WO2022154630A1 - 인공지능을 기반으로 한 특허 평가 방법 - Google Patents

인공지능을 기반으로 한 특허 평가 방법 Download PDF

Info

Publication number
WO2022154630A1
WO2022154630A1 PCT/KR2022/000860 KR2022000860W WO2022154630A1 WO 2022154630 A1 WO2022154630 A1 WO 2022154630A1 KR 2022000860 W KR2022000860 W KR 2022000860W WO 2022154630 A1 WO2022154630 A1 WO 2022154630A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
evaluation
input
information
company
Prior art date
Application number
PCT/KR2022/000860
Other languages
English (en)
French (fr)
Inventor
김기종
장원준
Original Assignee
(주)애니파이브
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)애니파이브 filed Critical (주)애니파이브
Publication of WO2022154630A1 publication Critical patent/WO2022154630A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/18—Legal services
    • G06Q50/184—Intellectual property management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management

Definitions

  • the following embodiments relate to a patent evaluation method based on artificial intelligence.
  • Patented technology can lead to revenue generation through companies in various ways, so the influence of companies in evaluating patents cannot be ignored. However, it is necessary to sufficiently consider the mutual influence of the patent and the company, and among companies with various industries and different financial conditions, which company holds the patent, and among similar patents, the company holds the patent. There is a induced effect, and an improved evaluation model that can evaluate the mutual influence is required.
  • the present invention is to solve the above-described problems, to obtain evaluation patent information about the evaluation target patent and evaluation company information about the evaluation target company having the evaluation target patent, and to use the evaluation company information and the evaluation patent information based on the evaluation company information
  • An object of the present invention is to provide an artificial intelligence-based patent evaluation method that generates an input signal and generates patent evaluation information based on an output value based on a result input to a neural network and a result of inputting a comparison signal into a neural network.
  • evaluation patent information about the evaluation target patent and evaluation company information about the evaluation target company having the evaluation target patent are obtained from the user terminal. obtaining, generating an input signal based on the evaluation company information and the evaluation patent information, inputting the input signal to the pre-trained neural network of the embedded computer in the control device, based on the input result of the neural network, the output value of the neural network and inputting a comparison signal pre-stored in a database in the control device into a pre-learned neural network, and transmitting patent evaluation information to a user terminal based on input results of each neural network.
  • generating the input signal may include: generating a first input signal based on the evaluation company information; and generating a second input signal based on the evaluation patent information, wherein the inputting to the neural network includes the pre-learned enterprise of the embedded computer in the control device with the first input signal and the second input signal input to a classification neural network; and inputting the first input signal and the second input signal to a pre-learned patent classification neural network of an embedded computer in a control device, wherein the inputting to the neural network includes the input result of the enterprise classification neural network.
  • the transmitting may include generating patent evaluation information based on input results of each of the first neural network and the second neural network.
  • the company classification neural network includes a first input signal encoding the evaluation company information including one or more of industry information, financial information, and stock price information of the evaluation target company, and the evaluation target
  • a second input signal encoding the evaluation patent information including at least one of a classification code of a patent, the number of cited documents, the number of cited documents, and the number of claims is input, and based on the input, a unique enterprise for the evaluation target company
  • the patent classification neural network includes a first input signal encoding the evaluation company information including at least one of industry information, financial information, and stock price information of the evaluation target company, and the classification of the evaluation target patent
  • a second input signal encoding the evaluation patent information including at least one of a code, the number of cited documents, the number of cited documents, and the number of claims is input, and based on the input, a unique patent classification value for the evaluation target patent is obtained. can be printed out.
  • the first neural network has an output value of the corporate classification neural network, a company classification value for the evaluation target company among the company information stored in the database, and a company classification value within a preset range.
  • the company evaluation index of the evaluation target company is calculated by comparing the information obtained from the first comparison signal with the output value of the company classification neural network, and according to the user's input.
  • the second neural network learns through a first learning signal, and the second neural network has a patent classification value for the evaluation target patent among the output value of the patent classification neural network and patent information stored in the database and a patent having a patent classification value within a preset range. taking as an input the second comparison signal with respect to , and calculating the patent evaluation index of the evaluation target patent through comparison of the information obtained from the second comparison signal and the output value of the patent classification neural network, 2 You can learn through learning signals.
  • the patent classification neural network may further include, as an input, a third input signal in which the contents described in one or more of the specification elements including the claims of the evaluation target patent are embedded. .
  • the present invention by reflecting the quantitative characteristics of the patent along with the company's industry classification, financial status, and investment status in the corporate classification value, it is possible to confirm the characteristic implicating the relevance of the patent to corporate management, and the patent classification value is By reflecting the quantitative characteristics of the company along with the characteristics such as the patent citation index and the strength of rights including the quantitative and qualitative characteristics of the patent, it is possible to grasp the characteristics of the company's relevance to the influence of the patent.
  • FIG. 1 is a flowchart illustrating a patent evaluation method based on artificial intelligence according to an embodiment.
  • FIG. 2 is a diagram for explaining a corporate classification neural network and a patent classification neural network according to an embodiment.
  • FIG. 3 is a configuration diagram for explaining a patent evaluation method based on artificial intelligence according to an embodiment.
  • FIG. 4 is a diagram for describing a first neural network and a second neural network according to an embodiment.
  • FIG 5 is an exemplary diagram of a configuration of an apparatus according to an embodiment.
  • FIG. 1 is a flowchart illustrating a patent evaluation method based on artificial intelligence according to an embodiment.
  • a control device for patent evaluation based on artificial intelligence includes a processor, a memory, a user interface, and a communication interface, and may be connected to other electronic devices through a network.
  • the communication interface may transmit/receive data to and from another electronic device within a predetermined distance through a wired or wireless network or wired serial communication.
  • the network enables wired and wireless communication between the electronic device and various entities according to an embodiment.
  • the electronic device may communicate with various entities over a network, and the network may use standard communication technologies and/or protocols.
  • the network includes, but is not limited to, the Internet, a Local Area Network (LAN), a Wireless Local Area Network (Wireless LAN), a Wide Area Network (WAN), a Personal Area Network (PAN), and the like,
  • LAN Local Area Network
  • WLAN Wireless Local Area Network
  • WAN Wide Area Network
  • PAN Personal Area Network
  • a person skilled in the art of communication technology can recognize that it may be another type of network capable of transmitting and receiving information.
  • a patent evaluation system may include a server including a control device for patent evaluation and a user terminal.
  • the server may be an evaluator's own server, a cloud server, or a peer-to-peer (p2p) set of distributed nodes.
  • the server may be configured to perform all or part of an arithmetic function, a storage/referencing function, an input/output function, and a control function of a normal computer.
  • the server may include at least one artificial neural network that performs an inference function.
  • the server may be linked with a web page or application for a user of the user terminal.
  • the server may be configured to communicate with the user terminal by wire or wireless.
  • the step of generating the input signal (120) includes the step of generating (121) a first input signal based on the evaluation company information and a second input based on the evaluation patent information. generating 122 a signal and a third input signal.
  • the step of inputting 130 into the neural network inputting the first input signal and the second input signal to the pre-learned enterprise classification neural network of an embedded computer in a control device (131) and the first input signal, the and inputting the second input signal and the third input signal into a pre-learned patent classification neural network of an embedded computer in the control device (132).
  • step 141 and inputting the output value of the patent classification neural network and a second comparison signal pre-stored in a database in the control device to a pre-trained second neural network based on the input result of the patent classification neural network (142) may include.
  • Transmitting the patent evaluation information ( 150 ) may include generating ( 151 ) patent evaluation information based on input results of the first neural network and the second neural network, respectively.
  • the server obtains evaluation patent information on the evaluation target patent and evaluation company information on the evaluation target company having the evaluation target patent from the user terminal ( 110 ).
  • the evaluation patent information includes bibliographic information such as application number, application date, title of invention, and classification code that can identify the patent to be evaluated, and additional information such as the number of cited documents, the number of cited documents, the number of claims, and the number of family applications; , claims, background art, the effect of the invention, etc. may include a specification constituent item including a description of the invention.
  • the evaluation company information is information about the company that is the current right holder that currently holds the evaluation target patent, and may include financial information, industry type information, stock price information, and the like of the corresponding company.
  • the server may obtain identification information for identifying the evaluation target patent and the evaluation target company from the user terminal, and call the evaluation patent information and the evaluation company information stored in the database in the control device based on the identification information. .
  • Each of the corporate classification neural network and the patent classification neural network is composed of a feature extraction neural network and a classification neural network, and the feature extraction neural network may sequentially stack an input signal with a convolutional layer and a pooling layer.
  • the convolution layer may include a convolution operation, a convolution filter, and an activation function.
  • the calculation of the convolution filter can be adjusted according to the matrix size of the target input.
  • the activation function typically uses, but is not limited to, a ReLU function, a sigmoid function, and a tanh function.
  • the pooling layer is a layer that reduces the size of the input matrix, and uses a method of extracting representative values by tying pixels in a specific area. In general, the average value or the maximum value is often used for the calculation of the pooling layer, but is not limited thereto.
  • the convolutional layer and the pooling layer can be iterated alternately until the corresponding input becomes small enough while maintaining the difference.
  • the server may use an output signal pre-stored in the database as an input to the neural network.
  • the output signal including the first comparison signal and the second comparison signal used as the input is analyzed through comparison of the output value output through the operation of the corporate classification neural network and the patent classification neural network, and in order to utilize the information accumulated in the output signal.
  • the server may transmit patent evaluation information to the user terminal based on input results of each neural network ( 150 ).
  • the server may generate patent evaluation information based on input results of each of the first neural network and the second neural network ( 151 ).
  • FIG. 2 is a diagram for explaining a corporate classification neural network and a patent classification neural network according to an embodiment
