一种专利价值评估方法、系统、装置及存储介质与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及数据评估处理技术领域，尤其是一种专利价值评估方法、系统、装置及存储介质。背景技术：2.作为一种重要的无形资产，专利越来越受到各行各业的重视，对其质量和商业价值的评估也成为了一个重要的问题。传统的专利价值评估方法主要有以下几类：(1)成本法：也称为重置成本法，是以现行市场价格为基础，以当前时间内重新开发或购置与被评估专利具有相同功能和用途的产品的成本作为计算的标准，从而确定被评估专利权价值的一种评估方法；(2)市场法：又称现行市价法或市场比较法，是指通过市场调查，选择若干个同类专利技术在技术市场中的交易条件和价格作为参考、比较对象，针对待评估专利技术的特点加以适当的调整，从而作出评估的一种方法；(3)收益法：收益法，也称收益现值法，是将待评估专利权在剩余经济寿命期内各期的预期收益用适当的折现率折算到评估基准日现值并进行加总以作为专利权价值的一种评估方法；(4)实物期权法：将专利看做期权，考虑了管理决策者在投资、生产以及产品研发等问题决策中的选择权，因而能充分反映实施专利时决策的选择权价值，更为合理准确地评估专利技术的价值。3.但是，上述方法均不能较为全面地利用专利本身的信息，存在一定的主观性和随机性。鉴于此，如何有效基于专利信息综合地进行合理准确地专利评估一个亟需解决的问题。技术实现要素：4.有鉴于此，本发明实施例提供一种专利价值评估方法、系统、装置及存储介质，能够合理准确地进行专利价值评估。5.一方面，本发明的实施例提供了一种专利价值评估方法，包括：6.获取待评估的专利指标；专利指标包括法律指标集、技术指标集和经济指标集；7.利用第一评估模型，基于预设赋权方法对专利指标进行权重分析，获得多组权重；其中，预设赋权方法包括有监督赋权法和无监督赋权法；8.基于博弈论对多组权重进行综合赋权，得到综合价值分数；9.利用第二评估模型，对专利指标进行价值分析，获得商业价值金额；其中，第二评估模型基于监督模型通过已标注价值金额标签的专利数据训练生成的。10.可选地，获取待评估的专利指标，包括：11.基于专利信息数据库构建专利指标体系；12.其中，专利指标体系基于法律维度、技术维度和经济维度构建得到；13.获取待评估的专利数据，基于专利指标体系将专利数据整理得到专利指标。14.可选地，方法还包括：15.对专利指标中的数值型指标进行数据预处理；16.其中，数据预处理包括基于对数法的偏态分布操作以及归一化操作。17.可选地，无监督赋权法包括主管赋权法和客观赋权法，利用第一评估模型，基于预设赋权方法对专利指标进行权重分析，获得多组权重，包括：18.根据专利指标；19.利用层次分析法进行主观赋权，得到主观权重；20.和，利用熵权topsis法、因子分析赋权法、主成分分析赋权法和critic赋权法分别进行客观赋权，得到若干组客观权重；21.和，利用逻辑回归赋权法进行有监督赋权，得到有监督权重。22.可选地，基于博弈论对多组权重进行综合赋权，得到综合价值分数，包括：23.对多组权重进行任意线性组合，得到第一综合权重；24.基于第一综合权重，通过博弈论优化各组权重的权重系数；并根据矩阵的微分性质进行一阶导数优化，得到目标权重系数集；25.根据目标权重系数集，结合权重确定第二综合权重；其中第二综合权重包括专利指标中各指标的综合权重；26.根据目标权重系数集和权重，确定综合价值分数。27.可选地，根据目标权重系数集和权重，确定综合价值分数，包括：28.根据目标权重系数集和权重，通过综合价值分数公式确定综合价值分数；29.其中，综合价值分数公式为：[0030][0031]式中，score表示综合价值分数，m表示专利指标的数量，wi表示第i项指标的综合权重，vi表示第i项指标取得的分数。[0032]可选地，方法还包括基于监督模型通过已标注价值金额标签的专利数据训练生成第二评估模型的步骤，这一步骤包括：[0033]获取预设期限的专利判例数据；判例数据包括判例金额值；[0034]基于历史消费者物价指数对专利判例数据进行修正，得到价值金额的标签数据；[0035]获取专利判例数据对应专利的专利数据，基于预设专利指标整理得到训练数据；[0036]将训练数据和标签数据输入预构建的监督模型进行金额评估训练，并基于训练结果，对监督模型进行调整，获得第二评估模型。