다면, 그 속성 필드내로부터의 값들의 범위들에 기초해 메타-노드들이 생성될 수 있다(예를 들어, <$200 = Small spenders, $200-$1,000=Moderate spenders, >$1,000=Big spenders).

일례 2 - 메타-노드들 및/또는 메타-링크들은 다수 레코드 속성들의 조합들에 기초할 수 있다. 예를 들어, 마케팅 조사 결과들의 데이터베이스는, 고객들의 특정 카테고리들이 질문들의 그룹에 대한 그들의 공통적인 응답들에 기초해 다같이 그룹화될 수 있는 네트워크 데이터로 변환될 수 있다. 이런 식으로, >$50,000/년의 수입, 자녀들의 수 >=2, 및 자동차 유형 = SUV 또는 미니밴에 기초해, "사커 엄 마들(Soccer Moms)"을 위한 메타-노드들을 정의할 수 있다.

또한, 도 14의 네트워크 도면은 네트워크 비주얼리제이션 시스템의 2가지 추가 속성들: 메타-노드 사이징 및 메타-링크 통합도 예시한다.

메타-노드 사이징 - 도 14의 네트워크 그래프에서, 각각의 메타-노드는 단일 특허를 표현할 뿐만 아니라 양수인 속성의 공통 값을 공유하는 모든 특허들도 표현한다. 다시 말해, 각각의 노드는 동일한 양수인에 의해 출원된 특허들 모두를 표현한다. 이 도면에서, 노드의 사이즈는 그러한 특정 양수인에게 부여된 특허들의 수에 기초하고 메타-노드 사이즈와 연관된 값을 디스플레이하기 위해 숫자들이 메타-노드들에 부착된다.

NVS의 다른 사양은 사용자에게, 표현된 문서들(represented documents)의 다양한 속성들에 기초해 메타-노드들을 사이징할 수 있는 능력을 제공하는 것이다. 예를 들어, 연간 소비를 갖춘 고객 데이터베이스에서, 노드는 메타-노드에 의해 표현되는 모든 고객들을 위한 연간 소비의 합(또는 평균)에 기초해 사이징될 수도 있다. 메타-노드들은 표현된 노드들을 위한 중심성(centrality)/아이젠 벡터 중심성(eigenvector centrality)/매개 중심성(betweeness centrality)의 합과 같은 네트워크 통계 자료 계산들의 임의 수치에 기초해 사이징될 수도 있다. 이러한 다양한 메트릭들에 기초해 노드들을 사이징하는 능력으로 인해, 사용자는 노드 값 및 사용자에게 흥미로운 중요한 다른 측정치들과 같은 것들에 관한 결론들을 끌어낼 수 있다.

메타-노드들을 사이징하는데 사용될 수 있는 다수 속성들은 단일 문서들 뿐 만 아니라 메타-노드들에도 적용될 수 있다. 인용 속성들(순방향 인용들, 역방향 인용들, 총 인용들) 및 중심성에 대한 사회 네트워크 통계 자료(중심성, 아이젠 벡터 중심성, 매개 중심성)에 특히 관심이 있다. 이들 및 다른 통계 자료에 기초해 노드들을 사이징하는 것은 네트워크내의 노드들의 가치에 대한 신호를 제공할 수 있다.

메타-링크들 통합 - NVS의 다른 사양은 네트워크를 2진 (오프/온) 링크들을 가진 네트워크로부터 (강도의 정도들이 상이한 링크들과 조합된) 메타-링크들을 가진 네트워크로 변환하는 능력이다. 링크들의 메타-링크들로의 이러한 통합은, 메타-노드들 사이의 관계에 대한 강도 및 특징 모두를 드러내는 것에 의해 사용자에게 추가적인 인사이트도 제공한다.

앞서 도시된 일례의 경우에서, 링크들은 양수인들간의 인용들을 표현한다. 다중 링크들이 도시되는데, 인용들은 회사들 사이에서 어느 한쪽 방향으로 흐를 수 있기 때문이다. 이 일례에서 링크들의 값들은 일 회사의 특허들과 다른 회사의 특허들간의 인용들의 총 수에 기초한다. 이것은, 이러한 "혁신 네트워크"에서 누가 리더들(leaders)이고 누가 추종자들(followers)인지를 드러낸다. 화살촉들이 링크들에 부착되어 링크들의 방향을 나타내고, 숫자들이 부착되어 링크 강도와 연관된 값을 나타낸다. 또한, 바람직한 실시예에서, 사용자가 (마우스와 같은 전자 포인팅 장치를 사용해) 특정 노드를 포인팅할 때, 입력 및 출력 링크들은 상이한 컬러들로써 강조되어, 선택된 회사가 (많이 인용되는) 리더인지 아니면 (다른 회사들을 인용하는) 추종자인지에 대한 비주얼 단서를 제공한다.

노드-사이징에 있어서, 링크-강도는 다양하고 상이한 링크 속성들에 기초할 수 있다. 일부 일례들은 인용 수, 고유한 피인용 문서들의 수, 인용 문서들의 수, 평균 인용 시기(average age of citation), 가장 최근의 인용 시기 뿐만 아니라 다른 것들도 포함한다. 메타-노드들이 상술된 바와 같은 광범위한 링크 유형들에 의해 접속될 수 있다는 것도 상기한다. 이 링크들도 집적될 수 있고 그들의 타이들의 강도는 여기에서 설명되는 것들과 유사한 메트릭들에 기초해 판정될 수 있다.

다수 노드, 메타-노드 및 링크 유형들의 동시적 디스플레이

메타-노드 개념의 다음 확장은 다수 노드 및 링크 유형들을 동일한 그래프에 동시 배치하는 것이다. 예를 들어, 특허 맥락에서는, 양수인들과 발명자들 모두를 표현하는 노드들을 포함하는 그래프를 살펴보는 것이 특히 그러하다. 도 16은, 양수인 노드들과 발명자 노드들간의 링크들이 발명자가 그 양수인에 의해 보유된 특허를 발명했는지의 여부에 기초하는, 양수인들과 발명자들의 네트워크 일례를 나타낸다. 도 16에 도시된 네트워크에서는, 어떤 발명자들이 어떤 회사들을 위해 작업하는지 그리고 어떤 발명자들이 조사 중인 기술 분야 범위내의 다수 회사들을 위해 작업해 왔는지가 비주얼로 명백하다.

다른 일례로서, 특허들을 표현하는 노드들 및 IPC(International Patent Classifications), USPC(United States Patent Classifications), 및/또는 Derwent 클래스들을 표현하는 메타-노드들이 동일한 그래프상에 디스플레이될 수 있다. 도 17은, 메타-노드들이 IPC 코드들 및 특정 IPC들의 멤버들로서 그룹화된 특허들을 표현하는 그래프를 나타낸다. 필터가 특정 양수인으로부터의 특허들만을 뷰 잉(viewing)하는 것으로 설정된다면, 이 실시예로 인해, 사용자는 그 양수인이 시간에 걸쳐 투자하고 있는 것이 어떤 기술들인지 그리고 그러한 우선 순위들이 어떻게 변경되어 왔는지를 비주얼로 판정할 수 있다.

상이한 속성들 또는 접속들의 유형들을 표현하는 노드들 및 링크들이 시스템의 이용 가능성을 증가시키기 위해 비주얼로 서로 구별될 수 있다. 노드들은 형태, 컬러, 경계 유형이나 채움 패턴(fill pattern)에 의해 또는 발명자들을 위한 사람 및 특허들을 위한 문서 그림과 같은 특정 아이콘으로써 각각을 표현하는 것에 의해 구별될 수 있다. 링크들은 형태, 컬러, 라인 유형(예를 들어, 실선, 점선), 또는 다른 수단에 의해 구별될 수 있다.

NVS로 인해, 사용자는 어떤 노드들 및 메타-노드들을 그래프에 디스플레이할 것인지를 선택할 수 있고 어떤 링킹 속성들이 링킹을 위한 베이시스로서 사용되는지도 선택할 수 있다. 이것은 특허들의 거대 세트를 체계적으로 조사할 수 있으며 그들의 내용 및 그들 사이의 관계들을 이해할 수 있는 강력한 도구를 제공한다.

프랙털 네트워크들(fractal networks)

메타-노드 개념의 또 다른 확장은 프랙털 네트워크들의 개념이다. 프랙털 네트워크들은 여기에서, 도 18에 도시된 바와 같이, 각각의 메타-노드내에, 다른 노드들 또는 메타-노드들의 네트워크를 포함하는 메타-노드들의 네트워크들로서 정의된다. 이러한 프랙털 노드 표현은 원하는 만큼의 다수 계층들을 가질 수 있다.

프랙털 노드들의 사용 일례는, 각각의 노드가 그것이 표현하는 특허들의 수에 의해 사이징되는 양수인들을 표현하는 메타-노드들의 네트워크일 것이다. 각각 의 양수인 메타-노드내에, IPC 클래스들을 표현하는 메타-노드들의 네트워크가 디스플레이될 수 있다. 이 표현은, 어떤 IPC 분류들이 특허 세트의 양수인 회사 각각에 의해 개발되고 있는지를 표현할 것이다. 더 나아가, 각각의 IPC 메타-노드내에는, 발명자들을 표현하는 네트워크가 디스플레이될 수 있다. 그리고 발명자 메타-노드들내에는, 특허들을 표현하는 네트워크가 디스플레이될 수 있다.

이러한 네트워크 표현으로 인해, 사용자는 기술 분야의 특허 문서들에 관한 광범위한 질문들을 묻고 답할 수 있다. 이것은, 그것이 아니라면 불가능한 방식으로, 문서 세트의 특허들에 대한 속성들 및 문서 세트의 특허들간의 관계들을 철저하게 조사할 수 있게 한다. 프랙털 노드들의 이상적 구현은 사용자에게 프랙털 네트워크 그래프의 각 레벨에서 네트워크에 의해 표현되는 속성 및 링킹 속성을 선택할 수 있는 능력을 제공한다.

프랙털 노드들은, 특허 분야의 IPC 및 US 특허 분류들, 의료 데이터 분야의 MeSH(Medical Subject Headings) 뿐만 아니라 Vivisimo 카테고리들과 같은 카테고리화들을 포함하는 다양한 분류 방식들과 같은 계층형 속성들을 디스플레이하는데도 특히 유용하다. 계층 구조의 더 낮은 레벨들은 계층 구조의 더 높은 레벨들을 표현하는 노드들내에 표현될 수 있다. 이러한 비주얼 표현은, 사용자들이 각 카테고리 및 서브-카테고리의 상대적 사이즈 뿐만 아니라 그들 사이의 관계들을 이해할 수 있는 직관적 방법을 제공한다.

이 시점까지는, 프랙털 네트워크들이, 계층 구조의 각 레벨에서, 노드 또는 메타-노드의 단일 유형만이 디스플레이된다고 가정하여 설명되었다. 추가적 인사 이트들은, 사용자들에게 계층 구조의 각 레벨에 다수 노드 및 링크 유형들을 배치할 수 있는 수단을 제공하는 것에 의해 발생될 수 있다. 그 다음, 사용자들은, 다양한 속성들이 서로 어떻게 관련되어 있는지를 좀더 심도있게 조사할 수 있다. 이러한 능력의 힘의 일례로서, 사용자는 양수인 메타-노드들의 네트워크를 디스플레이할 수 있고, 각각의 메타-노드내에, 발명자들 및 IPC 클래스들 모두를 표현하는 메타-노드들을 디스플레이할 수 있다. 그렇게 하는 것에 의해, 사용자는, 각각의 회사가 어떤 기술 영역들에서 작업 중인지 그리고 누가 그러한 기술 영역들내의 핵심 발명자들인지를 재빨리 이해할 수 있다.

프랙털 네트워크들을 사용함에 있어서의 한가지 과제는, 메타-노드 각각내의 "서브-네트워크들"이 네트워크 디스플레이내에서 아주 작을 것이라는 사실이다. 이 문제를 다루기 위해, 시스템은 사용자들에게, 그들이 선택하는 프랙털 네트워크의 임의 레벨에서 세부 사항을 디스플레이하기 위해 네트워크를 확대 또는 축소하는 것을 허용한다. 이것은 2가지 방법들 중 하나로서 실현된다. 첫번째, 사용자는 도구 막대 버튼 또는 메뉴 선택으로부터 확대 레벨을 선택할 수 있다. 두번째, 사용자는, 단순히 네트워크 디스플레이로부터 메타-노드를 선택하는 것에 의해 특정 메타-노드내의 프랙털 네트워크를 확대할 수 있다. (마우스 또는 다른 전자 포인팅 장치를 사용해) 메타-노드를 선택하는 것에 의해, 시스템은 자동적으로 그 메타-노드를 중심에 놓고, 프랙털 네트워크의 후속 레벨이 선명하게 보여질 수 있도록, 확대할 수 있다. 다시 축소하기 위해, 사용자는 도구 막대 버튼 또는 메뉴 선택으로부터 새로운 확대 레벨을 선택할 수 있거나, 메타-노드 바깥쪽을 클릭해 확 대의 선행 레벨로 복귀할 수 있다.

메타-노드들 및 메타-링크들에 대한 필터링의 함축들

상술된 바와 같이, 사용자는 다양한 수단들을 이용해 검사 중인 데이터베이스 레코드들을 필터링할 수 있다. 이러한 필터링은 메타-노드들 및 메타-링크들의 사용을 위해 중요한 함축을 갖는데, 다시 말해, 메타-노드 리스트, 메타-노드 사이즈, 메타-링크 리스트, 및 메타-링크 링크-강도 모두는 필터가 적용될 때마다 변경된다. 데이터에 필터가 적용될 때마다, 조사 중인 레코드들의 세트와 네트워크 디스플레이의 메타-노드들 및 메타-링크들과 연관된 값들 사이의 일관성을 유지하기 위해, 메타-노드 및 메타-링크 정보는 업데이트되어야 한다는 것에 주의해야 한다.

네트워크에 관한 통계 정보 제공하기

사용자가 거대 문서 세트들을 이해하는 것에 도움이 되는 NVS의 다른 요소는 고려 중인 문서들의 세트에 관한 통계 정보의 명백한 제시이다. 앞서 설명된 사용자 인터페이스로 인해, 사용자는 네트워크를 확장하고 축소하며 네트워크와 상호 작용하여, 사용자의 관심 영역을 표현하는 네트워크를 생성할 수 있다. NVS에서는, 고려 중인 네트워크가 변화함에 따라 네트워크에 관한 통계 정보를 동적으로 업데이트하는 인터페이스가 제공된다.

시스템에 의해, 다음과 같은 것들을 포함하지만, 이에 한정되는 것은 아닌, 네트워크에 관한 다양한 통계 정보가 제공된다:

ㆍ 문서/레코드 카운트

ㆍ 메타-노드 카운트(예를 들어, 디스플레이된 네트워크에서의 양수인들의 수)

ㆍ 노드 속성 값들의 합들(예를 들어, 네트워크의 모든 고객들에 대한 총 매출액)

ㆍ 메타-노드 카테고리에 의한 문서 카운트(예를 들어, 매 저자당 논문들의 리스트)

ㆍ 매 해마다의 문서들의 그래프(예를 들어, 간행 연도까지의 매 해마다의 논문들)

ㆍ 다른 네트워크 통계 자료 - 네트워크에 관한 통계 자료(예를 들어, 밀도, 지름, 집중도(centralization), 강건성(robustness), 이행성(transitivity)), 네트워크내의 클러스터들에 관한 측정치들(예를 들어, 클리크들(cliques), 에고 네트워크들(ego networks), 밀도), 및 노드들에 관한 메트릭들(예를 들어, 중심성(예를 들어, 매개 중심성, 아이젠 벡터 중심성), 등가성), 및 다수의 다른 것들을 포함하지만, 이에 한정되는 것은 아닌, 다른 네트워크 통계 자료도 제공될 수 있다.

상술된 통계 정보는 메뉴 또는 도구 막대 선택으로부터의 사용자 요청에 의해 제공될 수 있거나, 인터페이스내의 별도 창 또는 페인(pane)으로 제공될 수 있다. 바람직한 실시예에서, 별도 페인에는, 사용자가 현재 네트워크에 관한 소정 정보에 액세스할 수 있게 하는 탭들이 제공된다. 이 페인은, 도 19에 도시된 바와 같이, 사용자의 재량대로 확대되거나, 축소되거나 닫힐 수 있다.

인터페이스는 부가적으로, 사용자가 하나 이상의 카테고리들을 선택하는 것을 가능하게 하고 관련된 노드들을 네트워크 비주얼리제이션으로 강조하는 것에 의 해, 이해를 돕는다.

사용자들이 시스템을 사용함에 따라, 맥락 인식에 기초한 추가 정보도 제공된다. 구체적으로, 팝업 창들이 이용되어 네트워크 그래프의 다양한 노드들, 메타-노드들, 및 링크들과 메타-링크들에 관한 추가 정보를 제공할 수 있다. 각각의 팝업 창에서 제공되는 정보는 그래프로부터 선택되는 오브젝트에 관한 것이다(하나 이상의 동일 유형(노드, 동일 속성에 기초한 메타-노드, 동일 링크 유형의 링크) 오브젝트가 한번에 선택될 수 있다는 것에 주의한다).

불명료한 속성 값들 해결하기

상술된 바와 같은 네트워크 변환 방법을 사용하면서 직면하게 되는 문제들 중 하나가 불명료한 용어들을 해결해야 하는 것이다. 데이터베이스 관리자들 또는 사용자들은, 데이터베이스 레코드들에 포함된 데이터가 대부분 혼란스럽고 부정확하다는 것을 이해할 것이다. 대부분, 동일 값을 표현하는 속성 값들이, 텍스트에서의 작은 차이점들 때문에 동일하지가 않다. 우리는, 발명자 이름들 및 양수인 이름들이 (뿐만 아니라 다른 속성들도) 특허 데이터베이스에 대부분 상이한 형태들로 등장한다는 것을 알 수 있었다. 예를 들어, 양수인 "IBM"은 IBM, IBM, Inc., International Business Machines, International Business Machines, Inc. 및 다수의 다른 변형된 형태들로 등장할 수도 있다.

상술된 메타-노드 및 메타-링크 방법을 사용할 때, 이것이 문제가 되는데, 형태에서의 이러한 작은 차이들로 인해, 이들이 실제로 조합되어야 할 때, 시스템은 다수의 메타-노드들/메타-링크들을 발생시키기 때문이다. 따라서, 도구는 사용 자가 속성 값들을 단일 값으로 조합할 수 있는 몇가지 수단들을 제공한다.

시스템은, 사용자들이 속성 값들을 단일 값 아래에서 다같이 그룹화하는 것을 허용하는 것에 의해, 사용자들이 불명료한 속성 값들을 해결할 수 있는 수단을 제공한다. 도 19A는, 다수의 양수인 이름들을, 그룹을 표현하는 단일 양수인 이름 아래에서 그룹화한 결과들을 나타낸다. 이를 실현하기 위한 몇가지 수단들이 제공된다. 제 1 방법은, 사용자들에게 리스트로부터 속성 값들을 선택하고 새로운 이름 또는 속성 값 하에 그들을 조합하는 것을 허용하는 것이다. 예를 들어, 사용자에게 양수인들의 알파벳순 리스트가 제시되고 사용자는 리스트로부터 IBM, IBM, Inc., International Business Machines, International Business Machines, Inc.를 선택한다. 그 다음, 그녀는 도구 막대 버튼 또는 메뉴 선택을 사용해 선택된 논문들을 다같이 그룹화하고 그룹 이름을 위한 시스템의 제안(예를 들어, IBM)이나 그녀만의 고유한 그룹 이름을 선택할 수 있다. 그 다음, 시스템은 새로운 그룹 이름 아래에서 이 이름들 모두를 조합하고 그것을 모든 분석 목적을 위한 단일 양수인으로서 디스플레이할 것이다.

제 2 방법은 사용자들에게 그룹들로 조합될 속성 값들의 제안된 집합들을 제공한다. 시스템은 속성 값들의 유사성을 비교하고 단일 속성 값 아래에서 다같이 클러스터링될 그룹들을 제안한다. 고려 중인 속성(예를 들어, 양수인)을 사용하는 것에 추가하여, 도구는, 속성 값들이 조합되어야 하는 단서들을 위해 다른 속성 값들도 조사한다. 예를 들어, IBM 및 IBM, Inc 모두가 NY주 Armonk에 위치하거나 그들이 공통 발명자들을 공유한다면, 도구는 그들이 조합되어야 할 것 같다고 제안할 것이다. 사용자는 제안된 그룹 각각을 검토할 수 있고, 그룹화를 수용하기로 선택하기 전에, 리스트로부터의 값들을 추가 또는 제거할 수 있다.

