本發(fā)明涉及專利信息處理的相關(guān)技術(shù)領(lǐng)域，具體是一種技術(shù)競(jìng)爭(zhēng)及專利預(yù)警分析方法。

背景技術(shù)：

當(dāng)今社會(huì)處于一個(gè)創(chuàng)新型的時(shí)代，互聯(lián)網(wǎng)日益普及，高新技術(shù)發(fā)展迅猛。企業(yè)如何在激烈的技術(shù)競(jìng)爭(zhēng)環(huán)境中保持領(lǐng)先，提升企業(yè)的整體創(chuàng)新力水平是關(guān)鍵。而在一定意義上，企業(yè)的專利水平代表了企業(yè)的整體創(chuàng)新力水平。所以企業(yè)可以通過(guò)對(duì)現(xiàn)有的專利進(jìn)行分析，實(shí)現(xiàn)技術(shù)競(jìng)爭(zhēng)以及專利預(yù)警。

目前流行的技術(shù)競(jìng)爭(zhēng)及專利預(yù)警分析方法，大多采用人工操作，費(fèi)時(shí)費(fèi)力。基本流程是人工設(shè)定檢索式，在數(shù)據(jù)庫(kù)中檢索出所需要的專題數(shù)據(jù)庫(kù)，手工對(duì)其進(jìn)行分析，再將分析結(jié)果手動(dòng)匯總到圖表中。這類方法存在以下缺陷(1)用戶友好性差：對(duì)檢索式準(zhǔn)確度要求高，檢索式過(guò)于精確，檢索到的專利數(shù)據(jù)少，遺漏度高；檢索式過(guò)于寬松，檢索到的專利數(shù)據(jù)龐大，計(jì)算量大，難以實(shí)現(xiàn)人工量化分析。(2)分析手段效果差：人工對(duì)查找到的專利信息進(jìn)行統(tǒng)計(jì)與技術(shù)分析，不但費(fèi)時(shí)費(fèi)力，而且分析手段落后，未挖掘出專利數(shù)據(jù)的深層信息。(3)分析結(jié)果可視化差：將分析結(jié)果手動(dòng)匯總到圖表，以文字表格的形式，無(wú)法對(duì)專利信息做出綜合評(píng)價(jià)。

技術(shù)實(shí)現(xiàn)要素：

為了解決以上問(wèn)題，本發(fā)明提供一種基于知識(shí)發(fā)現(xiàn)的智能化專利分析方法，并提供給用戶可視化程度高的分析結(jié)果。

本發(fā)明一種基于知識(shí)發(fā)現(xiàn)的技術(shù)競(jìng)爭(zhēng)及專利預(yù)警分析方法,簡(jiǎn)述為：通過(guò)對(duì)知識(shí)產(chǎn)權(quán)數(shù)據(jù)庫(kù)和領(lǐng)域知識(shí)的抽取分析，建立專題數(shù)據(jù)庫(kù)，形成相應(yīng)的數(shù)據(jù)集，并在此基礎(chǔ)上，利用向量空間、神經(jīng)網(wǎng)絡(luò)、數(shù)理統(tǒng)計(jì)等數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)工具，揭示出蘊(yùn)含在數(shù)據(jù)背后的深層信息，并對(duì)分析得到的結(jié)果進(jìn)行智能化分析，向用戶提供可視化報(bào)表，最終實(shí)現(xiàn)專利預(yù)警、專利技術(shù)熱點(diǎn)和空白點(diǎn)分析、技術(shù)生命周期分析。

針對(duì)傳統(tǒng)專利分析中，用戶友好性差，對(duì)檢索式準(zhǔn)確度要求高的問(wèn)題，本發(fā)明在數(shù)據(jù)挖掘步驟中，提出一種基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的聚類方法，用戶可以放寬對(duì)檢索式的準(zhǔn)確度限制。用戶可以設(shè)定寬松的檢索式，檢索出大量相關(guān)度低的專利文件，對(duì)其進(jìn)行神經(jīng)網(wǎng)絡(luò)聚類建立分類器，再輸入用戶待預(yù)警的文件，取出其所在的那一類專利數(shù)據(jù)做進(jìn)一步分析。

