基于CSSA-BPNN 算法的專(zhuān)利質(zhì)量評(píng)估研究*

盧志平 唐健廷

（1.廣西科技大學(xué)經(jīng)濟(jì)與管理學(xué)院 柳州 545006）（2.廣西工業(yè)高質(zhì)量發(fā)展研究中心 柳州 545006）

1 引言

國(guó)家將2025 年每萬(wàn)人口擁有高價(jià)值發(fā)明專(zhuān)利12 件的預(yù)期目標(biāo)作為一項(xiàng)政策指標(biāo)，寫(xiě)入了“十四五”規(guī)劃和2035年遠(yuǎn)景目標(biāo)綱要中［1］。而高價(jià)值專(zhuān)利體現(xiàn)在專(zhuān)利的質(zhì)量上，表現(xiàn)為專(zhuān)利的各個(gè)維度的價(jià)值［2］。因此圍繞專(zhuān)利進(jìn)行質(zhì)量評(píng)估，是篩選高價(jià)值專(zhuān)利的一個(gè)關(guān)鍵。

由于專(zhuān)利質(zhì)量與專(zhuān)利市場(chǎng)價(jià)值存在區(qū)別，導(dǎo)致傳統(tǒng)的專(zhuān)利評(píng)估方法并不適用于專(zhuān)利質(zhì)量評(píng)估，因此不少國(guó)內(nèi)外學(xué)者就專(zhuān)利質(zhì)量的評(píng)估方法進(jìn)行了研究。對(duì)專(zhuān)利質(zhì)量的評(píng)估指標(biāo)進(jìn)行約減，降低復(fù)雜度［3］；采用FANP 法對(duì)企業(yè)對(duì)專(zhuān)利組合的質(zhì)量進(jìn)行評(píng)估［4］；通過(guò)文獻(xiàn)計(jì)量分析的方式，對(duì)高校中鋰電池領(lǐng)域?qū)＠|(zhì)量進(jìn)行評(píng)估［5］。通過(guò)對(duì)專(zhuān)利的投資組合價(jià)值指數(shù)進(jìn)行計(jì)算，來(lái)評(píng)估專(zhuān)利的質(zhì)量［6］。而對(duì)大量的專(zhuān)利同時(shí)進(jìn)行評(píng)估時(shí)，常用到機(jī)器學(xué)習(xí)的方法。通過(guò)對(duì)機(jī)器學(xué)習(xí)方法中不同的評(píng)估模型進(jìn)行比較，神經(jīng)網(wǎng)絡(luò)模型獲得較好的實(shí)驗(yàn)效果［7～8］。而神經(jīng)網(wǎng)絡(luò)模型本身存在著收斂速度慢，算法不完備的局限性。因此有學(xué)者先對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，進(jìn)而對(duì)專(zhuān)利的質(zhì)量進(jìn)行評(píng)估分析［9～10］。

綜上所述，由于機(jī)器學(xué)習(xí)的特點(diǎn)，可以有效節(jié)省了人為評(píng)估的費(fèi)用成本和時(shí)間成本，同時(shí)也克服了主觀性因素的存在。但是這類(lèi)方法在對(duì)專(zhuān)利進(jìn)行質(zhì)量評(píng)估時(shí)存在容易陷入局部最優(yōu)和收斂速度慢的局限性，因此，本文先用CRITIC—熵權(quán)法對(duì)指標(biāo)進(jìn)行篩選，并約減指標(biāo)，避免冗余。并運(yùn)用Logistic混沌結(jié)合的麻雀搜索算法去優(yōu)化BP神經(jīng)網(wǎng)絡(luò)中收斂速度慢的局限性。該模型可以篩選出高價(jià)值的專(zhuān)利，為高?；蛘咂髽I(yè)的專(zhuān)利交易選擇提供決策支持。

2 專(zhuān)利評(píng)估指標(biāo)體系選擇

早期學(xué)者對(duì)于專(zhuān)利質(zhì)量?jī)r(jià)值評(píng)估的研究很多都是參考《專(zhuān)利價(jià)值分析指標(biāo)體系操作手冊(cè)》［11］，但這本手冊(cè)里面給出的指標(biāo)很多都是涉及了定性分析，難以量化。本文通過(guò)相關(guān)文獻(xiàn)梳理［2］和咨詢專(zhuān)家的意見(jiàn)，構(gòu)建了一種可定量評(píng)估專(zhuān)利質(zhì)量的指標(biāo)體系。

