混合智能下的高校專利價(jià)值評估方法*

冉從敬，李 旺，宋 凱，劉瑞琦

0 引言

當(dāng)前知識經(jīng)濟(jì)迅猛發(fā)展，專利權(quán)成為企業(yè)乃至國家戰(zhàn)略資源。截止到2019年12月，國內(nèi)大專院校發(fā)明專利有效量為622，128件[1]。社會(huì)各界積極通過許可或轉(zhuǎn)讓方式實(shí)現(xiàn)高校專利成果的轉(zhuǎn)移轉(zhuǎn)化。比如，華南理工大學(xué)輕工科學(xué)與工程學(xué)院胡健教授團(tuán)隊(duì)研發(fā)的“芳綸紙專利成果”作價(jià)6，684萬元入股中車集團(tuán)合作創(chuàng)辦高新技術(shù)企業(yè)；中國地質(zhì)大學(xué)(武漢)程寒松教授的“常溫常壓儲(chǔ)氫”技術(shù)，以2，000萬元轉(zhuǎn)讓給武漢地質(zhì)資源環(huán)境工業(yè)技術(shù)研究院。隨著專利價(jià)值實(shí)現(xiàn)路徑的拓寬，其在轉(zhuǎn)讓交易、質(zhì)押融資、出資入股、法律維權(quán)等方面的作用日益凸顯，隨之而來的專利權(quán)價(jià)值評估顯得尤為重要，做好專利權(quán)價(jià)值評估方能充分實(shí)現(xiàn)其社會(huì)效益和經(jīng)濟(jì)效益。因此，構(gòu)建一種具有較強(qiáng)科學(xué)性和可操作性的專利價(jià)值評估方法，盤活海量專利資源，實(shí)現(xiàn)技術(shù)產(chǎn)業(yè)化，激活知識產(chǎn)權(quán)轉(zhuǎn)移轉(zhuǎn)化市場，成為高校探索專利運(yùn)營以及企業(yè)尋求高校核心技術(shù)所重點(diǎn)關(guān)注的問題。對專利價(jià)值評估方法的研究，學(xué)者主要從兩方面展開討論。

第一，在構(gòu)建指標(biāo)體系，采取定量分析進(jìn)行專利價(jià)值評估方面，Dahooie等提出結(jié)合MADM方法的專利價(jià)值評估和優(yōu)先級確定框架[2]；Ma等構(gòu)建一套包括指標(biāo)體系、指標(biāo)權(quán)重計(jì)算、評分標(biāo)準(zhǔn)確定和專家評分計(jì)算在內(nèi)的專利價(jià)值評估體系[3]；郭玲等結(jié)合技術(shù)、法律和市場相關(guān)方，提出適于企業(yè)內(nèi)部評估管理、主客觀相結(jié)合的專利價(jià)值評估指標(biāo)[4]；張夢雅等構(gòu)建一套面向?qū)＠櫩偷膬r(jià)值評估指標(biāo)體系，運(yùn)用層次分析法計(jì)算指標(biāo)權(quán)重[5]；劉劍鋒等立足于企業(yè)微觀層面的專利價(jià)值評價(jià)，從可實(shí)施性、實(shí)施結(jié)果科學(xué)性角度出發(fā)，構(gòu)建“四位一體”的綜合指標(biāo)體系[6]。

第二，在借助于機(jī)器學(xué)習(xí)算法進(jìn)行專利價(jià)值評估方面，Han等使用文本挖掘來識別與專利價(jià)值相關(guān)的要素，著重挖掘其生存期，有助于提高專利價(jià)值評估水平[7]；Ercan等提出將支持向量機(jī)算法應(yīng)用于專利申請，依據(jù)評估結(jié)果對專利是否授權(quán)或駁回進(jìn)行判斷[8]；Lai等結(jié)合因子分析的擴(kuò)展神經(jīng)網(wǎng)絡(luò)，構(gòu)建專利指標(biāo)和損害賠償?shù)墓乐的Ｐ?，有助于專利交易、專利許可、無形資產(chǎn)抵押、專利技術(shù)入股等[9]；呂霽結(jié)合專利價(jià)值理論及BP神經(jīng)網(wǎng)絡(luò)理論，構(gòu)建專利價(jià)值評估神經(jīng)網(wǎng)絡(luò)模型，證明BP神經(jīng)網(wǎng)絡(luò)在專利價(jià)值評估中的適用性[10]；劉伍堂等總結(jié)出一種對專利性質(zhì)和價(jià)值評估的指標(biāo)體系，并將該價(jià)值評估指標(biāo)體系與大數(shù)據(jù)技術(shù)相結(jié)合，提出基于文獻(xiàn)和大數(shù)據(jù)的對專利性質(zhì)和價(jià)值的評估分析方法[11]；周成等根據(jù)專利價(jià)值指標(biāo)，設(shè)計(jì)基于自組織映射—支持向量機(jī)的專利價(jià)值評估及分類模型[12]。

