基于异构属性图的专利价值评估方法与系统技术方案

本发明专利技术提出了一种基于异构属性图的专利价值评估方法及系统。本发明专利技术方法包括提取专利数据；构建专利异构属性图，其步骤为生成属性节点v

【技术实现步骤摘要】
基于异构属性图的专利价值评估方法与系统


[0001]本专利技术涉及专利评估
，尤其涉及一种基于图神经网络的专利价值评估的方法与系统。

技术介绍

[0002]随着各产业的研究和发展，专利的应用已经是保护知识产权的最重要方法之一，同样也成为公司的重要事务之一。在过去的数十年，大量的专利被申请，许多公司甚至平均每年申请上千个专利。对于公司而言，管理众多的专利是一个重要的事务；其中，对专利的价值评估及其重要。准确的预测一个专利的价值，可以帮助公司提前保护这个专利。
[0003]在过去的专利价值评估研究中，研究者通常将专利的被引用数次数为专利价值体现的一个重要指标。被引用次数越多，意味着专利的价值越高。传统的方法中，研究者常常通过分析引用关系来评估专利的价值，专利价值评估的质量不高。专利技术人发现，传统的方法中缺乏对专利属性相关性建模的方法，这是专利价值评估的质量不高的重要原因。
[0004]目前较为流行的基于图神经网络的专利评估方法通过专利之间的引用关系建立边，但是这样会导致非常相似的专利节点才有边，复杂网络的“弱连接”效应表明：相似的节点间进行信息传播是意义不大的，相对于有引用关系，非常相似的专利节点而言，我们更有可能从关系不大的专利中获取更丰富的综合信息。而图神经网络中传统的同构图中只存在一种类型的节点和边，限制了我们对专利信息的表达，我们需要使用异构网络来描述专利之间多种类型和各种复杂的关系，实现专利属性相关性建模，从而提高专利价值评估的质量。因此现有技术需要从一个新的角度进行突破。
专利
技术实现思路