  • FIG. 3 is a configuration diagram for explaining a patent evaluation method based on artificial intelligence according to an embodiment
  • FIG. 4 is A diagram for describing a first neural network and a second neural network according to an embodiment.
  • the company classification neural network includes a first input signal encoding the evaluation company information including one or more of industry information, financial information, and stock price information of the evaluation target company, and the classification of the evaluation target patent
  • a second input signal encoding the evaluation patent information including at least one of a code, the number of cited documents, the number of cited documents, and the number of claims is input, and based on the input, a unique company classification value for the evaluation target company is obtained.
  • the patent classification neural network includes a first input signal encoding the evaluation company information including one or more of industry information, financial information, and stock price information of the evaluation target company, a classification code of the evaluation target patent, and a citation
  • a second input signal encoding the evaluation patent information including at least one of the number of documents, the number of cited documents, and the number of claims is input as an input, and a unique patent classification value for the evaluation target patent can be output based on the input. have.
  • the patent classification neural network may further include, as an input, a third input signal in which the contents described in one or more of the specification elements including the claims of the evaluation target patent are embedded. .
  • the unique enterprise classification value and the unique patent classification value obtained through each enterprise classification neural network and the patent classification neural network may be input to each of the first neural network and the second neural network.
  • the company classification value is output through the corporate classification neural network based on the first and second input signals, so that the quantitative characteristics of the patent are reflected along with the company's industry classification, financial status, and investment status, thereby examining the relevance of patents to corporate management. properties can be identified.
  • the patent classification value is output through the patent classification neural network based on the first input signal to the third input signal, so that the company's quantitative characteristics along with characteristics such as patent citation index and right strength including quantitative and qualitative characteristics of the patent As this is reflected, it is possible to identify characteristics that imply a company's relevance to the influence of patents.
  • the first neural network receives a company classification value for the evaluation target company and a first comparison signal for companies having a company classification value within a preset range, along with a unique company classification value, so that the company evaluation index of the evaluation target company is input. can be calculated.
  • the first comparison signal is information on companies whose business classification values derived based on company type information, financial information, stock price information, etc. are included within a certain range, and is a relative indicator of the company to be evaluated compared to the corresponding companies. can be derived.
  • the first comparison signal may be information on each of the companies included in two or more different ranges.
  • the first comparison signal may be, for example, information on companies that can be determined to be similar to the evaluation target company and some or all characteristics such as industry type and financial status within a predetermined range.
  • the first comparison signal may be information on companies that can be determined to be different from the evaluation target company and some or all characteristics such as industry type and financial status are included in a range outside a predetermined range.
  • the company evaluation index may be calculated as a statistical value forming a standard normal distribution with respect to expected financial information, expected stock price information, and the like of the company.
  • the second neural network receives a patent classification value for the evaluation target patent and a second comparison signal for patents having a patent classification value within a preset range, along with a unique patent classification value, so as to obtain a patent evaluation index of the evaluation target patent. can be calculated.
  • the second comparison signal is information on patents whose patent classification values are included within a certain range, and may derive a relative index of an evaluation target patent by comparing the patents with the corresponding patents.
  • the second comparison signal may be information on each of the patents included in two or more different ranges.
  • the second comparison signal may be, for example, information on patents that can be determined to be similar to the evaluation target patent and some or all characteristics such as classification code, citation degree, and right strength within a predetermined range.
  • the second comparison signal may be information on patents that can be determined to be different from the evaluation target patent and some or all characteristics such as classification code, citation degree, and right strength are included in a range outside a predetermined range. These patent evaluation indexes can be calculated as statistical values that form a standard normal distribution for the strength of patent rights, invalidity, monetization potential, and sales contribution.
  • the first neural network and the second neural network include a first learning signal generated by the correction information input by the user and Each of the second learning signals may be received to learn.
  • the computer controls the internal artificial intelligence (artificial neural network) to search the database, and information can be updated.
  • the artificial intelligence used at this time may be composed of a first neural network and a second neural network.
  • the first neural network has a hidden layer and an output layer.
  • three or more hidden layers exist in the first neural network, and 100 nodes of each hidden layer are designated, but more or less may be set in some cases.
  • the activation function of the hidden layer uses a ReLU function, a sigmoid function, and a tanh function, but is not limited thereto.
  • the number of output layer nodes of the first neural network may be 100 in total.
  • the output layer activation function of the first neural network may use a softmax function, but is not limited thereto.
  • the softmax function is a representative function of one-hot encoding. The sum of all output nodes becomes 1, the output of the output node having the maximum value is 1, and the output of the remaining output nodes is 0. . It may be possible to select only one output out of 100 outputs via the softmax function.
  • the learning apparatus may learn the first neural network through the first labels.
  • the learning device may be the same as the control device, but is not limited thereto.
  • the first neural network may be formed by calculating a loss function by comparing the first training outputs obtained by inputting the first labeled training input vectors with the first labels.
  • a known mean squared error (MSE), cross entropy error (CEE), etc. may be used.
  • MSE mean squared error
  • CEE cross entropy error
  • the present invention is not limited thereto, and as long as the deviation, error, or difference between the output of the first neural network and the label can be measured, loss functions used in various artificial neural network models may be used.
  • the learning apparatus may optimize the first neural network based on the comparison value.
  • the learning apparatus may optimize the artificial neural network by repeating the process of resetting the weight of the artificial neural network so that the loss function corresponding to the comparison value approaches the estimated value of the minimum value.
  • a known backpropagation algorithm, stochastic gradient descent, or the like may be used for optimization of an artificial neural network.
  • the present invention is not limited thereto, and a weight optimization algorithm used in various neural network models may be used.
  • the second neural network has a hidden layer and an output layer.
  • there are three or more hidden layers in the second neural network and 30 nodes of each hidden layer are designated, but more or less may be specified in some cases.
  • the activation function of the hidden layer uses a ReLU function, a sigmoid function, and a tanh function, but is not limited thereto.
  • the number of output layer nodes of the second neural network may be a total of 10.
  • the output layer activation function of the second neural network may use a softmax function, but is not limited thereto.
  • the learning apparatus may learn the second neural network through the second labels.
  • the learning device may be the same as the control device, but is not limited thereto.
  • the second neural network may be formed by calculating a loss function by comparing second training outputs obtained by inputting second labeled training input vectors with second labels.
  • a known mean squared error (MSE), cross entropy error (CEE), or the like may be used.
  • MSE mean squared error
  • CEE cross entropy error
  • the present invention is not limited thereto, and as long as the deviation, error, or difference between the output of the second neural network and the label can be measured, loss functions used in various artificial neural network models may be used.
  • the learning apparatus may optimize the second neural network based on the comparison value.
  • the learning apparatus may optimize the artificial neural network by repeating the process of resetting the weight of the artificial neural network so that the loss function corresponding to the comparison value approaches the estimated value of the minimum value.
  • a known backpropagation algorithm, stochastic gradient descent, or the like may be used for optimization of an artificial neural network.
  • the present invention is not limited thereto, and a weight optimization algorithm used in various neural network models may be used.
  • FIG 5 is an exemplary diagram of a configuration of an apparatus according to an embodiment.
  • the memory 703 may store information related to the above-described methods or a program in which the above-described methods are implemented.
  • the memory 703 may be a volatile memory or a non-volatile memory.
  • the processor 702 may execute a program and control the device 701 . Codes of programs executed by the processor 702 may be stored in the memory 703 .
  • the device 701 may be connected to an external device (eg, a personal computer or a network) through an input/output device (not shown), and may exchange data through wired/wireless communication.
  • the device 701 may be used to train an artificial neural network or to use a learned artificial neural network.
  • the memory 703 may include a learning or learned artificial neural network.
  • the processor 702 may learn or execute an artificial neural network algorithm stored in the memory 703 .
  • the apparatus 701 for training the artificial neural network and the apparatus 701 for using the learned artificial neural network may be the same or may be separate.
  • the embodiments described above may be implemented by a hardware component, a software component, and/or a combination of a hardware component and a software component.
  • the apparatus, methods and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable (FPGA) gate array), programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers.
  • the processing device may execute an operating system (OS) and one or more software applications running on the operating system.
  • the processing device may also access, store, manipulate, process, and generate data in response to execution of the software.
  • OS operating system
  • the processing device may also access, store, manipulate, process, and generate data in response to execution of the software.
  • the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that may include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium.
  • the computer-readable medium may include program instructions, data files, data structures, and the like, alone or in combination.
  • the program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software.
  • Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks.
  • - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like.
  • Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
  • a hardware device may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
  • Communication connection in the system and method according to the embodiments of the present invention may be configured regardless of communication aspects such as wired communication or wireless communication, and may include a local area network (LAN), a metropolitan area network (MAN) Network) and a wide area network (WAN) may be configured as various communication networks.
  • the communication connection in the present specification may be a known Internet or World Wide Web (WWW).
  • WWW World Wide Web
  • the communication connection is not necessarily limited thereto, and may include a known wired/wireless data communication network, a known telephone network, or a known wired/wireless television communication network in at least a part thereof.
  • the communication connection is a wireless data communication network, such as Wi-Fi communication, WiFi-Direct communication, Long Term Evolution (LTE) communication, and Bluetooth communication (more specifically, low-power Bluetooth (BLE) communication). ; Bluetooth Low Energy)), infrared communication, ultrasonic communication, etc. may be implemented in at least a part of the conventional communication method.
  • the communication connection may be an optical communication network, which implements at least a part of a conventional communication method such as LiFi (Light Fidelity).