불명료한 속성 값들을 해결하기 위한 마지막 방법은 네트워크 도면 자체를 사용한다. 사용자는 (마우스와 같은 전자 포인팅 장치를 사용해) 네트워크 도면에서 직접적으로 메타-노드들을 선택할 수 있다. 그 다음, 그녀는 다수 메타-노드들을 단일 그룹으로 조합할 수 있다. 이것은, 다수 메타-노드들을 선택하고 값들을 그룹화하기 위한 도구 버튼 또는 메뉴 선택을 선택하는 것에 의해 실현된다. 다른 방법으로, 사용자는 메타 노드를 다른 메타-노드상으로 "끌어놓기(drag nad drop)"하는 것에 의해 그들이 조합되어야 한다는 것을 시스템에 제안할 수 있다. 시스템은, 사용자에게 그러한 논문들을 그룹화하는 것이 실제 의향이라는 것을 확인하기 위해 프롬프팅(prompting)한 다음, 속성 값들을 분석 목적을 위한 단일 그룹으로 조합할 것이다.

시스템은, 일단 생성된 속성 그룹들의 그룹화를 해제할 수도 있다. 사용자는 메타-노드를 선택하거나 리스트로부터 그룹 이름을 선택하고, 어떤 속성 값들이 조합되었는지를 검토할 수 있다. 그 다음, 사용자는 그룹화 해제를 위한 특정 속성 값들을 선택한 다음 선택된 값 또는 값들을 그룹화 해제하기 위한 도구 막대 버튼 또는 메뉴 선택을 선택할 수 있다.

상기 방법들 이외에, 외부 데이터 소스들과의 비교를 통해 속성 값들내의 불명료성을 제거할 수도 있다. 예를 들어, 양수인들을 고려할 경우, 회사명 상당 어구들의 외부 리스트들을 참조할 수 있다. 이러한 리스트들도 부속물 들(subsidiaries) 및 획득된 회사들을 포함할 수 있는데, 이들은, 조합을 위해 가능한 그룹들로서 사용자에게 제시될 수 있다. 의료 분야에서는, 의사 이름들이 의사의 DEA 번호를 사용해 설명될 수 있다.

다수 속성들을 단일 속성 값으로 조합하는 이 프로세스는 다른 방법으로도 유익할 수 있다. 값들을 그룹들로 조합하는 것에 의해, 값들의 계층 구조가 생성된다. 그 다음, 이 정보는 상술된 방법들에 따라 계층 구조의 상이한 레벨들에서 데이터 사이의 관계들을 디스플레이하는데 사용될 수 있다. 구체적으로, 계층 구조의 레벨 각각에서의 속성 값들은 메타-노드들로서 표현될 수 있고, 상술된 프랙털 네트워크 방법을 사용해 그래프내의 별도 노드들이나 계층형 네트워크로서, 네트워크 디스플레이의 일부로서 디스플레이될 수 있다. 이 방법은 양수인들에 관한 부모/부속물 정보와 같은 계층형 정보를 위해 특히 유용하다.

네트워크들 애니메이팅하기

지금까지 설명한 도구들로 인해, 사용자는 네트워크에 대한 그녀의 관점을 여러가지 방법들로 변환할 수 있다. 그러나, 지금까지의 설명들은, 네트워크 그래프 각각이 특정 시점에서의 스냅샷인 것으로 가정하였다. 그런 식으로, 지금까지 설명한 비주얼리제이션들은 정적(static)이었다.

네트워크 비주얼리제이션 시스템의 중요한 다른 요소는, 네트워크 그래프들을 애니메이팅하여 그들이 시간에 걸쳐 변화해 온 방법을 드러낼 수 있는 능력이다. 사용자가 네트워크 출현의 다이내믹스를 조사하는 것을 가능하게 하는 시스템의 몇가지 상이한 능력들이 존재한다.

네트워크 다이내믹스를 드러내기 위한 제 1 방법은 관심있는 시간에 기초해 도면내에 디스플레이되는 데이터를 한정할 수 있는 능력이다. 사용자는, 디스플레이될 데이터를 위한 날짜 범위를 확립하는 최소 및 최대 날짜를 선택할 수 있다. 사용되는 실제 날짜는 기본적인 데이터베이스 레코드들과 연관되어 있는 임의의 날짜 정보에 기초할 수 있다. 특허 데이터의 경우, 우선일, 출원일, 공개일, 및 등록일을 포함하지만, 이에 한정되는 것은 아닌, 다양한 날짜들이 선택될 수 있다. 일단 사용자가 날짜 유형 및 날짜 범위를 선택하고 나면, 시스템은 데이터를 필터링하고 특정된 파라미터들을 충족시키는 데이터에만 기초해 네트워크 그래프를 디스플레이한다.

제 2 방법은 이 능력으로부터 구축된다. 시스템은 사용자에게 아주 간단한 방법으로 날짜 범위를 변경할 수 있는 능력을 제공한다. 사용자는, 날짜 범위를 변경하기 위한 "단계량(step amount)"(예를 들어, 한달, 일년)을 선택한 다음 날짜 범위를 그 증분만큼 앞으로 또는 뒤로 이동시키기 위한 단일 버튼을 클릭할 수 있다. 부가적으로, 별도의 도구 막대 버튼들이 최소 날짜 및 최대 날짜에 제공되어, 양자의 날짜들이 단일 클릭으로 조정될 수 있다. 일단 사용자가 날짜 범위를 변경하기 위해 클릭하고 나면, 시스템은 재빨리 데이터 세트를 조정하여 새롭게 선택된 범위를 반영하고 네트워크 그래프를 다시 드로잉한다. 이로써, 사용자는 소정 증분들로 데이터 세트의 시주기를 통해 진행할 수 있다. 시스템은 네트워크가 시간에 걸쳐 어떻게 발생되어 왔는지를 효과적으로 비주얼화할 수 있다.

제 3 방법은 네트워크 개발의 실제 애니메이션을 생성하는 것이다. 시스템 은 사용자에게 전반적인 날짜 범위, (예를 들어, 최소 및 최대 날짜들이 동일 값으로 설정된다면, 전혀 범위를 갖지 않을 수도 있는) 시작 날짜 범위, 어떤 날짜들(최소, 최대, 또는 양자)이 변경될 것인지를, 그리고 애니메이팅하기 위한 날짜 증분 사이즈를 입력할 수 있는 방법을 제공한다. 시스템은 이 입력들을 사용해, 특정된 날짜 범위를 제공되는 증분에 기초해 자동적으로 진행하고 네트워크의 시간에 걸친 출현 애니메이션을 디스플레이한다.

이러한 애니메이션 방법들은 네트워크의 개발을 드러내는데 상당히 유용하지만, 시스템을 실용화하기 위해서 극복해야 할 몇가지 난제들을 발생시킨다. 첫번째, 디스플레이되고 있는 네트워크가 (다수 노드들 및/또는 링크들, 및/또는 대다수의 기본적인 레코드들을 가지고 있는) 거대 네트워크일 경우, 상당한 정도의 계산 복잡도로 인해 거의 가장 강력한 컴퓨터 시스템들에서도 애니메이션은 느려지고 덜컹덜컹 움직인다. 이러한 제한을 극복하기 위해, 시스템이 네트워크 도면들의 시퀀스를 배치(batch)로서 처리한 다음 그들을 일련의 스냅샷들로서 또는 비디오 클립으로서 저장할 수 있는 수단이 제공된다. 그 다음, 스냅샷들 또는 비디오 클립은, 시스템이 애니메이션의 포인트 각각에서의 기본적인 데이터를 재계산할 필요없이, 사용자에 의해 선택되는 속도에서 재생될 수 있다. 이로써, 사용자는 애니메이션을 반복적으로 검토할 수 있고, 애니메이션을 자유롭게 일시 중지, 되감기(rewind), 및 고속 감기(fast forward)할 수도 있다.

네트워크 그래프들의 애니메이션에 관련된 두번째 난제는 그래프내에서 발생하고 있는 것을 받아들이는 것의 어려움이다. 그래프가 애니메이팅될 때, 새로운 노드들 및 링크들이 등장하고, 메타-노드들은 성장하고 수축하며, 다양한 노드들과 메타-노드들간의 끌어당기기가 시간에 따라 달라짐에 따라, 노드들은 그래프내에서 위치를 변경한다. 이러한 동시적 변화들 모두로 인해, 사용자는 애니메이션이 전개됨에 따라 발생하는 것을 이해하기가 어려워진다. 사용자를 위해 상황을 좀더 단순화하기 위해, 시스템은 애니메이션 동안에 변화하는 파라미터들의 수를 감소시킬 수 있는 수단을 제공한다. 구체적으로, 시스템은, 사용자들이 애니메이션 동안 다양한 파라미터들을 일정하게 고정하는 것을 허용한다. 애니메이션 동안 상수로 고정될 수 있는 파라미터들은 다음과 같은 것들을 포함하지만, 이에 한정되는 것은 아니다:

ㆍ 일정한 노드 위치 - 쫓아가기에 가장 어려운 애니메이션 부분들 중 하나가, 애니메이션이 실행됨에 따라, 네트워크 디스플레이내의 노드들의 변화하는 위치이다. 따라서, 시스템은 사용자들에게 애니메이션 동안 일정한 노드 위치들을 보유할 수 있는 옵션을 제공한다. 이를 실현하기 위해, 시스템은 먼저, 각각의 노드가 애니메이션의 종료시에 보유할 최종 위치를 계산한 다음, 노드들이 등장하고, 사이즈들을 변경하며, 새로운 링크들이 등장하고, 성장하며 사라짐에 따라, 노드들의 위치는 이 위치에 일정하게 고정된다.

ㆍ 모든 노드들 제시하기 - 시스템이 제공하는 다른 옵션은, 사용자가 전체 애니메이션 동안 모든 노드들이 그래프상에 존재할 수 있게 하는 능력이다. 이 옵션이 선택됨으로써, 시스템은 전체 애니메이션 동안 각각의 노드를 가시적인 상태로 유지할 수 있지만, 애니메이션의 각 포인트에서의 특정 날짜 범위내에서 포착된 날짜 범위내에 해당되지 않는 데이터를 표현하는 노드들을 구별하기 위한 비주얼 신호를 제공한다. 비주얼 신호는 컬러(예를 들어, 일반적으로 비가시적일 노드들은 회색임), 사이즈, 형태, 경계선, 또는 다른 가시적 속성이 상이할 수 있다. 이로써, 사용자는 애니메이션의 전체 과정 동안 각 노드의 경로를 계속적으로 추적할 수 있다.

ㆍ 애니메이션 동안 상수로 고정될 수 있는 다른 파라미터들로는 링크 존재, 일정한 노드 사이즈, 및 일정한 링크 사이즈를 들 수 있다.

이들 파라미터들의 임의 조합을 애니메이션 동안 일정하게 유지할 수 있는 능력으로 인해, 사용자는 디스플레이되는 애니메이션에 대한 상당한 제어를 제공할 수 있고 네트워크가 어떻게 출현하는지를 받아들일 수 있는 능력을 증가시킬 수 있다.

시스템이 제공하는 또 다른 능력은, 애니메이션 동안 다양한 파라미터들과 연관된 변화 속도에 관한 비주얼 정보를 제공할 수 있는 능력이다. 네트워크 출현의 애니메이션이 네트워크가 발달하는 방법에 관한 상당한 비주얼 정보를 제공하기는 하지만, 변화들이 발생함에 따라 변화들을 정확하게 비교하고 평가하기는 어렵다. 예를 들어, 몇가지 기술들 또는 회사 포트폴리오들이 성장하고 있다는 것을 알아보기는 용이하지만, 사용자가, 임의 시점에서 어떤 회사의 포트폴리오가 가장 빨리 성장하고 있는지를 평가하기는 어렵거나 불가능하다.

이런 이유 때문에, 시스템은 사용자들에게 애니메이션 동안 다양한 파라미터들의 변화 속도를 비주얼화할 수 있는 수단을 제공한다. 사용자들이 애니메이션 동안 관심을 가질 수 있는 일부 파라미터들로는 노드 성장 속도들, 링크 부착 속도들, 및 네트워크의 노드들의 중심성에 대한 다양한 측정치들의 변화 속도를 들 수 있다. 시스템은 사용자들에게, 애니메이션 동안 이러한 변화 속도들을 추적할 수 있고 이 값들에 관한 정보를 테이블이나 그래프로 또는 직접적으로 네트워크 도면으로 디스플레이할 수 있는 능력을 제공한다. 사용자는 어떤 변수들을 추적할 것인지를 그리고 (원한다면, 모든 노드들 및 링크들을 포함하여) 어떤 노드들 또는 링크들이 그 변수들을 추적할 것인지를 선택할 수 있다. 이 데이터는 네트워크 도면에 인접한 테이블 또는 그래프(막대 그래프 또는 선 그래프)로 디스플레이될 수 있고, 애니메이션이 디스플레이됨에 따라, 업데이트될 수 있다. 부가적으로(또는 다른 방법으로), 이 데이터는, 애니메이션이 플레이(play)됨에 따라, 네트워크 디스플레이의 노드들 또는 링크들에 대한 외관을 변경하는데 사용될 수 있다. 우리는, 네트워크 도면의 어떤 부분들이 (상술된 파라미터들에 의해 측정되는 바와 같이) "가장 뜨거운지(hottest)"를 디스플레이하기 위해서는, 데이터의 변화 속도 또는 중심성 통계 자료에 기초해, 노드들 또는 링크들의 컬러를 변경하는 것이 유용하다는 것을 알 수 있었다. 다른 방법으로, 이 데이터는, 네트워크 애니메이션이 플레이됨에 따라, 노드들이나 링크들 또는 소정의 다른 가시적 특징에 대한 사이즈를 변경하는데 사용될 수도 있다.

네트워크 애니메이션과 관련하여 또 하나의 유용한 능력이 제공된다. 대부분, 사용자들은 네트워크 도면의 특정 부분에 관심을 가지며, 네트워크의 그 부분이 시간에 걸쳐 어떻게 출현하는지에 관해 깊이 이해하고 싶어할 것이다. 이런 이 유 때문에, 사용자들이 애니메이션 동안 특정 노드 또는 노드들을 확대할 수 있는 그리고/또는 계속해서 거기에 초점을 맞출 수 있는 수단을 제공하는 것이 유용하다. 예를 들어, 회사는 그들의 고유한 특허 포트폴리오가 시간에 걸쳐 어떻게 출현했는지에 특별히 관심을 가질 수도 있다. 사용자들이 애니메이션 동안 확대할 특정 노드를 선택할 수 있는 수단이 제공된다. 사용자가, 네트워크의 하나 이상의 "확대된" 부분들이 어떻게 출현하는지를 알아 볼 수 있을 뿐만 아니라 전반적인 네트워크의 출현을 관찰할 수 있도록 하기 위해, 하나 이상의 "PIP(picture in picture)" 디스플레이들을 제공하는 것이 유용하다. 이것은, 애니메이팅되고 있는 네트워크가 프랙털 네트워크이고 사용자가 좀더 거대한 네트워크내에서 "서브-네트워크"가 어떻게 출현하는지를 관찰하는데 관심이 있을 경우에, 특히 유용하다.

네트워크 애니메이션은 네트워크내에서의 출현 패턴들을 드러내기 위한 아주 강력한 도구이다. 특허 데이터의 맥락에서, 애니메이션들은, 기술들이 어떻게 출현하는지, 회사들의 위치들이 어떻게 변화하는지, 발명자의 경력들 및 공동 연구들이 시간에 걸쳐 어떻게 변화하는지, 그리고 다수의 다른 사양들을 드러낸다. 이 능력은 거대 데이터 세트들을 이해할 수 있는 사용자의 능력에 상당한 기여를 제공한다.

외부 데이터로의 링킹

지금까지는, 네트워크 분석 및 단일 데이터 소스내로부터, 이 경우, 데이터베이스 레코드들의 단일 세트내로부터 발생될 수 있는 인사이트에 기초한 네트워크 비주얼리제이션 시스템이 설명되었다. 이전의 설명에 기초할 때, 단순히 이러한 내인성(endogenous) 데이터를 사용하는 것에 의해서도 상당한 인사이트가 발생될 수 있다는 것이 명백할 것이다. 그러나, 다른 외인성(exogenous) 데이터 소스들이 특허 데이터와 함께 사용될 때, 추가적인 인사이트가 발생될 수 있다.

외인성 데이터 소스들로 링크하는 것에 의해, 데이터베이스 속성들로써 표현되는 엔티티들에 관한 추가 정보가 획득될 수 있다. 링크할 외부 데이터의 선택 및 그 데이터로 링크하는 것의 가치는 검토 중인 데이터 소스의 맥락에 의존한다. 데이터베이스 레코드들의 각 속성은, 관심있는 주제에 관해 이용 가능한 정보를 확장할 수 있는 추가적인 외부 데이터 소스들로 링크할 수 있는 가능성을 발생시킨다. 이러한 추가 데이터는 전체적으로 새로운 메타-노드 클래스들을 생성하고, 추가 속성들을 하나 이상의 데이터베이스 또는 메타-노드 레코드들에 부착하며, 특정 노드들 또는 메타-노드들에 관한 정보를 제공하고, 노드들 또는 메타-노드들간의 추가적인 링킹 정보를 제공하는데 사용될 수 있다. 이 출원에서 후술되는 바람직한 실시예들 중 일부에서, 유용한 외인성 데이터의 종류들에 대한 특정 일례들이 설명될 것이다.

네트워크 비주얼리제이션 시스템의 이점들

이러한 다양한 도구들 및 기술들의 조합은, 사용자가 거대 데이터 세트내에 포함되어 있는 문서들 또는 레코드들을 빠르게 이해하는 것을 가능하게 하는 극적인 향상을 제공한다. 첫번째, 동적 필터링을 통해 문서들의 집합을 빠르게 식별하고 개량할 수 있는 능력으로 인해, 사용자들은 좀더 빠르게, 효율적으로, 정확하게 그리고 특정한 기술 지식을 덜 요하는 상태에서 그들의 관심 영역에 관련된 문서들 의 세트를 식별할 수 있다.

두번째, 사용자들은 문서들 또는 데이터베이스 레코드들의 거대 세트를 체계적으로 조사할 수 있는 능력을 가지고 있으므로, 그 분야에서의 활동 특징에 대한 이해가 빠르게 개발될 수 있다. 이것은, 다수의 상이한 관점들로부터 그 분야에 관한 요약 정보를 제공하는 기술들을 통해 가능해진다. 문서들의 다양한 속성들을 표현하기 위한 메타-노드들과 네트워크 렌즈들의 조합은 그 분야에 내재되어 있는 그룹들 뿐만 아니라 그러한 그룹들 사이의 관계들을 이해할 수 있는 직관적인 방법을 제공한다.

바람직스럽게도, 사용자들은 원하는 임의의 상세 레벨에서 그들의 관심 분야를 조사할 수 있고, 요약 레벨 정보와 상세 정보 사이에서 끊김없이(seamlessly) 앞뒤로 이동할 수 있다.

일례 1: 특허 데이터베이스를 이해하기 위한 방법 및 장치

본 발명의 하나 이상의 실시예들은 특허 데이터베이스의 특허들을 이해하기 위한 향상된 방법에 관한 것이다. 특허 데이터베이스의 일 속성은, 그들의 인용 관계에 기초해 문서들의 서로에 대한 관련성을 확립하기가 용이하다는 것이다. 인용들을 특허들 사이의 관련성을 확립하기 위한 베이시스로서 사용하는 것에 관한 다음 논의는, 학술/과학/의료 저서 뿐만 아니라 이 또한 인용의 일종으로 생각될 수 있는 월드 와이드 웹(World Wide Web)의 페이지들에 매입되어 있는 하이퍼링크들을 포함하지만, 이에 한정되는 것은 아닌, 인용들을 가진 모든 데이터베이스들에 동일하게 적용된다.

본 발명의 다양한 실시예들은 사업가, 엔지니어, 과학자, 변리사, 특허 심사관 또는 다른 관심있는 당사자가 특허들의 거대 세트를 이해하는 것을 돕는데 사용될 수 있다. 과제는 특허 문서들의 거대 세트를 취하여, 특허 문서들을 읽을 필요없이, 특허 문서들이 설명하는 기술 개발들을 이해할 수 있는 방법들을 찾아내는 것이다. 이를 실현하기 위해, 사용자가 문서들의 다양한 속성들 및 서로에 대한 그들의 관계들을 비주얼화할 수 있는 방법이 제공된다.

본 발명의 다양한 실시예들을 사용해 다루어질 수 있는 질문들 중 일부는 다음과 같은 것들을 포함하지만, 이에 한정되는 것은 아니다:

ㆍ 특허들의 이 그룹은 어떤 기술(들)에 관한 것인가?

ㆍ 얼마나 빨리 다양한 기술들이 발달하고 있는가?

ㆍ 무엇이 이 분야의 기술에서 가장 뜨거운 영역들인가?