已有研究主要從構(gòu)建指標(biāo)體系，采取定量分析進(jìn)行專利價(jià)值評估，或借助于機(jī)器學(xué)習(xí)算法進(jìn)行專利價(jià)值評估。通過構(gòu)建專利價(jià)值評估指標(biāo)體系的方式，在構(gòu)建指標(biāo)體系后，需要依據(jù)評估體系對專利進(jìn)行逐件評估，效率較低；采用機(jī)器學(xué)習(xí)算法評估專利，在評估過程中高度依賴機(jī)器學(xué)習(xí)算法，沒有發(fā)揮人的主觀能動(dòng)性，如果對識別結(jié)果進(jìn)行人工干預(yù)，則容易造成結(jié)果失真現(xiàn)象。因此，本文首先結(jié)合已有研究中應(yīng)用的專利評估指標(biāo)，從數(shù)據(jù)易獲取性和科學(xué)性出發(fā)，創(chuàng)建包含多個(gè)指標(biāo)的專利評估指標(biāo)體系；進(jìn)而以“新能源汽車”為例，構(gòu)建多指標(biāo)專利評估數(shù)據(jù)集；最后分別采用熵值法與人工神經(jīng)網(wǎng)絡(luò)算法，以人工打分和模型預(yù)測相結(jié)合的方式，構(gòu)建混合智能下的高校專利評估方法。該方法結(jié)合熵權(quán)法的客觀性與易解釋性，人工神經(jīng)網(wǎng)絡(luò)算法的高效性與智能性，對兩種評估方法去粗取精，創(chuàng)造性的用人工打分與模型預(yù)測相結(jié)合的方式來進(jìn)行專利識別達(dá)到了優(yōu)勢互補(bǔ)的目的，理論上具有更高的評估性能。將提出的方法應(yīng)用于識別高校新能源汽車領(lǐng)域具備轉(zhuǎn)移價(jià)值的專利，最終獲得了滿意的結(jié)果，驗(yàn)證了方法的有效性與實(shí)用性，也為促進(jìn)高校科技成果管理部門的專利運(yùn)營效率，以及企業(yè)快速鎖定高校高價(jià)值專利提供了參考。

1 研究步驟與研究方法

通過選取專利價(jià)值評估指標(biāo)，結(jié)合熵權(quán)法與人工神經(jīng)網(wǎng)絡(luò)算法進(jìn)行專利價(jià)值評估，構(gòu)建基于混合智能的專利價(jià)值評估方法，見圖1。該方法可幫助高校及科研院所快速鎖定高價(jià)值專利，為制定專利運(yùn)營戰(zhàn)略與專利布局提供決策支持。同時(shí)，也能為企業(yè)快速鎖定高校高價(jià)值專利提供實(shí)踐參考。本文遵循“專利價(jià)值評估指標(biāo)選取→基于熵權(quán)法與人工神經(jīng)網(wǎng)絡(luò)算法專利價(jià)值評估研究→基于混合智能的專利價(jià)值評估研究”邏輯流程。

圖1 高校專利價(jià)值評估方法邏輯流程圖

1.1 專利價(jià)值評估指標(biāo)選取

高校在專利技術(shù)轉(zhuǎn)化時(shí)存在專利價(jià)值評估能力弱、產(chǎn)學(xué)研合作意識弱、市場信息不對稱及專利轉(zhuǎn)化成本過高等問題，嚴(yán)重阻礙專利轉(zhuǎn)移轉(zhuǎn)化的積極性與效率，使得耗費(fèi)大量科研資金獲得的專利技術(shù)處于閑置或無效狀態(tài)，直接影響技術(shù)創(chuàng)新。為打破專利技術(shù)轉(zhuǎn)化障礙，提高專利轉(zhuǎn)化效率，需構(gòu)建高校專利價(jià)值評估方法指標(biāo)體系。構(gòu)建該評估方法的第一步為選擇評價(jià)指標(biāo)，評價(jià)指標(biāo)的適用度直接關(guān)系著專利價(jià)值評估方法是否具備可用性和科學(xué)性。為保證專利價(jià)值評估方法評價(jià)的科學(xué)性、合理性及可行性，作者在咨詢專家意見、結(jié)合高校專利特點(diǎn)的基礎(chǔ)上，按照可獲取性、全面性、重要性、獨(dú)立性、定性指標(biāo)與定量指標(biāo)相結(jié)合的原則設(shè)計(jì)高校專利價(jià)值評估方法指標(biāo)體系。已有研究對評價(jià)指標(biāo)與轉(zhuǎn)移價(jià)值的相關(guān)性有了充分論證，本文在已有研究基礎(chǔ)上，依據(jù)國家知識產(chǎn)權(quán)局專利管理司《專利價(jià)值分析指標(biāo)體系操作手冊》對已有價(jià)值評估指標(biāo)進(jìn)行擴(kuò)展與延伸，選取13個(gè)指標(biāo)對專利價(jià)值進(jìn)行評估[13-15]。在選取過程中，一是關(guān)注指標(biāo)數(shù)據(jù)是否易于尋找和統(tǒng)計(jì)；二是選取的指標(biāo)能綜合體現(xiàn)專利價(jià)值，如發(fā)明人數(shù)量反映技術(shù)研發(fā)過程中的合作關(guān)系以及核心研究團(tuán)隊(duì)規(guī)模，權(quán)利要求字符數(shù)反映專利技術(shù)的保護(hù)全面程度，被引用專利數(shù)量、被引用次數(shù)反映專利的技術(shù)價(jià)值。綜合技術(shù)、法律、經(jīng)濟(jì)3個(gè)維度，遵循易獲取性、綜合性原則，得到13個(gè)基于專利文獻(xiàn)自身的二級指標(biāo)，見表1。