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Technology Law (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

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

Description

인공지능을 기반으로 한 특허 평가 방법
이하의 실시예들은 인공지능을 기반으로 한 특허 평가 방법에 관한 것이다.
기업 기술 보호 및 활용 측면에서 실효성 있는 특허 평가가 요구되 고 있다. 기술 이전, 현물 출자, 금융 등에서 무형 자산의 가치를 객관적으로 평가하는 것의 중요성이 강조되고 있다.
다양한 특허 평가 모델이 제시되고 있으며 활용 목적에 따라 다소 상이하지만, 대체로 기술성, 권리성, 사업성, 시장성 등의 평가 항목과 세부 항목에 대한 평가 지표를 통해 등급을 부여하는 평가 방식과 크게 다르지 않다.
특허 기술은 기업을 통해 다양한 방식으로 수익 창출로 이어질 수 있으므로 특허를 평가하는데 기업의 영향을 무시할 수 없다. 다만, 특허와 기업이 상호 간에 미치는 영향이 충분히 고려되는 것이 필요하며, 다양한 업종 및 상이한 재무 상태를 가지는 기업들 중에서 어떠한 기업이 해당 특허를 보유하고 있으며, 유사한 특허들 중에서 해당 특허를 기업이 보유함으로써 야기되는 영향이 존재하며, 이러한 상호 영향력이 반영된 평가가 가능한 개선된 평가 모델이 요구된다.
본 발명은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 평가 대상 특허에 관한 평가 특허 정보 및 평가 대상 특허를 보유한 평가 대상 기업에 관한 평가 기업 정보를 획득하고, 평가 기업 정보 및 평가 특허 정보를 기초로 입력 신호를 생성하며, 신경망에 입력한 결과에 기초한 출력값 및 비교 신호를 뉴럴 네트워크에 입력한 결과에 기초하여 특허 평가 정보를 생성하는 인공지능을 기반으로 한 특허 평가 방법을 제공함에 그 목적이 있다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 인공지능을 기반으로 한 특허 평가 방법은 사용자 단말로부터 평가 대상 특허에 관한 평가 특허 정보 및 평가 대상 특허를 보유한 평가 대상 기업에 관한 평가 기업 정보를 획득하는 단계, 평가 기업 정보 및 평가 특허 정보를 기초로 입력 신호를 생성하는 단계, 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 신경망에 입력하는 단계, 신경망의 입력 결과에 기초하여, 신경망의 출력값 및 제어 장치 내 데이 터베이스에 기저장된 비교 신호를 미리 학습된 뉴럴 네트워크에 입력하는 단계, 뉴럴 네트워크 각각의 입력 결과에 기초하여 사용자 단말에 특허 평가 정보를 전송하는 단계를 포함한다.
본 발명의 일 실시예에 따르면, 상기 입력 신호를 생성하는 단계는, 상기 평가 기업 정보를 기초로 제1 입력 신호를 생성하는 단계; 및 상기 평가 특허 정보를 기초로 제2 입력 신호를 생성하는 단계를 포함하고, 상기 신경망에 입력하는 단계는, 상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 기업 분류 신경망에 입력하는 단계; 및 상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 특허 분류 신경망에 입력하는 단계를 포함하며, 상기 뉴럴 네트워크에 입력하는 단계는, 상기 기업 분류 신경망의 입력 결과에 기초하여, 상기 기업 분류 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제1 비교 신호를 미리 학습된 제1 뉴럴 네트워크에 입력하는 단계; 및 상기 특허 분류 신경망의 입력 결과에 기초하여, 상기 특허 분류 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제2 비교 신호를 미리 학습된 제2 뉴럴 네트워크에 입력하는 단계를 포함하고, 상기 특허 평가 정보를 전송하는 단계는, 상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크 각각의 입력 결과에 기초하여 특허 평가 정보를 생성하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 상기 기업 분류 신경망은, 상기 평가 대상 기업의 업종 정보, 재무 정보, 주가 정보 중 하나 이상을 포함하는 상기 평가 기업 정보를 인코딩한 제1 입력 신호와, 상기 평가 대상 특허의 분류 코드, 인용문헌수, 피인용문헌수, 청구항수 중 하나 이상을 포함하는 상기 평가 특허 정보를 인코딩한 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 상기 평가 대상 기업에 대한 고유의 기업 분류값을 출력하며, 상기 특허 분류 신경망은, 상기 평가 대상 기업의 업종 정보, 재무 정보, 주가 정보 중 하나 이상을 포함하는 상기 평가 기업 정보를 인코딩한 제1 입력 신호와, 상기 평가 대상 특허의 분류 코드, 인용문헌수, 피인용문헌수, 청구항수 중 하나 이상을 포함하는 상기 평가 특허 정보를 인코딩한 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 상기 평가 대상 특허에 대한 고유의 특허 분류값을 출력할 수 있다.
본 발명의 일 실시예에 따르면, 상기 제1 뉴럴 네트워크는, 상기 기업 분류 신경망의 출력값과, 상기 데이터베이스에 저장된 기업 정보 중 상기 평가 대상 기업에 대한 기업 분류값과 미리 설정된 범위 내의 기업 분류값을 가지는 기업들에 대한 상기 제1 비교 신호를 입력으로 하고, 상기 제1 비교 신호로부터 얻은 정보와 상기 기업 분류 신경망의 출력값의 비교를 통해 상기 평가 대상 기업의 기업 평가 지표를 산출하며, 사용자의 입력에 따른 제1 학습 신호를 통해 학습하고, 상기 제2 뉴럴 네트워크는, 상기 특허 분류 신경망의 출력값과 상기 데이터베이스 에 저장된 특허 정보 중 상기 평가 대상 특허에 대한 특허 분류값과 미리 설정된 범위 내의 특허 분류값을 가지는 특허들에 대한 상기 제2 비교 신호를 입력으로 하고, 상기 제2 비교 신호로부터 얻은 정보와 상기 특허 분류 신경망의 출력값의 비교를 통해 상기 평가 대상 특허의 특허 평가 지표를 산출하며, 사용자의 입력에 따른 제2 학습 신호를 통해 학습할 수 있다.
본 발명의 일 실시예에 따르면, 상기 특허 분류 신경망은, 상기 평가 대상 특허의 청구범위를 포함하는 명세서 구성 항목 중 하나 이상의 항목에 기재된 내용을 임베딩한 제3 입력 신호를 입력으로 더 포함할 수 있다.
본 발명에 의하면, 기업 분류값에 기업의 업종 분류, 재무 상태, 투자 상태와 함께 특허의 정량적 특징이 반영됨으로써 기업 경영에 대한 특허의 연관 성을 내포하는 특성을 확인할 수 있고, 특허 분류값에 특허의 정량적 특징 및 정성적 특징을 포함하는 특허의 인용지수, 권리강도 등의 특성과 함께 기업의 정량적 특징이 반영됨으로써 특허의 영향력에 대한 기업의 연관성을 내포하는 특성을 파악할 수 있다.
도 1은 일 실시예에 따른 인공지능을 기반으로 한 특허 평가 방법을 설명하기 위한 순서도이다.
도 2는 일 실시예에 따른 기업 분류 신경망 및 특허 분류 신경망을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 인공지능을 기반으로 한 특허 평가 방법을 설명하기 위한 구성도이다.
도 4는 일 실시예에 따른 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크를 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 장치의 구성의 예시도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
다양한 양상들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '~부', '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티 (computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트 웨어의 조합, 소프트웨어를 의미할 수 있다.