ㆍ 무엇이 최신의 개발들인가?

ㆍ 어떤 회사들이 이 기술들의 개발에 가장 적극적인가?

ㆍ 어떤 발명자들이 이 기술들의 개발에 가장 적극적인가?

ㆍ 어떤 특허들이 가장 중요한가?

ㆍ 이 기술 분야에 참여하고 있는 다양한 회사들의 특허 포트폴리오들이 얼마나 중요한가?

ㆍ 어떤 회사들이 개발을 주도하고 있으며 어떤 회사들이 뒤따르고 있는가?

ㆍ 어떤 다른 기술 영역들이 이 기술과 관련되어 있는가?

ㆍ 이 회사들은 이 기술 영역에 얼마나 투자했는가?

ㆍ 이 특허들은 이 특허들을 출원한 회사들에 얼마나 중요한가?

ㆍ 이 회사들은 어떤 기술 영역들을 포기했으며 어떤 기술 영역들에 투자를 계속하고 있는가?

ㆍ 어떤 회사들/발명자들이 이 기술 개발에 협력하고 있는가?

ㆍ 어떤 발명자들이 회사들을 옮겼는가?

ㆍ 어떤 기술 영역들이 최초의 가교가 되고 있으며 어떤 회사들이 그러한 기술 영역들의 가교 역할을 하고 있는 특허들을 소유하고 있는가?

ㆍ 나의 현재 특허 출원을 위해 나는 어떤 특허들을 종래 기술로서 인용해야 하는가?

ㆍ 어떤 특허들이 나의 특허들 또는 나의 경쟁자들의 특허들을 실효시키는데 사용될 수 있을 것인가?

ㆍ 어떤 회사들이 내 특허들을 침해할 가능성이 가장 클 것인가?

ㆍ 어떤 회사들이 내 특허들을 라이센싱하는데 관심이 가장 클 것인가?

ㆍ 얼마나 빨리 학술 연구가 특허 가능한 기술로 전환되고 있는가?

ㆍ 이 분야의 어떤 기술들이 결국 특허가 될 것인가?

ㆍ 이 특허들의 회사/발명자가 그 기술을 구현하고 그들의 특허 보호를 확장하는데 얼마나 적극적이었는가?

ㆍ 어떤 기술들에서 회사들이 그들의 투자를 증가시키고 있으며 어떤 기술들에서 회사들이 그들의 투자를 포기하고 있는가?

ㆍ 어떤 기술들이 내 산업내에서 투자되고 있는가?

ㆍ 어떤 산업들이 이 기술을 이용하고 있는가?

특허 네트워크들의 비주얼리제이션

상술된 네트워크 비주얼리제이션 시스템은 상당히 효과적으로 특허 데이터베이스에 용이하게 적용될 수 있다. 전세계 특허 데이터베이스들은, 그것들이 특허들간의 자연스러운 링킹 정보를 제공하는 인용 정보를 포함하기 때문에, 이런 종류의 분석을 특히나 피해갈 수 없다. 특허들의 맥락에서 NVS의 가치는, 그것으로 인해, 특허 변리사들 및 R&D 엔지니어들이 아닌 관심있는 당사자들이 특허 데이터를 이용할 수 있기 때문에, 특히나 중요하다.

특허 데이터는 전세계의 다양한 특허청들(USPTO, EPO 등)을 포함하는 다양한 소스들로부터 입수 가능할 뿐만 아니라 (그것의 계열사들 및 취득자들, Aureka, Micropatent, IHI 및 Delphion을 포함하는) Thomson 및 LexisNexis로부터도 입수 가능하다. 이러한 특허 데이터는, 네트워크 데이터로 변환될 수 있는 정보가 풍부하다. 노드들 및 링크들로 변환될 수 있는 데이터의 종류들에 대한 일부 일례들로는 다음과 같은 것들을 들 수 있지만, 이에 한정되는 것은 아니다:

ㆍ 노드들/메타-노드들 - 특허들, 발명자들, 양수인들, IPC 클래스들, US 클래스들, Derwent 클래스들, 우선 연도/출원 연도/공개 연도/등록 연도/만료 연도, 의미 클러스터들, (출원/등록/만료/포기) 상태, 심사관, 발명자, 발명자 도시/주/국가, 양수인 도시/주/국가, 출원 관할처(US/EPO/WIPO 등), 우선권 번호, 및 다른 것들.

ㆍ 링크들/메타-링크들 - 인용들, 동시-인용들, 서지 커플링, 공통적인 IPC/US/Derwent 클래스, 공통적인 우선 연도/출원 연도/공개 연도/등록 연도/만료 연도, 공통적인 의미 클러스터, 공통적인 (출원/등록/만료/포기) 상태, 공통 심사관, 공동 발명자 도시/주/국가, 공동 양수인 도시/주/국가, 공통 출원 관할처, 공통 우선권 번호, 및 다른 것들.

이러한 노드/메타-노드 및 링크/메타-링크 정의들의 임의 조합 뿐만 아니라 상기 범위들 및 조합들도 NVS내에서 특허 데이터의 세트들을 조사하는데 사용될 수 있다.

더 나아가, 이러한 노드들 및 링크들은 상술된 바와 같이 사이징되어 사용자에게 추가 정보를 제공할 수 있다. 특허 맥락의 노드들 및 링크들을 사이징하는데 사용될 수 있는 특히 유용한 일부 속성들로는 다음과 같은 것들을 들 수 있다:

ㆍ 노드/메타-노드 사이징 - 특허들의 맥락에서는, 몇가지 특징적 메트릭들이 노드/메타-노드 사이징을 위해 중요하다. 일부 일례들로는, 메타 노드들이 특허들의 수, 우선권 번호들의 수(예를 들어, 고유한 특허 패밀리들의 수), 특허들이 인용되는 횟수(순방향 인용수), 표현된 특허들(represented patents)에 의한 피인용 특허들의 수(역방향 인용수), 총 인용수(순방향 + 역방향), 공개/등록 이후의 인용수/년, 남아있는 특허 햇수들(예를 들어, 표현된 특허들에 대한 나머지 연도들의 합), 매 특허마다의 평균 인용수, 평균 특허 연령, IPC/US/Derwent 클래스들의 평균/총 수, 발명자들의 수, 및 다수의 다른 속성 메트릭들에 기초해 사이징될 수 있다는 것을 들 수 있다.

앞서 언급된 바와 같이, 노드들 및 메타-노드들은 표현된 특허들을 위한 중 심성/아이젠 벡터 중심성/매개 중심성의 합과 같은 네트워크 통계 계산들의 임의 수치에 기초해서도 사이징될 수 있다. 그러한 다양한 메트릭들에 기초해 노드들을 사이징할 수 있는 능력으로 인해, 사용자는 특허 가치, 혁신의 다양성, 발명자의 집중 연구 및 특허 데이터의 사용자들에게 관심있는 중요한 다른 측정치들과 같은 것들에 관한 결론들을 끌어낼 수 있다.

특허 가치의 측정치들이 특별한 관심의 대상이고, 특허 가치의 신호를 제공할 수 있는 다양한 속성들이 특허 데이터(또는 거기로 링크될 수 있는 다른 외인성 데이터)내에 존재한다. 일부의 특정 일례들로는 피인용 문서들, 인용 문서들, 학술적 인용 수, 최근의 인용 시기, 중심성/아이젠 벡터 중심성/매개 중심성, 특허 명세서의 길이, 청구항들의 수, 독립 청구항들의 수, 최단 독립 청구항의 길이, 커버리지 범위(출원된 국가들), 특허 유지료 지불, (유럽에서의) 등록 후 이의 신청(post-grant opposition), 특허 유지료 지불, 라이센싱, 특허 소송, 양수인에 의한 R&D 비용들/특허, 업계의 평균 R&D 비용/특허 뿐만 아니라 다른 것들을 포함하지만, 이에 한정되는 것은 아니다. 이러한 측정치들의 일부 또는 전부는 가중화된 평균을 사용해 다같이 합계되어 네트워크의 특허들에 대한 가치 신호를 제공할 수 있다. 이러한 가치들은 합계되어 특허 포트폴리오의 가치에 대한 추정치를 제공할 수 있고, 이 가치는 특허 포토폴리오들을 표현하는 특허 노드들 또는 메타-노드들을 사이징하는 데 사용될 수 있다. 이것은 사용자에게, 어떤 특허들 및 포토폴리오들이 특정 관심 분야내에서 가장 중요한지에 관한 상당한 인사이트를 제공할 수 있다.

ㆍ 링크/메타-링크 사이징 - 링크들 및 메타-링크들 또한 노드-사이징과 동일한 방법으로 다양한 속성들에 기초해 사이징될 수 있다. 링크-강도는 다양하고 상이한 링크 속성들에 기초할 수 있다. 일부 일례들로는 인용 수, 고유한 피인용 특허들의 수, 인용 특허들의 수, 평균 인용 시기, 최근 인용 시기 뿐만 아니라 다른 것들을 들 수 있다.

특허들과 특허 포토폴리오들간의 링크들은 2가지 중요한 것들, 의존도 및 유사도를 알릴 수 있다. 의존도는, 하나의 특허 또는 특허 포트폴리오가 다른 특허 또는 특허 포트폴리오에 얼마나 의존하는지 또는 다른 특허 또는 특허 포트폴리오에 어느 정도 기초해 구축되는지에 대한 측정치이다. 의존도를 알리는 측정치들은 침해 가능성에 관한 중요한 신호들을 제공하므로, 특허 분석에서 아주 중요하다. 의존도를 알리는 일부 메트릭들로는 인용 시점들, 인용 시점들 - 피인용 시점들, 동일한 특허들을 인용하는 특허들에 의한 피인용 시점들 등을 들 수 있다.

유사도는 특허 분석에서의 또 하나의 중요한 링킹 속성이다. 2가지 특허 포트폴리오들간의 유사도는 2개 회사들의 R&D 프로그램들간의 밀접한 유사성 및 어쩌면 중복성을 제시한다. 전략적으로, 높은 정도의 유사도는 조인트 벤처의 가능성 또는 일종의 다른 비용 공유 가능성을 제시한다. 2개 특허들간의 유사도를 알리는 측정치들로는 총 상호-인용들(total inter-citations), 구조적 등가(그들이 네트워크내에서 동일한 구조적 위치를 보유한다는 것을 의미하는 네트워크 분석 용어), 동시-인용, 서지 커플링, 의미 유사도 등을 들 수 있다.

네트워크 변환, 다수 노드들 및 링크들의 사용, 프랙털 네트워크들, 네트워 크 애니메이션, 통계 정보 및 외부 데이터 소스들로의 링킹을 포함하는 상술된 NVS의 사양들 모두는 특허 데이터의 분석을 위해 중요하다. 특허 데이터의 분석에 적합한 NVS의 바람직한 실시예의 일부 요소들이 후술된다.

미양도 특허들 식별하기

NVS의 특허 데이터를 사용하고 링크하는 것과 연관된 고유한 난제들 중 하나는, 특허 출원들이 통상적으로 특허 출원들과 연관된 양수인을 가지고 있지 않다는 것이다. 이것은, 데이터베이스의 최신 특허들(최첨단 특허들)이 회사에 의해 쉽게 식별될 수 없다는 것을 의미하므로, 적절하지 않다. 이 특허들은 통상적으로 인용들을 포함하지도 않으며, 그들 자체가 아주 새롭기 때문에 인용되지도 않는다. 특허 데이터를 위한 NVS의 구현에 대한 일 태양은, 그것들을 적절하게 네트워크에 접속시키는 다른 링크를 생성하는 것에 의해 이 문제를 해결한다. 이것은, 미양도 특허들(unassigned patents)과 특허 출원들의 속성들을 비교하여, 어떤 회사가 그 특허 출원들을 출원했는지에 관한 "최선 추측"을 형성하는 것에 의해 실현된다. 발명자 이름들, 발명자 주소, IPC/USPC 분류들, 피인용 특허들, 대리하는 로펌, 의미 데이터 및 다른 것들을 포함하는 몇가지 속성들이 이를 가능하게 한다.

검색 결과들의 미양도 특허들과 다른 특허들 사이의 이러한 필드들을 비교하는 것에 의해, 데이터베이스의 다른 어떤 특허가 동일한 회사에 의한 것일 가능성이 높은지를 나타내는 링크를 생성할 수 있다. 일례로서, 데이터베이스의 다른 특허와 주소들이 동일한 3명의 공동 발명자들을 가지며 동일한 IPC 클래스로 출원되고 동일한 로펌에 의해 대리되는 미양도 특허를 고려한다. 이 특허들은 동일한 양 수인에 의해 출원되었을 가능성이 높다.

시스템은 미양도 특허들 모두를 재검토하여 각각의 특허와 데이터베이스의 가장 관련성이 높은 다른 특허 사이에 링크를 생성한다. 관련성 기준들 각각에는, 2개 문서들의 전반적인 관련성을 평가하는데 사용되는 점수 및 가중화된 평균이 부여될 수 있다. 그 다음, 사용자는 선택된 임계치를 초과하는 유사도를 가진 특허들을 관련성이 높은 문서의 양수인에게 "양도할 것(assign)"을 선택할 수 있다. 다른 방법으로는, 사용자가 각각의 링크를 재검토하여, 제안된 "양도"을 수용할 것인지 아니면 거절할 것인지를 선택할 수 있다. 이러한 양도들은 NVS내에서 "컴퓨터 양도형"으로 마킹되므로, 사용자는, 그 특허들이 실제로 그러한 특정 양수인에게 양도되는지의 여부에 관한 소정의 불확실성이 여전히 남아 있다고 말할 수 있다. 이러한 미양도 특허들과 가장 관련성이 높은 특허 사이에서 생성되는 링크들은 사용자의 재량대로 턴온 및 턴오프될 수 있는 상이한 클래스의 링크들이다. 이러한 링크들을 이용하는 특히 유용한 일 방법은 미양도 특허들의 네트워크와 양수인들의 조합된 네트워크 도면을 비주얼화하는 것이다. 이로써, 사용자는 단일 네트워크 뷰에서 회사에 의한 "컴퓨터 양도형" 특허들 모두를 재검토할 수 있다.

통계 정보

다음과 같은 것들을 포함하는 다양한 통계 정보 유형들이 특허 데이터의 분석을 위해 중요하다:

ㆍ 양수인들 - 선택된 네트워크에서 양수인에 의해 최고로부터 최저까지 정렬된 특허들의 수.

ㆍ 발명자들 - 선택된 네트워크에서 발명자에 의해 최고로부터 최저까지 정렬된 특허들의 수.

ㆍ 분류 - 선택된 네트워크에서 분류 코드에 의해 최고로부터 최저까지 정렬된 또는 분류 카테고리에 의해 정렬된 특허들의 수. IPC, USPC, Derwent 분류들 및 다른 것들을 포함하는 데이터가 몇가지 분류 방식들 각각을 위해 제공될 수 있다. 많은 분류 방식들이 계층 구조적이므로, 데이터는 각각의 카테고리내에 특허들의 수를 가지며 트리의 가지 각각을 따라 서브카테고리가 디스플레이되는 트리 구조를 사용해 디스플레이될 수 있다.

ㆍ 단어 사용 - 핵심 단어들, 문구들 또는 단어 그룹들을 포함하는 특허들의 수. 문서 세트들내에서 공통적인 단어 사용을 식별하는 몇가지 도구들이 존재한다. 이러한 도구들로는 Micropatent의 Themescape 제품, Vivisimo의 클러스터링 도구들, Grokker의 클러스터링 도구 및 다른 것들을 들 수 있다. 이들 단어 클러스터링 도구들은 시스템으로 쉽게 통합되어, 고려 중인 특허 데이터 세트에 대한 추가적 인사이트를 제공할 수 있다.

ㆍ 인용 - 인용들에 관한 다양한 정보 유형들이 제공될 수 있다. 이들은 다음과 같은 것들을 포함할 수 있지만, 이에 한정되는 것은 아니다:

o 가장 빈번한 피인용 특허들, 양수인들, 발명자들, 또는 다른 특허 그룹.

o 공개 이후로 특허들, 양수인들, 발명자들 또는 다른 특허 그룹을 위한 매 해마다의 가장 높은 인용 수.

통계 정보는 팝업 창들로도 제공된다. 특허 데이터와 구체적으로 관련되어 있는, 팝업들로 제공되는 정보의 종류에 대한 몇가지 일례들이 다음에서 설명된다:

ㆍ 특허 노드 팝업들 - 특허 노드가 선택될 경우, 선택된 노드에 의해 표현되는 특허에 관한 정보를 디스플레이하는 팝업 창이 호출될 수 있다. 제공되는 정보로는 특허 번호, 타이틀, 발명자들, 양수인들, 출원 번호, 우선일/출원일/공개일/등록일, IPC/USPC 클래스들, 검색 필드, (특허 및 비-특허 모두의) 인용들, 심사관 및 대리인들 뿐만 아니라 페이지들의 수, (독립 및 종속) 청구항들의 수, 도면들의 수, 최단 독립 청구항의 단어들의 수 등과 같은 특허로부터의 다른 데이터를 포함하여, 통상적인 특허의 제 1 페이지에서 제공되는 기본적인 정보 모두를 포함한다. 또한, 팝업 창의 다수 필드들은, 사용자가 추가 정보를 끌어내는 것을 허용하도록, 하이퍼링크되어 있다. 예를 들어, 특허 번호는 특허의 완전 텍스트(또는 .pdf)에 하이퍼링크되어 있고, 인용 링크들은 하이퍼링크들(인용되는 문서를 위한 인터넷 검색을 호출하는 비-특허 인용들로의 링크들)일 뿐만 아니라 다른 하이퍼링크들이다. 팝업은 특허에 관한 다양한 통계 정보(예를 들어, 중심성) 및 법적 상태, 소송 상태, 라이센싱 상태, 특허 패밀리의 다른 특허들, 등록 후 이의 신청들, 포대 정보 등을 포함하는 외부 소스들로부터의 다른 정보도 포함할 수 있다.

ㆍ 양수인 메타-노드들 - 양수인 메타-노드가 선택될 경우에는, 메타-노드에 의해 표현되는 양수인 및 특허들에 관해 디스플레이될 수 있는 데이터의 상이한 종류들의 메뉴를 디스플레이하는 팝업 창이 호출될 수 있다. 메뉴 옵션들은 메타-노드에 의해 표현되는 특허들, IPC 클래스에 의한 특허들, USPC 클래스에 의한 특허들, 발명자에 의한 특허들의 리스트를 나타내는 테이블들과 연도에 의한 특허들을 나타내는 그래프를 포함한다. 추가 메뉴 옵션들은, 총 인용들, (공개 연도 이후로) 매 해마다의 평균 인용들, 양수인의 포트폴리오를 위한 아이젠 벡터 중심성의 합/전체 네트워크를 위한 아이젠 벡터 중심성의 합(포트폴리오 가치를 위한 측정치)를 포함하여, 양수인 메타-노드들에 관해 디스플레이될 수 있는 네트워크 통계 정보를 포함한다. 다른 메뉴 옵션은 양수인에 관한 정보를 제공한다. 이 메뉴 옵션은 기초가 되는 회사 및 그 회사에 관한 금융 정보로 링크한다.

Hoovers(www.hoovers.com), Bloomberg(www.bloomberg.com), Yahoo Financial(http://finance.yahoo.com/) 및 회사 프로파일 정보를 포함하고 있는 공공 및 사유 사이트들 모두를 포함하는 다수의 다른 소스들을 포함하여, 이러한 종류의 정보를 위한 다양한 소스들이 사용될 수 있다.

ㆍ 발명자 메타-노드들 - 발명자 메타-노드가 선택될 경우에는, 메타-노드에 의해 표현되는 발명자 및 특허들에 관해 디스플레이될 수 있는 데이터의 상이한 종류들의 메뉴를 디스플레이하는 팝업 창이 호출될 수 있다. 메뉴 옵션들은 메타-노드에 의해 표현되는 특허들, 공동-발명자에 의한 특허들, IPC/USPC 클래스에 의한 특허들의 리스트를 나타내는 테이블들 및 연도에 의한 특허들을 나타내는 그래프를 포함한다. 다른 메뉴 옵션은 발명자에 관한 정보를 제공한다. 이 메뉴 옵션은 정보의 2가지 상이한 종류들로 링크하는데, 첫번째는 발명자의 이름을 위한 기본적인 웹 검색이고 두번째는 월드 와이드 웹으로부터의 "인물 찾기" 정보이다. people.yahoo.com/, www.zabasearch.com, www.intelius.com, www.peoplefinders.com, 및 다수의 다른 것들과 같은 인물 찾기 사이트들은, 모두 가 특허 정보에서 직접적으로 발견될 수 있는 개인의 이름, 도시 및 주에 기초해, 주소 이력들, 생년월일, 결혼/이혼/사망 정보, 부동산 기록들, 저당권들과 융자들, 파산들, 및 저당들, 병역, 친척들, 이웃들, 신용 조회들 및 배경 조회들을 제공할 수 있다. 이 정보는, 필요하다면, 발명자들을 찾는데 유용할 수 있다. 그것은, 데이터베이스내에서 동일한 사람을 표현할 것 같은 발명자 이름들을 식별하는데도 사용될 수 있다.