3 專(zhuān)利質(zhì)量評(píng)估模型構(gòu)建

3.1 CRITIC—熵權(quán)法的組合權(quán)重模型

CRITIC 法可以體現(xiàn)指標(biāo)間的沖突性，而熵權(quán)法則可以衡量指標(biāo)之間的離散程度。兩種方法結(jié)合可以使得指標(biāo)權(quán)重結(jié)果更加合理［12］。因此，本文使用CRITIC—熵權(quán)法去計(jì)算各個(gè)指標(biāo)的客觀權(quán)重，其計(jì)算步驟如下。

1）首先對(duì)專(zhuān)利特征指標(biāo)進(jìn)行無(wú)量綱化處理，由此得到標(biāo)準(zhǔn)矩陣X*如式（1）所示。

2）由標(biāo)準(zhǔn)矩陣X*通過(guò)式（2）和式（3）計(jì)算得到標(biāo)準(zhǔn)差σj與指標(biāo)間的相關(guān)系數(shù)ρij。

3）計(jì)算各指標(biāo)所含的信息量Gj和客觀權(quán)重w1，其中，Gj為指標(biāo)j與另外各指標(biāo)沖突性的量化指標(biāo)。Gj越大，表示指標(biāo)j權(quán)重越大。

最后，客觀權(quán)重w1的計(jì)算方式如式（5）所示。

4）通過(guò)式（6）計(jì)算樣本i出現(xiàn)指標(biāo)j的概率pij，通過(guò)式（7）計(jì)算j項(xiàng)指標(biāo)的熵值ej。

5）通過(guò)式（8）計(jì)算出第j項(xiàng)指標(biāo)的熵權(quán)w2。

6）根據(jù)專(zhuān)家組所討論的意見(jiàn)，系數(shù)β取值為0.5，并通過(guò)式（9）計(jì)算綜合權(quán)重wj。

3.2 混沌優(yōu)化的麻雀搜索算法（CSSA）

麻雀搜索算法（SSA）是通過(guò)模擬麻雀覓食并逃避捕食者的行為而提出來(lái)的一種群智能算法，該算法的收斂速度較快，局部搜索能力也較強(qiáng)，但全局的搜索能力較弱，也容易陷入局部最優(yōu)而無(wú)法跳出［13］。因此，選擇Logistic 混沌序列對(duì)麻雀種群進(jìn)行初始化，提高初始解的質(zhì)量，增強(qiáng)算法的全局搜索能力。

3.2.1 SSA算法主要實(shí)現(xiàn)步驟

1）對(duì)SSA 算法的參數(shù)進(jìn)行初始化，包括麻雀的種群規(guī)模在N，發(fā)現(xiàn)者數(shù)量PN以及跟隨者數(shù)量N-PN，偵查者數(shù)量SN，迭代次數(shù)最大為itermax，搜索維數(shù)D，麻雀的初始位置定義為xi=表示個(gè)體i的適應(yīng)度。

2）更新種群中發(fā)現(xiàn)者的位置信息，位置更新如式（10）所示：

3）更新跟隨者的位置，位置更新如式（11）所示：

4）在每一次迭代發(fā)生后，隨機(jī)選擇SN個(gè)個(gè)體進(jìn)行偵察預(yù)警行為。位置更新公式如下：

β為符合標(biāo)準(zhǔn)整體分布的隨機(jī)數(shù)，xw和xb為最優(yōu)、最差個(gè)體位置，當(dāng)適應(yīng)度f(wàn)i=fg時(shí)，個(gè)體向附近位置移動(dòng)；當(dāng)fi≠fg時(shí)，個(gè)體向當(dāng)前最優(yōu)位置移動(dòng)，其值收斂于最優(yōu)位置。

3.2.2 Logistic映射

Logistic 混沌映射具有長(zhǎng)期不可預(yù)測(cè)性，其產(chǎn)生的序列{xn,n=0,1,2,3…}是非周期性、且存在發(fā)散的數(shù)列，并且初始值表現(xiàn)十分敏感。Logistic映射的方程式如（13）所示：