본 발명의 실시예들에서, 별도로 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명의 실시예에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. 본 명세서 상에서 언급된 '포함한다', '갖는다', '이루어진다' 등이 사용되는 경우 '~만'이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성 요소를 단수로 표현한 경우에 특별히 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함한다.
본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.
이하 첨부된 도면들을 참고하여 본 발명의 작용 원리 및 실시예들에 대해 설명한다.
도 1은 일 실시예에 따른 인공지능을 기반으로 한 특허 평가 방법을 설명하기 위한 순서도이다.
인공지능을 기반으로 한 특허 평가를 위한 제어 장치(이하, 제어 장치)는 프로세서, 메모리, 유저 인터페이스 및 통신 인터페이스를 포함하고, 다른 전자 장치와 네트워크를 통해 연결될 수 있다. 통신 인터페이스는 유, 무선 네트워크 또는 유선 직렬 통신 등을 통하여 소정 거리 이내의 다른 전자 장치와 데이터를 송수신할 수 있다. 네트워크는 일실시예에 따른 전자 장치와 다양한 개체들 (entities) 간의 유, 무선 통신을 가능하게 한다. 전자 장치는 네트워크를 통해 다양한 개체들과 통신할 수 있고, 네트워크는 표준 통신 기술 및/또는 프로토콜들을 사용할 수 있다. 이때, 네트워크(network)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network) 등을 포함하나 이에 한정되지 않으며, 정보를 송, 수신할 수 있는 다른 종류의 네트워크가 될 수도 있음을 통신 기술 분야의 통상의 지식을 가진 자라면 알 수 있다.
일실시예에 따른 사용자 단말은 통신 기능이 포함된 전자 장치일 수 있다. 예를 들면, 사용자 단말은 스마트 폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 화상전화기, 전자북 리더기(e- book reader), 데스크톱 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라 (camera), 또는 웨어러블 장치(wearable device)(예: 전자 안경과 같은 head- mounted-device(HMD), 전자 의복, 전자 팔찌, 전자 목걸이, 전자 앱세서리 (appcessory), 전자 문신, 스마트카(smart car) 또는 스마트 와치(smartwatch)중 적어도 하나를 포함할 수 있다.
일 실시예에 따른 특허 평가 시스템은 특허 평가를 위한 제어 장치를 포함하는 서버 및 사용자 단말을 포함할 수 있다. 일 실시예에 따른 서버는 평가자가 보유한 자체 서버일 수 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 서버는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능, 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 서버는 추론 기능을 수행하는 적어도 하나 이상의 인공 신경 망을 구비할 수 있다. 서버는 사용자 단말의 사용자를 위한 웹 페이지 또는 어플리케이션과 연동될 수 있다. 서버는 사용자 단말과 유무선으로 통신하도록 구성될 수 있다.
일 실시예에 따른 인공지능을 기반으로 한 특허 평가 방법은 사용자 단말로부터 평가 대상 특허에 관한 평가 특허 정보 및 평가 대상 특허를 보유한 평가 대상 기업에 관한 평가 기업 정보를 획득하는 단계(110), 평가 기업 정보 및 평가 특허 정보를 기초로 입력 신호를 생성하는 단계(120), 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 신경망에 입력하는 단계(130), 신경망의 입력 결과에 기초하여, 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 비교 신호를 미리 학습된 뉴럴 네트워크에 입력하는 단계(140), 뉴럴 네트워크 각각의 입력 결과에 기초하여 사용자 단말에 특허 평가 정보를 전송하는 단계(150)를 포함한다.
본 발명의 일 실시예에 따르면, 상기 입력 신호를 생성하는 단계(120)는, 상기 평가 기업 정보를 기초로 제1 입력 신호를 생성하는 단계(121) 및 상기 평가 특허 정보를 기초로 제2 입력 신호 및 제3 입력 신호를 생성하는 단계(122)를 포함할 수 있다. 상기 신경망에 입력하는 단계(130)는, 상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 기업 분류 신경망에 입력하는 단계(131) 및 상기 제1 입력 신호, 상기 제2 입력 신호 및 상기 제3 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 특허 분류 신경망에 입력하는 단계(132)를 포함할 수 있다. 상기 뉴럴 네트워크에 입력하는 단계(140)는 상기 기업 분류 신경망의 입력 결과에 기초하여, 상기 기업 분류 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제1 비교 신호를 미리 학습된 제1 뉴럴 네트워크에 입력하는 단계(141) 및 상기 특허 분류 신경망의 입력 결과에 기초하여, 상기 특허 분류 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제2 비교 신호를 미리 학습된 제2 뉴럴 네트워크에 입력하는 단계(142)를 포함할 수 있다. 상기 특허 평가 정보를 전송하는 단계(150)는, 상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크 각각의 입력 결과에 기초하여 특허 평가 정보를 생성하는 단계(151)를 포함할 수 있다.
일 실시예에 따른 서버는 사용자 단말로부터 평가 대상 특허에 관한 평가 특허 정보 및 평가 대상 특허를 보유한 평가 대상 기업에 관한 평가 기업 정보를 획득한다(110). 평가 특허 정보는 평가의 대상이 되는 특허를 식별할 수 있는 출원 번호, 출원일, 발명의 명칭, 분류 코드 등의 서지 정보와, 인용문헌수, 피인용문헌수, 청구항수, 패밀리출원수 등의 부가 정보와, 청구범위, 배경기술, 발명의 효과 등 발명의 설명을 포함하는 명세서 구성 항목을 포함할 수 있다. 평가 기업 정보는 평가 대상 특허를 현재 보유하고 있는 현재권리자인 기업에 관한 정보로서, 해당 기업의 재무 정보, 업종 정보, 주가 정보 등을 포함할 수 있다. 일 실시예에서 서버는 사용자 단말로부터 평가 대상 특허 및 평가 대상 기업을 식별할 수 있는 식별 정보를 획득하고 해당 식별 정보를 기초로 제어 장치 내 데이터베이스에 기저장된 평가 특허 정보 및 평가 기업 정보를 불러올 수 있다.
일 실시예에 따르면, 서버는 평가 기업 정보 및 평가 특허 정보를 기초로 입력 신호를 생성할 수 있다(120). 일 실시예에 따르면, 서버는 평가 기업 정보를 기초로 제1 입력 신호를 생성하고(121), 평가 특허 정보를 기초로 제2 입력 신호 및 제3 입력 신호를 생성할 수 있다(122).
일 실시예에 따르면, 서버는 생성된 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 신경망에 입력할 수 있다(130). 일 실시예에 따르면, 서버는 제1 입력 신호 및 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 기업 분류 신경망에 입력하고(131), 제1 입력 신호, 제2 입력 신호 및 제3 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 특허 분류 신경망에 입 력할 수 있다(132).
일 실시예에 따른 각각의 기업 분류 신경망과 특허 분류 신경망은 특징 추출 신경망과 분류 신경망으로 구성되어 있으며 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행할 수 있다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함할 수 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절될 수 있다. 활성 함수는 통상적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행될 수 있다.
