[发明专利]基于贝叶斯神经网络的专利价值实现路径预测方法及系统

权利要求书

1.一种基于贝叶斯神经网络的专利价值实现路径预测方法，其特征在于，所述基于贝叶斯神经网络的专利价值实现路径预测方法包括：

利用扫描设备扫描专利条形码获取专利号，并且读取专利正文数据；

对读取的专利数据进行估值特征提取、构建基于贝叶斯神经网络的专利路径预测模型；

对读取的专利数据进行估值特征提取、利用构建的模型计算所有可能的现实价值路径以及每条路径上的特征重要性；

输出预测结果，生成预测报告并打印。

2.如权利要求1所述基于贝叶斯神经网络的专利价值实现路径预测方法，其功能在于，所述基于贝叶斯神经网络的专利路径预测模型构建方法包括：

(1)收集专利估值数据；

(2)将收集的专利估值数据划分为训练数据和测试数据；

(3)通过专利原始表示和基于特征效果的表示形式表示估值专利；

(4)从专利原始表示和基于特征效果的表示中提取非技术估值特征和技术估值特征；

(5)基于提取的非技术估值特征和技术估值特征构建基于贝叶斯神经网络的专利路径预测模型。

3.如权利要求2所述基于贝叶斯神经网络的专利价值实现路径预测方法，其功能在于，步骤(3)中，所述通过专利原始表示和基于特征效果的表示形式表示估值专利包括：

(3.1)估值专利VP表示为：

其中，VP¹表示标记估值专利；VP⁰表示无标记估价专利，表示VP中的第i个专利；

(3.2)专利效用VUT表示为：

VUT(p)＝{VN^k|1≤k＜|VUT(p)|-1}

VN^k＝{vn_i||vn_i|＝k,0≤i＜|VN^k|-1}

vn_i＝{n_(i,j)|1≤j≤|vn_i|}→v_i,0

其中，p表示专利，v表示技术动词；n表示技术名词；VN^k是一组k价效用技术；vn_i是VN^k中的第i价效用技术；|vn|表示vn_i的价，等于名词数量；

(3.3)专利的特征效果即功效表达DFE表示为：

DFE(p)＝{FE^k|0≤k＜|DFE(p)|-1}

其中，FE^k表示一组k阶功效关系；fe_i表示FE^k中的第i个功能-效果关系；|fe_i|表示功效的阶数；vn_(i,x)表示效应fe_i中的第x价效用技术；e表示效果；f表示功能。

4.如权利要求2所述基于贝叶斯神经网络的专利价值实现路径预测方法，其特征在于，步骤(4)中，所述从专利原始表示和基于特征效果的表示中提取非技术估值特征和技术估值特征包括：所述技术估值特征包括技术阶价特征、估值特征；

(4.1)从效用技术和专利的阶效应中提取技术阶价特征；

所述专利阶价特征DVF为：

其中d表示阶数；v表示价；e表示效果；f表示功能。

(4.2)估值特征VF表示为：

VF＝{f_i|1≤i≤|VF|}

其中f_i表示专利p的特征；

(4.3)利用估值特征预测实现专利估值的途径；

所述专利的现实价值路径RVP表示为：

RVF＝{DIT}

其中，D定义了防御的布尔状态；I表示实施的布尔状态；T表示转移的布尔状态。