其中，參數(shù)μ(0,4],xn(0,1)，當(dāng)3.5699…<μ≤4時(shí)，Logistic映射呈混沌狀態(tài)。

3.2.3 混沌優(yōu)化的SSA算法

SSA 算法中加入Logistic 混沌優(yōu)化，增加種群的多樣性，通過(guò)混沌擾動(dòng)避免搜索個(gè)體陷入局部最優(yōu)的限制，使算法持續(xù)進(jìn)行全局搜索。其流程如圖1所示。

圖1 CSSA算法流程圖

1）應(yīng)用Logistic 映射生成的混沌序列對(duì)算法的參數(shù)進(jìn)行初始化，包括麻雀的種群規(guī)模N，最大迭代次數(shù)itermax，搜索空間維數(shù)D，并生成N個(gè)D維向量。

2）通過(guò)式（13）對(duì)麻雀種群的個(gè)體的D個(gè)維度進(jìn)行迭代，并用式（14）將Logistics 映射產(chǎn)生的變量值映射到個(gè)體上，其中l(wèi)b和ub分別為維度的上邊界和下邊界。

3）計(jì)算i個(gè)個(gè)體的適應(yīng)度f(wàn)i，以及記錄所在的位置d，并根據(jù)個(gè)體適應(yīng)優(yōu)劣進(jìn)行排序。

4）將適應(yīng)度前70%的個(gè)體作為發(fā)現(xiàn)者，剩下的30%則為跟隨者，根據(jù)式（10）和式（11）更新發(fā)現(xiàn)者和跟隨者的位置。

5）從種群中隨機(jī)選取20%的個(gè)體作為偵查者，并根據(jù)式（12）更新其位置。

6）當(dāng)搜索陷入局部最優(yōu)時(shí)，產(chǎn)生混沌序列對(duì)個(gè)體進(jìn)行混沌擾動(dòng)。如式（15）所示：

7）重新更新種群中個(gè)體的適應(yīng)度和其位置。

8）判斷算法運(yùn)行是否達(dá)到最大迭代次數(shù)或者求解精度，進(jìn)而執(zhí)行結(jié)果輸出或返回4）。

3.3 CSSA優(yōu)化的神經(jīng)網(wǎng)絡(luò)（CSSA—BPNN）

為了解決BPNN 容易陷入局部最優(yōu)，收斂速度慢的局限性。本文將CSSA 與BPNN 結(jié)合，通過(guò)CS?SA算法中的搜索能力較強(qiáng)的特點(diǎn)，對(duì)BPNN模型進(jìn)行優(yōu)化。步驟如下：

1）通過(guò)CSSA 算法的尋優(yōu)結(jié)果，計(jì)算得到最優(yōu)的初始權(quán)值和閾值，并導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)。

2）將模型的輸出值與訓(xùn)練的專(zhuān)利樣本中實(shí)際的期望值進(jìn)行誤差計(jì)算，如式（16）所示：

3）若該模型誤差未達(dá)到初始時(shí)設(shè)定的誤差，則該網(wǎng)絡(luò)模型將所計(jì)算得到的誤差向前反饋，重新調(diào)整神經(jīng)元之間連接的權(quán)值和修正閾值參數(shù)。其中權(quán)值的調(diào)整為μi+γΔμi，γ是學(xué)習(xí)率(0<γ<1)，控制算法的更新速度，Δμi是負(fù)梯度方向。

CSSA—BPNN 模型經(jīng)過(guò)反復(fù)地調(diào)整連接權(quán)和修正閾值，最后使得訓(xùn)練誤差達(dá)到所設(shè)定的數(shù)值或者誤差前饋次數(shù)達(dá)到最大，則停止訓(xùn)練，并保存訓(xùn)練完成的預(yù)測(cè)模型。

3.4 專(zhuān)利質(zhì)量分類(lèi)結(jié)果評(píng)價(jià)

本文采用準(zhǔn)確率（accuracy）、精確率（preci?sion）、召回率（recall）和F1 值共4 個(gè)指標(biāo)對(duì)分類(lèi)結(jié)果進(jìn)行評(píng)價(jià)，如式（18）和（19）所示，其中，M為分類(lèi)正確的樣本個(gè)數(shù)，N為樣本總數(shù)，MP為預(yù)測(cè)正確的正例數(shù)，NP為預(yù)測(cè)為正例的數(shù)，Nc表示實(shí)際正例數(shù)。