ㆍ IPC/USPC 메타-노드들 - IPC/USPC 메타-노드가 선택될 경우에는, IPC/USPC 및 메타-노드에 의해 표현되는 특허들에 관해 디스플레이될 수 있는 데이터의 상이한 종류들의 메뉴를 디스플레이하는 팝업 창이 호출될 수 있다. 메뉴 옵션들은 메타-노드에 의해 표현되는 특허들, 양수인 클래스에 의한 특허들, 발명자에 의한 특허들의 리스트를 나타내는 테이블들 및 연도에 의한 특허들을 나타내는 그래프를 포함한다. 다른 메뉴 옵션은 양수인에 관한 정보를 제공한다. 이 메뉴 옵션은, 클래스에 대한 완전한 설명 및 IPC/USPC 클래스 계층 구조에서의 그것의 위치, 선택된 IPC 클래스가 USPC 클래스들에 관련되는(또는 그 반대) 방법을 나타내는 용어 색인(concordance) 정보, 선택된 IPC/USPC 클래스와 SIC/NAICS 관련되어 있는 이용 산업들 및 제조 산업들 사이의 링크를 나타내는 용어 색인 정보를 포함하여, IPC/USPC 클래스에 관한 세부 정보를 제공한다. (SIC/NAICS로의 IPC/USPC 링크는 이 실시예의 설명에서 나중에 부연된다.)

ㆍ 메타-링크들 - 메타-링크가 선택될 경우에는, 메타-링크에 의해 표현되는 접속들에 관한 정보를 디스플레이하는 팝업 창이 호출될 수 있다. 시간에 걸쳐 메 타-링크에 의해 표현되는 개개 링크들의 수에 대한 그래프 뿐만 아니라 표현되는 특허 대 특허 링크들의 리스트를 나타내는 테이블이 디스플레이될 수 있다. 예를 들어, 메타-링크가 동시-발명자 링크라면, 메타-링크 팝업은 2 발명자들간의 공동 연구 이력을 나타낼 것이다. 메타-링크가 양수인-양수인 인용 링크라면, 팝업은 2 양수인들간의 인용들의 이력을 나타낼 것이다.

이러한 모든 팝업 정보로 인해, 사용자는, 높은 레벨의 메타-데이터로부터 회사들, 발명자들, 기술들 및 특허들에 관한 세부 사항의 가장 깊은 레벨에 이르는, 원하는 임의의 상세 레벨에서 특허 네트워크를 조사할 수 있다. 이로 인해, 특허 네트워크 비주얼리제이션 도구는 특허 문서들의 거대 세트를 이해할 수 있는 강력한 도구가 된다.

외부 데이터 소스들로 링크하기

특허 데이터 뿐만 아니라 특허 네트워크 비주얼리제이션 시스템내에서의 그들의 사용과도 관련된 유용한 외인성 데이터 소스들의 일부 일례들이 후술된다.

ㆍ 산업 데이터 - 특허 데이터를 이용하는 것에 관한 결정적인 관찰들 중 하나는, 특허 변리사들 및 R&D 엔지니어들을 제외한 대다수 의사 결정가들의 경우, 관심 엔티티는 특허가 아니라는 것이다. 오히려, 사용자는 통상적으로 회사, 기술, 발명가, 또는 소정의 다른 엔티티에 관해 아는 것에 관심이 있다. 다수 사용자들이 좀더 알고 싶어할 것 같은 하나의 특정 관심 엔티티는 산업 정보이다. 사용자들은 대부분 다음과 같은 질문들에 대한 응답들을 알고 싶어한다:

o 어떤 기술들이 이 산업에 결정적인가?

o 어떤 회사들이 이 산업의 기술 개발을 주도하고 있는가?

o 어떤 산업들이 특정 기술을 이용하는가?

불행스럽게도, 산업 데이터는 특허 데이터베이스의 특허들에 직접적으로 부착되지 않는다. 그러나, 특허 데이터베이스의 데이터를 2가지 방법들로 산업 데이터에 링크할 수 있다. 첫번째, 특허 데이터베이스내의 양수인들/회사들은, 그들이 참여하고 있는 산업 또는 산업들로 링크될 수 있다. 전세계의 정부들은 그들의 경제 기구들내의 산업들에 대한 표준화된 분류법들을 개발하기 위해 다양한 시도들을 수행하여 왔다. 그 결과들이 SIC(Standard Industry Classification) 코드들 및 NAICS(North American Industry Classification System) 코드들과 같은 분류법들이다. 이 코드들은, 그들이 참여하고 있는 산업들에 기초해 회사들을 분류한다.

다양한 데이터베이스들은 그들의 SIC/NAICS 산업들에 관한 정보를 갖춘 회사들의 디렉토리들을 포함한다. 일례가, 회사들 및 그들의 산업들의 데이터베이스를 하우징하는 Worldwide Business Directory(www.siccode.com)이다.

특허 데이터베이스의 양수인들을 그들의 SIC/NAICS 코드들로 링크하는 것에 의해, 어떤 산업들이 조사 중인 특허 데이터로 표현되는지를 나타내는, 네트워크 비주얼리제이션내의 메타 노드들을 생성할 수 있다. 상술된 사양들을 사용하면, 산업들간의 관계들 및 산업들, 회사들, 기술들, 발명자들, 국가들, 및 특허 데이터내에서 표현되는 다른 엔티티들 사이의 관계들을 조사할 수 있다.

특허 데이터가 산업 데이터로 링크될 수 있는 다른 수단은 USPC 코드들 또는 IPC 코드들에 의한 것이다. 이것은, 다양한 "기술-산업 용어 색인들"을 통해 가능 해진다. 1990-1993의 기간 동안, CPO(Canadian Patent Office)는, Statistics Canada와 협력하여, 모든 새로운 특허 출원들에 SICU(SIC of Use)와 SICM(SIC of Manufacture) 모두를 할당하였다. 이러한 할당은 총 약 148,000개 특허들에 대해 이루어졌다. 이 정보는 다양한 정부 엔티티들 및 학술 연구자들에 의해 IPC/USPC 기술 분류들과 SIC/NAICS 산업 분류들간의 대응 관계를 끌어내는데 사용되어 왔다.

산업들과 기술들간의 링크를 나타내는, 공개적으로 이용 가능한 테이블들이 확립되었다. 이 테이블들의 다양한 버전들은, 다음과 같은 것들을 포함하는, 월드 와이드 웹상의 소스들로부터 획득될 수 있다:

o PC-US-SIC Concordance from UToronto

http://www.rotman.utoronto.ca/-silverman/ipcsic/documentation IPC - SIC concordance . htm

o OECD Technology Concordance

http://www.olis.oecd.org/olis/2002doc.nsf/

linkto / dsti - doc (2002)5

o Yale Technology Concordance

http://facultyl.coloradocollege.edu/~djohnson/jeps.html

o USPC to SIC Concordance

http://www.uspto.gov/web/offices/ac/ido/oeili/catalog/

products / tafresh1 . htm # USPC - SIC

이 테이블들을 사용하면, 기술 클래스 정보를 산업 분류로 링크할 수 있다. 이로 인해, 특허 네트워크 비주얼리제이션의 사용자들은 산업들에 관한 정보를 그들의 특허 데이터 분석의 일부로서 분석할 수 있다.

산업 데이터의 2가지 소스들이 동시에 사용될 수도 있다. 예를 들어, 시스템은 SIC 또는 NAICS 메타-노드들을 생성할 수 있고 그들을 데이터베이스의 양수인들과 관련된 동일 그래프내에 (또는 프랙털 노드들로서) 디스플레이할 수 있다. 동시에, 기술-산업 용어 색인 데이터가 사용되어 그러한 산업 메타-노드들로 링크되는 IPC 또는 USPC 네트워크를 생성할 수 있다. 그렇게 하는 것에 의해, 회사가 어떤 산업의 특정 기술을 이용하고 있는지를 상당한 신뢰도로 판정할 수 있다. 이 능력은 특허 데이터 연구의 공통적인 질문, 즉, "이 기술에 관련된 특허들을 가진 다양한 회사들 중에서, 어떤 회사들이 내 산업의 기술을 이용하고 있으며 어떤 회사들이 다른 산업들의 기술을 이용하고 있는가?"를 해결한다.

ㆍ 법적 상태 데이터 - 특허 데이터에 관련된 유용한 외인성 데이터의 두번째 소스는 INPADOC와 같은 법적 상태(legal status) 데이터베이스들이다. 이 데이터베이스는, 다른 것들과 함께, 특허 유지료들, 양도들, 등록 후 이의 신청들 등에 관한 데이터를 포함한다. 이 데이터로의 링크는, 특허 번호 또는 우선권 번호가 데이터베이스들로 직접적으로 링크될 수 있으므로, 기술적으로 간단하다. 이 데이터로의 링크 가치는 아주 높다. 특허 네트워크 비주얼리제이션 시스템은 이 데이터를 사용해 (특허 유지료들의 지불 부족으로) 포기되었다가 재양도된 특허들을 식별할 수 있다. 이것은, 회사의 우선 순위들이 어디에 있는지를 나타내는 것에 의해, 종합적인 우선 순위들에 관한 강한 신호를 제공한다. 이것은, 특허 노드들, 양수인 메타-노드들, IPC/USPC 메타-노드들, 발명자 메타-노드들 또는 다른 노드들의 외관을 어떤 특허들이 포기되었는지를 나타내도록 변경하는 것에 의해 실현된다. 외관의 변화는 컬러, 형태, 사이즈, 경계 스타일, 또는 채움 스타일의 변화를 포함할 수 있다.

또한, 법적 상태 데이터는, 어떤 특허들이 남의 손에 넘어갔는지를 나타내는데, 사업 또는 사업 단위의 획득 또는 포기의 증거를 제시하는데 그리고 특허들의 가치에 대한 신호를 제시하는데 사용될 수 있다. 예를 들어, 새로운 회사로 재양도되는 대다수 특허들은 기업 구조의 변화를 알리는 것일 수 있다. 다른 일례는, 법적 절차에서 이의 신청되었던 특허들은, 그렇게 하는 것에 상당한 경제적 인센티브가 없었더라면 이의 신청을 제기하지 않았을 것이므로, 좀더 가치있는 특허들일 가능성이 높다는 것이다. 이번에도, 이 정보는, 노드들 또는 메타-노드들의 외관을 변경하여 특허 데이터 네트워크에 관한 중요한 단서들을 사용자에게 알리는데 사용될 수 있다.

ㆍ 포대(file wrapper) 데이터 - 링크할 만한 가치가 있는 데이터의 다른 소스는 특허청의 파일 포대 데이터이다. 미국에서는, 이 데이터를 www.USPTO.gov에서 온라인으로 찾아 볼 수 있다. 이 데이터는, 그것이 특허 데이터베이스로 직접적으로 링크될 수 있는 우선일이나 특허 번호를 포함하고 있으므로, 링크하기에 기술적으로 용이하다. 이 정보의 사용에는 2가지 요소가 있다. 첫번째, 그것으로 인해, 사용자는, 그들이 특별히 관심을 가지고 있는 특허를 위한 포대 데이터를 "클릭 쓰루(click through)"할 수 있다는 것이 유용하다. 두번째, 포대 데이터는 특허들의 가치 및 유용성에 관한 단서들을 제공한다. 특허청 액션들의 수, 청구항 거절들, 출원부터 특허 등록되기까지 청구항 수의 변화들, 특허청 액션들에 반응하는 시간 및 포대에서 발견되는 다른 정보 모두는 특허 네트워크 비주얼리제이션 시스템의 사용자에게 유용할 수 있는 정보를 제공한다. 노드들 및 메타-노드들의 외관은 변경되어 사용자에게 이러한 포대 파라미터들 중 어떤 것의 존재 또는 가치를 알릴 수 있다.

ㆍ 법적 데이터 - 특허들에 관한 정보의 중요한 다른 소스는 관련된 법적 절차들의 법적 상태이다. 특허 소송의 존재 및 상태에 관한 정보는 특허 지형(patent landscape)을 이해하는데 아주 중요하다. 상술된 특허 네트워크 비주얼리제이션 시스템의 능력들과 함께 이 정보를 이용하는 것에 의해, 다음과 같은 중요한 질문들이 응답될 수 있다:

o 어떤 특허들이 법정 소송을 통해 평가되었는가?

o 어떤 특허들이 현재 법정에서 다투어지고 있는가?

o 어떤 회사들이 특허 침해로 고소되었으며, 그들은 얼마나 많은 소송들을 겪고 있는가?

o 누가 내 산업에서 적극적으로 특허들을 행사하고 있는가?

o 어떤 기술들이 특허 침해에서 가장 활발하게 분쟁을 일으키고 있는가?

ㆍ 라이센싱 데이터 - 특허들에 관한 정보의 또 다른 중요한 소스는 라이센싱 데이터이다. 특허 라이센싱에 관한 정보는 개개 특허들 및 특허 포트폴리오들의 가치에 관한 신호를 제공한다. www.yet2.com, www.royaltystat.com, www.royaltysource.com, The IP Transaction Database(www.fvgi.com), IP Research Associates Database(www.ipresearch.com), Licensing Royalty Rates(www.aspenpublishers.com)를 포함하여, 다양한 라이센싱 데이터베이스들이 존재한다. 링크들은 특허 번호에 의해, 회사에 의해, 산업(SIC/NAICS)에 의해 또는 다른 수단에 의해 형성될 수 있다. 상술된 특허 네트워크 비주얼리제이션 시스템의 능력들과 함께 이 정보를 이용하는 것에 의해, 다음과 같은 중요한 질문들이 응답될 수 있다:

o 어떤 특허들이 라이센싱을 위해 적극적으로 이용될 수 있는가?

o 이 산업의 특허들과 연관된 통상적인 로얄티 비율들은 얼마인가?

o 이 회사는 회사의 특허들을 라이센싱하는가?

o 나의 경쟁자들은 어떤 기술들을 라이센싱 인/아웃(licensing in/out)하는가?

ㆍ 기업 데이터(corporate data) - 기업 데이터는 특허 데이터 비주얼리제이션 시스템으로 통합될 수 있는 외인성 데이터의 또 다른 소스이다. 특허 데이터베이스의 양수인 필드를 경유하여 회사 데이터로의 링크들이 형성될 수 있다. 무수히 많은 소스들로부터 다양한 유형들의 기업 데이터가 존재한다. 링크하기에 특히 유용한 데이터 유형의 일례들로는 금융 데이터 및 제품 데이터를 들 수 있다.

SEC의 EDGAR(http://www.sec.gov/edgar.shtml)와 같은 정부 시스템들로부터 Hoovers(www.hoovers.com) 및 Bloomberg(www.bloomberg.com)와 같은 데이터 취합자들(data aggregators)에 이르기까지, 기업 금융 데이터의 다양한 소스들이 존재한 다. 매출액, R&D 비용, 마켓캡(market cap) 및 다수의 다른 것들과 같은 금융 정보가 특허 데이터에 대한 추가적인 인사이트를 끌어내는데 사용될 수 있다. 예를 들어, 연간 R&D 비용은 상대적 R&D 효율성을 비교하기 위해 (타임 래그(time lag)를 가진) 매 해마다의 특허 출원들의 수로 나누어질 수 있다. 특허들의 수로 나누어진 매출액은 미래 수익 흐름들에서의 기업 투자에 대한 신호로서 사용될 수 있다. 특허들의 수(또는 포트폴리오 가치의 추정치)로써 나누어진 마켓캡은 특허 포트폴리오를 획득하는데 어느 정도의 비용이 들 것인지를 알려줄 수 있다. 이들 및 다수의 다른 측정치들의 비교는 회사들의 상대적 성과 및 그들의 특허 포트폴리오들의 중요성, 가치 및 강도에 관한 인사이트를 제공할 수 있다. 이러한 메트릭들은, 그들의 연구에 관련된 중요한 정보를 사용자들에게 알리기 위해, 관련된 노드들 및 메타-노드들을 사이징하는데 사용되거나 노드들 또는 링크들의 외관을 변경하는데 사용되는 속성들로서 특허 네트워크 비주얼리제이션 시스템으로 통합될 수 있다.

제품 정보는 특허 네트워크 비주얼리제이션 시스템의 사용자들에게 추 가적인 인사이트를 제공할 수 있는 중요한 회사 정보의 또 다른 소스이다. 많은 회사들이 온라인 제품 카탈로그들을 가지고 있다. 이 정보는 대부분, 특허 명세서에서 발견되는 핵심 용어들을 위해 제품 데이터베이스를 검색하는 것에 의해 특허 데이터로 링크될 수 있는 기술 정보를 포함하고 있다. 시스템은 양수인 정보와 함께 특허 명세서로부터의 핵심 단어들을 사용해 회사 제품 카탈로그상의 제품 데이터로의 링크들을 생성할 수 있다. 이러한 외부 링크들은 네트워크 도면의 노드들로서 디스플레이될 수 있고, 이로써, 사용자들은 회사들이 그들이 특허를 보유하고 있는 기술들을 적용하고 있는지의 여부 및 적용하는 방법을 알아 볼 수 있다.

ㆍ 학술 데이터 - 특허 데이터베이스에 대한 사용자의 연구에 도움이 될 수 있는 외인성 데이터의 또 다른 소스는 학술 데이터이다. 학술 데이터는 학술 및 산업 저널들, 회의록들, 연구 계획서들 뿐만 아니라 다른 소스들로부터의 정보를 포함한다. 이 정보는 통상적으로 특허가 등록되기 이전에 공공 분야에 존재한다. 따라서, 그것이 특허 데이터의 다수 사용자들에게는 중요한 첨단 연구의 표지로서 기능한다. 링크들은 특허 데이터와 학술 데이터 사이에서 다양한 방법들로 확립될 수 있다. 첫번째, 특허들은 학술 또는 산업 저널들을 종래 기술로서 빈번하게 인용한다. 두번째, 특허들에 열거된 발명자들은 대부분 그들의 연구를 학술 저서에 처음으로 발표하므로, 발명자 이름들을 접속시키는 것에 의해 링크들이 형성될 수 있다. 마지막으로, 학술 저서는 특허가 양도되고 출판과 관련된 학회들 또는 회사들을 경유하여 특허들에 접속될 수도 있다. 특허들의 본론을 둘러싸고 있는 학술 저서에 관한 정보는 그 분야에서 진행 중인 기초적인 연구의 소스들을 이해하고, 산학간의 공동 연구들을 식별하며, 잠재적인 비약적 기술들을 그들이 특허 데이터로 출현하기 전에 식별하고, 학술 환경들로부터 출현한 벤처 기업들을 식별하며, 다수의 다른 인사이트들을 이해하는데 사용될 수 있다.

상술된 방법들로 학술 데이터에 링크하는 것에 의해, 네트워크 비주얼리제이션 시스템의 모든 능력들을 사용해 학술 저서와 특허 데이터의 조합된 네트워크를 생성할 수 있다. 다음에서 부연되는 네트워크 비주얼리제이션의 제 2 실시예는 학 술 저서를 비주얼화하기 위한 네트워크 비주얼리제이션 시스템의 사용을 논의한다. 2가지의 조합은 기술의 개발 및, 앞서 출현했던 문제에 대한 사람들, 회사들, 산업들과 지리들간의 기술 혁신 네트워크들을 이해하기 위한 사용자들의 능력에 비약적 변화를 제공한다.

특허청 또는 상업적 특허 데이터 벤더(vendor)에 의한 구현

발명자들에 의해, NVS의 이 실시예는 특허 데이터를 이해하는데 엄청나게 유용하다는 것이 밝혀졌다. USPTO, EPO 및 다른 특허청들 뿐만 아니라 Aureka, Micropatent, (이제는 모두가 Thomson 소유인) Delphion, LexisNexis, 및 다른 것들과 같은 상업적 특허 데이터 벤더들도 특허 정보의 거대한 데이터베이스들을 가지고 있다. 종래 기술 섹션에서 상술된 바와 같은 간단한 일부 분석 도구들을 제외하면, 상업적 특허 데이터 벤더들의 이러한 특허청들의 어떤 것도 고객들에게 특허 데이터의 분석을 위한 정교한 도구들을 제공하지 않는다. 기본적인 네트워크 비주얼리제이션 능력들의 완전한 버전이거나 간단한 버전일 수 있는, 여기에서 설명되는 실시예는 그들의 고객들이 그들의 특허 데이터베이스들에 액세스할 때 사용하기 위한 아주 강력한 전단(front-end)을 형성할 것이다.