本發(fā)明需要保護(hù)的技術(shù)方案表征為：一種基于知識(shí)發(fā)現(xiàn)的技術(shù)競(jìng)爭(zhēng)及專利預(yù)警分析方法，其特征在于，具體步驟包括:(1)數(shù)據(jù)提取階段：根據(jù)用戶輸入的檢索式，建立專題數(shù)據(jù)庫(kù)；(2)數(shù)據(jù)預(yù)處理階段：對(duì)專題數(shù)據(jù)庫(kù)的專利文本進(jìn)行預(yù)處理，形成特征詞-專利權(quán)重矩陣；(3)數(shù)據(jù)挖掘階段：對(duì)形成的專利文本向量，應(yīng)用SOM神經(jīng)網(wǎng)絡(luò)方法和GMM混合高斯模型相結(jié)合的方法進(jìn)行聚類，得到聚類結(jié)果；(4)結(jié)果解釋分析階段：對(duì)每一類專利文件進(jìn)行分析，具體包括專利預(yù)警、專利技術(shù)熱點(diǎn)和空白點(diǎn)分析、或技術(shù)生命周期分析，以及它們的綜合運(yùn)用。

步驟1數(shù)據(jù)提取階段，建立專題數(shù)據(jù)庫(kù)，對(duì)知識(shí)產(chǎn)權(quán)數(shù)據(jù)庫(kù)和產(chǎn)業(yè)領(lǐng)域知識(shí)進(jìn)行抽取分析，得到專利專題數(shù)據(jù)庫(kù)。

步驟2數(shù)據(jù)預(yù)處理階段，其步驟包括：

這里采用的是向量空間模型(VSM),基本思想是將特征詞從專利文件中抽取出來(lái)，不考慮專利文件結(jié)構(gòu)和詞序語(yǔ)義。首先提取專利的標(biāo)題和摘要,再進(jìn)行中文分詞、詞性標(biāo)注、合并同義詞、去停用詞(如圖2所示)。專利文件由特征詞組成的一個(gè)特征向量表示，記作V_i＝(d_i1,d_i2,...,d_im)，其中d_i1表示第一個(gè)特征詞在專利文件i中的權(quán)重。對(duì)于n個(gè)專利文件，形成一個(gè)m×n專利特征矩陣D,D＝[d_ij]_m×n。由于專利文本和特征詞數(shù)量大，而在某個(gè)確定的專利文件中出現(xiàn)的特征詞有限，所以這里d_ij的計(jì)算采用TF-IDF方法，其中f_ij表示第i個(gè)特征詞出現(xiàn)在第j個(gè)專利文件中的頻度，p_i表示含有第i個(gè)特征詞的專利文件數(shù)量。

步驟3數(shù)據(jù)挖掘階段：對(duì)形成的專利特征矩陣，應(yīng)用SOM神經(jīng)網(wǎng)絡(luò)方法和GMM混合高斯模型相結(jié)合的方法進(jìn)行聚類，得到聚類結(jié)果，聚類得到的專利集合對(duì)應(yīng)著不同主題的專利文件。

步驟3.1對(duì)專利向量文本進(jìn)行SOM自組織學(xué)習(xí)訓(xùn)練，得到輸出結(jié)點(diǎn)向量集Y。SOM神經(jīng)網(wǎng)絡(luò)方法的優(yōu)點(diǎn)在于，將高維向量映射為低維向量時(shí)保持向量?jī)?nèi)部拓?fù)浣Y(jié)構(gòu)不變的特性。在這里，我們使用SOM將高維的專利文本數(shù)據(jù)映射到二維平面空間。如圖3所示。

SOM神經(jīng)網(wǎng)絡(luò)模型由輸入層和輸出層組成，輸出層即競(jìng)爭(zhēng)層。輸入層神經(jīng)元個(gè)數(shù)對(duì)應(yīng)專利文件的維度即特征詞數(shù)量m,輸出層神經(jīng)元個(gè)數(shù)這里定義為a，這里將競(jìng)爭(zhēng)層神經(jīng)元排列成二維陣列形式。輸入與輸出層為全連接，輸出層之間為側(cè)向交互連接以相互作用。SOM模型實(shí)現(xiàn)步驟為五步：初始化，競(jìng)爭(zhēng)層神經(jīng)元相互競(jìng)爭(zhēng)，競(jìng)爭(zhēng)層神經(jīng)元相互合作，神經(jīng)元權(quán)值自適應(yīng)，迭代直至收斂。