[0005]本专利技术的目的是克服现有专利价值评估方法中，因为忽略了专利属性相关性建模，从而导致专利价值评估质量不佳的问题。
[0006]为解决上述问题，本专利技术提供一种基于异构属性图的专利价值评估方法，其特征在于，包括如下步骤：
[0007]S1.构建专利异构属性图，包括两种类型的节点，专利节点和属性节点，属性节点是由专利的属性值构成，专利节点和属性节点之间的边对应了属性类型；
[0008]S2.使用图神经网络处理专利异构属性图，得到专利的属性网络表征；
[0009]S3.利用专利对应的属性网络表征，对专利价值进行评估预测。
[0010]可选的，步骤S1包括：
[0011]S11.将专利属性记为r
i
(i＝1,2,3...N
r
)，提取专利的属性r
i
的每个取值r
ij
(j＝1,2,3...N
v
)并对应生成属性网络中的属性节点v
ij
(j＝1,2,3...)；
[0012]S12.生成专利节点u
k
(k＝1,2,3...N
u
)，将各个专利节点u
k
的第i种属性的取值记为u
ki
；
[0013]S13.将属性网络中边的种类与属性r
i
(i＝1,2,3...N
r
)对应，每种属性r
i
对应一种
类型的边r
’
i
，当专利节点u
k
的第i种属性取值u
ki
与属性节点v
ij
对应的属性值r
ij
相等时，则将该专利节点u
k
与属性节点v
ij
以边r
’
i
连接；
[0014]可选的，步骤S1中，如果选取的属性是连续型属性，则将连续属性离散化后再对应生成属性节点。
[0015]可选的，步骤S2包括：
[0016]S21.将专利节点，属性节点与边的初始向量输入异构图神经网络进行迭代运算，专利节点u、属性节点v以及边的网络表征在异构图神经网络第l层更新公式如下：
[0017][0018][0019][0020]其中，为专利节点u在第l层图神经网络的向量，为属性节点v在第l层图神经网络的向量，σ是非线性的激活函数，N(u)为与节点u相连的节点与边的集合，是图神经网络中待训练的参数，为专利节点u与专利节点v之间边的向量，
×
是可选定的函数；
[0021]S22.利用专利节点各层的向量得到专利节点u的属性网络表征e
u
，其公式如下：
[0022][0023]此外，本专利技术还提供一种基于异构属性图的专利价值评估系统，包含：异构图构建模块、异构图表征模块、评估模块，其中：
[0024]异构图构建模块，用于构建专利的异构属性图；
[0025]异构图表征模块，用于得到专利的属性网络表征，将专利节点用低维向量表示；
[0026]评估模块，利用专利对应的属性网络表征评估专利价值。
[0027]本专利技术有以下优点：充分利用专利的属性特征，将相同属性值的专利通过属性节点作为中介连接，相较于以专利的引用关系作为边相连而言，加入了多关系边的嵌入，这些不同种类连接关系可以得到更加丰富、更加复杂的专利信息。从而适应各种复杂情况，精确地评估专利的价值。
附图说明
[0028]图1为本专利技术实施例方法的基本流程示意图。
[0029]图2为本专利技术实施例中异构属性网络示意图。
[0030]图3为本专利技术实施例中神经网络结构示意图。
[0031]图4为本专利技术实施例中基于异构属性图的专利价值评估系统示意图。
具体实施方式
[0032]为了能够更清楚地说明本专利技术的目的、实施方案和优点，下面将对本专利技术的技术方案进行清楚、完整的描述。显然，所描述的实施例是本专利技术的一部分实施例，对于本领域普通技术人员来讲，不需要创造性的劳动就可以获得其他实施例，都属于本专利技术的保护范围。
[0033]如图1所示，一种基于异构属性图的专利价值评估的方法，包括如下步骤：
[0034]S1.构建专利异构属性图；
[0035]S2.使用图神经网络处理专利异构属性图，得到专利的属性网络表征；
[0036]S3.利用专利对应的属性网络表征，对专利价值进行评估预测。
[0037]步骤S1构建专利异构属性图的过程包括：
[0038]S11.提取专利属性，将专利属性记为r
i
(i＝1,2,3...N
r
)，提取专利的属性r
i
的每个取值r
ij
(j＝1,2,3...N
v
)并对应生成属性网络中的属性节点v
ij
(j＝1,2,3...)；
[0039]S12.生成专利节点u
k
(k＝1,2,3...N
u
)，将各个专利节点u
k
的第i种属性的取值记为u
ki
；
[0040]S13.将属性网络中边的种类与属性r
i
(i＝1,2,3...N
r...

【技术保护点】

【技术特征摘要】
1.一种基于异构属性图的专利价值评估方法，其特征在于，包括：S1.构建专利异构属性图，包括两种类型的节点，专利节点和属性节点，属性节点是由专利的属性值构成，专利节点和属性节点之间的边对应了属性类型；S2.使用图神经网络处理专利异构属性图，得到专利的属性网络表征；S3.利用专利对应的属性网络表征，对专利价值进行评估预测。2.根据权利要求1所述的一种基于异构属性图的专利价值评估方法，其特征在于，步骤S1中，如果选取的属性是连续型属性，则将连续属性离散化后再对应生成属性节点。3.根据权利要求1或2所述的一种基于异构属性图的专利价值评估方法，其特征在于，步骤S1包括：S11.将专利属性记为r
i
(i＝1,2,3...N
r
)，提取专利的属性r
i
的每个取值r
ij
(j＝1,2,3...N
v
)并对应生成属性网络中的属性节点v
ij
(j＝1,2,3...)；S12.生成专利节点u
k
(k＝1,2,3...N
u
)，将各个专利节点u
k
的第i种属性的取值记为u
ki
；S13.将属性网络中边的种类与属性r
i
(i＝1,2,3...N
r
)对应，每种属性r
i
对应一种类型的边r
’
i
...

【专利技术属性】
技术研发人员：程戈，曹果，尹智斌，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：