表1 專利指標(biāo)匯總表

1.2 基于熵權(quán)法與人工神經(jīng)網(wǎng)絡(luò)算法的專利價(jià)值評估研究

(1)熵權(quán)法。構(gòu)建高校專利價(jià)值評價(jià)指標(biāo)體系后，下一步是對各評估進(jìn)行賦權(quán)。常用的賦權(quán)方法包括主觀賦權(quán)法與客觀賦權(quán)法。主觀賦權(quán)法過分依賴于主觀判斷，專家素質(zhì)參差不齊，容易影響評價(jià)結(jié)果?？陀^賦權(quán)法是基于客觀數(shù)值的內(nèi)在聯(lián)系計(jì)算得出指標(biāo)權(quán)重的賦權(quán)方法，不受主觀判斷影響，得出的結(jié)果更客觀。熵權(quán)法屬于客觀賦權(quán)法，本文采用熵值法作為高校專利價(jià)值評價(jià)的賦權(quán)方法。本文將處理后的專利數(shù)據(jù)根據(jù)權(quán)利轉(zhuǎn)移次數(shù)劃分為權(quán)利轉(zhuǎn)移實(shí)驗(yàn)集與權(quán)利未轉(zhuǎn)移實(shí)驗(yàn)集，首先將全部專利數(shù)據(jù)導(dǎo)入指標(biāo)體系，通過熵權(quán)法計(jì)算指標(biāo)權(quán)重，根據(jù)指標(biāo)權(quán)重對權(quán)力轉(zhuǎn)移實(shí)驗(yàn)集的每個(gè)專利進(jìn)行打分，算出平均分，而后將權(quán)利未轉(zhuǎn)移實(shí)驗(yàn)集引入指標(biāo)體系，也對其進(jìn)行賦權(quán)打分，最后根據(jù)權(quán)利轉(zhuǎn)移實(shí)驗(yàn)集的平均分對權(quán)利未轉(zhuǎn)移實(shí)驗(yàn)集進(jìn)行篩選，篩選出高于平均分的權(quán)利未轉(zhuǎn)移專利，筆者將其稱為有潛在轉(zhuǎn)移價(jià)值的專利，并將其歸入權(quán)利轉(zhuǎn)移數(shù)據(jù)集，進(jìn)而得出專利篩選的最終成果。利用熵權(quán)法計(jì)算指標(biāo)權(quán)重的步驟如下：

①顯效：疼痛癥狀明顯減輕，且＞2級，骨轉(zhuǎn)換生化指標(biāo)顯著改善。②有效：疼痛減輕1～2級，骨轉(zhuǎn)換生化指標(biāo)有所好轉(zhuǎn)。③無效：癥狀、體征、骨轉(zhuǎn)化指標(biāo)等均無改善，甚至加重。

a.構(gòu)建原始矩陣。假設(shè)有m個(gè)被評價(jià)專利，n個(gè)評價(jià)指標(biāo)，即可構(gòu)建原始矩陣X：

其中，Xti表示第t項(xiàng)專利，第i項(xiàng)指標(biāo)的實(shí)際值。

b.數(shù)據(jù)無量綱化處理。消除物理量影響，將各個(gè)指標(biāo)數(shù)據(jù)進(jìn)行無量綱化處理：

為了數(shù)據(jù)運(yùn)算處理有意義，必須消除零和負(fù)值，故需對無量綱化后的數(shù)據(jù)進(jìn)行整體平移，即Yij=Yij+α，但為不破壞原始數(shù)據(jù)的內(nèi)在規(guī)律，最大限度地保留原始數(shù)據(jù)，α的取值必須盡可能的小，即α為最接近Yij的最小值，本文取α=0.0001。

