基于专利分析的氢能产业链划分及核心专利识别研究

[目的/意义]基于专利分析对氢能产业链进行划分并识别核心专利,为精准了解氢能产业链核心技术方向和专利布局提供情报支持和参考。[方法/过程]以专利分类号为技术信息载体,使用重心模型对氢能产业链技术进行划分;从技术价值、经济价值和法律价值三个方面构建核心专利识别指标体系;结合熵权法和灰色关联度分析法对专利进行打分,筛选和分析产业链各环节核心专利。[结果/结论]氢能产业链上游为氢能制取技术,中游为氢能储运技术和加氢基础设施技术,下游为燃料电池技术和氢化工原料技术。上游环节发展最早,核心专利数量少且整体质量较低,下游环节核心专利数最多且专利有效率最高。结合核心专利识别结果,针对氢能产业链各环节提出了发展建议。

专利寿命视角下的核心专利识别模型构建

文章基于专利寿命视角构建核心专利识别模型,为核心专利的识别以及专利情报分析提供新视角及研究模型。从专利寿命视角出发,筛选影响专利寿命的因素;建立基于深度学习生存预测算法的专利寿命预测模型,通过预测得出专利生存概率;根据设置的生存概率阈值筛选核心专利。研究发现:5种深度学习模型在专利寿命预测中均具有较好表现,其中MTLR模型的整体性能最好。通过与前人研究进行交叉验证后,设置16年为核心专利的生存阈值,根据MTLR模型和设置的生存阈值对5G关键技术领域的核心专利进行筛选,最终选出141项核心专利;对核心专利的技术主题进行聚类后发现,其技术主题集中在无线接入技术以及软件定义网络方面;核心专利相较于非核心专利,保护范围更大、权利更稳定、技术影响力更强。

基于SMOTE-LOF-Adaboost模型的核心专利识别研究

针对核心专利识别准确率低的问题,重构指标体系;针对传统核心专利识别方法处理不平衡数据效果欠佳,提出重采样技术与集成算法的组合模型。首先,在传统指标构建基础上加入专利发明人相关指标;其次,使用合成少数类过采样算法(SMOTE)增加少数类样本解决数据不平衡问题,采用局部离群因子(LOF)算法对新生成样本进行降噪处理,并与自适应集成算法(Adaboost)组合成SMOTE-LOF-Adaboost模型;最后,以智慧芽专利数据库中2012—2016年共22077条光伏领域专利数据为例,使用SVM、Adaboost、SMOTE-Adaboost、SMOTE-LOFAdaboost进行实证分析。结果显示SMOTE-LOF-Adaboost模型AUC均值0.977 6,Recall均值0.986 0,均优于其他3种模型,表明该模型能够提高核心专利预测的准确性。

核心专利识别的共引网络分析研究——以“平坦化工艺”为例

[目的/意义]探索利用专利共引网络识别核心专利的可行性及其方法,发展专利网络分析理论和方法。[方法/过程]首先,构建专利共引和直接引证网络,比较网络参数,分析引用时滞分布差异;其次,定义节点重要性评价指标CPTR;最后,利用CPTR识别核心专利,比较两种网络识别结果。[结果/结论]案例研究发现,专利共引网络和引证网络存在差异,共引网络能够展现专利关系的多样性特征,具有更显著的整体结构和更好的“知识流”传递能力;CPTR指标降低了PageRank算法的约束条件,识别的“平坦化工艺”技术领域内的核心专利的时效性更强。

基于熵权层次分析法的核心专利识别应用研究

本文通过对国内外现有研究文献的梳理分析,从专利自身和专利时效角度出发,采用专利申请、授权和无效三个阶段构建新的指标体系。根据指标查全率、准确性和操作性来选取合适指标,对指标体系识别方法中主观性较强的特点,采用主观、客观结合的熵权层次分析法对指标进行赋值,增加了指标间的客观分析,并对指标选取和赋值方法的可行性和科学性进行了验证。最后本文选用新兴电动汽车行业的充电桩技术为例展开研究,通过结合本文的指标体系模型对专利信息进行统计并获得分数,从而得出专利核心程度的排名,通过实例分析验证了本文核心专利识别模型的可行性,同时案例的选取与运用也具有很高的研究价值。