4 實(shí)證分析

2021 年中國(guó)汽車(chē)專(zhuān)利的公開(kāi)量總共為32 萬(wàn)件，同比增長(zhǎng)4.2%，持續(xù)保持穩(wěn)步增長(zhǎng)態(tài)勢(shì)。發(fā)明專(zhuān)利授權(quán)量為8.4 萬(wàn)件，同比大幅增長(zhǎng)23.3%。可以看出中國(guó)汽車(chē)的專(zhuān)利在申請(qǐng)和授權(quán)的數(shù)量上持續(xù)提升。也反映出汽車(chē)產(chǎn)業(yè)已在專(zhuān)利密集型產(chǎn)業(yè)中占據(jù)了一席之地［14］。同時(shí)，新能源汽車(chē)產(chǎn)業(yè)作為政府扶持的戰(zhàn)略新興產(chǎn)業(yè)，其產(chǎn)出的專(zhuān)利更具戰(zhàn)略性意義。因此，本文以新能源汽車(chē)領(lǐng)域的專(zhuān)利為評(píng)估對(duì)象，對(duì)CSSA-BPNN評(píng)估模型的性能進(jìn)行測(cè)試。

4.1 專(zhuān)利樣本獲取

本文從incoPat 專(zhuān)利數(shù)據(jù)庫(kù)獲取研究需要的數(shù)據(jù)。根據(jù)表1 的指標(biāo)體系，下載了15 個(gè)特征指標(biāo)。首先，考慮到專(zhuān)利技術(shù)生命周期的存在，因此選擇了2011 年-2021 年這十年授權(quán)的新能源汽車(chē)領(lǐng)域的專(zhuān)利。由于在incoPat 專(zhuān)利數(shù)據(jù)庫(kù)中，發(fā)明授權(quán)專(zhuān)利最低價(jià)值度為2，最高價(jià)值度為10；因此將價(jià)值度2～4標(biāo)記為為低價(jià)值專(zhuān)利，賦值為0，將價(jià)值度5～7 標(biāo)記為普通價(jià)值專(zhuān)利賦值為0.5，將價(jià)值度8～10 標(biāo)記為高價(jià)值專(zhuān)利賦值為1。在三個(gè)等級(jí)的專(zhuān)利中各隨機(jī)抽取了1000 條數(shù)據(jù)信息，共3000 件專(zhuān)利去構(gòu)建專(zhuān)利指標(biāo)數(shù)據(jù)庫(kù)。選擇其中90%為訓(xùn)練集，10%作為測(cè)試集，分別用于之后模型的訓(xùn)練和測(cè)試。

表1 專(zhuān)利質(zhì)量評(píng)價(jià)體系

4.2 CRITIC—熵權(quán)法提取重要指標(biāo)

專(zhuān)利評(píng)估的過(guò)程中所涉及的特征指標(biāo)較多，各個(gè)指標(biāo)之間存在著相互關(guān)聯(lián)，為了避免模型在訓(xùn)練學(xué)習(xí)的過(guò)程中出現(xiàn)過(guò)度擬合，因此需要對(duì)特征指標(biāo)進(jìn)行約減，降低模型的復(fù)雜程度［15］。本文采用CRITIC—熵權(quán)法對(duì)指標(biāo)評(píng)估權(quán)重，約減權(quán)重低的指標(biāo)，保留重要的指標(biāo)并將其輸入到神經(jīng)網(wǎng)絡(luò)模型中。根據(jù)收集得到3000 條專(zhuān)利樣本形成一個(gè)指標(biāo)矩陣R，通過(guò)3.1 節(jié)的計(jì)算步驟，得到各個(gè)指標(biāo)的權(quán)重，如表2所示。

對(duì)表2 中指標(biāo)的權(quán)重進(jìn)行排序，并將權(quán)重小于0.04 的指標(biāo)作為數(shù)據(jù)噪聲剔除，剩下10 個(gè)重要指標(biāo)（C1，C2，C3，C4，C6，C9，C11，C12，C13，C15），這些指標(biāo)占總體權(quán)重的84.5%。

表2 特征指標(biāo)權(quán)重

4.3 模型結(jié)果分析

為驗(yàn)證模型在專(zhuān)利質(zhì)量評(píng)估方面的效果，將專(zhuān)利樣本數(shù)據(jù)輸入到CSSA—BPNN 模型、GA—BPNN模型、PSO—BPNN 和BPNN 模型中進(jìn)行測(cè)試和對(duì)比，其中初始種群數(shù)量為20，迭代次數(shù)為500，神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元個(gè)數(shù)為10，預(yù)設(shè)誤差為0.001；分類(lèi)結(jié)果如圖2 所示，并通過(guò)式（18）和式（19）計(jì)算評(píng)價(jià)模型性能的4 個(gè)指標(biāo)，其中X 軸表示專(zhuān)利樣本的統(tǒng)計(jì)項(xiàng)數(shù)，Y 軸表述為價(jià)值度。結(jié)果如表3所示。