일 실시예에 따르면, 분류 신경망은 은닉층과 출력층을 가지고 있다. 특허 평가 방법을 위한 기업 분류 신경망 및 특허 분류 신경망에서는 은닉층이 3개 이상 존재할 수 있으며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 컨볼루션 신경망의 출력층 노드는 총 50개로 할 수 있다.
일 실시예에 따르면, 서버는 신경망의 입력 결과에 기초하여, 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 비교 신호를 미리 학습된 뉴럴 네트워크에 입력할 수 있다(140). 일 실시예에 따르면, 서버는 기업 분류 신경망의 입력 결과에 기초하여, 기업 분류 신경망의 출력값 및 제어 장치 내 데이터 베이스에 기저장된 제1 비교 신호를 미리 학습된 제1 뉴럴 네트워크에 입력하고(141), 상기 특허 분류 신경망의 입력 결과에 기초하여, 특허 분류 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제2 비교 신호를 미리 학습된 제2 뉴럴 네트워크에 입력할 수 있다(142).
일 실시예에 따르면, 서버는 데이터베이스 내에 기저장된 출력 신호를 뉴럴 네트워크에 입력으로 사용할 수 있다. 입력으로 사용되는 제1 비교 신호 및 제2 비교 신호를 포함하는 출력 신호는 기업 분류 신경망 및 특허 분류 신경망의 연산을 통해 출력된 출력값을 비교를 통해 분석하고, 출력 신호에 누적된 정보를 활용하기 위하여 사용될 수 있다.
일 실시예에 따르면, 서버는 뉴럴 네트워크 각각의 입력 결과에 기초하여 사용자 단말에 특허 평가 정보를 전송할 수 있다(150). 서버는 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크 각각의 입력 결과에 기초하여 특허 평가 정보를 생성할 수 있다(151).
도 2는 일 실시예에 따른 기업 분류 신경망 및 특허 분류 신경망을 설명하기 위한 도면이고, 도 3은 일 실시예에 따른 인공지능을 기반으로 한 특허 평가 방법을 설명하기 위한 구성도이며, 도 4는 일 실시예에 따른 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크를 설명하기 위한 도면이다.
일 실시예에 따르면, 상기 기업 분류 신경망은, 상기 평가 대상 기업의 업종 정보, 재무 정보, 주가 정보 중 하나 이상을 포함하는 상기 평가 기업 정보를 인코딩한 제1 입력 신호와, 상기 평가 대상 특허의 분류 코드, 인용문헌수, 피인용문헌수, 청구항수 중 하나 이상을 포함하는 상기 평가 특허 정보를 인코딩한 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 상기 평가 대상 기업에 대한 고유의 기업 분류값을 출력하며, 상기 특허 분류 신경망은, 상기 평가 대상 기업의 업종 정보, 재무 정보, 주가 정보 중 하나 이상을 포함하는 상기 평가 기업 정보를 인코딩한 제1 입력 신호와, 상기 평가 대상 특허의 분류 코드, 인용문헌수, 피인용문헌수, 청구항수 중 하나 이상을 포함하는 상기 평가 특허 정보를 인코딩한 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 상기 평가 대상 특허에 대한 고유의 특허 분류값을 출력할 수 있다.
본 발명의 일 실시예에 따르면, 상기 제1 뉴럴 네트워크는, 상기 기업 분류 신경망의 출력값과, 상기 데이터베이스에 저장된 기업 정보 중 상기 평가 대상 기업에 대한 기업 분류값과 미리 설정된 범위 내의 기업 분류값을 가지는 기업들에 대한 상기 제1 비교 신호를 입력으로 하고, 상기 제1 비교 신호로부터 얻은 정보와 상기 기업 분류 신경망의 출력값의 비교를 통해 상기 평가 대상 기업의 기업 평가 지표를 산출하며, 사용자의 입력에 따른 제1 학습 신호를 통해 학습하고, 상기 제2 뉴럴 네트워크는, 상기 특허 분류 신경망의 출력값과 상기 데이터베이스에 저장된 특허 정보 중 상기 평가 대상 특허에 대한 특허 분류값과 미리 설정된 범위 내의 특허 분류값을 가지는 특허들에 대한 상기 제2 비교 신호를 입력으로 하고, 상기 제2 비교 신호로부터 얻은 정보와 상기 특허 분류 신경망의 출력값의 비교를 통해 상기 평가 대상 특허의 특허 평가 지표를 산출하며, 사용자의 입력에 따른 제2 학습 신호를 통해 학습할 수 있다.
본 발명의 일 실시예에 따르면, 상기 특허 분류 신경망은, 상기 평가 대상 특허의 청구범위를 포함하는 명세서 구성 항목 중 하나 이상의 항목에 기재된 내용을 임베딩한 제3 입력 신호를 입력으로 더 포함할 수 있다.
각각의 기업 분류 신경망과 특허 분류 신경망을 통해 획득한 고유의 기업 분류값과 고유의 특허 분류값은 각각의 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크의 입력이 될 수 있다. 기업 분류값은 제1 입력 신호 및 제2 입력 신호를 기초로 기업 분류 신경망을 통해 출력됨으로써 기업의 업종 분류, 재무 상태, 투자 상태와 함께 특허의 정량적 특징이 반영됨으로써 기업 경영에 대한 특허의 연관성을 내포하는 특성을 확인할 수 있다. 특허 분류값은 제1 입력 신호 내지 제3 입력 신호를 기초로 특허 분류 신경망을 통해 출력됨으로써 특허의 정량적 특징 및 정성적 특징을 포함하는 특허의 인용지수, 권리강도 등의 특성과 함께 기업의 정량적 특징이 반영됨으로써 특허의 영향력에 대한 기업의 연관성을 내포하는 특성을 파악할 수 있다.
제1 뉴럴 네트워크는 고유의 기업 분류값과 함께, 평가 대상 기업에 대한 기업 분류값과 미리 설정된 범위 내의 기업 분류값을 가지는 기업들에 대한 제1 비교 신호를 입력받음으로써 평가 대상 기업의 기업 평가 지표를 산출할 수 있다. 제1 비교 신호는 기업의 업종 정보, 재무 정보, 주가 정보 등을 기초로 도출된 기업 분류값이 일정 범위 내에 포함된 기업들에 대한 정보로서, 해당 기업들과 비 교하여 평가 대상 기업의 상대적인 지표를 도출할 수 있다. 제1 비교 신호는 서로 상이한 둘 이상의 범위 내에 포함된 기업들 각각에 대한 정보일 수 있다. 제1 비교 신호는 예를 들어, 평가 대상 기업과 업종, 재무 상태 등 일부 또는 전체 특성이 소정 범위 내로 유사한 것으로 판단할 수 있는 기업들에 대한 정보일 수 있다. 또한, 제1 비교 신호는 평가 대상 기업과 업종, 재무 상태 등 일부 또는 전체 특성이 소정 범위 외의 범위에 포함되는 상이하다고 판단할 수 있는 기업들에 대한 정보일 수 있다. 이러한 기업 평가 지표는 기업의 예상 재무 정보, 예상 주가 정보 등에 대해 표준 정규 분포를 이루는 통계적 수치로 산출될 수 있다.
제2 뉴럴 네트워크는 고유의 특허 분류값과 함께, 평가 대상 특허에 대한 특허 분류값과 미리 설정된 범위 내의 특허 분류값을 가지는 특허들에 대한 제2 비교 신호를 입력받음으로써 평가 대상 특허의 특허 평가 지표를 산출할 수 있다. 제2 비교 신호는 특허 분류값이 일정 범위 내에 포함된 특허들에 대한 정보로서, 해당 특허들과 비교하여 평가 대상 특허의 상대적인 지표를 도출할 수 있다. 제2 비교 신호는 서로 상이한 둘 이상의 범위 내에 포함된 특허들 각각에 대한 정보일 수 있다. 제2 비교 신호는 예를 들어, 평가 대상 특허와 분류 코드, 인용도, 권리 강도 등 일부 또는 전체 특성이 소정 범위 내로 유사한 것으로 판단할 수 있는 특허들에 대한 정보일 수 있다. 또한, 제2 비교 신호는 평가 대상 특허와 분류 코드, 인용도, 권리 강도 등 일부 또는 전체 특성이 소정 범위 외의 범위에 포함되는 상이하다고 판단할 수 있는 특허들에 대한 정보일 수 있다. 이러한 특허 평가 지표는 특허의 권리강도, 무효가능성, 수익화가능성, 매출기여도 등에 대해 표준 정규 분포를 이루는 통계적 수치로 산출될 수 있다.
일 실시예에 따르면, 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크는 사 용자가 이미 검증받았거나 별도로 산출한 평가 정보와 상당한 차이를 파악한 경우 사용자에 의해 입력된 수정 정보에 의해 생성되는 제1 학습 신호 및 제2 학습 신호를 각각 전달받아 학습할 수 있다.