产业领域细分视角下核心专利识别研究——以太赫兹产业领域为例

核心专利代表着产业领域内最关键的技术,文章提出一种产业领域细分视角核心专利识别方法,以期发现产业核心技术,维持并提高产业竞争优势。首先基于K-Means聚类算法细分产业领域专利,然后根据专利的技术、经济和法律特征构建核心专利识别指标体系,提出基于熵权TOPSIS法的核心专利识别方法,最后针对太赫兹领域进行实证分析。实证结果发现,核心专利的专利权人大多属于太赫兹产业领域的龙头企业,核心专利涉及的主要细分领域基本涵盖了太赫兹领域目前的热点技术,这验证了文章所提出的核心专利识别模型的有效性。

基于ADASYN-LOF-RF模型的核心专利识别研究

目的:针对传统核心专利识别方法处理不平衡数据效果欠佳,和识别准确率低的问题,特重构指标体系,提出重采样与集成算法的组合模型。方法:首先,在传统专利指标的基础上,增加专利发明人指标;其次,采用自适应采样算法ADASYN增加少数类样本以解决不平衡问题,使用局部离群因子LOF对采样后的样本进行降噪,并与随机森林RF组合,形成ADASYN-LOF-RF模型;最后,对智慧芽平台中2012—2016年22077条光伏专利进行分类预测。结果:ADASYN-LOF-RF的准确率A均值为92.28%、召回率R均值为98.04%,优于SVM、RF、ADASYN-RF模型。结论:本组合模型具有很好的分类性能,能够有效识别出核心专利。

核心专利识别指标理论与实证研究

核心专利在产业中具有重要的地位,专利可以划分为核心专利、基本专利、外围专利和重要专利等术语。本文总结归纳了核心专利的特征以及定义,进而,以福建省新能源汽车技术领域为专利数据样本,利用多元回归模型实证分析核心专利识别指标对核心专利的影响效应及解释能力,得到权利要求数量、发明人个数、IPC分类号个数、同族专利数量、引证次数、被引证次数和专利转让回归显著性成立,文献页数回归不显著,对于专利转让更多的是关联企业之间的活动,不能代表核心专利的价值指标,研究结果对于核心专利识别具有重要的指导意义。

基于PageRank改进算法的核心专利发现研究

专利是科技信息及知识的载体,核心专利的识别对创新主体具有重要的意义,本文在深入研究现有基于引用核心专利识别算法优缺点的基础上,综合考虑引文网络度中心性和专利年龄因素,对PageRank算法进行了改进,并将改进后的算法与其他常用算法进行实验对比。结果表明:本文提出的PageRank改进算法在挖掘高质量、新公布核心专利方面具有明显的优势。

高质量发展、核心专利与互惠性文献研究综述

运用文献研究法,对高质量发展、核心专利及互惠性进行梳理分析。首先,对高质量发展进行概念解构、重要性分析、测度指标和实现路径分析;其次,对核心专利识别进行分析整理;最后对互惠性进行概念、类型分析。

专业技术领域核心专利组合识别方法构建及其应用比较

【目的】从识别指标信息的多元与不同赋权及排序算法组配的综合视角,结合大规模数据集的特点,研究核心专利组合识别方法的构建及其应用对比。【方法】通过交叉组配构建5种组合识别方法,选取6项专利特征信息,以人工智能领域为例,从整体与局部层次对比各方法的特征和应用情境。【结果】不同组合识别方法在不同的数据集与时间段有较高的一致性。同时,不同方法识别的结果随着被识别的核心专利数量增加而两两间重合率逐渐减少,例如方法(1)与方法(4)的核心专利重合率由80%降至47%。【局限】仅考虑现实研究中较普遍的核心识别需求,可进一步研究针对特定的、个性化的核心识别需求的专利组合识别方法。【结论】所构建的5种组合识别方法,基于专利数据集的规模、分散程度、时间跨度和特征值表现及技术领域发展的差异,可分别应用到核心专利识别不同应用需求场景中。针对快速发展的人工智能领域,熵权法赋权结合灰色关联分析和熵权法赋权结合TOPSIS这两种方法识别效果更优。