Thomson 또는 LexisNexis는 NVS의 아주 간략화된 구현을 그들의 특허 데이터베이스들을 위한 사용자 인터페이스로서 이용할 것을 선택할 수 있다. 간략화된 구현은, 사용자들이 현재 사용하고 있는 것처럼, 사용자들이 부울 검색들을 사용해 데이터베이스들을 검색한 다음 문서들의 리스트를 리턴하는 것을 허용할 수 있다. 그 다음, 그들은 NVS를 사용해 그러한 검색 결과들을 네트워크 데이터로 변환하여 사용자들이 검색 결과에 대한 네트워크 비주얼리제이션들의 제한된 세트로부터 선택하게 할 수 있다. 시스템은 사용자들에게 다음과 같은 옵션들 중 하나 이상으로부터 선택하기 위한 옵션을 제공할 수도 있다:

ㆍ 인용 네트워크 - 인용들에 의해 링크되어 있는 결과 세트의 특허들의 네트워크

ㆍ 양수인 네트워크 - 인용들에 의해 링크되어 있는 결과 세트의 양수인들의 네트워크

ㆍ 발명자 네트워크 - 동시-발명자 링크들에 의해 링크되어 있는 발명자들의 네트워크

ㆍ IPC 또는 USPC 네트워크 - 다수 클래스들로 할당된 특허들에 의해 링크되어 있는 IPC 또는 USPC 클래스들의 네트워크

ㆍ 양수인/발명자 네트워크 - 인용들에 의해 링크되어 있는 양수인들의 네트워크로서, 발명자들이 그들의 발명들을 양도한 회사에 기초해, 발명자들이 양수인 노드들에 링크되어 있는, 양수인들의 네트워크

ㆍ 양수인/IPC 또는 USPC 네트워크 - 인용들에 의해 링크되어 있는 양수인들의 네트워크로서, 그 회사에 의해 IPC 또는 USPC 클래스내에 출원되어 있는 특허들의 수에 기초해, IPC 또는 USPC 클래스들이 양수인 노드들에 링크되어 있는, 양수인들의 네트워크

그들이 포함하고 싶을 수 있는 추가 사양들은 결과 세트를 필터링하여 비주얼리제이션의 레코드들을 제한할 수 있는 능력일 것이다. 필터링 옵션들은 비주얼 리제이션으로부터 특정 날짜 범위들, 양수인들, IPC 또는 USPC 클래스들, 발명자들을 가진 레코드들을 필터링 제거할 수 있는 능력을 포함해야 한다.

NVS의 이 구현은 이 실시예에서 설명된 사양들 중 많은 것이 부족하겠지만, 그들의 특허 검색들의 결과들을 이해할 수 있는 그들의 능력의 관점에서, 그것이 그들의 사용자들에게는 비약적 변화일 것이다. 그것으로 인해, 그들은 그들의 검색 결과들을 상이한 다수 관점들로부터 조사할 수 있을 것이고, NVS 필터링 능력들을 통해 그들의 검색들을 개선할 수 있을 것이며, 궁극적으로, 특허 리스트들 또는 특허 문서들을 NVS 시스템을 통해 직접적으로 조사할 수 있을 것이다.

2개의 중요한 상업적 특허 데이터 벤더들이, 다수의 다른 데이터 소스들을 하우징하는 거대 조직들의 일부라는 것도 주목할 만한 가치가 있다. 이 실시예 뿐만 아니라 이전의 좀더 일반적인 설명 모두에서 설명된 바와 같이, NVS는 그들의 다양한 데이터 유형들 모두를 위한 전단을 제공할 수 있다. 또한, 이 실시예에서 설명된 외인성 데이터 소스들 중 일부는 2개의 주된 특허 데이터 회사들, Thomson 및 LexisNexis에 의한 라이센싱 협정을 통해 실제로 소유되거나 제공된다. 그들의 데이터베이스들에 액세스하기 위한 전단으로서 뿐만 아니라 그들의 시스템들내의 별도 데이터 소스들을 링크하기 위한 방법으로서의 NVS 구현으로 인해, 이 회사들은 그들의 고객들에게 상당히 차별화된 가치의 상품을 제공할 수 있을 것이다. 이들 및 다른 데이터 벤더들은, 더 높은 가격들 및 수익 마진들을 지원하고 성장시키기 위해, 그들의 데이터베이스들을 사용하는 사람들이 그들의 데이터로부터 더 많은 가치를 추출할 수 있는 다른 방법들을 찾아야 한다. NVS는 그러한 목적들에 상 당한 도움이 될 수 있다.

일례 2: 의료 저널 데이터베이스의 문서들을 검색하고 분석하기 위한 방법 및 장치

두번째 일례에서는, 본 발명의 하나 이상 실시예들이 학술 저서의 데이터베이스에서 문서들을 검색하고 분석하는 것에 적용된다. 그러한 데이터베이스의 일례가 PubMed 데이터베이스로서 공지되어 있는 의료 저널 데이터베이스이다. 다른 학술 데이터베이스들로의 적용도 가능하다.

PubMed 데이터베이스는 거의 200개 의료 저널들에 등장하는 의료 연구 논문들의 거대 데이터베이스이다. 그것은 의료 세계에서의 연구 분야에 관한 정보의 풍부한 리포지토리이다. PubMed 데이터베이스는 특정 질병, 처치 또는 관심있는 다른 의료 주제에 관한 정보를 찾고 있는 의사들 또는 다른 의료 전문가들에 의해 가장 빈번하게 사용된다. 그들의 연구는 변함없이 핵심 단어, 저자 또는 저널를 위한 부울 검색으로 시작하고, 그후에는, 그들에게 그들의 선택된 기준들에 매칭하는 논문들의 리스트가 제시된다. 연구자의 후속 단계는, 그녀가 그녀에게 흥미로운 논문을 찾아낼 때까지, 검색 결과 리스트를 스캔하며 타이틀들 및 요약서들을 판독하는 것이다. 그 다음, 그녀는 논문의 일부 또는 전부를 판독하는 것으로 진행한다. 그 다음, 그녀는, 그녀가 찾고 있는 정보를 발견할 때까지, 그녀의 검색 결과로 되돌아 갈 수 있고 계속해서 결과들을 스캔하고 판독할 수 있다.

이 방법은 의료 전문가들에게 유용하고, 연구자의 목적이 하나 또는 수개 논문들내에(WITHIN) 존재할 것 같은 정보를 찾아내는 것이라면, 아주 적합하다. 그러나, 이런 식으로 쉽게 응답될 수 없는 질문들의 클래스가 존재한다. 우리는 이 것들을 메타-질문들(meta-questions)이라고 한다. 그것들은, 논문들내에 무엇이 포함되어 있는지에 관한 것이 아니라, 그러한 논문들이 표현하는 메타-엔티티들에 관한 질문들이다. 논문들 및 논문들에 포함되어 있는 것에 관해 질문하는 것이 아니라, 연구자들은 간혹 다음과 같은 질문들에 관심을 가진다:

ㆍ 유전자 치료의 분야에서 어떤 일이 발생하고 있는가?

ㆍ 누가 알츠하이머 치료법들에 대한 선도적인 연구자들인가?

ㆍ 어떤 학회들이 골 관절염의 연구에서 공동 연구를 진행하고 있는가?

ㆍ 암 연구의 다양한 분야들이 어떤 식으로 서로 관련되어 있는가?

ㆍ 누가 나노바이오테크놀로지(nanobiotechnology)의 가장 영향력있는 연구자들인가?

ㆍ 질병 그룹들(예를 들어, 알츠하이머 질병), 치료법들(예를 들어, 면역 요법), 또는 특정 반응 기제들(예를 들어, 플라그 형성 차단하기)와 같은 의료 과학의 특정 분야들에서 어떤 연구가 진행 중인가? 얼마나 빨리 작업이 진행되고 있는가? 시간에 따라 이것은 어떻게 변화되어 왔는가?

ㆍ 무엇이 소정 분야의 공동 연구 패턴인가? 누가 관련되어 있는가? 그들은 어떤 방식으로 함께 작업하고 있는가? 굳게 결합된 연구 공동체가 존재하는 곳은 어디인가? 그것은 어디에서 세분화되는가? 예를 들어, 과학 발견을 MRSA에서의 실무로 전환하기 위해서는, 어디가 연구의 클러스터들을 중재하기 위한 최선의 기회들인가? 공동 연구의 패턴이 시간에 따라 개선되었는가 아니면 악화되었는가?

ㆍ 소정 필드의 지식 구조는 어떠한가, 즉, 어떤 토픽들이 함께 연구되는 경 향인가? 그렇지 않은 토픽들은 무엇인가? 이는 과학적 이유들 때문인가 아니면 제도적이고 사회적인 관련의 추이들 때문인가? 빈번하게 반복되는 강한 토픽 관련성들은 무엇인가? 어떤 관련성들이 미래를 위해 출현하고 있는가?

ㆍ 분야가 연구되는 방법(즉, 그것이 시간에 걸쳐 진화함에 따른 지식 구조)은 출현하는 공동 연구 패턴들에 어떻게 영향을 미치는가, 그리고 그 반대의 경우는 어떠한가?

ㆍ 특정 회사들 또는 대학들내의 사람들은 어떤 식으로 특정 토픽들에 대해 협력하는가? 그들끼리? 학회 밖의 다른 사람들과 함께?

ㆍ 누가 소정 치료 영역에서 가장 영향력있는 의료 과학자들인가? 누가 네트워크의 가장 중심에 위치하는가? 의료 과학자들의 어떤 집합이 그들의 개개 영향력 패턴들로써 네트워크를 총체적으로 가장 잘 확장시키는가?

이러한 질문들 및 다수의 다른 질문들이, 상술된 바와 같이, NVS를 사용해 응답될 수 있다. 학술 데이터 및 구체적으로 PubMed 데이터 또한 특허 데이터와 동일한 방법으로 분석되고 비주얼화될 수 있다. 여기에서 설명되는 방법들로써 특허 데이터가 분석될 수 있게 하는 특허 데이터의 속성들은, PubMed를 포함하여, 학술 데이터베이스들에서 발견되는 데이터와 전적으로 유사하다. 도 20은 특허 데이터 속성들과 학술 저서 속성들간의 관계들을 나타낸다.

분명히 알 수 있는 바와 같이, 2개의 데이터 소스들 사이에는 직접적인 대응 관계가 존재한다. 이로 인해, 선행 실시예에서 설명된 바와 같은 동일한 방법들을 사용해 PubMed 데이터(또는 학술 저서의 임의 데이터베이스)를 분석할 수 있다. 그러나, 특허 및 학술 데이터의 속성 모두가 직접적으로 유사한 것은 아니다. 따라서, 학술 저서에서의 구체적인 사용을 위해, 특허 네트워크 비주얼리제이션 시스템에서 설명된 방법들을 약간 변경해야 할 필요가 있다.

특허 비주얼리제이션 시스템에서와 같이, 의료 네트워크 비주얼리제이션 시스템으로 인해, 사용자는 학술 데이터베이스로부터의 데이터베이스 레코드들을 노드들 및 링크들의 네트워크로서 생성하고 조사할 수 있다. 특허 데이터베이스에서와 같이, 학술 데이터가 처음부터 네트워크 정보로서 구조화 되지는 않는다. 다시 말해, 그것은 노드 리스트 및 링크 리스트를 포함하고 있지 않다. 그것이 네트워크로서 비주얼화될 수 있기 전에, 학술 데이터는, 그것을 네트워크 정보로 변환하기 위해, 먼저 재구성되어야 한다. 이것은 선행 실시예에서 설명된 것과 정확하게 동일한 방법으로 실현된다.

일단 데이터가 구성되고 나면, 사용자는 PubMed 데이터베이스 또는 다른 학술 데이터베이스로부터의 데이터베이스 레코드들에 기초해 다양한 네트워크 비주얼리제이션들을 살펴볼 수 있다. 종래 기술의 시스템들과 달리, 의료 네트워크 비주얼리제이션 시스템은 네트워크의 노드들 및 링크들에 대한 안정적인 정의를 요구하지 않는다. 오히려, 연구자는 그녀의 관심에 따라 노드들 및 링크들 모두의 정의를 동적으로 변경할 수 있다. 네트워크를 일 노드/링크 정의로부터 다른 노드/링크 정의로 변환할 수 있는 이런 능력 및 동일한 데이터의 다중 접속된 네트워크 뷰들을 동시에 살펴볼 수 있는 능력으로 인해, 사용자는 데이터베이스 레코드들의 거대 세트를 빠르고 쉽게 이해할 수 있고 임의의 다른 수단을 통해 응답될 수 없는 메타-레벨 질문들에 응답할 수 있다.

특허 데이터에서와 같이, 의료 데이터의 네트워크는, 무엇이 노드이고 무엇이 링크인지에 대한 상이한 정의들에 따라 다양한 방법들로 생각될 수 있다. PubMed 데이터로부터 생성될 수 있는 다양한 노드/메타-노드들 및 링크/메타-링크들의 일부 일례들이 후술된다.

ㆍ 노드들/메타-노드들 - 의료 데이터 맥락의 노드/메타-노드 정의들은 논문들, 짧은 논문들, 연구 계획서들, 비평들, 저자들, 저널들, 발행 연도, 원고 심의자(reviewer), 저자 도시/주/국가, 학회 도시/주/국가, 저널 국가, MeSH 카테고리들, 및 다른 것들도 포함하지만, 이에 한정되는 것은 아니다.

ㆍ 링크들/메타-링크들 - 인용들, 동시-인용들, 서지 커플링, 공통 MeSH 클래스, 공통 발행 연도, 공통 의미 클러스터, 공통 원고 심의자, 공동 저자 도시/주/국가, 공통 학회 도시/주/국가, 공통 저널 국가, 및 다른 것들

이러한 노드/메타-노드 및 링크/메타-링크 정의들 뿐만 아니라 범위들의 임의 조합 및 상기한 것들의 조합들도 NVS내에서 PubMed 데이터의 세트들을 조사하는데 사용될 수 있다.

더 나아가, 이러한 노드들 및 링크들은, 상술된 바와 같이, 사용자에게 추가 정보를 제공하도록 사이징될 수 있다. 의료 데이터 맥락의 노드들 및 링크들을 사이징하는데 사용될 수 있는 특히 유용한 일부 속성들로는 다음과 같은 것들을 들 수 있다:

ㆍ 노드/메타-노드 사이징 - 의료 데이터의 맥락에서, 몇가지 특정 메트릭들 이 노드/메타-노드 사이징을 위해 중요하다. 일부 일례들로는, 메타 노드들이 논문들의 수, 논문들이 인용된 시기들의 수(순방향 인용들), 표현된 특허들에 의한 피인용 논문들의 수(역방향 인용들), 총 인용들(순방향 + 역방향), 발행 이후의 인용들/년, 매 논문마다의 평균 인용들, MeSH 카테고리들의 총/평균 수, 저자들의 수, 및 다수의 다른 속성 메트릭들에 기초해 사이징될 수 있다는 것을 들 수 있다.

앞서 언급된 바와 같이, 노드들 및 메타-노드들은 표현되는 논문들을 위한 중심성/아이젠 벡터 중심성/매개 중심성의 합과 같은 네트워크 통계 계산들의 임의 수치에 기초해서도 사이징될 수 있다. 의료 연구의 맥락에서, 연구가 얼마나 중요한지를 알리는 이러한 메트릭들은 동등 인용들(peer citations)에 기초한다. 중요한 연구를 찾아낼 수 있는 능력은 바이오테크놀러지 및 제약과 다른 생명 공학 회사들을 위해 아주 중요한데, 그들은 연구의 첨단에 있고자 노력하며 아주 성공적인 후속 약품 또는 아주 수익률이 높은 의료 장치를 도입하는데 도움이 될 선도적인 연구에 액세스하고자 하기 때문이다. NVS의 노드들 및 메타-노드들을 사이징할 수 있는 능력은 의료 과학의 거대하고 복잡한 영역내에서 중요한 연구를 찾아내는 것을 용이하게 한다.

ㆍ 링크/메타-링크 사이징 - 의료 분야와 관련된 링크/메타-링크 사이징을 위한 속성들의 일부 일례들로는 인용 수, 고유한 피인용 논문들의 수, 인용 논문들의 수, 평균 인용 시기, 최근의 인용 시기 뿐만 아니라 다른 것들을 들 수 있다.

의료 네트워크 비주얼리제이션 시스템의 일례들

다음에서는 특정 의료 문서들의 검색 및 분석을 수행하기 위한 의료 네트워 크 비주얼리제이션 시스템(MNVS;Medical Network Visualization System)을 사용해 발생되는 다양한 네트워크 도면들을 예시하는 다양한 예시적 스크린 샷들이 설명된다. 이러한 맵들은, 노드 및 링크 조합들의 제한된 세트에 기초하기는 하지만, 네트워크 비주얼리제이션 시스템의 사용자에게 이용 가능한 능력들을 드러낸다. 이러한 간단한 일례들의 경우, 노드들과 메타-노드들 모두는 일정한 사이징을 유지하고, 링크들 및 메타-링크들운 일정한 폭들을 유지한다. 그러나, 특허 네트워크 비주얼리제이션 시스템에서와 같이, 이러한 파라미터들은 변경되어 사용자에게 훨씬 많은 인사이트를 제공할 수도 있다.

도 21은 PubMed 데이터에 기초하며 여기에서 설명되는 MNVS를 사용해 비주얼화된 통상적인 네트워크를 나타낸다. 이것은, "1종 당뇨병(Diabetes Mellitus Type I)"의 MeSH(medical subject heading) 및 위치 "Boston"으로써 2000년 1월부터 기재된 문서들을 검색한 결과이다. 이 도구는 네트워크의 맵을 생성하기 위해 124개 문서들을 검색하였다. 맵의 링크들을 상기 키에 따라 해석할 수 있다.

네트워크 도면은 3가지 상이한 종류들의 메타-노드들(저자 메타-노드들, 저널 메타-노드들, 및 MeSH 메타-노드들)을 디스플레이한다. 의료 네트워크 비주얼리제이션 시스템의 바람직한 실시예에서, 노드 유형들은 상이한 컬러들(저자들 - 노란색 바탕에 검은색, 저널들 - 녹색 바탕에 흰색, 및 MeSH - 흰색 바탕에 파란색)로써 차별화된다. 검은색 및 흰색 표현에서는 이들을 알아보기 어렵지만, 이들은 다음과 같이 표시된다(저자들 - 밝은 색 바탕에 어두운 색, 저널들 - 어두운 색 바탕에 흰색, MeSH - 흰색 바탕에 어두운 색).

MNVS는 사용자에게, 그녀가 작업할 노드 및 링크 정의들을 선택할 수 있는 능력을 제공한다. 도 22는 도 21에서와 동일한 네트워크의 세부 사항을 도시하는 것으로 이 능력을 나타내지만, 도 22는 과학 공동체의 사회 네트워크를 드러내는 저자-저자 링크들만을 디스플레이한다. 이러한 종류들의 네트워크 도면들로부터, 누가 특정 연구 분야내의 선도적 연구자들인지, 그들이 누구와 공동 연구를 수행하는지 그리고 어떤 과학자들이 가장 영향력이 있는지를 알 수 있다.

의료 저널 데이터베이스들의 고유한 일 요소는 논문에서의 저자 이름들의 순서에 대한 중요성이다. 인터뷰들 및 이런 종류의 분석에 대한 우리의 경험에 기초해, 우리는, 의료 저널 논문의 첫번째 저자가 그 연구의 PI(Principle Investigator)라는 것을 알 수 있었다. (대개가 그렇듯이) 제 2 PI가 연구에 관련되어 있다면, 그녀의 이름은 두번째로 등장할 것이다. 저자 리스트의 마지막 이름은, 연구가 수행된 연구실의 실장이다. 이러한 "연구실장"은 대부분 실제 연구 프로젝트에는 거의 참여하지 않지만, 그 분야에서 중요한 인물일 가능성이 크다. 저자 리스트의 두번째 이름과 마지막 이름 사이에 해당되는 이름들은 통상적으로 연구실 조교들 및 여타의 연구 조력자들이다.

이런 이유 때문에, MNVS는 사용자들에게, 어떤 저자 이름들을 네트워크에 포함시킬 것인지를 선택할 수 있게 한다. 우리가 발견한 유용한 일 설정은 첫번째, 두번째 및 마지막 저자 이름들은 네트워크에 포함시키고 나머지는 모두 제외시키는 것이다.

도 23 및 도 24는 MNVS의 능력들을 추가적으로 나타낸다. 여기에서는, 동일 한 네트워크가 저자들 및 저널들의 네트워크(도 23) 및 저자들 및 MeSH 카테고리들의 네트워크(도 24)로 변환된다. 이러한 네트워크들로 인해, 사용자는 네트워크내의 연구자들의 관심있는 연구 영역들을 재빨리 이해할 수 있다.

