基于异构属性图的专利价值评估方法与系统

本发明涉及专利评估技术领域，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。

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。

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。发明人发现，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。

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。

本发明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。

为解决上述问题，本发明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：

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。

可选的，步骤S1包括：

S11.将专利属性记为ri(i＝1,2,3...Nr)，提取专利的属性ri的每个取值rij(j＝1,2,3...Nv)并对应生成属性网络中的属性节点vij(j＝1,2,3...)；

S12.生成专利节点uk(k＝1,2,3...Nu)，将各个专利节点uk的第i种属性的取值记为uki；

S13.将属性网络中边的种类与属性ri(i＝1,2,3...Nr)对应，每种属性ri对应一种类型的边r’i，当专利节点uk的第i种属性取值uki与属性节点vij对应的属性值rij相等时，则将该专利节点uk与属性节点vij以边r’i连接；

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。

可选的，步骤S2包括：

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：

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；

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eu，其公式如下：

此外，本发明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：

异构图构建模块，用于构建专利的异构属性图；

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；

评估模块，利用专利对应的属性网络表征评估专利价值。

本发明有以下优点：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。

图1为本发明实施例方法的基本流程示意图。

图2为本发明实施例中异构属性网络示意图。

图3为本发明实施例中神经网络结构示意图。

图4为本发明实施例中基于异构属性图的专利价值评估系统示意图。

为了能够更清楚地说明本发明的目的、实施方案和优点，下面将对本发明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发明的一部分实施例，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，都属于本发明的保护范围。

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：

S1.构建专利异构属性图；

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。

步骤S1构建专利异构属性图的过程包括：

S11.提取专利属性，将专利属性记为ri(i＝1,2,3...Nr)，提取专利的属性ri的每个取值rij(j＝1,2,3...Nv)并对应生成属性网络中的属性节点vij(j＝1,2,3...)；

S12.生成专利节点uk(k＝1,2,3...Nu)，将各个专利节点uk的第i种属性的取值记为uki；

S13.将属性网络中边的种类与属性ri(i＝1,2,3...Nr)对应，每种属性ri对应一种类型的边r’i，当专利节点uk的第i种属性取值uki与属性节点vij对应的属性值rij相等时，则将该专利节点uk与属性节点vij以边r’i连接；

其中，专利属性包括申请时间、申请单位、发明人、专利申请号、标题、行业分类、第一发明人、被引用专利数量、引用专利数量、到期日、法律状态；

如果选取的属性是连续型属性，则可使用等距离散化将连续属性离散化后再生成属性节点；

如图2所示的异构属性图，例如选取的属性是申请日，则可将时间数据以月为间隔做离散化，即分为2022年1月、2021年5月，并生成对应2022年1月的属性节点v41和对应2021年5月的属性节点v42；

在不同的实施例中，专利的属性可以是不同的，只要合理选择专利属性，提取了专利的属性并生成属性节点，再进一步生成异构属性图，就完成了对专利的属性相关性的建模，从而更好地提取出了专利的特征，改善专利质量评估的效果。

如图3所示，步骤S2包括：

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，在本实施例中，初始向量是one-hot向量，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：

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LeakyReLU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，×是向量内积；

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eu，其公式如下：

其中，L＝5，即该图神经网络有五层。

在本实施例中，利用专利对应的属性网络表征eu，采用全连接神经网络进行专利价值的评估预测，其公式如下：

Q＝σ(Weu)

其中，Q为专利价值的评估预测结果，W为神经网络的参数，σ为sigmiod函数。

此外，本实施例还提供一种基于基于异构属性图的专利价值评估系统，参见图4所示，包含：异构图构建模块、异构图表征模块、评估模块，其中：

异构图构建模块，用于构建专利的异构属性图；

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；

评估模块，利用专利对应的属性网络表征评估专利价值。

基于上述方法，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程以执前述基于异构属性图的专利价值评估方法的计算机程序。

基于同一发明构思，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于半导体存储器、磁芯存储器、磁盘存储器等)上实施的计算机程序产品的形式。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换不需要花费创造性劳动。在不脱离本发明的原理和精神的情况下对实施方式进行变化、修改、替换仍落入本发明的保护范围。