[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

说明书

本发明属于技术价值测定技术领域，公开了一种基于贝叶斯神经网络的专利价值实现路径预测方法及系统，利用RFID扫描设备扫描专利条形码获取专利号，并且读取专利正文数据；构建基于贝叶斯神经网络的专利路径预测模型；对读取的专利数据进行估值特征提取、利用构建的模型计算所有可能的现实价值路径以及每条路径上的特征重要性；输出预测结果，生成预测报告并打印。本发明提出了一种基于贝叶斯神经网络的路径预测模型来预测现实路径，而不是预测专利价值。本发明挖掘了专利的实用技术和特征效应，并从中提取了技术阶价特征，用于表示技术要素；同时采用贝叶斯神经网络来预测专利实现价值的路径，进行现实路径预测。

技术领域

本发明属于技术价值测定技术领域，尤其涉及一种基于贝叶斯神经网络的专利价值实现路径预测方法及系统。

背景技术

目前，随着知识经济时代和创新驱动发展战略的实施，专利文本数据大量涌现，专利交易市场日益活跃。但是，专利转化率低，专利估值困难。专利价值估值的研究具有重要的理论意义，但研究相对滞后，尤其是自动专利价值估值的研究，主要的挑战来自于如何在标准价值数据不足的情况下设计估值模型，用来训练/测试估值模型。

专利价值是指专利能为专利权人带来的经济回报。在经济上，专利价值是指从专利转移、防御和实施中获得的经济利益。专利的转移、防御和实施是实现专利价值的现实路径，如果一项专利已经被用在转移、防御和实施，专利则完成专利转换，并将从专利转换中获益。

目前的专利估值研究主要分为两大类：(1)估值特征研究。(2)估值方法研究。但以上模型存在以下局限性：(1)在专利估价模型中忽略了技术因素及其技术因素对专利估值影响。大多数模型从专利的某些结构化部分提取特性，而不是从非结构化文本内容提取技术元素。事实上，技术要素是专利估值的基本特征，因此不应被忽视。(2)实践价值数据不足，无法对估值模型进行训练/测试。由于专利交易市场和隐私政策的不成熟限制了开源实用专利价值数据的数量，大多数估值模型在没有实用价值数据支持的情况下对专利价值进行训练和测试。

通过上述分析，现有技术存在的问题及缺陷为：(1)现有专利估值方法标准价值数据不足，没有对专利价值进行训练和测试，同时估值准确率不高。

(2)现有估值方法忽略的技术因素及其影响。大多数模型从专利的某些结构化部分提取特性，而不是从非结构化文本内容提取技术元素。

解决以上问题及缺陷的难度为：(1)训练/测试数据集成和处理的难度大。之前没有相关特征表示的训练/测试数据,现在从专利估价的实现途径：保护,实施或转移出发采集数据并进行数据集成有一定难度。

(2)技术特征的提取以及分析的难度大，之前没有技术特征表示的方法，故对技术特征的提取以及分析难度较大。

(3)价值路径预测模型建模的难度，之前没有专利价值路径预测的模型，现在需要运用提取的技术和非技术特征建立一个价值路径预测模型具有一定难度。

解决以上问题及缺陷的意义为：从价值度量的角度来看，我们提出的专利价值路径预测的方法，将专利价值的实现分为路径预测和价值量化，该专利从专利价值路径预测出发，来研究专利的价值，回避了专利量化的问题。

从特征的角度来看，该专利提出了专利的技术表示方法，以该表示为基础，提取专利的技术特征，解决了之前专利技术特征不足的问题。

从模型的角度出发，本发明结合数据特征提出了有监督的专利路径估值方法，该方法通过贝叶斯神经网络将专利的估值特征与预测路径相联系，并对特征重要性进行分析。

发明内容

针对现有技术存在的问题，本发明提供了一种基于贝叶斯神经网络的专利价值实现路径预测方法及系统。

本发明是这样实现的，一种基于贝叶斯神经网络的专利价值实现路径预测方法，包括：