基于深度学习的中文专利自动分类方法研究

[目的/意义] 面向当前国内专利审查和专利情报分析工作中对于海量专利分类的客观需求，设计了7种基于深度学习的专利自动分类方法，对比各种方法的分类效果，从而助力专利分类效率和效果的提升。[方法/过程] 针对传统机器学习方法存在的缺陷，基于Word2Vec、CNN、RNN、Attention机制等深度学习技术，考虑专利文本语序特征、上下文特征以及分类关键特征，设计Word2Vec+TextCNN、Word2Vec+GRU、Word2Vec+BiGRU、Word2Vec+BiGRU+TextCNN等7种深度学习模型，以中国专利为例，选取IPC主分类号的"部"作为分类依据，对比这7种模型与3种传统分类模型在中文专利分类任务中的效果。[结果/结论] 实证研究效果显示，采用考虑语序特征、上下文特征及强化关键特征的深度学习方法进行中文专利分类具有更优的分类效果。     

基于专利数据的技术融合研究综述

[目的/意义] 基于专利数据开展技术融合研究是技术融合研究的主要方式和热点方向,面向为技术融合后续研究工作开展提供参考和启发的目标,对国内外基于专利数据的技术融合研究现状进行较为全面的综述。[方法/过程] 将已有研究按研究内容划分为技术融合测度及预测方法研究、特定领域/多领域间/全领域的技术融合态势测度及趋势预测、技术融合的测度指标研究、影响技术融合的特征因素研究、基于技术融合视角进行技术机会发现以及技术融合与创新的关系研究六类,并对各类别取得的研究成果进行评述。[结果/结论] 基于专利数据开展技术融合研究已经取得一定的成果,但是仍旧存在测度依据不合理、预测方法缺乏验证、全领域研究关注度低的问题,这些问题可通过引入语义关系优化技术融合网络、采用图神经网络技术改进技术融合预测方法、完善全领域技术融合测度和预测方法来解决。     

中美科技博弈背景下的卡脖子技术识别方法研究

[研究目的]利用美国商务部实体清单和商品管制清单公开信息，识别中方卡脖子技术群体、发现卡脖子技术的高区分度特征、揭示卡脖子技术蕴含的核心主题，以期为卡脖子企业及潜在高风险企业的可持续发展提供参考建议。[研究方法]提出卡脖子技术识别研究框架，首先计算实体清单收录企业的美国专利族与商品管制清单技术管制类别的文本相似性来识别卡脖子技术；其次，利用多种机器学习算法挖掘卡脖子技术的关键属性；最后，采用LDA建模提炼卡脖子技术主题及其演化规律。以2018-2021年实体清单新增中国大陆企业为例进行实证研究。[研究结论]从191家中国集团企业受限时持有的17 760件美国专利族中发现889件卡脖子技术；卡脖子技术的影响力、保护力度、市场前景、经营创效等属性均高于对照组；受专利中技术要素跨管制领域流动的影响，卡脖子技术蕴含的三大主题间具有明显的融合趋势。     

基于专利共类和语义分析的技术融合分析方法及其应用

技术融合分析方法研究对于有效揭示技术发展格局、展现技术融合现状具有重要意义。本文应用专利共类分析、语义分析和聚类分析等方法提出了一套测度技术融合态势的研究方法,该方法通过定义并应用语义距离、融合强度和融合广度等指标,经过规则过滤、语义过滤、聚类可视化等步骤,能够更为有效地识别典型融合关系,进而完成技术融合网络的构建和技术融合程度的测度。基于该方法,本文利用全球2014-2018年申请的四方专利家族数据中记载的专利MC共类信息,对全球该时间段内的技术融合态势进行了分析,最终聚类得到172项融合技术,研究发现生物产业和新一代信息技术产业的融合技术的融合强度更强,新材料产业的融合广度更广。     

