结合高阶神经元的深度神经网络用于专利可转让性评价*
——以电子信息技术领域为例

武玉英 才久然 何喜军

( 北京工业大学经济与管理学院 北京 100124 )

随着现代经济向知识密集型转变，专利已成为衡量国家或企业技术水平、创新能力的最重要指标之一。《2018年深入实施国家知识产权战略加快建设知识产权强国推进计划》中明确强调，大力培育高价值核心专利。从宏观角度看，培育高价值专利的基础是专利价值评估。从微观角度看，专利价值评估是企业通过专利交易获得竞争优势的前提。然而，专利价值具有不确定性及模糊性等特点使得专利价值评估成为一项艰巨的任务[1]。Zhang等[2]认为专利作为一种具有多重价值的可转让资产，价值更高的专利更易交易。据此，Ko等[3]首次提出专利可转让性(Patent Transferability Evaluation，PTE)的概念，即通过交易实现专利潜力的可能性，并从可转让性角度定量评价专利，为专利价值评估提供新思路，对技术交易推荐具有重要意义。但如何评价专利可转让性，目前还未得到科技主体的广泛关注。随着信息技术的进步和数据的组织规模变大，对大规模有效专利数据的分析与评价也提出了新挑战，而发展迅速的机器学习能够有效应对挑战。已有研究基于深度神经网络的思路为专利可转让性评价提供了方法支撑，而结合高阶神经元后，可以进一步模拟专利的各项指标与专利可转让性间复杂的非线性关系。本文将基于专利可转让性角度分析专利，选取与设计专利可转让性评价相关指标，建立适用于大规模数据的专利可转让性评价模型进而评估专利价值，为后续智能化评估专利价值的研究提供参考。……