(1)初始化：輸入與輸出層為全連接，需要對(duì)每個(gè)突觸賦初始權(quán)值，通常選擇[0,1]內(nèi)的小隨機(jī)數(shù)，以實(shí)現(xiàn)無(wú)監(jiān)督映射，得到權(quán)值矩陣W＝[w_ij]_m×a。

(2)競(jìng)爭(zhēng)層神經(jīng)元相互競(jìng)爭(zhēng)：對(duì)于輸入向量Vi,競(jìng)爭(zhēng)層神經(jīng)元根據(jù)判別函數(shù)產(chǎn)生獲勝神經(jīng)元。這里設(shè)置判別函數(shù)為余弦相似度度量函數(shù)，對(duì)于競(jìng)爭(zhēng)層神經(jīng)元b,相似度Sb為:

計(jì)算得S＝[s1,...,sa],選取S中最小值，其對(duì)應(yīng)的即為獲勝神經(jīng)元。

(3)競(jìng)爭(zhēng)層神經(jīng)元相互合作：獲勝神經(jīng)元鄰近的神經(jīng)元容易被激活，所以需要定義激活的領(lǐng)域范圍，μ表示被激活的神經(jīng)元，i表示獲勝神經(jīng)元，σ表示鄰域?qū)挾?隨時(shí)間增加而減小)，τ1是時(shí)間常數(shù)，t是離散時(shí)間變量(0,1,2，...)。鄰域公式定義如下：

(4)神經(jīng)元權(quán)值自適應(yīng)：η(t)表示學(xué)習(xí)率參數(shù)(隨時(shí)間t增加而減小)，η0為初始值，τ2是時(shí)間常數(shù)。權(quán)值向量W的更新公式定義如下：

(5)迭代直至收斂:不斷選取新的專利特征向量重復(fù)以上步驟，迭代訓(xùn)練直至達(dá)到指定迭代次數(shù)或者輸出的二維映射趨于穩(wěn)定。最后得到輸出層為保持高維內(nèi)部拓?fù)浣Y(jié)構(gòu)的二維平面上的n個(gè)點(diǎn)X(x_i,y_i)，具有低維可視化性能。

步驟3.2用GMM混合高斯模型對(duì)X進(jìn)行直接聚類，將其劃分為K類。GMM是一種基于概率的聚類方法，與k均值相比較穩(wěn)定性高、計(jì)算效率高、可理解度好。

GMM模型實(shí)現(xiàn)步驟為四步：初始化GMM模型，E步求數(shù)據(jù)點(diǎn)由各個(gè)高斯成分生成的概率，M步更新GMM模型參數(shù)，迭代直至收斂。

(1)初始化GMM模型：有n個(gè)樣本點(diǎn)，劃分為K類。則GMM模型由K個(gè)高斯分布組成，每一個(gè)高斯分布稱為一個(gè)高斯成分，由他們線性組合成GMM混合模型，這里μ_k為均值向量初始化零，∑_k為協(xié)方差向量初始化為一個(gè)任意大的正數(shù)乘以單位矩陣，π_k初始化為1/n,概率密度函數(shù)和最大似然函數(shù)公式如下：

(2)E步已知μ_k，∑_k，π_k，求樣本點(diǎn)由各個(gè)高斯成分生成的概率：

(3)M步已知γ(i,k)，更新GMM模型參數(shù)：

(4)迭代(2)(3)步驟，至最大似然函數(shù)收斂或者達(dá)到最大收斂次數(shù)。GMM最終得到每個(gè)樣本點(diǎn)被分到所有類別的概率，是一種軟對(duì)應(yīng)關(guān)系，這里我們可以選取概率最大的作為其分類k。