[0037]另一方面，本发明的实施例提供了一种专利价值评估系统，包括：[0038]第一模块，用于获取待评估的专利指标；专利指标包括法律指标集、技术指标集和经济指标集；[0039]第二模块，用于利用第一评估模型，基于预设赋权方法对专利指标进行权重分析，获得多组权重；其中，预设赋权方法包括有监督赋权法和无监督赋权法；[0040]第三模块，用于基于博弈论对多组权重进行综合赋权，得到综合价值分数；[0041]第四模块，用于利用第二评估模型，对专利指标进行价值分析，获得商业价值金额；其中，第二评估模型基于监督模型通过已标注价值金额标签的专利数据训练生成的。[0042]另一方面，本发明的实施例提供了一种专利价值评估装置，包括处理器以及存储器；[0043]存储器用于存储程序；[0044]处理器执行程序实现如前面的方法。[0045]另一方面，本发明的实施例提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如前面的方法。[0046]本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。[0047]本发明实施例首先获取待评估的专利指标；专利指标包括法律指标集、技术指标集和经济指标集；本发明实施例基于法律指标集、技术指标集和经济指标集，从三个维度出发，充分整理专利信息；进而利用第一评估模型，基于预设赋权方法对专利指标进行权重分析，获得多组权重；其中，预设赋权方法包括有监督赋权法和无监督赋权法；通过多种赋权方式得到对应的多组权重，避免评估的随机性；基于博弈论对多组权重进行综合赋权，得到综合价值分数；通过对多组权重进一步综合赋权，使得权重差异更小，实现更好的评价结果的收敛性；最终利用第二评估模型，对专利指标进行价值分析，获得商业价值金额；其中，第二评估模型基于监督模型通过已标注价值金额标签的专利数据训练生成的。除分数评估外，进一步结合价值评估，避免评估的主观性，同时为专利估值提供准确参照。本发明实施例能够合理准确地进行专利价值评估。附图说明[0048]为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0049]图1为本发明实施例提供的一种专利价值评估方法的流程示意图；[0050]图2为本发明实施例提供的一种专利价值评估方法的整体框架流程示意图；[0051]图3为本发明实施例提供的图像超分辨率模型的结构示意图；[0052]图4为本发明实施例提供的pa空间注意力机制结构的示意图；[0053]图5为本发明实施例提供的asft结构的示意图。具体实施方式[0054]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。[0055]一方面，如图1所示，本发明的实施例提供了一种专利价值评估方法，包括：[0056]s100、获取待评估的专利指标；[0057]其中，专利指标包括法律指标集、技术指标集和经济指标集；需要说明的是，一些实施例中，基于专利信息数据库构建专利指标体系；其中，专利指标体系基于法律维度、技术维度和经济维度构建得到；获取待评估的专利数据，基于专利指标体系将专利数据整理得到专利指标。[0058]具体地，如图2所示，基于专利信息数据库构建专利指标体系，共有28项指标。按照法律、技术和经济三个维度划分为三个指标集，具体为：法律维度有9项指标u1＝{u1,1,u1,2,...,u1,9}，技术维度有12项指标u2＝{u2,1,u2,2,...,u2,12}，经济维度有7项指标u3＝{u3,1,u3,2,...,u3,7}。法律指标集包括是否为pct国际专利、专利类型、权利要求数量、独立权利要求数量、从属权利要求数量、剩余有效时间、通过审批时间、说明书页数和附图数量；技术指标集包括同族专利规模、引用数量&排名百分比、被引用数量&排名百分比、引用热度、引用权威度、前置技术热度、前置技术新颖性、当前技术新颖性、获奖指标、技术领域范围、发明人数量和扩散指数，经济指标集包括诉讼次数&排名百分比、许可次数&排名百分比、质押次数&排名百分比、转让次数&排名百分比、优先权次数&排名百分比、无效次数、国际市场覆盖规模。