마지막으로, 도 25는 다시 한번 동일한 네트워크를 나타내지만, 이번에는, MeSH 카테고리들로써 지시되는 의료 토픽 영역들간의 링크들에 대한 네트워크를 디스플레이한다. MNVS를 이런 식으로 사용해, 의료 전문가들은 놀랍게도, 간혹 무관한 것처럼 보이는 2가지 의료 분야들 사이에서 예상치 못한 관련성을 발견한다. 의료 주제들간의 예상치 못한 관련성들에 관한 관찰들은 의료 문제들에 관해 새롭게 생각해 볼 수 있는 방법을 유도할 수 있고, 연구의 일 분야에서 발견한 것들을 다른 연구 영역의 난제들에 적용할 수 있는 가능성을 제공하는 것과 같이, 연구를 위한 새로운 경로들을 제시할 수 있다. 의료 전문가는, 분야 A의 전문가가 분야 B의 전문가와 거의 교제하지 않기 때문에, 직업적 전문성에 의해 사일로화되는(silo-ed) 경향이 있는데, 이들은 동일한 회의에 참석하지 않고, 동일한 레지던트 프로그램에 참가하지 않으며, 동일한 저널들을 읽지 않고, 상호 작용하지 않기 때문이다. 상이한 전공들로부터의 적합한 사람들을 함께 모으는 것에는 엄청난 가치가 존재하는데, 대부분 완전히 새로운 연구 경로들이 제안되기 때문이다. 의료 네트워크 비주얼리제이션 시스템은, 새로운 의료 인사이트가 출현할 수도 있는 예상치 못한 접속 영역들을 동시에 관찰할 수 있게 한다.

의료/학술 데이터의 네트워크 비주얼리제이션의 적용들

의료 네트워크 비주얼리제이션 시스템에 의해 가능해진 능력들은 연구자들에 게 의료 데이터베이스 레코드들을 분석하여 깊은 인사이트들을 개발할 수 있는 능력을 부여한다. 이러한 인사이트들은 다양한 형태들로 가지므로, 네트워크 비주얼리제이션 시스템은 다음과 같은 토픽들을 분석하기 위한 다양한 맥락들로 사용될 수 있다:

ㆍ (일반적인) 공동 연구 조직

ㆍ 회사내의 공동 연구 조직

ㆍ 임상 실험들 또는 시장 영향력을 위한 지역에서 KOL들(Key Opinion Leaders) 또는 핵심 연구자들로서 대상이 되는 사람

ㆍ (MeSH 카테고리들이 함께 붙어 다니는) 특정 분야에서의 토픽 클러스터 링

ㆍ 조직들을 통한 연구 시너지들 또는 대체들

ㆍ 좀더 넓은 지역에서의 연구 강도의(research strength) 지역적 베이스들

일반적인 공동 연구 조직

기초적인 수준에서, 도 26의 네트워크는 공동 연구의 상이한 '클러스터들'을 나타낸다. 사용자는, 다양한 저널들에 함께 게시한 저자들의 그룹들을 쉽게 식별할 수 있다. 시스템의 다른 사양은 저자의 학회 약력에 기초해 저자 메타-노드들을 컬러링(coloring)할 수 있는 능력이다. 이것은 공동 연구의 패턴들에 대한 훨씬 더 깊은 인사이트를 제공한다.

회사내의 공동 연구 조직

도 27의 네트워크는 MeSH 카테고리 당뇨병 및 학회 Joslin(학회는 PubMed의 주소 필드의 일부로서 발견됨)의 검색 결과이다. Joslin은 세계적인 선도적 당뇨병 센터인 Joslin Diabetes Center의 약칭이다. 도면은 공동 연구의 포켓들(pockets)-특정 토픽들에 대한 문서들을 동시-저술한 조직내의 사람들-을 식별한다. 도면은 검색의 5개 이상 문서들에 등장하는 저널들의 이름들 및 MeSH 용어들을 완전한 문장으로 디스플레이한다. 이로써, 당뇨 망막증(Diabetic retinopathy) 및 랑게르한스 섬(Islets of Langerhans)과 같은 인기있는 검색 토픽들 뿐만 아니라, 다른 것들 중에서도, Diabetes, Diabetologia, Transplantation, 및 Diabetes Care를 포함하는, 이 조직이 2000년 이후로 출판한 저널들도 알아 볼 수 있다.

임상 실험들 또는 시장 영향력을 위한 지역에서 KOL 들 또는 핵심 연구자들을 목표로 삼기

도 28에서는, 당뇨병 검색이 학회 대신 지역(오스트레일리아)에 의해 제한되었다. 여기에서, 네트워크 맵은, 15개 이상의 문서들을 기록한 저자들만을 나타내는 것으로 한정된다. Cooper ME는, 그 이름이 49개 문서들에 등장하는, 추가적인 조사의 대상이 되는 저자인데, Dr. Cooper는, 제약 또는 바이오테크놀러지 회사가 당뇨 약품을 시판하고 있다면, 그런 회사가 표적으로 삼고 싶어할 오스트레일리아의 KOL일 가능성이 높다.

(MeSH 카테고리들이 함께 붙어 다니는) 특정 필드에서의 토픽 클러스터링

도 29는, 조직에 의해 사용자가 관련된 MeSH 카테고리들도 볼 수 있다는 것을 강조하도록 제한되는 검색으로부터 초래되는 네트워크를 나타낸다. 여기에서, 다른 모든 노드들 및 링크들은 제거되었고 남겨진 것은 문서들이 MeSH 카테고리들 을 공유한다는 것을 드러낸다. 예를 들어, 이 일례에서는, 다른 것들 중에서, 2종 당뇨병의 MeSH 카테고리를 가진 문서들도 비만, 랑게르한스 섬, 혈당, 및 인슐린으로서 코딩된다.

조직들을 통한 연구 시너지들 또는 대체들

도 30에 도시된 네트워크는 Cardiovascular Agents의 MeSH 카테고리 및 3개의 특정 조직들에 대한 검색으로부터 초래된다. 다음의 조직들 및/또는 그들의 조합들은 컬러 쿼리 사양(Color Query feature)을 사용해 강조되었다: Pharmacia(노란색), Pfizer(녹색), Warner Lambert(파란색), 및 Pfizer와 Pharmacia의 조합(보라색). 이러한 맵으로 인해, 사용자는 조직들의 연구 중 어떤 MeSH 토픽들이 좀더 큰 분야내에 해당되는지를 알아볼 수 있다. 이것은 소정 연구 프로젝트들에서의 리소스들의 투자, 특정 연구 영역에서의 경쟁, 및/또는 아직까지 관련되지 않은 출현 영역들에 관해 전략적으로 사고하는데 도움이 될 수 있다.

좀더 넓은 지역에서의 연구 강도의 지역적 베이스들

MNVS는 지역들에 걸친 연구 "허브들(hubs)"을 드러내는데도 도움이 될 수 있다. 도 31에서, 검색은 (녹색으로 컬러 코딩된) Massachusetts, (분홍색으로 컬러 코딩된) California, 및 (파란색으로 컬러 코딩된) North Carolina에서 1종 당뇨병의 MeSH 카테고리에 따른 연구를 강조하도록 설계되었다. 사용자는 지역 제한들없이 유사한 검색을 실행하고 데이터를 조사하여 어떤 영역들이 "허브들"로서 출현할 것 같은지를 알아볼 수 있다. 부가적으로, 사용자는 넓은 분야내의 좀더 작은 니치(niche)(예를 들어, 이러한 당뇨병 연구 일례에서의 자기 항원들(Autoantigens)) 에 초점을 맞출 수도 있는 지역들을 식별할 수도 있다.

이러한 일례들에서 도시된 바와 같이, 네트워크 변환, 다수 노드들 및 링크들의 사용, 프랙털 네트워크들, 네트워크 애니메이션, 통계 정보 및 외부 데이터 소스들로의 링킹을 포함하는, 상술된 NVS의 사양들 모두는 PubMed 데이터의 분석과 관련이 있다. PubMed 데이터의 분석에 적합한 NVS의 바람직한 실시예의 일부 요소들이 다음에서 부연된다.

통계 정보

다음과 같은 것들을 포함하는, 통계 정보의 다양한 유형들이 PubMed 데이터의 분석을 위해 중요하다:

ㆍ 학회들 - 선택된 네트워크에서 학회에 의해 최고로부터 최저까지 정렬된 논문들의 수.

ㆍ 저자들 - 선택된 네트워크에서 저자에 의해 최고로부터 최저까지 정렬된 논문들의 수.

ㆍ 분류 - 선택된 네트워크에서 MeSH 카테고리에 의해 최고로부터 최저까지 정렬된 또는 분류 카테고리에 의해 정렬된 논문들의 수. MeSH 분류 방식들은 계층 구조적이므로, 데이터는, 각 카테고리내의 논문들의 수 및 트리의 가지 각각을 따라 디스플레이되는 서브카테고리를 가진 트리 구조를 사용해, 디스플레이될 수 있다.

ㆍ 단어 사용 - 핵심 단어들, 문구들 또는 단어 그룹들을 포함하는 논문들의 수.

ㆍ 인용 - 인용들에 관한 다양한 정보 유형들이 제공될 수 있다. 이들은 다음과 같은 것들을 포함하지만, 이에 한정되는 것은 아니다:

o 가장 빈번하게 인용되는 논문들, 학회들, 저자들, 또는 다른 그룹.

o 출판 이후로 논문들, 학회들, 저자들 또는 다른 그룹을 위한 매 해마다의 가장 높은 인용 수.

통계 정보는 팝업 창들로도 제공된다. PubMed와 구체적으로 관련되어 있는, 팝업들로 제공되는 정보의 종류에 대한 몇가지 일례들이 다음에서 설명된다:

ㆍ 논문 노드 팝업들 - 논문 노드가 선택될 경우에는, 선택된 노드에 의해 표현되는 논문에 관한 정보를 디스플레이하는 팝업 창이 호출될 수 있다. 제공되는 정보로는 PubMed ID 번호, 타이틀, 저자들, 학회들, 출판일들, MeSH 클래스들, 인용들 뿐만 아니라 페이지들의 수, 도면들의 수, 단어들의 수 등과 같은 논문으로부터의 다른 데이터를 포함하여, 통상적인 논문의 요약 페이지에서 제공되는 기본적인 정보 모두를 포함한다. 또한, 팝업 창의 다수 필드들은, 사용자가 추가 정보를 끌어내는 것을 허용하도록, 하이퍼링크되어 있다. 예를 들어, 논문 번호는 논문의 완전 텍스트(또는 .pdf)에 하이퍼링크되어 있고, 인용 링크들은 하이퍼링크들일 뿐만 아니라 다른 하이퍼링크들이다. 팝업은 중심성과 같은 논문에 관한 다양한 통계 정보도 포함할 수 있다.

ㆍ 학회 메타-노드들 - 학회 메타-노드가 선택될 경우에는, 메타-노드에 의해 표현되는 학회 및 논문들에 관해 디스플레이될 수 있는 데이터의 상이한 종류들의 메뉴를 디스플레이하는 팝업 창이 호출될 수 있다. 메뉴 옵션들은 메타-노드에 의해 표현되는 논문들, MeSH 카테고리에 의한 논문들, 저자에 의한 논문들의 리스트를 나타내는 테이블들과 연도에 의한 논문들을 나타내는 그래프를 포함한다. 추가 메뉴 옵션들은, 총 인용들, (출판 연도 이후로) 매 해마다의 평균 인용들, 학회의 포트폴리오를 위한 아이젠 벡터 중심성의 합/전체 네트워크를 위한 아이젠 벡터 중심성의 합(포트폴리오 가치를 위한 측정치)를 포함하여, 학회 메타-노드들에 관해 디스플레이될 수 있는 네트워크 통계 정보를 포함한다. 다른 메뉴 옵션은 학회에 관한 정보를 제공한다. 이 메뉴 옵션은 학회들의 웹사이트로 또는 기초가 되는 회사 및 그 회사에 관한 금융 정보로 링크한다.

ㆍ 저자 메타-노드들 - 저자 메타-노드가 선택될 경우에는, 메타-노드에 해 표현되는 저자 및 논문들에 관해 디스플레이될 수 있는 데이터의 상이한 종류들의 메뉴를 디스플레이하는 팝업 창이 호출될 수 있다. 메뉴 옵션들은 메타-노드에 의해 표현되는 논문들, 동시-저자에 의한 논문들, MeSH 클래스에 의한 논문들의 리스트를 나타내는 테이블들 및 연도에 의한 논문들을 나타내는 그래프를 포함한다.

ㆍ MeSH 메타-노드들 - MeSH 메타-노드가 선택될 경우에는, MeSH 카테고리 및 메타-노드에 의해 표현되는 논문들에 관해 디스플레이될 수 있는 데이터의 상이한 종류들의 메뉴를 디스플레이하는 팝업 창이 호출될 수 있다. 메뉴 옵션들은 메타-노드에 의해 표현되는 논문들, 학회에 의한 논문들, 저자에 의한 논문들의 리스트를 나타내는 테이블들 및 연도에 의한 논문들을 나타내는 그래프를 포함한다. 다른 메뉴 옵션은 MeSH 카테고리에 관한 정보를 제공한다. 이 메뉴 옵션은, 클래스에 대한 완전한 설명 및 MeSH 계층 구조에서의 그것의 위치를 포함하는, MeSH 클 래스에 관한 세부 정보를 제공한다.

ㆍ 메타-링크들 - 메타-링크가 선택될 경우에는, 메타-링크에 의해 표현되는 접속들에 관한 정보를 디스플레이하는 팝업 창이 호출될 수 있다. 표현되는 논문 대 논문 링크들의 리스트 뿐만 아니라 시간에 걸쳐 메타-링크에 의해 표현되는 개개 링크들의 수에 대한 그래프를 나타내는 테이블이 디스플레이될 수 있다. 예를 들어, 메타-링크가 동시-저자 링크라면, 메타-링크 팝업은 2 저자들간의 공저 이력을 나타낼 것이다. 메타-링크가 학회-학회 인용 링크라면, 팝업은 2 학회들간의 인용들의 이력을 나타낼 것이다.

이러한 모든 팝업 정보로 인해, 사용자는, 높은 레벨의 메타-데이터로부터 학회들, 저자들, 연구 분야들 및 논문들에 관한 세부 사항의 가장 깊은 레벨에 이르는, 원하는 임의의 상세 레벨에서 논문 네트워크를 조사할 수 있다. 이로 인해, NMVS 도구는 PubMed 문서들의 거대 세트를 이해할 수 있는 강력한 도구가 된다.

외부 데이터 소스들로 링크하기

의료 데이터 뿐만 아니라 MNVS내에서의 그들의 사용과도 관련된 유용한 외인성 데이터 소스들의 일부 일례들이 후술된다.

ㆍ 의사 약력 데이터 - 관련된 PubMed 데이터베이스로 링크할만한 가치가 있는 외부 데이터의 일 소스는 연구자들의 약력에 관한 정보이다. PubMed의 대다수 저자들은 의사들이고, 공공 및 사유 데이터베이스들 모두의 의사들에 관한 정보로 링크할 수 있다. 이러한 데이터베이스들은 의료 전공, 병원 면허들(hospital privileges), DEA#, 입학한 의대, 수료한 레지던트 프로그램들, MAM(medical association membership) 등과 같은 정보를 포함한다. 이 데이터로 링크하는 것에 의해, 메타-노드들의 완전히 새로운 카테고리들 뿐만 아니라 PubMed 데이터 단독으로는 만들어질 수 없는 새로운 유형들의 링크들을 생성할 수 있게 된다.

ㆍ 처방전 데이터 - 외인성 데이터의 아주 유용한 다른 소스는 처방전 데이터이다. IMS와 같은 사유 데이터베이스들은 의사들의 처방 패턴들에 관한 정보를 보유한다. 이들은 의사들이 각각을 위해 기재한 처방전들 및 그들이 처방하는 모든 약품의 수를 계산한다. 이 데이터는, 바이오테크놀러지 및 제약 회사들이, 어떤 의사들이 마케팅 관점에서 접근해야 할 가장 중요한 의사들인지를 판정하기 위한 정보의 소스로서 아주 유용하다. MNVS와 조합될 경우, 이 도구는, 바이오테크놀러지 및 제약 회사들이, 관심있는 제약 업계 약품들의 최대 수치의 처방전들과 밀접하게 관련되어 있는 KOL들을 식별하는 것을 가능하게 한다. 이러한 KOL들을 목표로 삼는 것에 의해, 회사들은 의사들의 처방 패턴들에 영향력을 미쳐 시장 점유율을 높일 수 있다.

ㆍ 소개 데이터(referral data) - LRX와 같은 사유 데이터베이스들도 링크하기에 유용한 외부 데이터 소스를 제공한다. LRX 데이터베이스는, 전공들내의 그리고 전공들간의 의료 관계들에 대한 사회 네트워크를 생성하는데 사용될 수 있는 소개 정보를 포착한다.

ㆍ 조사 데이터 - Alpha Detail과 같은 회사들은, 의사들이 어떤 정보를 읽으며 그들이 다른 어떤 의사들에 의해 영향을 받는지를 판정하기 위해 수천명의 의사들에 대한 조사들을 수행한다. 이 데이터는, 생명 과학 회사들의 마케팅 질문들 을 해결함에 있어서 특히 유용한 외인성 데이터의 또 다른 소스이다.

ㆍ 허가 데이터(grant data) - 대부분 의료 저서가 출판되기 이전의 단계는 제출 및 허가의 승인이다. US에서는, 이러한 허가들의 대다수가 NIH(National Institutes of Health)를 통해 이루어진다. NIH는 CRISP(Computer Retrieval of Information on Scientific Projects)로서 공지되어 있는 데이터베이스를 보유한다. 이 데이터베이스는 NIH가 자금을 지원한 모든 연구 프로젝트들에 관한 정보를 가지고 있다. 이 데이터로 링크하는 것에 의해, 의료 논문이 최초로 출판되는 것보다 훨씬 빨리 혁신적 연구를 추적하는 것이 가능해진다. 다른 국가들도 유사한 데이터베이스들을 보유하고 있다.

ㆍ FDA 시험 데이터 - FDA는 FDA 승인 절차의 다양한 단계들에 해당되는 다양한 약품 후보들에 관한 정보를 공공 데이터베이스들에 보유한다. 이 데이터로 링크하는 것에 의해, 의료 연구를 약제 유통 경로(drug pipeline)로 보내는 방법을 분석할 수 있고 다양한 약품들 및 제약 회사들의 위치를 평가할 수 있다.

ㆍ FDA 제품 데이터- 시간 척도의 다른 끝은 FDA 데이터베이스들이다. 대다수 의료 연구의 목표는, 대부분의 경우, (미국내의) FDA에 의해 승인되어야 하는 소정 질병을 위한 치료약을 개발하는 것이다. FDA는 DRUG 데이터베이스와 직접 판매(over-the-counter) 및 처방전 약품들 뿐만 아니라 식품 첨가물들 및 다수의 다른 건강 관련 제품들에 관한 정보를 제공하는 다수의 다른 데이터베이스들을 포함하고 있다. 이 데이터로 링크하는 것에 의해, PubMed 데이터베이스에 포함되어 있는 연구 출력(output)을 추적할 수 있다.

ㆍ 학회 데이터 - 학회 데이터는 MDVS로 통합될 수 있는 외인성 데이터의 다른 소스이다. PubMed 데이터베이스의 학회 필드에 의해 또는 의사/저자에 의해 보유되는 학회 약력들의 데이터베이스를 통해 간접적으로 학회 또는 회사 데이터로의 링크들이 형성될 수 있다. 다양한 소스들로부터의 다양한 유형들의 학회/기업 데이터가 존재한다. 이 데이터로 링크하는 것에 의해, 회사들, 대학들, 정부 기관들 및 연구 학회들이 관심있는 연구 영역내에서 수행하는 역할을 좀더 깊이있게 분석할 수 있다.

ㆍ 특허 데이터 - 특허 데이터로의 링크들도 아주 중요하다. 특허 데이터는, 보호 가능한 지적 재산권들로 변환된 의료 연구 부분들을 표현한다.

특허와 의료 NVS 조합하기

특허 및 PubMed 실시예들이 별도로 설명되었지만, NVS는 이들 2가지 데이터 소스들을 조합할 수도 있다. 2가지 데이터 소스들간의 링크들은 특허들로부터 학술 저서로의 인용들을 포함하는 다양한 형태들을 취할 수 있고, 논문 저자들과 발명자들이 링크될 수 있으며, 회사/학회들도 링크될 수 있다. 의료 연구 데이터를 특허 데이터 뿐만 아니라 허가, FDA 및 처방전 데이터와 링크하는 것에 의해, 개시로부터 제품 승인 및 마케팅에 이르기까지 아이디어의 전반적인 라이프 사이클에 대한 그림을 그릴 수 있다.