일 실시예에 따른 제1 학습 신호 및 제2 학습 신호는 수정 정보와 출력값의 오차를 바탕으로 만들어지며, 경우에 따라 델타를 이용하는 SGD나 배치 방식 혹은 역전파 알고리즘을 따르는 방식을 사용할 수 있다. 본 제1 학습 신호에 의해 각각의 뉴럴 네트워크는 기존의 가중치를 수정해 학습을 수행하며, 경우에 따라 모멘텀을 사용할 수 있다. 오차의 계산에는 비용함수가 사용될 수 있는데, 비용 함수로 Cross entropy 함수를 사용할 수 있다.
일 실시예에 따르면, 평가 대상 기업의 기업 평가 지표 및 평가 대상 특허의 특허 평가 지표를 획득하는 데에 있어서, 컴퓨터는 내부의 인공지능(인공 신경망)을 제어하여, 데이터베이스를 검색하고, 기업 및 평가에 대한 정보를 갱신할 수 있다. 이 때에 사용되는 인공지능은 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크로 구성될 수 있다.
일 실시예에서, 제1 뉴럴 네트워크는 은닉층과 출력층을 가지고 있다. 제1 뉴럴 네트워크에는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제1 뉴럴 네트워크의 출력층 노드는 총 100개로 할 수 있다. 제1 뉴럴 네트워크의 출력층 활성함수는 소프트맥스 함수를 사용할 수 있으나, 이에 국한하지 않는다. 소프트맥스 함수는 one-hot 인코딩의 대표 함수로서, 모든 출력 노드의 합을 총 1이 되게 하며 가장 최대의 값을 가지는 출력 노드의 출력을 1로 하고, 나머지 출력 노드의 출력을 0으로 하는 함수이다. 소프트맥스 함수를 통해 100개의 출력 중 하나의 출력만을 선택하는 것이 가능할 수 있다.
학습 장치는 제1 뉴럴 네트워크를 제1 레이블들을 통해 학습할 수 있다. 학습 장치는 제어 장치와 동일할 수 있으나, 이에 국한하지 않는다. 제1 뉴럴 네트워크는 제1 레이블드 트레이닝 입력 벡터들을 입력해 얻은 제1 트레이닝 출력들을 제1 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제1 뉴럴 네트워크의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 제1 뉴럴 네트워크를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법 (stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
일 실시예에서, 제2 뉴럴 네트워크는 은닉층과 출력층을 가지고 있다. 제2 뉴럴 네트워크에는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 30개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제2 뉴럴 네트워크의 출력층 노드는 총 10개로 할 수 있다. 제2 뉴럴 네트워크의 출력층 활성함수는 소프트맥스 함수를 사용할 수 있으나, 이에 국한하지 않는다.
학습 장치는 제2 뉴럴 네트워크를 제2 레이블들을 통해 학습할 수 있다. 학습 장치는 제어 장치와 동일할 수 있으나, 이에 국한하지 않는다. 제2 뉴럴 네트워크는 제2 레이블드 트레이닝 입력 벡터들을 입력해 얻은 제2 트레이닝 출력들을 제2 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트 로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제2 뉴럴 네트워크의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공 신경망 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 제2 뉴럴 네트워크를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 인공 신경망의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공 신경망의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공 신경망은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공 신경망의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공 신경망을 최적화할 수 있다. 인공 신경망의 최적화를 위해 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법 (stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
도 5는 일 실시예에 따른 장치의 구성의 예시도이다.
일 실시예에 따른 장치(701)는 프로세서(702) 및 메모리(703)를 포함한다. 프로세서(702)는 도 1 내지 도 4를 참조하여 전술된 적어도 하나의 장치 들을 포함하거나, 도 1 내지 도 4를 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 구체적으로, 장치(701)는 서버(100), 사용자 단말(110), 또는 인공 신경망 학습 장치 등일 수 있다.
메모리(703)는 전술된 방법들과 관련된 정보를 저장하거나 전술된 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(703)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(702)는 프로그램을 실행하고, 장치(701)를 제어할 수 있다. 프로세서(702)에 의하여 실행되는 프로그램의 코드는 메모리(703)에 저장될 수 있다. 장치(701)는 입출력 장치(도면 미표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.
장치(701)는 인공 신경망을 학습시키거나, 학습된 인공 신경망을 이용하는데 사용될 수 있다. 메모리(703)는 학습 중인 또는 학습된 인공 신경망을 포함할 수 있다. 프로세서(702)는 메모리(703)에 저장된 인공 신경망 알고리즘을 학습시키거나 실행시킬 수 있다. 인공 신경망을 학습시키는 장치(701)와 학습된 인공 신경망을 이용하는 장치(701)는 동일할 수도 있고 개별적일 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로 세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서 (parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체 (magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명 령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
본 발명의 실시예들에 따른 시스템 및 방법에서의 통신 연결은 유선 통신이나 무선 통신과 같은 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 통신망(LAN; Local Area Network), 도시권 통신망(MAN; Metropolitan Area Network), 광역 통신망(WAN; Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 바람직하게는, 본 명세서에서의 통신 연결은 공지의 인터넷 또는 월드와이드웹(WWW; World Wide Web)일 수 있다. 그러나, 통신 연결은, 굳이 이에 국한될 필요 없이, 공지의 유무선 데이터 통신망, 공지의 전화망 또는 공지의 유무선 텔레비전 통신망을 그 적어도 일부에 있어서 포함할 수도 있다. 예를 들면, 통신 연결은 무선 데이터 통신망으로서, 와이파이(WiFi) 통신, 와이파이 다이렉트(WiFi-Direct) 통신, 롱텀 에볼루션(LTE, Long Term Evolution) 통신, 블루투스 통신(더 구체적으로는, 저전력 블루투스(BLE; Bluetooth Low Energy)), 적외선 통신, 초음파 통신 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다. 다른 예를 들면, 통신 연결은 광 통신망으로서, 라이파이(LiFi, Light Fidelity) 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (5)