对其中部分指标进行补充说明：[0059]引用热度：将所有专利按照引用关系构建引用网络后，使用pagerank算法生成每个专利的引用热度。pagerank算法的思路就是给定一个有向图，在其上定义随机游走模型，就是一阶的马尔科夫链，假设按照链接关系等概率跳转到下一个节点，持续进行下去。那么pagerank就表示这个马尔科夫链的平稳分布。设引用网络的转移矩阵m。任意时刻的节点概率分布向量rt，下一时刻可以递归得到：[0060]rt+1＝mrt[0061]假设初始时刻位于各节点的概率均相等，初始时刻概率向量r0为：[0062][0063]式中，n表示引用网络中的节点个数，t表示转置。[0064]那么当t趋近于无穷时，可以得到概率分布的极限：[0065][0066]其中，概率向量的极限r即为平稳分布，满足mr＝r。这个概率值就是算法的pagerank值。对应节点的概率值越高，说明该专利节点在专利网络中越重要，引用的热度越高。[0067]进一步地，因为引用网络中的节点不一定是完全连通的，可能存在不相连的节点。因此需要添加随机跳转概率，1-α就是随机跳转的概率，每个节点的概率都相等。相对地，α就是按照有向图指向跳转的概率。最终的平稳分布r满足：[0068][0069]引用权威度：将所有专利按照引用关系构建引用网络后，使用hits算法，用authority值表示每个专利的引用权威度。[0070]hits算法同样也是根据专利的引用和被引用情况来衡量其在引用网络中的重要性。该算法认为，在专利引用网络中，如果一个专利具有很高的重要性，那么这个专利所引用的其他专利也具有较高的重要性，同时如果这个重要性高的专利被其他的专利所引用，那么引用这个专利的其他专利也具有较高的重要性。[0071]在hits算法中将指向别的专利数量定义为hub值，被指向则是定义为authority值。authority高就是权威专利，是指专利本身的质量比较高。hub高就是枢纽专利，其本身综合了较多专利技术。[0072]该算法的基本思想就是，高权威的专利会被很多高枢纽值得专利引用；高枢纽值的专利会引用高权威的专利，二者是相互促进的关系。[0073]可以得到专利i的authority值ai就是所有引用专利i的专利的hub值之和：[0074][0075]其中，任意的hj表示引用专利i的其他专利的hub值。[0076]专利的hub值hi就是所有被专利i引用的专利的authority值之和：[0077][0078]其中任意的aj表示引用专利i的其他专利的authority值。[0079]假设初始状态：[0080][0081]其中n为引用网络中的专利节点个数。[0082]按下述公式迭代至收敛：[0083][0084][0085]其中表示下一次迭代得到的authority值，表示下一次迭代得到的hub值。[0086]并且始终保持规范化，即满足向量和的模均为1：[0087][0088][0089]最后得到的authority值向量收敛到：[0090]a＝(a1,a2,...,an)[0091]其中[0092]hub值向量收敛到：[0093]h＝(h1,h2,…,hn)[0094]其中[0095]设专利引用网络的邻接矩阵为an×n，则根据邻接矩阵的性质有：[0096]h＝aa[0097]a＝ath[0098]互相代入消去h，或者消去a，可以分别得到：[0099]a＝(ata)a[0100]h＝(aat)h[0101]那么a为(ata)的主特征向量，代表页面的authority值，值越高的元素代表页面的权威值越高。h为(aat)的主特征向量，代表页面的hub值，数值越高，页面的中心值越高。[0102]前置技术热度：统计本专利所引用专利的总被引用数量，表示前置技术的热度。[0103]前置技术新颖性：统计本专利所引用专利的年份新颖性。使用带时间加权的前向引用表示，超过5年的每个引用记为1，5年内的每个专利记为5/(1+本年-发明年份)。然后对引用专利求和，作为本专利的前置技术新颖性指标。[0104]当前技术新颖性：统计引用本专利的其他专利的年份新颖性。使用带时间加权的后向引用表示，即被引用专利与本专利年份时间差。[0105]扩散指数：用引用本专利的其他专利的ipc并集的大小表示。后续技术的分布越广说明其原创性和启发性越高。