c.熵值計(jì)算。計(jì)算第j項(xiàng)指標(biāo)的嫡值：

d.差異性系數(shù)計(jì)算。

e.計(jì)算第j項(xiàng)指標(biāo)的熵權(quán)Wj：

其中S為被評價(jià)專利的價(jià)值得分，Wj為指標(biāo)權(quán)重，Xi為被評價(jià)專利指標(biāo)值。

(2)人工神經(jīng)網(wǎng)絡(luò)算法。為提高有價(jià)值專利識別精準(zhǔn)度與專利識別效率，本文將人工神經(jīng)網(wǎng)絡(luò)算法中的前饋神經(jīng)網(wǎng)絡(luò)引入專利價(jià)值評估體系。前饋神經(jīng)網(wǎng)絡(luò)是使用最廣泛的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)之一，理論上它可以在任意精度下逼近任意函數(shù)[16]。常見的前饋神經(jīng)網(wǎng)絡(luò)有神經(jīng)網(wǎng)絡(luò)、高階神經(jīng)網(wǎng)絡(luò)、雙并聯(lián)神經(jīng)網(wǎng)絡(luò)等。全連接層是神經(jīng)網(wǎng)絡(luò)算法中最早出現(xiàn)的計(jì)算結(jié)構(gòu)之一，有原理簡單、易于實(shí)現(xiàn)、調(diào)試方便等優(yōu)點(diǎn)，被廣泛應(yīng)用在神經(jīng)網(wǎng)絡(luò)計(jì)算架構(gòu)，通常被用在局部或全局的節(jié)點(diǎn)匯總及特征抽取等業(yè)務(wù)。所以，本文選擇全連接前饋神經(jīng)網(wǎng)絡(luò)算法進(jìn)行專利識別。全連接前饋神經(jīng)網(wǎng)絡(luò)通常由一個(gè)輸入層、若干隱藏層和一個(gè)輸出層組成，輸入層負(fù)責(zé)展開特征，隱藏層負(fù)責(zé)對數(shù)據(jù)進(jìn)行復(fù)雜的非線性變換，輸出層負(fù)責(zé)匯總特征。一般隱藏層層數(shù)越多，非線性能力越強(qiáng)，而隱藏層參數(shù)越多，模型能夠擬合的結(jié)果越復(fù)雜[17]。在前饋神經(jīng)網(wǎng)絡(luò)中，不同的神經(jīng)元屬于不同的層，每一層的神經(jīng)元可以接受到前一層的神經(jīng)元信號，并產(chǎn)生信號輸出到下一層。第0層叫做輸入層，最后1層叫做輸出層，中間的叫做隱藏層，整個(gè)網(wǎng)絡(luò)中無反饋，信號從輸入層到輸出層單向傳播。全連接層的計(jì)算過程可以概括為兩步，線性參數(shù)計(jì)算和非線性激活輸出，其第l層的計(jì)算公式為：

其中，al與al-1表示第l層與第l-1層數(shù)據(jù)的神經(jīng)元輸出，fl表示第l層神經(jīng)元的激活函數(shù)，Wl表示第l-1層到第l層的權(quán)重矩陣，bl表示第l-1層到第l層的偏置。由于全連接層具有大量線性變換參數(shù)與非線激活函數(shù)，因此，多個(gè)全連接層首尾相連即可用于近似較為復(fù)雜的函數(shù)。本文使用RELU函數(shù)與Sigmoid函數(shù)作為全連接前饋神經(jīng)網(wǎng)絡(luò)的激活函數(shù)，使學(xué)習(xí)過程更快收斂且更具魯棒性。模型損失函數(shù)為Binary_Cross_Entropy，且將隨機(jī)梯度下降法作為模型優(yōu)化器，訓(xùn)練集與測試集的比例為2∶8。本文使用的計(jì)算平臺(tái)為TensorFlow，使用的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)及訓(xùn)練庫為Keras，使用的數(shù)據(jù)預(yù)處理庫為sklearn。實(shí)現(xiàn)一個(gè)由13個(gè)特征值的輸入層，2個(gè)13個(gè)特征值的隱藏層，1個(gè)輸出層的全連接前饋神經(jīng)網(wǎng)絡(luò)模型。

1.3 基于混合智能的專利價(jià)值評估方法研究

通過熵權(quán)法與人工神經(jīng)網(wǎng)絡(luò)算法分別篩選出具備轉(zhuǎn)移價(jià)值的專利，分別建立專利數(shù)據(jù)集。熵權(quán)法是一種客觀賦值法，具有較高的可信度與精確度，人工神經(jīng)網(wǎng)絡(luò)算法具有數(shù)據(jù)處理效率快、對數(shù)據(jù)進(jìn)行自主學(xué)習(xí)與高速尋找優(yōu)化解等優(yōu)點(diǎn)，基于此，提出基于人工和機(jī)器學(xué)習(xí)相結(jié)合的混合智能方法，糅合二者優(yōu)點(diǎn)對高校專利數(shù)據(jù)進(jìn)行價(jià)值評估，對兩種評估結(jié)果取交集，篩選出兩種評估方法下都存在的專利數(shù)據(jù)，以此作為具有轉(zhuǎn)移價(jià)值的專利。