  1. 인공지능을 기반으로 한 특허 평가 방법으로서,
    상기 사용자 단말로부터 평가 대상 특허에 관한 평가 특허 정보 및 상기 평가 대상 특허를 보유한 평가 대상 기업에 관한 평가 기업 정보를 획득하는 단계;
    상기 평가 기업 정보 및 상기 평가 특허 정보를 기초로 입력 신호를 생성하는 단계;
    상기 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 신경망에 입력하는 단계;
    상기 신경망의 입력 결과에 기초하여, 상기 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 비교 신호를 미리 학습된 뉴럴 네트워크에 입력하는 단계; 및
    상기 뉴럴 네트워크의 입력 결과에 기초하여 상기 사용자 단말에 특허 평가 정보를 전송하는 단계;
    를 포함하는 인공지능을 기반으로 한 특허 평가 방법.
  2. 제1 항에 있어서,
    상기 입력 신호를 생성하는 단계는,
    상기 평가 기업 정보를 기초로 제1 입력 신호를 생성하는 단계; 및 상기 평가 특허 정보를 기초로 제2 입력 신호를 생성하는 단계;
    를 포함하고,
    상기 신경망에 입력하는 단계는,
    상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 기업 분류 신경망에 입력하는 단계; 및
    상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 특허 분류 신경망에 입력하는 단계;
    를 포함하며,
    상기 뉴럴 네트워크에 입력하는 단계는,
    상기 기업 분류 신경망의 입력 결과에 기초하여, 상기 기업 분류 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제1 비교 신호를 미리 학습된 제1 뉴럴 네트워크에 입력하는 단계; 및
    상기 특허 분류 신경망의 입력 결과에 기초하여, 상기 특허 분류 신경망의 출력값 및 제어 장치 내 데이터베이스에 기저장된 제2 비교 신호를 미리 학습된 제2 뉴럴 네트워크에 입력하는 단계;
    를 포함하고,
    상기 특허 평가 정보를 전송하는 단계는,
    상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크 각각의 입력 결과에 기초하여 특허 평가 정보를 생성하는 단계; 를 포함하는,
    인공지능을 기반으로 한 특허 평가 방법.
  3. 제2 항에 있어서,
    상기 기업 분류 신경망은,
    상기 평가 대상 기업의 업종 정보, 재무 정보, 주가 정보 중 하나 이상을 포함하는 상기 평가 기업 정보를 인코딩한 제1 입력 신호와, 상기 평가 대상 특허의 분류 코드, 인용문헌수, 피인용문헌수, 청구항수 중 하나 이상을 포함하는 상기 평 가 특허 정보를 인코딩한 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 상기 평가 대상 기업에 대한 고유의 기업 분류값을 출력하며,
    상기 특허 분류 신경망은,
    상기 평가 대상 기업의 업종 정보, 재무 정보, 주가 정보 중 하나 이상을 포함하는 상기 평가 기업 정보를 인코딩한 제1 입력 신호와, 상기 평가 대상 특허의 분류 코드, 인용문헌수, 피인용문헌수, 청구항수 중 하나 이상을 포함하는 상기 평가 특허 정보를 인코딩한 제2 입력 신호를 입력으로 하고, 상기 입력에 기초하여 상기 평가 대상 특허에 대한 고유의 특허 분류값을 출력하는,
    인공지능을 기반으로 한 특허 평가 방법.
  4. 제3 항에 있어서,
    상기 제1 뉴럴 네트워크는,
    상기 기업 분류 신경망의 출력값과, 상기 데이터베이스에 저장된 기업 정보 중 상기 평가 대상 기업에 대한 기업 분류값과 미리 설정된 범위 내의 기업 분류값을 가지는 기업들에 대한 상기 제1 비교 신호를 입력으로 하고, 상기 제1 비교 신호로부터 얻은 정보와 상기 기업 분류 신경망의 출력값의 비교를 통해 상기 평가 대상 기업의 기업 평가 지표를 산출하며, 사용자의 입력에 따른 제1 학습 신호를 통해 학습하고,
    상기 제2 뉴럴 네트워크는,
    상기 특허 분류 신경망의 출력값과 상기 데이터베이스에 저장된 특허 정보 중 상기 평가 대상 특허에 대한 특허 분류값과 미리 설정된 범위 내의 특허 분류값을 가지는 특허들에 대한 상기 제2 비교 신호를 입력으로 하고, 상기 제2 비교 신호로부터 얻은 정보와 상기 특허 분류 신경망의 출력값의 비교를 통해 상기 평가 대상 특허의 특허 평가 지표를 산출하며, 사용자의 입력에 따른 제2 학습 신호를 통해 학습하는,
    인공지능을 기반으로 한 특허 평가 방법.
  5. 제4 항에 있어서,
    상기 특허 분류 신경망은,
    상기 평가 대상 특허의 청구범위를 포함하는 명세서 구성 항목 중 하나 이상의 항목에 기재된 내용을 임베딩한 제3 입력 신호를 입력으로 더 포함하는,
    인공지능을 기반으로 한 특허 평가 방법.
PCT/KR2022/000860 2021-01-18 2022-01-17 인공지능을 기반으로 한 특허 평가 방법 WO2022154630A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0006969 2021-01-18
KR1020210006969A KR102502271B1 (ko) 2021-01-18 2021-01-18 인공지능을 기반으로 한 특허 평가 방법