[0106]国际市场覆盖规模：统计专利族覆盖的国家和地区数量，并对不同国家地区市场规模进行加权，目前采用2021年各国家地区的gdp占比进行权重的赋值。[0107]而其它指标，如专利类型、权利要求数量等可以基于专利信息直接或间接获得，因此不做赘述。[0108]s200、利用第一评估模型，基于预设赋权方法对专利指标进行权重分析，获得多组权重；[0109]其中，预设赋权方法包括有监督赋权法和无监督赋权法；[0110]需要说明的是，一些实施例中，还包括对专利指标中的数值型指标进行数据预处理的步骤，其中，数据预处理包括基于对数法的偏态分布操作以及归一化操作。[0111]具体地，在赋权之前进行数据预处理操作引用次数、被引用次数、权利要求数量等呈偏态分布，使用y＝log(1+x)进行变换；其他数值型指标也均进行归一化操作(包括minmax)。[0112]一些实施例中，无监督赋权法包括主管赋权法和客观赋权法，利用第一评估模型，基于预设赋权方法对专利指标进行权重分析，获得多组权重，包括：根据专利指标；利用层次分析法进行主观赋权，得到主观权重；和，利用熵权topsis法、因子分析赋权法、主成分分析赋权法和critic赋权法分别进行客观赋权，得到若干组客观权重；和，利用逻辑回归赋权法进行有监督赋权，得到有监督权重。[0113]具体地，使用的赋权算法包括有监督赋权法和无监督赋权法(包括主观赋权法和客观赋权法)。具体为：主观赋权法有层次分析法，客观赋权法有熵权topsis法(即熵权法+topsis，先使用熵权法得到权重，然后利用权重进行topsis法研究)、因子分析赋权法、主成分分析赋权法和critic赋权法，以及有监督赋权法是基于5年专利维持信息的逻辑回归赋权法。[0114]层次分析法是对于m个指标{u1,u2,...,um}，比较两两指标之间的相对重要程度，所对应的评估尺度值如表1所示：[0115]表1[0116][0117][0118]指标i对指标j的评估尺度值填入判断矩阵a的第i行第j列，显然a的对角线恒为1，且对角线对称的两元素互为倒数，即aji＝1/aij。[0119]理想化的判断矩阵a应当满足一致性条件，即aij＝aikakj。实际案例中的a需要通过一致性检验，以确认近似满足一致性。[0120]令a的最大特征值为λmax，则定义移植性指标ci：[0121][0122]ci值越小证明一致性越好，理想情况下ci＝0。考虑到一致性的偏离可能是由于随机原因造成的，因此引入随机一致性指标ri衡量随机因素所造成的一致性偏离的大小，以此对ci值进行修正。ri指标通过查表2直接获得：[0123]表2[0124]矩阵阶数12345678910ri000.580.901.121.241.321.411.451.49[0125]最终适应的检验统计量为cr：[0126][0127]当cr《0.1时，认为判断矩阵的一致性是可以接受的，否则须要对判断矩阵作适当修正。[0128]如果判断矩阵a通过检验，那么a的最大特征值λmax对应的特征向量ξmax进行归一化操作后得到向量w＝(w1,w2,…,wm)，wi就对应第i个指标的权重值。[0129]熵权法是针对n条专利样本信息，有m个指标对其进行评估，设第j条专利在第i项指标上取得的值为xij。[0130]首先，针对各项指标，进行标准化操作，例如采用最小值最大值标准化：设某指标在一系列的专利上取值为{xj}，其中最小值为xmin，最大值为xmax，那么对任意的xj进行最小值最大值标准化操作得到的结果为：[0131][0132]由此从原始数据xij得到标准化后的数据yij，表示第i项指标在第j条专利得到的标准化后的值。[0133]接下来可以得到第项指标的信息熵：[0134][0135]信息熵的取值范围为[0,1]。e越大，表示指标i的离散程度越大，可以得到更多的信息。因此，应该给予该指标更高的权重。由此设定各项指标的权重值分别为：[0136][0137]topsis算法作为熵权法结果的修正。对于经过标准化操作的评价指标矩阵y，其中的元素yij表示第i项指标在第j条专利得到的标准化后的值。基于此矩阵构建规范化矩阵，其目的是使得列向量为单位向量，方便后续统一进行距离的计算。