NVS는, 과학 및 기술 개발의 특징에 대한, 이전에 가능했던 것보다 훨씬 더 깊은 이해를 가능하게 한다. 종래 기술에서 공지된 임의 수단에 의해서는 응답될 수 없었던 질문들의 상이한 다수 종류들이 응답될 수 있다. 그러한 질문들 중 다 수는 경제적으로 뿐만 아니라 사회의 선(good of society)을 위해서도 아주 높은 가치를 가진다.

다른 실시예들

당업자라면, NVS가 문맥들의 광범위한 배열에 적용될 수 있다는 것을 분명하게 알 수 있어야 한다. 설명된 실시예들은 2가지 상이한 데이터 소스들로의 NVS의 적용 가능성을 보여준다. 설명된 실시예들에서 제시된 방법들과 유사한 방법들로 다른 다수 소스들로의 적용도 가능하다.

컴퓨터 구현

본 발명의 실시예들에 따라 데이터베이스 레코드들을 분석하는 방법은, 도 32에 도시된 바와 같이, 범용 컴퓨터(300)로 구현되는 것이 바람직스럽다. 대표적인 컴퓨터(300)는, 예를 들어, Intel Pentium®, PowerPC® 또는 RISC 기반의 퍼스널 컴퓨터 또는 워크스테이션 플랫폼이고, Windows®, Linux®, OS/2®, Unix 등과 같은 오퍼레이팅 시스템을 포함한다. 널리 공지되어 있는 바와 같이, 그러한 머신들은 디스플레이 인터페이스(302)(그래픽 사용자 인터페이스 또는 "GUI") 및 연관된 입력 장치들(예를 들어, 키보드 또는 마우스)을 포함한다.

데이터베이스 레코드들의 분석 방법은 소프트웨어로 구현되는 것이 바람직스러운데, 실시예들 중 하나에 따르면, 컴퓨터(300)의 RAM(308;random access memory)과 같은 컴퓨터-판독 가능 매체에 상주하는 코드 모듈의 명령어들(306)(예를 들어, 프로그램 코드)의 세트로서 구현된다. 컴퓨터(300)에 의해 요구될 때까지, 명령어들(306)의 세트는 다른 컴퓨터-판독 가능 매체(310)에, 예를 들어, 하드 디스크 드라이브에 또는 (CD-ROM에서의 궁극적인 사용을 위한) 광 디스크 또는 (플로피 디스크 드라이브에서의 궁극적인 사용을 위한) 플로피 디스크와 같은 분리형 메모리에 저장될 수 있거나, 인터넷 또는 소정의 다른 컴퓨터 네트워크를 통해 다운로드될 수 있다. 또한, 설명된 다양한 방법들이 소프트웨어에 의해 선택적으로 활성화되거나 재구성되는 범용 컴퓨터(300)로 편리하게 구현되지만, 당업자라면, 그러한 방법들이 하드웨어로, 펌웨어로, 또는 특정된 방법 단계들을 수행하도록 구성된 좀더 특화된 장치로도 수행될 수 있다는 것을 알 수 있을 것이다.

다른 태양들, 변경들, 및 실시예들은 청구항들의 범위내에 해당된다.

Claims (135)

1. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법으로서,

   하나 이상의 기술 기준들(descriptive criteria)에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계로서, 상기 2 이상의 데이터베이스 레코드들 각각은 공통 레코드 클래스의 멤버들인, 단계;

   상기 레코드 클래스의 하나 이상의 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 하나 이상의 속성들의 인스턴스들에 네트워크 노드들을 연관짓는 단계; 및

   상기 네트워크 노드들을, 상기 하나 이상의 속성들의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계

   를 포함하는 방법.
2. 제 1 항에 있어서,

   상기 공통 레코드 클래스는 특허 레코드들을 포함하는 것인 방법.
3. 제 2 항에 있어서,

   상기 특허 레코드들은 LexisNexis 데이터베이스로부터 추출되는 것인 방법.
4. 제 2 항에 있어서,

   상기 특허 레코드들은 Thomson 데이터베이스로부터 추출되는 것인 방법.
5. 제 2 항에 있어서,

   상기 특허 레코드들은 USPTO 데이터베이스로부터 추출되는 것인 방법.
6. 제 2 항에 있어서,

   상기 특허 레코드들은 EPO 데이터베이스로부터 추출되는 것인 방법.
7. 제 2 항에 있어서,

   상기 특허 레코드들은 Derwent 데이터베이스로부터 추출되는 것인 방법.
8. 제 1 항에 있어서,

   상기 공통 레코드 클래스는 학술 저널 논문들을 포함하는 것인 방법.
9. 제 8 항에 있어서,

   상기 학술 저널 논문들은 PubMed 데이터베이스로부터 추출되는 것인 방법.
10. 제 2 항에 있어서,

    상기 하나 이상의 기술 기준들은 (i) 상기 특허 레코드들 각각의 본문 필드 내의 하나 이상의 핵심 단어들, (ii) 상기 특허 레코드들 각각의 타이틀 필드내의 하나 이상의 핵심 단어들, (iii) 상기 특허 레코드들 각각의 발명자 필드의 하나 이상의 발명자들, (iv) 상기 특허 레코드들 각각의 양수인 필드의 하나 이상의 양수인들, (v) 요약서 필드내의 하나 이상의 핵심 단어들 및 그들에 관한 조합들로 이루어진 그룹으로부터 선택되는 것인 방법.
11. 제 2 항에 있어서,

    상기 하나 이상의 속성들은 발명자를 포함하는 것인 방법.
12. 제 2 항에 있어서,

    상기 하나 이상의 속성들은 양수인을 포함하는 것인 방법.
13. 제 2 항에 있어서,

    상기 하나 이상의 속성들은 출원일을 포함하는 것인 방법.
14. 제 2 항에 있어서,

    상기 하나 이상의 속성들은 등록일(issue date)을 포함하는 것인 방법.
15. 제 2 항에 있어서,

    상기 하나 이상의 속성들은 IPC 코드를 포함하는 것인 방법.
16. 제 2 항에 있어서,

    상기 하나 이상의 속성들은 USPC 코드를 포함하는 것인 방법.
17. 제 2 항에 있어서,

    상기 하나 이상의 속성들은 검색 필드를 포함하는 것인 방법.
18. 제 1 항에 있어서,

    상기 네트워크 링크들은 접속된 노드들 사이에서 발생하는 공통 인스턴스들의 양을 기술하는 특징을 포함하는 것인 방법.
19. 제 18 항에 있어서,

    상기 특징은 링크 두께를 포함하는 것인 방법.
20. 제 18 항에 있어서,

    상기 특징은 링크 컬러를 포함하는 것인 방법.
21. 제 18 항에 있어서,

    상기 특징은 링크 텍스처(link texture)를 포함하는 것인 방법.
22. 제 1 항에 있어서,

    네트워크 노드들의 적어도 한 세트는 메타-노드들의 세트인 것인 방법.
23. 제 22 항에 있어서,

    상기 메타-노드들의 세트는 2 이상의 데이터베이스 레코드들의 특징을 기술하는 것인 방법.
24. 제 1 항에 있어서,

    상기 선택된 2 이상의 데이터베이스 레코드들을 변경하기 위해, 상기 하나 이상의 기술 기준들을 변경하면서, 상기 식별하는 단계 및 상기 접속시키는 단계를 반복적으로 실행하는 단계를 더 포함하는 것인 방법.
25. 제 23 항에 있어서,

    상기 하나 이상의 기술 기준들은 날짜들의 범위를 포함하는 것인 방법.
26. 제 2 항에 있어서,

    상기 특허 레코드들의 공통 레코드 클래스가 아닌 레코드 클래스로부터 추가 데이터베이스 레코드들을 선택하고, 네트워크 노드들, 네트워크 링크들, 또는 양자를 상기 추가 데이터베이스 레코드들로부터의 하나 이상의 속성들의 인스턴스들에 연관짓는 단계를 더 포함하는 것인 방법.
27. 제 26 항에 있어서,

    상기 특허 레코드들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 특허 레코드들과 연관된 라이센싱 이력을 기술하는 것인 방법.
28. 제 26 항에 있어서,

    상기 특허 레코드들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 특허 레코드들과 연관된 소송 이력(litigation history)을 기술하는 것인 방법.
29. 제 26 항에 있어서,

    상기 특허 레코드들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 특허 레코드들과 연관된 특허 유지료 이력(maintenance fee history)을 기술하는 것인 방법.
30. 제 8 항에 있어서,

    상기 학술 저널 논문들의 공통 레코드 클래스가 아닌 레코드 클래스로부터 추가 데이터베이스 레코드들을 선택하고, 네트워크 노드들을 상기 추가 데이터베이스 레코드들로부터의 하나 이상의 속성들의 인스턴스들에 연관짓는 단계를 더 포함하는 것인 방법.
31. 제 30 항에 있어서,

    상기 학술 저널 논문들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 학술 저널 논문들과 연관된 의사 약력 데이터(doctor affiliation data)를 기술하는 것인 방법.
32. 제 30 항에 있어서,

    상기 학술 저널 논문들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 학술 저널 논문들과 연관된 처방전 데이터를 기술하는 것인 방법.
33. 제 30 항에 있어서,

    상기 학술 저널 논문들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 학술 저널 논문들과 연관된 소개(referral) 데이터를 기술하는 것인 방법.
34. 제 1 항에 있어서,

    사용자에 의해 제공되는 요구 사항들에 따라 상기 레코드 클래스의 하나 이상의 속성들을 식별하는 단계를 더 포함하는 것인 방법.
35. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법으로서,

    하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선 택하는 단계;

    상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 네트워크 노드들을 연관짓는 단계;

    제 1 네트워크 그래픽 표현을 형성하기 위해, 상기 네트워크 노드들을 상기 2 이상의 공통 속성들 중 하나의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계; 및

    상기 네트워크 노드들을 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 연관짓고, 상기 네트워크 노드들을 상기 제 2 속성의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 것에 의해, 상기 제 1 네트워크 그래픽 표현을 제 2 네트워크 그래픽 표현으로 변환하는 단계

    를 포함하는 방법.
36. 제 35 항에 있어서,

    상기 공통 레코드 클래스는 특허 레코드들을 포함하는 것인 방법.
37. 제 36 항에 있어서,

    상기 특허 레코드들은 LexisNexis 데이터베이스로부터 추출되는 것인 방법.
38. 제 36 항에 있어서,

    상기 특허 레코드들은 Thomson 데이터베이스로부터 추출되는 것인 방법.
39. 제 36 항에 있어서,

    상기 특허 레코드들은 USPTO 데이터베이스로부터 추출되는 것인 방법.
40. 제 36 항에 있어서,

    상기 특허 레코드들은 EPO 데이터베이스로부터 추출되는 것인 방법.
41. 제 36 항에 있어서,

    상기 특허 레코드들은 Derwent 데이터베이스로부터 추출되는 것인 방법.
42. 제 35 항에 있어서,

    상기 공통 레코드 클래스는 학술 저널 논문들을 포함하는 것인 방법.
43. 제 42 항에 있어서,

    상기 학술 저널들은 PubMed 데이터베이스로부터 추출되는 것인 방법.
44. 제 36 항에 있어서,

    상기 하나 이상의 기술 기준들은 (i) 상기 특허 레코드들 각각의 본문 필드 내의 하나 이상의 핵심 단어들, (ii) 상기 특허 레코드들 각각의 타이틀 필드내의 하나 이상의 핵심 단어들, (iii) 상기 특허 레코드들 각각의 발명자 필드의 하나 이상의 발명자들, (iv) 상기 특허 레코드들 각각의 양수인 필드의 하나 이상의 양수인들, (v) 요약서 필드내의 하나 이상의 핵심 단어들 및 그들에 관한 조합들로 이루어진 그룹으로부터 선택되는 것인 방법.
45. 제 35 항에 있어서,

    상기 하나 이상의 공통 속성들은 발명자를 포함하는 것인 방법.
46. 제 35 항에 있어서,

    상기 하나 이상의 공통 속성들은 양수인을 포함하는 것인 방법.
47. 제 35 항에 있어서,

    상기 하나 이상의 공통 속성들은 출원일을 포함하는 것인 방법.
48. 제 35 항에 있어서,

    상기 하나 이상의 공통 속성들은 등록일을 포함하는 것인 방법.
49. 제 35 항에 있어서,

    상기 하나 이상의 공통 속성들은 IPC 코드를 포함하는 것인 방법.
50. 제 35 항에 있어서,

    상기 하나 이상의 속성들은 USPC 코드를 포함하는 것인 방법.
51. 제 35 항에 있어서,

    상기 하나 이상의 공통 속성들은 검색 필드를 포함하는 것인 방법.
52. 제 35 항에 있어서,

    상기 네트워크 링크들은 접속된 노드들 사이에서 발생하는 공통 인스턴스들의 양을 기술하는 특징을 포함하는 것인 방법.
53. 제 52 항에 있어서,

    상기 특징은 링크 두께를 포함하는 것인 방법.
54. 제 52 항에 있어서,

    상기 특징은 링크 컬러를 포함하는 것인 방법.
55. 제 52 항에 있어서,

    상기 특징은 링크 텍스처를 포함하는 것인 방법.
56. 제 35 항에 있어서,

    네트워크 노드들의 적어도 한 세트는 메타-노드들의 세트인 것인 방법.
57. 제 55 항에 있어서,

    상기 메타-노드들의 세트는 2 이상의 데이터베이스 레코드들의 특징을 기술하는 것인 방법.
58. 제 35 항에 있어서,

    상기 선택된 2 이상의 데이터베이스 레코드들을 변경하기 위해, 상기 하나 이상의 기술 기준들을 변경하면서, 상기 식별하는 단계 및 상기 접속시키는 단계를 반복적으로 실행하는 단계를 더 포함하는 것인 방법.
59. 제 58 항에 있어서,

    상기 하나 이상의 기술 기준들은 날짜들의 범위를 포함하는 것인 방법.
60. 제 35 항에 있어서,

    상기 네트워크 링크들의 적어도 한 세트는 메타-링크들의 세트인 것인 방법.
61. 제 60 항에 있어서,

    상기 메타-링크들의 세트는 2 이상의 데이터베이스 레코드들의 특징을 기술 하는 것인 방법.
62. 제 35 항에 있어서,

    상기 선택된 2 이상의 데이터베이스 레코드들을 변경하기 위해, 상기 하나 이상의 기술 기준들을 계속적으로 변경하면서, 상기 식별하는 단계 및 상기 접속시키는 단계를 반복적으로 실행하는 단계를 더 포함하는 것인 방법.
63. 제 62 항에 있어서,

    상기 하나 이상의 기술 기준들은 날짜들의 범위를 포함하는 것인 방법.
64. 제 36 항에 있어서,

    상기 특허 레코드들의 공통 레코드 클래스가 아닌 레코드 클래스로부터 추가 데이터베이스 레코드들을 선택하고, 네트워크 노드들, 네트워크 링크들, 또는 양자를 상기 추가 데이터베이스 레코드들로부터의 하나 이상의 속성들의 인스턴스들에 연관짓는 단계를 더 포함하는 것인 방법.
65. 제 64 항에 있어서,

    상기 특허 레코드들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 특허 레코드들과 연관된 라이센싱 이력을 기술하는 것인 방법.
66. 제 64 항에 있어서,

    상기 특허 레코드들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 특허 레코드들과 연관된 소송 이력을 기술하는 것인 방법.
67. 제 64 항에 있어서,

    상기 특허 레코드들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 특허 레코드들과 연관된 특허 유지료 이력을 기술하는 것인 방법.
68. 제 43 항에 있어서,

    상기 학술 저널 논문들의 공통 레코드 클래스가 아닌 레코드 클래스로부터 추가 데이터베이스 레코드들을 선택하고, 네트워크 노드들을 상기 추가 데이터베이스 레코드들로부터의 하나 이상의 속성들의 인스턴스들에 연관짓는 단계를 더 포함하는 것인 방법.
69. 제 68 항에 있어서,

    상기 학술 저널 논문들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 학술 저널 논문들과 연관된 의사 약력 데이터를 기술하는 것인 방법.
70. 제 68 항에 있어서,

    상기 학술 저널 논문들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 학술 저널 논문들과 연관된 처방전 데이터를 기술하는 것인 방법.
71. 제 68 항에 있어서,

    상기 학술 저널 논문들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 학술 저널 논문들과 연관된 소개 데이터를 기술하는 것인 방법.
72. 제 35 항에 있어서,

    사용자에 의해 제공되는 요구 사항들에 따라 상기 레코드 클래스의 하나 이상의 속성들을 식별하는 단계를 더 포함하는 것인 방법.
73. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법으로서,

    하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계;

    상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 제 1 세트 네트워크 노드들을 연관지으며, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 제 2 세트 네트워크 노드들을 연관짓는 단계; 및

    제 1 네트워크 그래픽 표현을 형성하기 위해, 상기 제 1 세트 네트워크 노드 들의 하나 이상의 멤버들을 상기 제 2 세트 네트워크 노드들의 하나 이상의 멤버들에 상기 네트워크 노드들간의 연관들을 지시하는 네트워크 링크들로써 접속시키는 단계

    를 포함하는 방법.
74. 제 73 항에 있어서,

    상기 공통 레코드 클래스는 특허 레코드들을 포함하는 것인 방법.
75. 제 74 항에 있어서,

    상기 특허 레코드들은 LexisNexis 데이터베이스로부터 추출되는 것인 방법.
76. 제 74 항에 있어서,

    상기 특허 레코드들은 Thomson 데이터베이스로부터 추출되는 것인 방법.
77. 제 74 항에 있어서,

    상기 특허 레코드들은 USPTO 데이터베이스로부터 추출되는 것인 방법.
78. 제 74 항에 있어서,

    상기 특허 레코드들은 EPO 데이터베이스로부터 추출되는 것인 방법.
79. 제 74 항에 있어서,

    상기 특허 레코드들은 Derwent 데이터베이스로부터 추출되는 것인 방법.
80. 제 73 항에 있어서,

    상기 공통 레코드 클래스는 학술 저널 논문들을 포함하는 것인 방법.
81. 제 80 항에 있어서,

    상기 학술 저널 논문들은 PubMed 데이터베이스로부터 추출되는 것인 방법.
82. 제 74 항에 있어서,

    상기 하나 이상의 기술 기준들은 (i) 상기 특허 레코드들 각각의 본문 필드내의 하나 이상의 핵심 단어들, (ii) 상기 특허 레코드들 각각의 타이틀 필드내의 하나 이상의 핵심 단어들, (iii) 상기 특허 레코드들 각각의 발명자 필드의 하나 이상의 발명자들, (iv) 상기 특허 레코드들 각각의 양수인 필드의 하나 이상의 양수인들, (v) 요약서 필드내의 하나 이상의 핵심 단어들 및 그들에 관한 조합들로 이루어진 그룹으로부터 선택되는 것인 방법.
83. 제 74 항에 있어서,

    상기 하나 이상의 공통 속성들은 발명자를 포함하는 것인 방법.
84. 제 74 항에 있어서,

    상기 하나 이상의 공통 속성들은 양수인을 포함하는 것인 방법.
85. 제 74 항에 있어서,

    상기 하나 이상의 공통 속성들은 출원일을 포함하는 것인 방법.
86. 제 74 항에 있어서,

    상기 하나 이상의 공통 속성들은 등록일을 포함하는 것인 방법.
87. 제 74 항에 있어서,

    상기 하나 이상의 공통 속성들은 IPC 코드를 포함하는 것인 방법.
88. 제 74 항에 있어서,

    상기 하나 이상의 공통 속성들은 USPC 코드를 포함하는 것인 방법.
89. 제 74 항에 있어서,

    상기 하나 이상의 공통 속성들은 검색 필드를 포함하는 것인 방법.
90. 제 73 항에 있어서,

    (i) 네트워크 노드들의 하나 이상의 추가 세트들을 상기 데이터베이스 레코 드들로부터의 상기 공통 속성들 중 다른 공통 속성들과 연관짓는 단계 및 (ii) 상기 네트워크 노드들의 추가 세트들의 하나 이상의 멤버들을 다른 네트워크 노드들에 상기 네트워크 노드들간의 연관들을 지시하는 네트워크 링크들로써 접속시키는 단계를 더 포함하는 것인 방법.
91. 제 73 항에 있어서,