步驟4結(jié)果解釋分析階段，對(duì)聚類之后的專利進(jìn)行分析，每一類專利代表著不同的主題，專利主題內(nèi)部相似度高。具體包括：專利預(yù)警、專利主題戰(zhàn)略坐標(biāo)分析、專利主題生命周期分析。

步驟4.1專利預(yù)警：用戶設(shè)定參數(shù)，具體有檢索式、待預(yù)警的文件、接收預(yù)警的聯(lián)系方式、預(yù)警閾值。具體過(guò)程，如圖4所示。這里，待預(yù)警的文件：是企業(yè)的研發(fā)或者產(chǎn)品技術(shù)特征說(shuō)明書；被檢專利即通過(guò)檢索式在對(duì)知識(shí)產(chǎn)權(quán)數(shù)據(jù)庫(kù)和產(chǎn)業(yè)領(lǐng)域知識(shí)庫(kù)中檢索到的已公開(kāi)專利和文獻(xiàn)。

通過(guò)用戶輸入檢索式，經(jīng)過(guò)上述三步，得到已經(jīng)訓(xùn)練好了分類器。將待預(yù)警的文件進(jìn)行同樣的處理，形成專利特征向量，輸入到分類器中，得到其分類，以及同屬一類的其他專利文獻(xiàn)。

傳統(tǒng)的專利相似度比較方法是比較特征向量的歐氏距離，歐氏距離方法體現(xiàn)的是絕對(duì)值差異。這里我們同樣選取余弦相似度來(lái)度量專利向量之間的相似度，與歐氏距離相比，余弦相似度關(guān)注的是向量的方向差異，對(duì)絕對(duì)數(shù)值不敏感，更適用于專利文本向量。

根據(jù)余弦相似度的度量，得出待預(yù)警的文件與該類別內(nèi)其他專利的相似度，與用戶設(shè)定的閾值進(jìn)行比較，大于閾值則自動(dòng)將相似專利文獻(xiàn)列表發(fā)送給用戶，并附上相似度大小度量值。

步驟4.2專利主題戰(zhàn)略坐標(biāo)分析：用戶輸入檢索式，得到專題數(shù)據(jù)庫(kù)，通過(guò)SOM-GMM聚類得到不同主題的專利文獻(xiàn)。對(duì)不同主題的專利進(jìn)行戰(zhàn)略坐標(biāo)分析，將得到的技術(shù)戰(zhàn)略坐標(biāo)圖發(fā)送給用戶。具體過(guò)程，如圖6所示。

專利技術(shù)戰(zhàn)略坐標(biāo)使用二維象限描述專利主題內(nèi)部關(guān)系與不同專利主題之間的關(guān)系。戰(zhàn)略坐標(biāo)的橫軸表示向心力，縱軸表示密度，劃分為四個(gè)象限。如圖5所示。對(duì)于某一類專利文件，向心度表示該類專利與其他類別專利的鏈接強(qiáng)度，表示與其他類別的聯(lián)系是否緊密，計(jì)算方法可以通過(guò)計(jì)算其特征詞與其他類的特征詞鏈接強(qiáng)度求得。密度表示該類別專利的主題內(nèi)部聯(lián)系是否緊密，計(jì)算方法可以通過(guò)計(jì)算每一對(duì)特征詞在同類不同文獻(xiàn)中出現(xiàn)的次數(shù)的平均值求得。

這里，若該類專利位于第一象限，密度高向心度高，說(shuō)明研究主題趨向成熟，與其他類別聯(lián)系緊密；若該類專利位于第二象限，密度高密度低，說(shuō)明研究主題已經(jīng)形成一定規(guī)模，但與其他專利類別聯(lián)系不密切；若該類專利位于第三象限，密度低向心度低，說(shuō)明研究?jī)?nèi)部結(jié)構(gòu)松散，位于研究的邊緣領(lǐng)域；若該類專利位于第四象限，密度低向心度高，說(shuō)明與其他類別聯(lián)系緊密，但是該領(lǐng)域自身結(jié)構(gòu)不緊密。綜上所述，位于第一象限的專利主題即為當(dāng)前技術(shù)熱點(diǎn)；位于第四象限的專利主題具有發(fā)展?jié)摿?，即技術(shù)空白點(diǎn)，企業(yè)可以針對(duì)這一領(lǐng)域進(jìn)行技術(shù)研發(fā)工作，以在技術(shù)競(jìng)爭(zhēng)中保持優(yōu)勢(shì)。