规范化矩阵r中的元素：[0138][0139]接下来通过数据的规范化矩阵计算权重的规范化矩阵v：[0140]vij＝wirij[0141]要通过权重规范化值分别确定正理想解(最优目标)和负理想解(最劣目标)。正理想解就是各指标都从样本中取到最优值，负理想解就是各指标都从样本中取到最差值。有：[0142][0143][0144]其中：[0145][0146][0147]和分别表示指标i所对应的样本取值中的最大值与最小值。[0148]之后计算每个目标到正理想解和负理想解的距离：[0149][0150][0151]最后就可以得到当前目标到理想解的贴近度：[0152][0153]其中ci的取值范围为[0,1]，越贴近理想解，说明该指标越重要。最后对ci进行归一化操作：[0154][0155]所得到的就是使用topsis算法对熵权法得到的权重进行修正的结果，作为模型的指标权重。[0156]因子分析的目的是，用少数几个因子去描述多个指标之间的联系，而因子本身不一定具备具体的物理意义。然后对于每个指标，计算共性因子的累计贡献率，根据贡献率的高低来确定权重大小。[0157]与之相对应的，主成分分析是由原有特征线性加权得到。那么指标权重的大小就根据主成分的方差贡献率的高低进行确定。[0158]critic方法综合了标准离差法和相关系数法，基于两个基本假设：同一指标内部数值的标准差越大则信息量越大，两个指标之间具有更强的正相关性说明两个指标冲突性较低。[0159]设经过归一化操作后的第j条专利在第i个指标上的取值为xij，且归一化后的第i个指标的平均值为那么使用第i个指标的标准差s表示指标本身的信息量：[0160][0161]标准差越大表示该指标的数值差异越大，越能反映出更多的信息，该指标本身的评价强度也就越强，应该给该指标分配更多的权重。[0162]指标的冲突性由相关系数进行表示。设指标i与指标j之间的相关系数为rij，那么使用：[0163][0164]来表示指标i本身与其他指标之间整体的相关程度。ri越小表示与其他指标的冲突性越小，反映出相同的信息越多，所能体现的评价内容就越有重复之处，一定程度上也就削弱了该指标的评价强度，应该减少对该指标分配的权重。[0165]因此综合信息量和冲突性，得到critic值：[0166][0167]ci越大，第i个评价指标在整个评价指标体系中的作用越大，就应该给其分配更多的权重。因此经过归一化操作得到第i个指标的权重值：[0168][0169]s300、基于博弈论对多组权重进行综合赋权，得到综合价值分数；[0170]需要说明的是，一些实施例中，包括：对多组权重进行任意线性组合，得到第一综合权重；基于第一综合权重，通过博弈论优化各组权重的权重系数；并根据矩阵的微分性质进行一阶导数优化，得到目标权重系数集；根据目标权重系数集，结合权重确定第二综合权重；其中第二综合权重包括专利指标中各指标的综合权重；根据目标权重系数集和权重，确定综合价值分数。[0171]其中，一些实施例中，根据目标权重系数集和权重，确定综合价值分数，包括：根据目标权重系数集和权重，通过综合价值分数公式确定综合价值分数；其中，综合价值分数公式为：[0172][0173]式中，score表示给定一篇专利的综合价值分数，m表示专利指标的数量，wi表示第i项指标在赋分体系中的权重，vi表示该专利在第i项指标取得的分数(取值[0,1])。[0174]具体地，根据博弈论的纳什均衡理论，对于多组权重值，模型可以极小化综合权重与各初始权重之间的偏差，寻求得到一个最优组合状态。设有l种方法为m个评价指标计算权重，设第k组权重向量为uk＝(uk1,uk2,…,ukm)，则l个不同向量的任意的线性组合得到的综合权重向量为：[0175][0176]运用博弈论思想优化l个权重系数αk，使得u与各个uk的离差极小化，即：[0177][0178]其中，αj表示第j组权重的权重系数向量，t表示转置，ui和uj分别表示第i组和第j组权重向量。[0179]根据矩阵的微分性质，去最优化一阶导数，转化为：[0180][0181]根据上式求得(α1,α2,…,αl)，那么最终第i项评价指标的综合权重为：[0182][0183]其中，αk表示第k组权重的权重系数，uki表示第k组第i项评价指标的权重。