圖2 四種模型結(jié)果

通過(guò)表3 可以知道，四類(lèi)模型的各項(xiàng)指標(biāo)均大于0.75，而且三種經(jīng)過(guò)算法優(yōu)化的BPNN 模型的各項(xiàng)性能指標(biāo)均優(yōu)于未經(jīng)優(yōu)化的BPNN 模型。其中，CSSA—BPNN 模型的性能最優(yōu)，在準(zhǔn)確率和精確率方面比BPNN 模型高0.04，在在召回率和F1 值上面，CSSA—BPNN 模型也是最高，達(dá)到了0.819 和0.808。證明了該模型的有效性和穩(wěn)健性較好。因此，利用CSSA—BPNN模型對(duì)專(zhuān)利質(zhì)量進(jìn)行評(píng)估是可行的。

表3 模型性能指標(biāo)對(duì)比

并對(duì)三種算法進(jìn)行500 次迭代，其迭代收斂圖和結(jié)果如圖3和表4所示。

圖3 三種算法迭代對(duì)比圖

從表4 可以看出，PSO 收斂代數(shù)為393 代，收斂代數(shù)在三種優(yōu)化算法中是最高的，GA 收斂代數(shù)為122 代，但總耗時(shí)為267.6s，總耗時(shí)是最長(zhǎng)。CSSA收斂代數(shù)為51代，總耗時(shí)192.2s，相比于GA和PSO具有更高的效率和更低的運(yùn)算耗時(shí)。而且CSSA算法得到的平均適應(yīng)值和最小適應(yīng)值均小于GA 和PSO，說(shuō)明該算法比傳統(tǒng)的優(yōu)化算法具有較高的求解質(zhì)量。

表4 三種算法收斂結(jié)果對(duì)比

5 結(jié)語(yǔ)

本文關(guān)注專(zhuān)利質(zhì)量評(píng)估指標(biāo)的適用性和可操作性，探究機(jī)器學(xué)習(xí)的方法應(yīng)用于專(zhuān)利質(zhì)量評(píng)估，通過(guò)混沌映射改進(jìn)麻雀搜索算法，并結(jié)合神經(jīng)網(wǎng)絡(luò)去構(gòu)建專(zhuān)利質(zhì)量評(píng)估模型。與PSO、GA 優(yōu)化的模型進(jìn)行仿真對(duì)比，得到以下結(jié)論：1）CSSA—BPNN模型對(duì)專(zhuān)利質(zhì)量進(jìn)行評(píng)估時(shí)，模型的各項(xiàng)指標(biāo)均優(yōu)于BPNN 模型和PSO、GA 優(yōu)化的BPNN 模型，并且分類(lèi)準(zhǔn)確率達(dá)到0.797。2）在算法尋優(yōu)中，CSSA 比PSO、GA具有更高的效率和更低的運(yùn)算耗時(shí)。

本次研究的主要?jiǎng)?chuàng)新內(nèi)容如下：1）在專(zhuān)利質(zhì)量評(píng)估體系中同時(shí)考慮了專(zhuān)利的技術(shù)維度指標(biāo)、法律維度指標(biāo)、市場(chǎng)維度指標(biāo)和主體特征指標(biāo)。可以綜合體現(xiàn)出專(zhuān)利的技術(shù)競(jìng)爭(zhēng)力、經(jīng)濟(jì)關(guān)聯(lián)性、權(quán)利穩(wěn)定性等多個(gè)方面的價(jià)值。2）構(gòu)建CSSA—BPNN 模型對(duì)新能源汽車(chē)領(lǐng)域的專(zhuān)利進(jìn)行質(zhì)量評(píng)估，證明了該評(píng)估模型整體性能比傳統(tǒng)算法較優(yōu)。3）通過(guò)兩種客觀權(quán)重方法去確定專(zhuān)利各項(xiàng)特征指標(biāo)的權(quán)重，避免主觀因素對(duì)權(quán)重的影響。