[发明专利]专利申请授权成功率的预测方法、系统及电子设备

权利要求书

1.一种专利申请授权成功率的预测方法，其特征在于，包括：

从国家知识产权局获取已公开的专利申请人和申请公司的历史发明数据，并构建异构信息网络；

过滤所述历史发明数据的专利文本信息，仅保留说明书摘要和权利要求部分的描述文本，且对所述描述文本进行分词和停用词的预处理，整理成语料集合；

对所述语料集合分别训练基于自然语言处理技术的深度学习模型和基于图卷积神经网络技术的节点分类模型，得到文档向量和特征向量；以及

融合所述文档向量、所述特征向量和所述异构信息网络，对专利申请的授权成功率进行预测。

2.如权利要求1所述的专利申请授权成功率的预测方法，其特征在于，所述异构信息网络的节点包括专利申请、申请人、申请公司及专利簇其他专利，且所述异构信息网络的关系包括发明关系、合作关系及引用关系。

3.如权利要求1所述的专利申请授权成功率的预测方法，其特征在于，每条所述历史发明数据包括专利申请号、申请日、申请人、申请公司、说明书摘要、权利要求书、详细描述和引用等字段信息。

4.如权利要求1所述的专利申请授权成功率的预测方法，其特征在于，构建所述异构信息网络包括：抽取专利申请人和申请公司分别作为实体，构建一个包括专利、申请人及申请公司三个实体的所述异构信息网络，且根据专利申请查询同一专利簇的其他专利，并作为节点补充至所述异构信息网络中。

5.如权利要求1所述的专利申请授权成功率的预测方法，其特征在于，基于自然语言处理技术的深度学习模型对所述语料集合训练包括：加载基于大规模语科库预训练好的词向量为文本赋予语义信息，并通过一个双向循环神经网络学习潜在的词向量表示，进行维度交换后，得到专利文本的文档向量。

6.如权利要求1所述的专利申请授权成功率的预测方法，其特征在于，基于图卷积神经网络技术的节点分类模型对所述语料集合训练包括：将所述异构信息网络的邻接矩阵作为节点分类模型输入，经过两次基于主动学习的卷积之后，将卷积层的输出再经过一层全连接层得到密集的向量表示，得到所述异构信息网络中每个专利节点的特征向量。

7.如权利要求1所述的专利申请授权成功率的预测方法，其特征在于，融合所述文档向量、所述特征向量和所述异构信息网络，对专利申请的授权成功率进行预测包括：

将所述文档向量、所述特征向量和所述异构信息网络沿X轴拼接，并进行向量归一化，作为融合模型的输入特征；

将所述输入特征馈送到三层的全连接网络中，经过中间层的学习之后，最后一层输出最终映射到二维的数字变量，从而得到最终授权成功或失败的预测结果。

8.一种专利申请授权成功率的预测系统，其特征在于，包括：

数据处理模块，用以处理从国家知识产权局获取的已公开的专利申请人和申请公司的历史发明数据，并构建异构信息网络；

文本分类模块，用以过滤所述历史发明数据的专利文本信息，仅保留说明书摘要和权利要求部分的描述文本，且对所述描述文本进行分词和停用词的预处理，整理成语料集合；

节点分类模块，用以对所述语料集合分别训练基于自然语言处理技术的深度学习模型和基于图卷积神经网络技术的节点分类模型，得到文档向量和特征向量；以及

特征融合模块，用以融合所述文档向量、所述特征向量和所述异构信息网络，对专利申请的授权成功率进行预测。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7任意一项所述的专利申请授权成功率的预测方法。