2 數(shù)據(jù)來源與處理

新能源汽車成為汽車發(fā)展方向，新能源汽車技術(shù)廣受關(guān)注。本文對新能源汽車領(lǐng)域?qū)＠M(jìn)行專利價(jià)值評估，篩選出高校新能源汽車領(lǐng)域高價(jià)值專利，可以深度提升該領(lǐng)域?qū)＠D(zhuǎn)化效率，促進(jìn)新技術(shù)的創(chuàng)新研發(fā)。本文數(shù)據(jù)來源基于IncoPat專利數(shù)據(jù)庫，技術(shù)領(lǐng)域限定為“新能源汽車”，申請人限定為“大學(xué)”，檢索式為：(ALL=(TIABC=(“純電動(dòng)汽車”O(jiān)R“新能源”O(jiān)R“電動(dòng)汽車”O(jiān)R“純電動(dòng)車”O(jiān)R“動(dòng)力電池組”O(jiān)R純“電動(dòng)”O(jiān)R“電動(dòng)汽車動(dòng)力電池”O(jiān)R“新能源汽車”O(jiān)R“電動(dòng)汽車充電站”O(jiān)R“電動(dòng)汽車充電”O(jiān)R“電動(dòng)汽車動(dòng)力電池組”O(jiān)R“電動(dòng)汽車電池”O(jiān)R“電動(dòng)車輛”O(jiān)R“動(dòng)力蓄電池”O(jiān)R“充電系統(tǒng)”)))AND(AP=(大學(xué)))，時(shí)間不限，共檢索到15，920件專利。通過權(quán)利轉(zhuǎn)讓次數(shù)將數(shù)據(jù)集劃分為“權(quán)利已轉(zhuǎn)移”數(shù)據(jù)集(530件)與“權(quán)利未轉(zhuǎn)移”數(shù)據(jù)集(15，390件)，據(jù)構(gòu)建的專利評估指標(biāo)，獲取每件專利的基本數(shù)據(jù)，構(gòu)建專利指標(biāo)數(shù)據(jù)庫。

3 混合智能專利價(jià)值評估方法

3.1 基于熵權(quán)法的高校專利價(jià)值評估方法

(1)指標(biāo)的熵值、差異性系數(shù)及權(quán)重計(jì)算。依據(jù)“新能源汽車”指標(biāo)數(shù)值無量綱化結(jié)果，運(yùn)用熵值法計(jì)算步驟得出各評價(jià)指標(biāo)的權(quán)重，見表2。

表2 新能源汽車評價(jià)指標(biāo)的熵值、差異性系數(shù)及權(quán)重

(2)確定評估指標(biāo)體系。通過前期構(gòu)建的指標(biāo)體系并將數(shù)據(jù)導(dǎo)入體系中進(jìn)行計(jì)算，最終得到高校專利價(jià)值評估指標(biāo)的權(quán)重，并且將其作為高校專利價(jià)值評估方法的最終指標(biāo)權(quán)重。該權(quán)重為評價(jià)高校專利價(jià)值的最終依據(jù)，見表3。

表3 高校專利價(jià)值評估指標(biāo)權(quán)重體系

(3)專利價(jià)值評估。根據(jù)前期得出的評估指標(biāo)體系，將權(quán)利已轉(zhuǎn)移專利數(shù)據(jù)集與權(quán)利未轉(zhuǎn)移專利數(shù)據(jù)集導(dǎo)入指標(biāo)體系中，評估兩個(gè)實(shí)驗(yàn)集的專利價(jià)值，同時(shí)評估出權(quán)利轉(zhuǎn)移實(shí)驗(yàn)集專利價(jià)值的平均分，作為權(quán)利未轉(zhuǎn)移專利價(jià)值評估的閾值，篩選出價(jià)值大于平均分的專利，作為存在潛在轉(zhuǎn)移價(jià)值的專利，將其并入權(quán)利轉(zhuǎn)移實(shí)驗(yàn)集，作為基于熵權(quán)法的高校專利價(jià)值評估的最終結(jié)果。表4為熵權(quán)法下權(quán)利轉(zhuǎn)移專利價(jià)值top10的名稱、得分與排名。

表4 基于熵權(quán)法的權(quán)利轉(zhuǎn)移專利價(jià)值排序(Top10)

通過熵權(quán)法對權(quán)利轉(zhuǎn)移的專利數(shù)據(jù)進(jìn)行價(jià)值評估，進(jìn)而得出專利價(jià)值，而后將該數(shù)據(jù)集價(jià)值的平均分作為衡量權(quán)利未轉(zhuǎn)移專利是否有價(jià)值的閾值，經(jīng)過測算可知，高校權(quán)利已轉(zhuǎn)移的專利平均得分為0.0474，那么將權(quán)利未轉(zhuǎn)移的15，390件專利引入指標(biāo)體系，通過熵權(quán)法對其進(jìn)行專利價(jià)值測算以得出最終評分。表5為熵權(quán)法下權(quán)利未轉(zhuǎn)移專利價(jià)值top10的名稱、得分與排名。

表5 基于熵權(quán)法的權(quán)利未轉(zhuǎn)移專利價(jià)值排序(Top10)