基于表示学习的技术融合差异度测度方法及其效果研究

[目的/意义] 现有研究进行技术融合差异度测度时仅在分类号层面开展、尚未涉及到分类号背后的技术语义内涵层面,且未对测度方法的效果进行对比,对此,本研究从揭示技术语义的角度进行技术融合差异度测度方法研究和效果比较研究,助力其方法论的完善。[方法/过程] 表示学习技术能够利用海量先验知识计算研究对象的语义差异,因此,提出基于Word2vec和Bert的技术融合差异度测度方法,可以利用专利分类号释义文本和关联专利文本来度量技术融合的差异度,共形成6种测度方法。采用这6种测度方法对2019-2020年申请的四方专利进行技术融合差异度的测度,与现有基于分类号共现频次和共现关系的差异度测度方法进行效果对比。[结果/结论] 研究发现,同时利用专利分类号释义文本和关联专利文本,采用Word2vec进行MC分类号向量化,较之其他方案能够更为有效地测算技术融合差异度,可以在未来技术融合的研究工作中推广应用。     

美国商业管制清单与专利自动映射方法及实证研究

为了高效分析中美在美国商业管制清单(Commerce Control List,CCL)记录的管制技术上的差距,针对CCL清单数据非结构化程度高的问题,提出了一种管制清单数据和专利数据的自动映射方法,实现了从专利视角自动揭示中美技术差距。基于文本挖掘的思想,研究制定了管制清单文本规范化流程,提出了基于TF-IDF (term frequency-inverse document frequency)和Word2Vec的管制清单数据与专利数据自动映射方法和效果评价指标。以2019年美国商业管制清单和2018年全球PCT (Patent Cooperation Treaty)专利申请数据为例进行实证研究,通过评估模型效果,最终发现当文本相似度阈值为0.87时,Word2Vec模型的自动映射结果最优,并以此开展技术差距分析。本研究提出的方法能够自动化映射管制清单数据和专利数据并开展情报分析,分析结果具有较高的可解释性,是提升情报分析时效性的有力手段,具有较高的实际应用价值。     

基于关联规则挖掘的研发团队识别方法研究

针对当前单个人才引进不能很好地满足企业、行业和区域日益升级的人才需求问题,探寻一种新的方法来识别某一机构的核心研发团队,从而为企业、行业和区域批量引进人才提供决策支持.由于传统共现分析方法存在缺陷,研究引入并优化关联规则挖掘中的FP-Growth算法来实现核心研发团队的识别,并以中国科学院长春光学精密机械与物理研究所为对象验证方法的有效性,最后以中国科学院为研究对象进行实证研究.实证研究挖掘得到中科院7支核心研发团队,包括中科院海洋研究所的海洋生物制品课题组等.     

我国创业板上市公司的专利行为研究——以信息技术业为例

选取我国创业板信息技术业的77家上市公司为研究对象,分别对其地域分布现状、专利申请状况、发明专利授权状况、国际专利申请行为以及技术演进进行分析。研究显示,信息技术业正处于发展期,上市公司集中于北京、广东、上海以及江浙一带地区,专利申请数量逐年提高且申请类型以发明专利为主,专利授权率逐步提高,国际专利申请行为与企业国际化战略密切相关,技术演进与社会发展紧密联系。     

基于候选技术辅助生成和多源数据评估的颠覆性技术识别方法研究

[目的/意义]数据驱动的颠覆性技术识别工作的两个难点问题在于：如何准确地获得领域候选颠覆性技术，如何全面有效地评估候选技术的颠覆性潜力。针对这两个问题，提出一种基于候选技术辅助生成和多源数据评估的颠覆性技术识别方法，为颠覆性技术识别工作的开展提供新思路。[方法/过程]针对候选技术获取问题，提出了一种候选技术辅助生成方法，通过词性标注和Head-matching的方法自动构建领域技术层次结构体系，然后结合专家知识判断确定候选颠覆性技术；针对颠覆性潜力评估问题，基于表征“科学—技术—产业—市场”链条的多源数据，界定了两类颠覆性技术，分别是“研究储备高—技术成果多—产业规模大—公众关注高”的潜力型颠覆性技术和“研究储备高—技术成果少—产业规模小—公众关注低”的潜伏型颠覆性技术，并通过计算颠覆性潜力值(DPV)和颠覆性潜伏度(DLV)指标来评估候选技术的颠覆性潜力。[结果/结论]通过在材料领域应用本方法发现，评估得到的DPV较高的3项潜力型颠覆性技术(以石墨烯为代表的二维材料、先进半导体材料和增材制造材料技术)和DLV较高的3项潜伏型颠覆性技术(材料基因组、智能材料和超材料技术)覆盖了专家咨询...