[0184]进而通过生成的权重{w1,w2,…,w28}，得到专利的综合价值分数：[0185][0186]其中，score表示综合价值分数，m表示专利指标的数量，wi表示第i项指标在赋分体系中的权重，vi表示该专利在第i项指标取得的分数。所得分数为百分制，分数越高表示综合价值越高。[0187]s400、利用第二评估模型，对专利指标进行价值分析，获得商业价值金额；[0188]其中，第二评估模型基于监督模型通过已标注价值金额标签的专利数据训练生成的；需要说明的是，一些实施例中，还包括基于监督模型通过已标注价值金额标签的专利数据训练生成第二评估模型的步骤，这一步骤包括：获取预设期限的专利判例数据；判例数据包括判例金额值；基于历史消费者物价指数对专利判例数据进行修正，得到价值金额的标签数据；获取专利判例数据对应专利的专利数据，基于预设专利指标整理得到训练数据；将训练数据和标签数据输入预构建的监督模型进行金额评估训练，并基于训练结果，对监督模型进行调整，获得第二评估模型。[0189]具体地，监督模型可以选用xgboost模型，基于xgboost模型进行专利商业价值评估模型训练，具体描述如下。专利价值评估的指标也涉及法律、技术和经济三个维度，但是在具体指标的选择上与综合质量评价的指标有差异，专利价值评估的指标更加侧重于经济价值。具体指标的选择如图3所示。[0190]由于专利价值评估问题本身的复杂性，不能直接采用线性模型进行建模评估，因此采用xgboost模型对专利价值评估进行建模。采用1991-2021部分专利的法院判例数据进行模型训练。[0191]在模型训练之前进行数据预处理操作，引用次数、被引用次数、权利要求数量等呈偏态分布，使用对数法进行变换；其他数值型指标也均进行minmax归一化操作。[0192]判例金额值对于30年来的时间跨度，参考历年消费者物价指数(consumer price index，cpi)值进行修正，统一为2021年的购买力。[0193]筛选出介于100元至1亿元的金额，并采用以10为底的对数进行处理。筛选出赔偿金额大于等于100元小于等于1亿元的专利信息，并且对赔偿金额取以10为底的对数进行处理，使得赔偿金额由长尾分布转变为近似于正态的单峰分布，以此为预测目标。同时将相应专利归一化后的指标值输入模型进行训练，得到相应的专利价值评估模型。[0194]进而将选定的23项指标{v1,v2,…,v23}输入训练完成的模型，得到专利的商业价值金额的以10为底的对数值，再经过指数还原得到评估的具体金额：[0195]price＝exp(fxgboost(v1,v2,…,v23))[0196]针对回归实验的xgboost模型中，各指标的shap值可视化(如图4所示)可以看到，新添加的指标rd、forwardcitnumn、pagerank、weighed_cited、weighed_cit等指标的shap值均较高，证明其在模型中的贡献程度较大，说明这些新添加的指标具有一定的价值，相较于原始模型有所提升。[0197]一些具体实施例中，本发明的实现流程如图5所示，包括：[0198]1、按照图2所示指标建立专利综合价值指标体系；[0199]2、多种赋权方法生成综合价值评估权重，包括层次分析法，熵权法+topsis、因子分析赋权法、主成分分析赋权法、critic赋权法以及基于5年专利维持信息的逻辑回归赋权法；[0200]3、利用基于博弈论的综合赋权法，得到综合权重，用于专利综合价值指标体系；[0201]4、按照图3所示指标建立专利商业价值指标体系；[0202]5、利用专利商业价值指标和1991-2021部分专利的法院判例数据，进行专利商业价值评估模型训练；[0203]6、按照指标集给定专利的数据，输入专利综合价值评估模型和专利商业价值评估模型，分别生成专利综合价值分数和专利商业价值金额。[0204]综上所述，与现有技术相比，本发明至少包括如下有益效果：一、深入挖掘引用信息。考虑专利的影响力，根据专利的具体引用信息构建引用网络，网络中的节点表示专利，有向边表示引用关系。然后采用图分析算法，包括pagerank和hits算法，对引用网络中的专利节点的引用热度和引用权威度进行分析。相对于常规模型只统计引用和被引用数量，该模型挖掘出专利引用更深层次的信息；二、以真实的专利数据作为参考，具有说服力和可信度。采用真实的专利5年内维持信息作为专利综合质量分数的参考，以及专利真实的法院判例数据作为专利价值评估的参考。