通過測算得知，在權(quán)利未轉(zhuǎn)移專利中，專利價(jià)值評分最高分為0.2394，最低分為0.0007，由此可見未轉(zhuǎn)移專利中的專利價(jià)值雖然參差不齊，但是依舊有許多有潛在轉(zhuǎn)移價(jià)值的專利。通過權(quán)利已轉(zhuǎn)移專利價(jià)值平均分0.0474對權(quán)利未轉(zhuǎn)移的15，390件專利進(jìn)行篩選，筆者得出了3，166件價(jià)值得分高于價(jià)值平均分的專利，占權(quán)利未轉(zhuǎn)移專利總量的20.6%。

3.2 基于人工神經(jīng)網(wǎng)絡(luò)算法的高校專利價(jià)值評估方法

為構(gòu)建專利價(jià)值評估模型，保證對高校專利價(jià)值的有效評估，分別構(gòu)建數(shù)據(jù)訓(xùn)練集(1，060條)與數(shù)據(jù)預(yù)測集(15，920條)兩個(gè)數(shù)據(jù)集，在模型訓(xùn)練的過程中，將數(shù)據(jù)訓(xùn)練集的1，060條數(shù)據(jù)拆分為數(shù)據(jù)訓(xùn)練集(900條)與數(shù)據(jù)驗(yàn)證集(160條)，其中訓(xùn)練集用來構(gòu)建評估模型，驗(yàn)證集用來檢驗(yàn)?zāi)Ｐ蛯ξ粗獢?shù)據(jù)的評估能力。在訓(xùn)練過程中，隨著訓(xùn)練次數(shù)的增加，該模型的各項(xiàng)指標(biāo)趨于穩(wěn)定，表現(xiàn)良好，且沒有出現(xiàn)擬合情況，說明該模型性能優(yōu)良，其對有價(jià)值專利的篩選結(jié)果有高可信度。根據(jù)上述分析，當(dāng)把訓(xùn)練次數(shù)確定為200次時(shí)，模型效果最佳，訓(xùn)練結(jié)果見表6。通過對模型的訓(xùn)練，當(dāng)權(quán)利未轉(zhuǎn)移數(shù)據(jù)支持度為105，權(quán)利已轉(zhuǎn)移數(shù)據(jù)支持度為95時(shí)，其精確度(precision)分別為0.9與0.99，召回率(recall)分別為0.99與0.88，精確度和召回率的加權(quán)平均值(f1-score)分別為0.95與0.93，并且經(jīng)過模型測算，其準(zhǔn)確度(accuracy)高達(dá)0.94，表明模型具備較高的預(yù)測價(jià)值，能夠應(yīng)用對高校權(quán)利轉(zhuǎn)移專利及存在失效風(fēng)險(xiǎn)專利進(jìn)行的識別。而后將數(shù)據(jù)預(yù)測集(15，920條)導(dǎo)入訓(xùn)練好的模型中進(jìn)行預(yù)測，存在轉(zhuǎn)移價(jià)值的專利預(yù)測標(biāo)簽為“1”，不存在轉(zhuǎn)移價(jià)值的預(yù)測標(biāo)簽為“0”，經(jīng)過模型預(yù)測得知，存在轉(zhuǎn)移價(jià)值的專利有9，332條，占數(shù)據(jù)預(yù)測集的59%；不存在轉(zhuǎn)移價(jià)值的專利有6，588條，占數(shù)據(jù)預(yù)測集的41%。

表6 全連接前饋神經(jīng)網(wǎng)絡(luò)分類報(bào)告

3.3 基于的混合智能的高校專利價(jià)值評估方法

利用熵權(quán)法在15，920件專利數(shù)據(jù)中評估出3，696件存在轉(zhuǎn)移價(jià)值的專利，占專利數(shù)據(jù)總量23%；利用人工神經(jīng)網(wǎng)絡(luò)算法在15，920件專利中評估出9，332條存在轉(zhuǎn)移價(jià)值的專利，占專利數(shù)據(jù)總量59%。對基于熵權(quán)法的高校專利價(jià)值評估結(jié)果與基于人工神經(jīng)網(wǎng)絡(luò)的高校專利價(jià)值評估結(jié)果取交集，實(shí)現(xiàn)基于混合智能的高校專利價(jià)值評估，評估結(jié)果見圖2。

圖2 基于的混合智能的高校專利價(jià)值評估結(jié)果

分析圖2發(fā)現(xiàn)，通過基于混合智能的高校專利價(jià)值評估方法評估出2，146件具備轉(zhuǎn)移價(jià)值的專利，占專利數(shù)據(jù)總量的13.4%，該結(jié)果表明高校中少部分專利具備高價(jià)值，大部分專利價(jià)值較低，之所以會(huì)產(chǎn)生這種結(jié)果，一方面是部分高校的專利申請是研究課題的伴生品，與已發(fā)生權(quán)利轉(zhuǎn)移的專利相比，在技術(shù)深入度、經(jīng)濟(jì)產(chǎn)業(yè)化、法律完備性方面存在一定差距；另一方面，高校為了保護(hù)核心技術(shù)，往往在專利申請時(shí)進(jìn)行專利布局，進(jìn)而產(chǎn)生了大量不具備權(quán)利轉(zhuǎn)移價(jià)值的專利。

