高校可转化专利识别模型构建——以人工智能领域为例

发布时间：2024-04-27 22:22

　　[目的/意义]探索构建高校可转化专利识别模型,精准锁定存在转化价值的专利,对提升高校专利转化效率具有促进作用。[方法/过程]以人工智能领域为例,首先结合已有研究中使用的专利评估指标,从数据易获取性角度出发,确定了16个指标,并应用主成分分析探索指标之间的相关性,实现对重要指标的筛选;进而,将LDA模型与K-means算法结合,确定专利的技术主题,并与专利评估指标进行融合构建专利特征矩阵;最后,利用AdaBoost算法进行识别模型构建,并应用到对高校可转化专利的识别中,获取每件专利的可转化概率,仿照标准十分评估方法对专利进行划分,确定具备转化价值的专利。[结果/结论]结果显示,将专利技术主题与评估指标融合后,AdaBoost算法分类准确度提高了10%;通过对高校专利的识别,专利可转化概率呈对数常态分布,具备转化价值的专利比重为22.47%,验证了模型的有效性,为高校专利价值评估研究提供了新的研究思路,也为高校科技成果管理部门的专利运营及企业对高校核心专利的识别提供了实践方案。

【文章页数】：7 页

【部分图文】：

图1高校可转化专利识别模型图

使用识别模型对预测集中高校法律状态有效且未发生权利转移的专利进行预测,获取高校每件专利的可转化概率,仿照标准10分评估方法,设置10级阈值,依据概率值进行划分,最终确定具有转化价值的专利。3结果分析

图2企业发明授权专利和转化专利对比趋势图

本文数据来源于佰腾专利数据库,技术领域限定为“人工智能”,时间不限。首先以“中国发明授权专利Not大学And法律状态→有权”为检索式,检索到767件专利;以“中国发明授权专利Not大学And法律状态→有权And法律事件→权利转移”为检索式,检索到231件专利;以“中国发明授权专利....

图3技术主题对分类算法性能评估对比图

表46种分类算法性能比较AdaBoost逻辑回归K近邻支持向量机人工神经网络随机森林去除主题因素0.6530.6880.6490.7250.7050.685包含主题因素0.755↑0.710↑0.703↑0.727↑0.733↑0.700....

图4高校专利可转化概率分布趋势图

在10级评分的基础上,依据每件专利的可转化概率绘制柱状图,并添加趋势线(见图4)。分析图4发现,高校专利可转化概率呈对数曲线分布,拟合对数函数方程为y=-0.319ln(x)+1.8511,R2=0.7081,考虑到搜集的专利指标数据基本上是截面数据,判定系数为0.71,表明....

本文编号：3965791