有研究表明，专利本身的维持信息可以作为其是否为高质量专利的一个评估标准。调查表明我国专利整体维持时间较短，授权后约有一半的专利在5年内放弃，其原因可能是申请专利的目的出自完成任务，或者对企业来说专利本身经济价值不高，没有继续缴纳年费维持下去的动力。因此专利5年内维持情况可以作为专利综合质量的一个评判标准。同样，法院判例数据是在实际司法过程中产生的，通过法院以及相关机构经过权衡后得到的金额，能够真实表现专利价值高低；三、针对回归实验的xgboost模型中，各指标的shap值可视化(如图4所示)可以看到，新添加的部分指标的shap值均较高，证明其在模型中的贡献程度较大，说明这些新添加的指标具有一定的价值，相较于不包括上述指标的原始模型有所提升；四、不需要进行专家评分，降低专利价值评估难度，并且减少评估过程中存在的主观性和随机性。[0205]另一方面，本发明的实施例提供了一种专利价值评估系统，包括：第一模块，用于获取待评估的专利指标；专利指标包括法律指标集、技术指标集和经济指标集；第二模块，用于利用第一评估模型，基于预设赋权方法对专利指标进行权重分析，获得多组权重；其中，预设赋权方法包括有监督赋权法和无监督赋权法；第三模块，用于基于博弈论对多组权重进行综合赋权，得到综合价值分数；第四模块，用于利用第二评估模型，对专利指标进行价值分析，获得商业价值金额；其中，第二评估模型基于监督模型通过已标注价值金额标签的专利数据训练生成的。[0206]本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。[0207]本发明实施例的另一方面还提供了一种专利价值评估装置，包括处理器以及存储器；[0208]存储器用于存储程序；[0209]处理器执行程序实现如前面的方法。[0210]本发明方法实施例的内容均适用于本装置实施例，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。[0211]本发明实施例的另一方面还提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如前面的方法。[0212]本发明方法实施例的内容均适用于本计算机可读存储介质实施例，本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。[0213]本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。[0214]在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。[0215]此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。[0216]功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。[0217]在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行装置、装置或设备(如基于计算机的装置、包括处理器的装置或其他可以从指令执行装置、装置或设备取指令并执行指令的装置)使用，或结合这些指令执行装置、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行装置、装置或设备或结合这些指令执行装置、装置或设备而使用的装置。[0218]计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。[0219]应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。[0220]在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。[0221]尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。[0222]以上是对本发明的较佳实施进行了具体说明，但本发明并不限于实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!