步驟4.3專利主題技術(shù)生命周期分析：用戶輸入檢索式，得到專題數(shù)據(jù)庫(kù)，通過(guò)SOM-GMM聚類得到不同主題的專利文獻(xiàn)。對(duì)不同主題的專利進(jìn)行技術(shù)生命周期分析，將得到的指標(biāo)曲線圖與技術(shù)成熟度數(shù)據(jù)發(fā)送給用戶。具體過(guò)程，如圖7所示。

采用專利考查來(lái)度量不同專利主題內(nèi)的技術(shù)正處于哪一生命周期，分為生長(zhǎng)期、成熟期、衰老期。通過(guò)對(duì)專利進(jìn)行統(tǒng)計(jì)分析，可以找出其中的內(nèi)在性質(zhì)，其基本原理是技術(shù)在進(jìn)化過(guò)程的不同階段具有不同的屬性。主要考察四項(xiàng)指標(biāo)，專利等級(jí)、專利數(shù)量、性能和獲利能力這四個(gè)指標(biāo)。

對(duì)某一主題內(nèi)的專利進(jìn)行分析，統(tǒng)計(jì)專利等級(jí)和數(shù)量，繪制其隨時(shí)間變化的曲線；調(diào)研主題專利技術(shù)所支持的產(chǎn)品的各種性能和經(jīng)濟(jì)指標(biāo)，選擇合適的性能指標(biāo)作為技術(shù)的主參數(shù)，選擇合適的經(jīng)濟(jì)指標(biāo)表示技術(shù)的獲利能力，可以獲得性能曲線和獲利能力曲線。把得到的四條曲線分別與標(biāo)準(zhǔn)參考曲線相比較，可以判斷所研究的主題專利中的技術(shù)在曲線上的位置，表示專利主題的技術(shù)成熟度，即所在生命周期。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明中的技術(shù)方案，下面附圖進(jìn)行簡(jiǎn)單介紹：

圖1是本發(fā)明中基于知識(shí)發(fā)現(xiàn)的技術(shù)競(jìng)爭(zhēng)及專利預(yù)警分析方法流程圖；

圖2是本發(fā)明中專利文本預(yù)處理示意圖；

圖3是本發(fā)明中SOM-GMM兩階段聚類示意圖；

圖4是本發(fā)明中專利預(yù)警分析流程圖；

圖5是本發(fā)明中專利主題戰(zhàn)略坐標(biāo)示意圖；

圖6是本發(fā)明中專利主題戰(zhàn)略坐標(biāo)分析流程圖；

圖7是本發(fā)明中專利主題技術(shù)生命周期分析流程圖。

具體實(shí)施方式

為了說(shuō)明本發(fā)明所述的技術(shù)方案，下面通過(guò)具體的實(shí)施例來(lái)進(jìn)行說(shuō)明。

本發(fā)明提供了三種專利分析方式，包括專利預(yù)警分析、專利主題戰(zhàn)略坐標(biāo)分析和專利主題技術(shù)生命周期分析，分為三個(gè)實(shí)施例進(jìn)行介紹。

實(shí)施例一

圖4是本發(fā)明專利預(yù)警的方法流程圖。用戶需要輸入檢索式、待預(yù)警文件、預(yù)警閾值。具體包括以下步驟(圖1)：

步驟1數(shù)據(jù)提取階段，根據(jù)用戶輸入的檢索式，在知識(shí)產(chǎn)權(quán)數(shù)據(jù)庫(kù)和領(lǐng)域知識(shí)庫(kù)中進(jìn)行抽取分析，得到專利專題數(shù)據(jù)庫(kù)。