分析表7發(fā)現(xiàn)，采用混合智能方法對新能源汽車領(lǐng)域的專利進(jìn)行評估篩選，篩選出了具備轉(zhuǎn)化價(jià)值專利與不具備轉(zhuǎn)化價(jià)值專利兩個(gè)數(shù)據(jù)集，對兩個(gè)數(shù)據(jù)集的指標(biāo)均值進(jìn)行計(jì)算，發(fā)現(xiàn)除“專利壽命”這一指標(biāo)之外，具備轉(zhuǎn)化價(jià)值專利的其余12個(gè)指標(biāo)均值明顯大于不具備轉(zhuǎn)化價(jià)值的指標(biāo)均值，驗(yàn)證了模型的有效性。這說明該模型可以為促進(jìn)高?？萍汲晒芾聿块T進(jìn)行專利價(jià)值評估與提高專利運(yùn)營效率提供借鑒意義，也為企業(yè)快速鎖定高校高價(jià)值專利提供了實(shí)踐參考。因此，結(jié)合上述情況，在“新能源汽車”領(lǐng)域，通過基于的混合智能的高校專利價(jià)值評估方法識別出13.4%具有權(quán)利轉(zhuǎn)移價(jià)值的專利，并不是處于較低水平，這部分專利應(yīng)該得到高?？萍汲晒芾聿块T的重視，圍繞高價(jià)值專利構(gòu)建專利技術(shù)群，制定專利運(yùn)營策略，積極尋求技術(shù)轉(zhuǎn)移。同時(shí)，對存在失效風(fēng)險(xiǎn)的專利，應(yīng)進(jìn)行二次評估，針對有轉(zhuǎn)移價(jià)值的專利制定專利轉(zhuǎn)移戰(zhàn)略協(xié)助轉(zhuǎn)移；針對失效風(fēng)險(xiǎn)大的專利，放棄專利權(quán)，節(jié)約科研成本，將其投入到研究團(tuán)隊(duì)的研發(fā)中，進(jìn)一步提高發(fā)明專利的核心競爭力，提高產(chǎn)業(yè)應(yīng)用價(jià)值。

表7 基本指標(biāo)平均值統(tǒng)計(jì)表

3.4 分析結(jié)果討論

通過基于混合智能的高校專利價(jià)值評估方法對高校新能源汽車領(lǐng)域15，920件專利進(jìn)行評估，評估出2，146件具備轉(zhuǎn)移價(jià)值的專利，針對上述專利指標(biāo)數(shù)據(jù)進(jìn)行重點(diǎn)分析，深度探析哪些指標(biāo)是影響專利價(jià)值的重要因素。本文采用多元線性回歸算法對具備轉(zhuǎn)移價(jià)值的專利進(jìn)行回歸運(yùn)算，其中R2(相關(guān)系數(shù))值為0.9993，說明自變量之間存在高度相關(guān)關(guān)系，模型效果較好，運(yùn)算結(jié)果見表8。分析表8發(fā)現(xiàn)，采用多元線性回歸算法運(yùn)算的13個(gè)指標(biāo)權(quán)重，其中申請人數(shù)量權(quán)重最高，申請人數(shù)量體現(xiàn)專利權(quán)利人的數(shù)量，專利權(quán)人越多，那么承擔(dān)該專利相關(guān)義務(wù)的人就越多，則轉(zhuǎn)讓該專利的相關(guān)風(fēng)險(xiǎn)就越小，進(jìn)而大幅度降低了專利轉(zhuǎn)化的相關(guān)成本，同時(shí)申請人數(shù)量越多，表明技術(shù)的復(fù)雜度越高，融合了多個(gè)機(jī)構(gòu)的集體智慧，是專利法律價(jià)值與經(jīng)濟(jì)價(jià)值的重要體現(xiàn)；專利壽命的權(quán)重占比也位居前列，該指標(biāo)體現(xiàn)了專利的使用年限，在專利技術(shù)的性質(zhì)、質(zhì)量、應(yīng)用價(jià)值和需求狀況一定的情況下，專利的轉(zhuǎn)移價(jià)值與專利壽命成正比，使用年限越多，該專利創(chuàng)造的經(jīng)濟(jì)價(jià)值與社會(huì)價(jià)值就越多，是專利經(jīng)濟(jì)指標(biāo)的重要體現(xiàn)；被引次數(shù)這一指標(biāo)也具有較高的權(quán)重，該指標(biāo)體現(xiàn)了領(lǐng)域內(nèi)研發(fā)人員對該專利技術(shù)的認(rèn)可，被引用次數(shù)越多，表明該專利對領(lǐng)域內(nèi)其他專利的技術(shù)創(chuàng)新具有重要的指引作用，是專利技術(shù)價(jià)值的重要體現(xiàn)[18]。以上三個(gè)指標(biāo)對高校專利權(quán)利轉(zhuǎn)移概率具有較大的影響作用，在高校進(jìn)行專利申請和專利運(yùn)營時(shí)應(yīng)該得到重視。