Publications (1)

Publication Number Publication Date
WO2022154630A1 true WO2022154630A1 (ko) 2022-07-21

Family

ID=82406458

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/000860 WO2022154630A1 (ko) 2021-01-18 2022-01-17 인공지능을 기반으로 한 특허 평가 방법

Country Status (3)

Country Link
US (1) US20220230262A1 (ko)
KR (1) KR102502271B1 (ko)
WO (1) WO2022154630A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117473173B (zh) * 2023-12-28 2024-03-22 天津医科大学 一种基于大数据的专利成果转化管理系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017068373A (ja) * 2015-09-28 2017-04-06 株式会社三菱総合研究所 情報処理装置、情報処理方法およびプログラム
KR101831532B1 (ko) * 2015-11-24 2018-02-22 윤정호 특허 라이센스 대상기업 예측 방법 및 시스템
KR101936029B1 (ko) * 2018-07-18 2019-01-11 한국과학기술정보연구원 딥러닝 기반의 가치 평가 방법 및 그 장치
JP2019086960A (ja) * 2017-11-06 2019-06-06 東芝デジタルソリューションズ株式会社 特許情報処理装置、特許情報処理方法、およびプログラム
KR102198904B1 (ko) * 2020-01-09 2021-01-06 기술보증기금 분산 딥러닝 모델 기반 기술력평가용 인공지능 모듈을 생성하는 방법 및 인공지능모듈을 적용한 기술력예측방법과 이를 구현하는 시스템, 상기 방법이 구현된 프로그램을 기록한 컴퓨터가 읽을 수 있는 기록매체

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101932517B1 (ko) 2017-11-27 2018-12-26 한국발명진흥회 다중회귀모델을 활용한 특허 평가 방법 및 시스템
KR102175183B1 (ko) * 2020-06-09 2020-11-05 이창근 기업 데이터 통합 관리 방법, 장치, 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017068373A (ja) * 2015-09-28 2017-04-06 株式会社三菱総合研究所 情報処理装置、情報処理方法およびプログラム
KR101831532B1 (ko) * 2015-11-24 2018-02-22 윤정호 특허 라이센스 대상기업 예측 방법 및 시스템
JP2019086960A (ja) * 2017-11-06 2019-06-06 東芝デジタルソリューションズ株式会社 特許情報処理装置、特許情報処理方法、およびプログラム
KR101936029B1 (ko) * 2018-07-18 2019-01-11 한국과학기술정보연구원 딥러닝 기반의 가치 평가 방법 및 그 장치
KR102198904B1 (ko) * 2020-01-09 2021-01-06 기술보증기금 분산 딥러닝 모델 기반 기술력평가용 인공지능 모듈을 생성하는 방법 및 인공지능모듈을 적용한 기술력예측방법과 이를 구현하는 시스템, 상기 방법이 구현된 프로그램을 기록한 컴퓨터가 읽을 수 있는 기록매체

Also Published As

Publication number Publication date
KR20220104529A (ko) 2022-07-26
KR102502271B1 (ko) 2023-02-21
US20220230262A1 (en) 2022-07-21

Similar Documents

Publication Publication Date Title
CN111537945B (zh) 基于联邦学习的智能电表故障诊断方法及设备
CN113159283B (zh) 一种基于联邦迁移学习的模型训练方法及计算节点
Zhang et al. An extended GRA method for MCDM with interval-valued triangular fuzzy assessments and unknown weights
CN109919316A (zh) 获取网络表示学习向量的方法、装置和设备及存储介质
CN110852881B (zh) 风险账户识别方法、装置、电子设备及介质
CN110442758B (zh) 一种图对齐方法、装置和存储介质
CN113408209A (zh) 跨样本联邦分类建模方法及装置、存储介质、电子设备
WO2021064737A1 (en) Federated learning using heterogeneous model types and architectures
CN110188210A (zh) 一种基于图正则化与模态独立的跨模态数据检索方法及系统
KR102553041B1 (ko) 인공지능 모델 기반 사용자 및 인테리어 공급자 매칭 플랫폼 서비스 제공 방법, 장치 및 시스템
WO2022154630A1 (ko) 인공지능을 기반으로 한 특허 평가 방법
CN117216227B (zh) 基于知识图谱与大语言模型的烟草企业智能信息问答方法
Zhang et al. A new discrete double-population firefly algorithm for assembly sequence planning
CN116167833B (zh) 基于联邦学习的互联网金融风险控制系统及其方法
CN117349437A (zh) 基于智能ai的政府信息管理系统及其方法
US20220044329A1 (en) Predictive System for Request Approval
CN116362894A (zh) 多目标学习方法、装置、电子设备及计算机可读存储介质
WO2020201913A1 (en) Computer architecture for labeling documents
CN116307078A (zh) 账户标签预测方法、装置、存储介质及电子设备
CN113139650A (zh) 深度学习模型的调优方法和计算装置
CN113988175B (zh) 聚类处理方法和装置
CN111523649B (zh) 针对业务模型进行数据预处理的方法及装置
CN113420879A (zh) 多任务学习模型的预测方法及装置
KR102538698B1 (ko) 인공지능 기반 특허사무소 관리 방법
KR20230059256A (ko) 인공지능 기반 지식재산 서비스 매칭 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22739822

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22739822

Country of ref document: EP

Kind code of ref document: A1