步驟2數(shù)據(jù)預(yù)處理階段，其步驟包括：

提取專利的標(biāo)題和摘要,再進(jìn)行中文分詞、詞性標(biāo)注、合并同義詞、去停用詞以及詞頻統(tǒng)計(jì)。

步驟3數(shù)據(jù)挖掘階段，其步驟包括：

步驟3.1對(duì)專利向量文本進(jìn)行SOM自組織學(xué)習(xí)訓(xùn)練，得到輸出結(jié)點(diǎn)向量集Y。在這里，我們使用SOM將高維的專利文本數(shù)據(jù)映射到二維平面空間。

步驟3.2用GMM混合高斯模型方法對(duì)X進(jìn)行直接聚類，將其劃分為K類。這里，我們選用余弦相似度作為聚類距離，在文本向量的聚類中余弦距離比歐氏距離有更好的表現(xiàn)。

步驟4結(jié)果解釋分析階段，對(duì)聚類之后的專利主題進(jìn)行分析，每一類專利代表著不同的主題，專利主題內(nèi)部相似度高。待預(yù)警文件進(jìn)行同樣的處理，形成專利特征向量，輸入到分類器中，得到其分類，以及同屬一類的其他專利文獻(xiàn)。根據(jù)余弦相似度的度量，得出待預(yù)警文件與該類別內(nèi)專利的相似度，與用戶設(shè)定的閾值進(jìn)行比較，大于閾值則自動(dòng)將相似專利文獻(xiàn)列表發(fā)送給用戶，并附上相似度大小度量值。

實(shí)施例二

圖6是本發(fā)明專利戰(zhàn)略坐標(biāo)分析的流程圖。用戶需要輸入檢索式。具體包括以下步驟：

步驟1、2、3，同實(shí)施例一。

步驟4結(jié)果解釋分析階段：對(duì)聚類之后得到的不同主題專利進(jìn)行戰(zhàn)略坐標(biāo)分析，并向用戶發(fā)送技術(shù)戰(zhàn)略坐標(biāo)圖。技術(shù)戰(zhàn)略坐標(biāo)圖中，向心度表示該類專利與其他類別專利的鏈接強(qiáng)度，計(jì)算方法可以通過(guò)計(jì)算其特征詞與其他類的特征詞鏈接強(qiáng)度求得。密度表示該類別專利的主題內(nèi)部聯(lián)系是否緊密，計(jì)算方法可以通過(guò)計(jì)算每一對(duì)特征詞在同類不同文獻(xiàn)中出現(xiàn)的次數(shù)的平均值求得。綜上所述，位于第一象限的專利主題即為當(dāng)前技術(shù)熱點(diǎn)；位于第四象限的專利主題具有發(fā)展?jié)摿?，即技術(shù)空白點(diǎn)，企業(yè)可以針對(duì)這一領(lǐng)域進(jìn)行技術(shù)研發(fā)工作，以在技術(shù)競(jìng)爭(zhēng)中保持優(yōu)勢(shì)。

實(shí)施例三

圖7是本發(fā)明專利戰(zhàn)略坐標(biāo)分析的流程圖。用戶需要輸入檢索式。具體包括以下步驟：

步驟1、2、3，同實(shí)施例一。

步驟4結(jié)果解釋分析階段，對(duì)聚類之后的專利主題進(jìn)行分析，每一類專利代表著不同的主題，專利主題內(nèi)部相似度高。對(duì)不同主題的專利進(jìn)行技術(shù)生命周期分析，將得到的指標(biāo)曲線圖與技術(shù)成熟度數(shù)據(jù)發(fā)送給用戶。

對(duì)某一主題內(nèi)的專利進(jìn)行分析，統(tǒng)計(jì)專利等級(jí)和數(shù)量，繪制其隨時(shí)間變化的曲線；調(diào)研主題專利技術(shù)所支持的產(chǎn)品的各種性能和經(jīng)濟(jì)指標(biāo)，選擇合適的性能指標(biāo)作為技術(shù)的主參數(shù)，選擇合適的經(jīng)濟(jì)指標(biāo)表示技術(shù)的獲利能力，可以獲得性能曲線和獲利能力曲線。把得到的四條曲線分別與標(biāo)準(zhǔn)參考曲線相比較，可以判斷所研究的主題專利中的技術(shù)在S曲線上的位置，表示專利主題的技術(shù)成熟度，即所在生命周期。