表8 多元回歸算法下指標(biāo)權(quán)重分布

結(jié)合上述對具備轉(zhuǎn)移價(jià)值的專利指標(biāo)數(shù)據(jù)權(quán)重的分析，對高校技術(shù)研發(fā)和專利申請有著很高的借鑒意義，應(yīng)重視高權(quán)重指標(biāo)對高校專利權(quán)利轉(zhuǎn)移的促進(jìn)作用。基于此，在高校科技成果產(chǎn)出階段，高校知識產(chǎn)權(quán)信息服務(wù)中心要為科研團(tuán)隊(duì)的專利生命周期運(yùn)營提供全方位支持，結(jié)合科研團(tuán)隊(duì)研究內(nèi)容積極進(jìn)行科技查新，保證研究內(nèi)容的前沿性與創(chuàng)新性；在申請專利過程中，注重把控申請人的數(shù)量與專利引證數(shù)量，對高價(jià)值專利要注重維持其專利年費(fèi)繳納與進(jìn)行專利布局，通過申請同族專利，形成技術(shù)競爭優(yōu)勢，這也為提高專利的被引證次數(shù)奠定基礎(chǔ)，保證其時(shí)效性。綜合上述分析，本文構(gòu)建的專利價(jià)值評估模型不僅能夠識別高校中某一技術(shù)領(lǐng)域具備轉(zhuǎn)移價(jià)值的專利，推動(dòng)高校專利技術(shù)實(shí)現(xiàn)轉(zhuǎn)移轉(zhuǎn)化，還能在此基礎(chǔ)上對評估結(jié)果進(jìn)行深度剖析，厘清專利指標(biāo)對專利指標(biāo)對專利轉(zhuǎn)化價(jià)值的影響，這對強(qiáng)化高校專利質(zhì)量，提高科技成果管理部門、知識產(chǎn)權(quán)信息服務(wù)中心等部門的專利運(yùn)營質(zhì)量具有參考價(jià)值。

4 總結(jié)與展望

本文從科學(xué)性和易操作性角度出發(fā)，首先構(gòu)建了高校專利價(jià)值評估指標(biāo)，分別采用熵權(quán)法與人工神經(jīng)網(wǎng)絡(luò)算法，以人工打分和模型預(yù)測相結(jié)合的方式，識別高校新能源汽車領(lǐng)域具備轉(zhuǎn)移價(jià)值的專利，為高?？萍汲晒芾砣藛T提供了行之有效的方式，快速識別已有的發(fā)明專利中，具備權(quán)利轉(zhuǎn)移價(jià)值專利，為促進(jìn)高?？萍汲晒芾聿块T的專利運(yùn)營效率，以及企業(yè)快速鎖定高校高價(jià)值專利提供了實(shí)踐參考。

(1)首先從技術(shù)、經(jīng)濟(jì)、法律等方面，選取13個(gè)能較為全面反映專利價(jià)值的指標(biāo)，且保證了指標(biāo)數(shù)據(jù)的易獲取性。

(2)通過對賦權(quán)方法與算法性能的調(diào)研，選擇具有高可信度且可以進(jìn)行人工識別的熵權(quán)法與具有自主學(xué)習(xí)且可以進(jìn)行機(jī)器識別的神經(jīng)網(wǎng)絡(luò)算法對專利進(jìn)行評估提取，保證了評估結(jié)果的全面性。

(3)通過基于的混合智能的高校專利價(jià)值評估方法，對熵權(quán)法下高校專利價(jià)值評估結(jié)果與深度學(xué)習(xí)下高校專利價(jià)值評估結(jié)果取交集，測算出具備高價(jià)值的專利，保證了結(jié)果的科學(xué)性與合理性，適應(yīng)于復(fù)雜多變的專利市場，精準(zhǔn)識別高價(jià)值專利，為高校專利研發(fā)與專利運(yùn)營提供決策支持，也為企業(yè)探尋高校核心專利提供技術(shù)借鑒。

本文構(gòu)建的評估模型僅使用了“新能源汽車”領(lǐng)域的專利數(shù)據(jù)，數(shù)據(jù)樣本較單一；在指標(biāo)選取過程中，為了指標(biāo)的易獲取性，僅構(gòu)建包含13個(gè)指標(biāo)的評估體系，科學(xué)性有待進(jìn)一步驗(yàn)證。在今后研究中，將探索構(gòu)建全領(lǐng)域的專利數(shù)據(jù)樣本，擴(kuò)充專利評估指標(biāo)體系，實(shí)現(xiàn)對高校不同技術(shù)領(lǐng)域中具備權(quán)利轉(zhuǎn)移價(jià)值專利的識別。