    상기 네트워크 링크들은 접속된 노드들 사이에서 발생하는 연관들의 양을 기술하는 특징을 포함하는 것인 방법.
92. 제 91 항에 있어서,

    상기 특징은 링크 두께를 포함하는 것인 방법.
93. 제 91 항에 있어서,

    상기 특징은 링크 컬러를 포함하는 것인 방법.
94. 제 91 항에 있어서,

    상기 특징은 링크 텍스처를 포함하는 것인 방법.
95. 제 73 항에 있어서,

    네트워크 노드들의 적어도 한 세트는 메타-노드들의 세트인 것인 방법.
96. 제 95 항에 있어서,

    상기 메타-노드들의 세트는 2 이상의 데이터베이스 레코드들의 특징을 기술하는 것인 방법.
97. 제 73 항에 있어서,

    네트워크 노드들의 적어도 한 세트를 다른 공통 속성과 연관짓는 것에 의해, 상기 제 1 네트워크 그래픽 표현을 제 2 네트워크 그래픽 표현으로 변환하는 단계를 더 포함하는 것인 방법.
98. 제 73 항에 있어서,

    상기 네트워크 노드들을 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 연관짓고, 상기 네트워크 노드들을 상기 제 2 속성의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 것에 의해, 상기 제 1 네트워크 그래픽 표현을 제 2 네트워크 그래픽 표현으로 변환하는 단계를 더 포함하는 것인 방법.
99. 제 73 항에 있어서,

    네트워크 노드들의 적어도 한 세트는 메타-노드들의 세트인 것인 방법.
100. 제 99 항에 있어서,

     상기 메타-노드들의 세트는 2 이상의 데이터베이스 레코드들의 특징을 기술하는 것인 방법.
101. 제 73 항에 있어서,

     상기 선택된 2 이상의 데이터베이스 레코드들을 변경하기 위해, 상기 하나 이상의 기술 기준들을 변경하면서, 상기 식별하는 단계 및 상기 접속시키는 단계를 반복적으로 실행하는 단계를 더 포함하는 것인 방법.
102. 제 101 항에 있어서,

     상기 하나 이상의 기술 기준들은 날짜들의 범위를 포함하는 것인 방법.
103. 제 74 항에 있어서,

     상기 특허 레코드들의 공통 레코드 클래스가 아닌 레코드 클래스로부터 추가 데이터베이스 레코드들을 선택하고, 네트워크 노드들을 상기 추가 데이터베이스 레코드들로부터의 하나 이상의 속성들의 인스턴스들에 연관짓는 단계를 더 포함하는 것인 방법.
104. 제 103 항에 있어서,

     상기 특허 레코드들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상 기 특허 레코드들과 연관된 라이센싱 이력을 기술하는 것인 방법.
105. 제 103 항에 있어서,

     상기 특허 레코드들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 특허 레코드들과 연관된 소송 이력을 기술하는 것인 방법.
106. 제 103 항에 있어서,

     상기 특허 레코드들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 특허 레코드들과 연관된 특허 유지료 이력을 기술하는 것인 방법.
107. 제 80 항에 있어서,

     상기 학술 저널 논문들의 공통 레코드 클래스가 아닌 레코드 클래스로부터 추가 데이터베이스 레코드들을 선택하고, 네트워크 노드들을 상기 추가 데이터베이스 레코드들로부터의 하나 이상의 속성들의 인스턴스들에 연관짓는 단계를 더 포함하는 것인 방법.
108. 제 107 항에 있어서,

     상기 학술 저널들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 학술 저널들과 연관된 의사 약력 데이터를 기술하는 것인 방법.
109. 제 107 항에 있어서,

     상기 학술 저널 논문들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 학술 저널 논문들과 연관된 처방전 데이터를 기술하는 것인 방법.
110. 제 107 항에 있어서,

     상기 학술 저널 논문들의 공통 레코드 클래스가 아닌 상기 레코드 클래스는 상기 학술 저널 논문들과 연관된 소개 데이터를 기술하는 것인 방법.
111. 제 73 항에 있어서,

     사용자에 의해 제공되는 요구 사항들에 따라 상기 레코드 클래스의 하나 이상의 속성들을 식별하는 단계를 더 포함하는 것인 방법.
112. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법으로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계;

     상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 제 1 세트 네트워크 노드들을 연관지으며, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 제 2 세트 네트워크 노드들을 연관짓는 단계; 및

     네트워크 구성으로 표현되는 상기 제 2 세트 네트워크 노드들을 네트워크 구성으로 표현되는 상기 제 1 세트 네트워크 노드들 중 하나 이상의 네트워크 노드들내에 포함시키는 단계로서, 상기 제 2 세트 네트워크 노드들 각각은 상기 제 2 세트 네트워크 노드들이 포함되어 있는 상기 제 1 속성의 네트워크 노드들과 공통 속성 인스턴스를 공유하는, 단계

     를 포함하는 방법.
113. 제 112 항에 있어서,

     (i) 제 3 세트 네트워크 노드들을 상기 데이터베이스 레코드들의 상기 공통 속성들 중 제 3 공통 속성과 연관짓는 단계 및 (ii) 네트워크 구성으로 표현되는 상기 제 3 세트 네트워크 노드들을 네트워크 구성으로 표현되는 상기 제 2 세트 네트워크 노드들 중 하나 이상의 네트워크 노드들에 포함시키는 단계로서, 상기 제 3 세트 네트워크 노드들 각각은 상기 제 3 세트 네트워크 노드들이 포함되어 있는 상기 제 2 속성의 상기 네트워크 노드와 공통 속성 인스턴스를 공유하는, 단계를 더 포함하는 것인 방법.
114. 제 112 항에 있어서,

     (i) 네트워크 노드들의 하나 이상의 추가 세트들을 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 다른 공통 속성들과 연관짓는 단계 및 (ii) 네 트워크 노드 멤버들의 그룹 각각이 네트워크 노드를 그룹화하는 단계와 연관된 속성에 의해 특징지워지도록, 상기 네트워크 노드들의 추가 세트들의 하나 이상의 멤버들을 다른 네트워크 노드들내에서 그룹화하는 단계를 더 포함하는 것인 방법.
115. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법으로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계로서, 상기 2 이상의 데이터베이스 레코드들 각각은 공통 레코드 클래스의 멤버들인, 단계;

     사용자에 의해 제공되는 요구 사항들에 따라 상기 레코드 클래스의 하나 이상의 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 하나 이상의 속성들의 인스턴스들에 네트워크 노드들을 연관짓는 단계; 및

     상기 네트워크 노드들을 상기 하나 이상의 속성들의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계

     를 포함하는 방법.
116. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법으로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계;

     사용자에 의해 제공되는 요구 사항들에 따라 상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 네트워크 노드들을 연관짓는 단계;

     제 1 네트워크 그래픽 표현을 형성하기 위해, 상기 네트워크 노드들을 상기 2 이상의 공통 속성들 중 하나의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계; 및

     상기 네트워크 노드들을 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 연관짓고, 상기 네트워크 노드들을 상기 제 2 속성의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 것에 의해, 상기 제 1 네트워크 그래픽 표현을 제 2 네트워크 그래픽 표현으로 변환하는 단계

     를 포함하는 방법.
117. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법으로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계;

     사용자에 의해 제공되는 요구 사항들에 따라 상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 제 1 세트 네트워크 노드들을 연관지으 며, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 제 2 세트 네트워크 노드들을 연관짓는 단계; 및

     제 1 네트워크 그래픽 표현을 형성하기 위해, 상기 제 1 세트 네트워크 노드들의 하나 이상의 멤버들을 상기 제 2 세트 네트워크 노드들의 하나 이상의 멤버들에 상기 네트워크 노드들간의 연관들을 지시하는 네트워크 링크들로써 접속시키는 단계

     를 포함하는 방법.
118. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법으로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계로서, 상기 2 이상의 데이터베이스 레코드들 각각은 공통 레코드 클래스의 멤버들인, 단계;

     상기 레코드 클래스의 하나 이상의 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 하나 이상의 속성들의 인스턴스들에 네트워크 노드들을 연관짓는 단계로서, 상기 네트워크 노드들은 메타-노드들인, 단계; 및

     상기 네트워크 노드들을 상기 하나 이상의 속성들의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계

     를 포함하는 방법.
119. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법으로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계;

     상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 네트워크 노드들을 연관짓는 단계로서, 상기 네트워크 노드들은 메타-노드들인, 단계;

     제 1 네트워크 그래픽 표현을 형성하기 위해, 상기 네트워크 노드들을 상기 2 이상의 공통 속성들 중 하나의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계; 및

     상기 네트워크 노드들을 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 연관짓고, 상기 네트워크 노드들을 상기 제 2 속성의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 것에 의해, 상기 제 1 네트워크 그래픽 표현을 제 2 네트워크 그래픽 표현으로 변환하는 단계

     를 포함하는 방법.
120. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법으로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계;

     상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 제 1 세트 네트워크 노드들을 연관지으며, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 제 2 세트 네트워크 노드들을 연관짓는 단계로서, 네트워크 노드들의 적어도 한 세트는 메타-노드들인, 단계; 및

     제 1 네트워크 그래픽 표현을 형성하기 위해, 상기 제 1 세트 네트워크 노드들의 하나 이상의 멤버들을 상기 제 2 세트 네트워크 노드들의 하나 이상의 멤버들에 상기 네트워크 노드들간의 연관들을 지시하는 네트워크 링크들로써 접속시키는 단계

     를 포함하는 방법.
121. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하기에 적합한 명령어들이 저장되어 있는 컴퓨터 판독 가능 매체로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계를 위한 명령어들로서, 상기 2 이상의 데이터베이스 레코드들 각각은 공통 레코드 클래스의 멤버들인, 명령어들;

     상기 레코드 클래스의 하나 이상의 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 하나 이상의 속성들의 인스턴스들에 네트워크 노드들을 연 관짓는 단계를 위한 명령어들; 및

     상기 네트워크 노드들을 상기 하나 이상의 속성들의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계를 위한 명령어들

     을 포함하는 컴퓨터 판독 가능 매체.
122. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법으로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계로서, 상기 2 이상의 데이터베이스 레코드들 각각은 공통 레코드 클래스의 멤버들인, 단계;

     상기 레코드 클래스의 하나 이상의 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 하나 이상의 속성들의 인스턴스들에 네트워크 노드들을 연관짓는 단계;

     상기 네트워크 노드들을 상기 하나 이상의 속성들의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계; 및

     상기 선택된 2 이상의 데이터베이스 레코드들을 변경하기 위해, 상기 하나 이상의 기술 기준들을 변경하면서, 상기 식별하는 단계 및 상기 접속시키는 단계를 반복적으로 실행하는 단계

     를 포함하는 방법.
123. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하는 방법으로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계;

     상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 제 1 세트 네트워크 노드들을 연관지으며, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 제 2 세트 네트워크 노드들을 연관짓는 단계;

     제 1 네트워크 그래픽 표현을 형성하기 위해, 상기 제 1 세트 네트워크 노드들의 하나 이상의 멤버들을 상기 제 2 세트 네트워크 노드들의 하나 이상의 멤버들에 상기 네트워크 노드들간의 연관들을 지시하는 네트워크 링크들로써 접속시키는 단계; 및

     상기 선택된 2 이상의 데이터베이스 레코드들을 변경하기 위해, 상기 하나 이상의 기술 기준들을 변경하면서, 상기 식별하는 단계 및 상기 접속시키는 단계를 반복적으로 실행하는 단계

     를 포함하는 방법.
124. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하기에 적합 한 명령어들이 저장되어 있는 컴퓨터 판독 가능 매체로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계를 위한 명령어들로서, 상기 2 이상의 데이터베이스 레코드들 각각은 공통 레코드 클래스의 멤버들인, 명령어들;

     상기 레코드 클래스의 하나 이상의 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 하나 이상의 속성들의 인스턴스들에 네트워크 노드들을 연관짓는 단계를 위한 명령어들; 및

     상기 네트워크 노드들을 상기 하나 이상의 속성들의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계를 위한 명령어들

     을 포함하는 컴퓨터 판독 가능 매체.
125. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하기에 적합한 명령어들이 저장되어 있는 컴퓨터 판독 가능 매체로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계를 위한 명령어들;

     상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 네트워크 노드들을 연관짓는 단계를 위한 명령어들;

     제 1 네트워크 그래픽 표현을 형성하기 위해, 상기 네트워크 노드들을 상기 2 이상의 공통 속성들 중 하나의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계를 위한 명령어들; 및

     상기 네트워크 노드들을 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 연관짓고, 상기 네트워크 노드들을 상기 제 2 속성의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 것에 의해, 상기 제 1 네트워크 그래픽 표현을 제 2 네트워크 그래픽 표현으로 변환하는 단계를 위한 명령어들

     을 포함하는 컴퓨터 판독 가능 매체.
126. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하기에 적합한 명령어들이 저장되어 있는 컴퓨터 판독 가능 매체로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계를 위한 명령어들;

     상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 제 1 세트 네트워크 노드들을 연관지으며, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 제 2 세트 네트워크 노드들을 연관짓는 단계를 위한 명령어들; 및

     제 1 네트워크 그래픽 표현을 형성하기 위해, 상기 제 1 세트 네트워크 노드들의 하나 이상의 멤버들을 상기 제 2 세트 네트워크 노드들의 하나 이상의 멤버들 에 상기 네트워크 노드들간의 연관들을 지시하는 네트워크 링크들로써 접속시키는 단계를 위한 명령어들

     을 포함하는 컴퓨터 판독 가능 매체.
127. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하기에 적합한 명령어들이 저장되어 있는 컴퓨터 판독 가능 매체로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계를 위한 명령어들;

     상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 제 1 세트 네트워크 노드들을 연관지으며, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 제 2 세트 네트워크 노드들을 연관짓는 단계를 위한 명령어들; 및

     네트워크 구성으로 표현되는 상기 제 2 세트 네트워크 노드들을 네트워크 구성으로 표현되는 상기 제 1 세트 네트워크 노드들 중 하나 이상의 네트워크 노드들에 포함시키는 단계를 위한 명령어들로서, 상기 제 2 세트 네트워크 노드들 각각은 상기 제 2 세트 네트워크 노드들이 포함되어 있는 상기 제 1 속성의 네트워크 노드들과 공통 속성 인스턴스를 공유하는, 명령어들

     을 포함하는 컴퓨터 판독 가능 매체.
128. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하기에 적합한 명령어들이 저장되어 있는 컴퓨터 판독 가능 매체로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계를 위한 명령어들로서, 상기 2 이상의 데이터베이스 레코드들 각각은 공통 레코드 클래스의 멤버들인, 명령어들;

     사용자에 의해 제공되는 요구 사항들에 따라 상기 레코드 클래스의 하나 이상의 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 하나 이상의 속성들의 인스턴스들에 네트워크 노드들을 연관짓는 단계를 위한 명령어들; 및

     상기 네트워크 노드들을 상기 하나 이상의 속성들의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계를 위한 명령어들

     을 포함하는 컴퓨터 판독 가능 매체.
129. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하기에 적합한 명령어들이 저장되어 있는 컴퓨터 판독 가능 매체로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계를 위한 명령어들;

     사용자에 의해 제공되는 요구 사항들에 따라 상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 네트워크 노드들을 연관짓는 단계를 위 한 명령어들;

     제 1 네트워크 그래픽 표현을 형성하기 위해, 상기 네트워크 노드들을 상기 2 이상의 공통 속성들 중 하나의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계를 위한 명령어들; 및

     상기 네트워크 노드들을 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 연관짓고, 상기 네트워크 노드들을 상기 제 2 속성의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 것에 의해, 상기 제 1 네트워크 그래픽 표현을 제 2 네트워크 그래픽 표현으로 변환하는 단계를 위한 명령어들

     을 포함하는 컴퓨터 판독 가능 매체.
130. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하기에 적합한 명령어들이 저장되어 있는 컴퓨터 판독 가능 매체로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계를 위한 명령어들;

     사용자에 의해 제공되는 요구 사항들에 따라 상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 제 1 세트 네트워크 노드들을 연관지으며, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 제 2 세트 네트워크 노드들을 연관짓는 단계를 위한 명령어들; 및

     제 1 네트워크 그래픽 표현을 형성하기 위해, 상기 제 1 세트 네트워크 노드들의 하나 이상의 멤버들을 상기 제 2 세트 네트워크 노드들의 하나 이상의 멤버들에 상기 네트워크 노드들간의 연관들을 지시하는 네트워크 링크들로써 접속시키는 단계를 위한 명령어들

     을 포함하는 컴퓨터 판독 가능 매체.
131. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하기에 적합한 명령어들이 저장되어 있는 컴퓨터 판독 가능 매체로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계를 위한 명령어들로서, 상기 2 이상의 데이터베이스 레코드들 각각은 공통 레코드 클래스의 멤버들인, 명령어들;

     상기 레코드 클래스의 하나 이상의 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 하나 이상의 속성들의 인스턴스들에 네트워크 노드들을 연관짓는 단계를 위한 명령어들로서, 상기 네트워크 노드들은 메타-노드들인, 명령어들; 및

     상기 네트워크 노드들을 상기 하나 이상의 속성들의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계를 위한 명령어들

     을 포함하는 컴퓨터 판독 가능 매체.
132. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하기에 적합한 명령어들이 저장되어 있는 컴퓨터 판독 가능 매체로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계를 위한 명령어들;

     상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 네트워크 노드들을 연관짓는 단계를 위한 명령어들로서, 상기 네트워크 노드들은 메타-노드들인, 명령어들;

     제 1 네트워크 그래픽 표현을 형성하기 위해, 상기 네트워크 노드들을 상기 2 이상의 공통 속성들 중 하나의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계를 위한 명령어들; 및

     상기 네트워크 노드들을 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 연관짓고, 상기 네트워크 노드들을 상기 제 2 속성의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 것에 의해, 상기 제 1 네트워크 그래픽 표현을 제 2 네트워크 그래픽 표현으로 변환하는 단계를 위한 명령어들

     을 포함하는 컴퓨터 판독 가능 매체.
133. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하기에 적합한 명령어들이 저장되어 있는 컴퓨터 판독 가능 매체로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계를 위한 명령어들;

     상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 제 1 세트 네트워크 노드들을 연관지으며, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 제 2 세트 네트워크 노드들을 연관짓는 단계를 위한 명령어들로서, 네트워크 노드들의 적어도 한 세트는 메타-노드들인, 명령어들; 및

     제 1 네트워크 그래픽 표현을 형성하기 위해, 상기 제 1 세트 네트워크 노드들의 하나 이상의 멤버들을 상기 제 2 세트 네트워크 노드들의 하나 이상의 멤버들에 상기 네트워크 노드들간의 연관들을 지시하는 네트워크 링크들로써 접속시키는 단계를 위한 명령어들

     을 포함하는 컴퓨터 판독 가능 매체.
134. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하기에 적합한 명령어들이 저장되어 있는 컴퓨터 판독 가능 매체로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계를 위한 명령어들로서, 상기 2 이상의 데이터베이스 레코드들 각각은 공통 레코드 클래스의 멤버들인, 명령어들;

     상기 레코드 클래스의 하나 이상의 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 하나 이상의 속성들의 인스턴스들에 네트워크 노드들을 연관짓는 단계를 위한 명령어들;

     상기 네트워크 노드들을 상기 하나 이상의 속성들의 공통 인스턴스들을 가진 네트워크 노드들을 지시하는 네트워크 링크들로써 접속시키는 단계를 위한 명령어들; 및

     상기 선택된 2 이상의 데이터베이스 레코드들을 변경하기 위해, 상기 하나 이상의 기술 기준들을 변경하면서, 상기 식별하는 단계 및 상기 접속시키는 단계를 반복적으로 실행하는 단계를 위한 명령어들

     을 포함하는 컴퓨터 판독 가능 매체.
135. 2 이상의 데이터베이스 레코드들의 네트워크 그래픽 표현을 제공하기에 적합한 명령어들을 포함하는 컴퓨터 판독 가능 매체로서,

     하나 이상의 기술 기준들에 따라 상기 2 이상의 데이터베이스 레코드들을 선택하는 단계를 위한 명령어들;

     상기 데이터베이스 레코드들의 2 이상의 공통 속성들을 식별하고, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 1 공통 속성의 인스턴스들에 제 1 세트 네트워크 노드들을 연관지으며, 상기 데이터베이스 레코드들로부터의 상기 공통 속성들 중 제 2 공통 속성의 인스턴스들에 제 2 세트 네트워크 노드들을 연관짓는 단계를 위한 명령어들;

     제 1 네트워크 그래픽 표현을 형성하기 위해, 상기 제 1 세트 네트워크 노드 들의 하나 이상의 멤버들을 상기 제 2 세트 네트워크 노드들의 하나 이상의 멤버들에 상기 네트워크 노드들간의 연관들을 지시하는 네트워크 링크들로써 접속시키는 단계를 위한 명령어들; 및

     상기 선택된 2 이상의 데이터베이스 레코드들을 변경하기 위해, 상기 하나 이상의 기술 기준들을 변경하면서, 상기 식별하는 단계 및 상기 접속시키는 단계를 반복적으로 실행하는 단계를 위한 명령어들

     을 포함하는 컴퓨터 판독 가능 매체.

Images