通过选取专利价值评估指标，结合熵权法与人工神经网络算法进行专利价值评估，构建基于混合智能的专利价值评估方法，见图1。该方法可帮助高校及科研院所快速锁定高价值专利，为制定专利运营战略与专利布局提供决策支持。同时，也能为企业快速锁定高校高价值专利提供实践参考。本文遵循“专利价值评估指标选取―基于熵权法与人工神经网络算法专利价值评估研究T基于混合智能的专利价值评估研究”逻辑流程。

　　专利价值评估指标选取高校在专利技术转化时存在专利价值评估能力弱、产学研合作意识弱、市场信息不对称及专利转化成本过高等问题，严重阻碍专利转移转化的积极性与效率，使得耗费大量科研资金获得的专利技术处于闲置或无效状态，直接影响技术创新。为打破专利技术转化障碍,提高专利转化效率,需构建高校专利价值评估方法指标体系。构建该评估方法的第一步为选择评价指标,评价指标的适用度直接关系着专利价值评估方法是否具备可用性和科学性。为保证专利价值评估方法评价的科学性、合理性及可行性,作者在咨询专家意见、结合高校专利特点的基础上,按照可获取性、全面性、重要性、独立性、定性指标与定量指标相结合的原则设计高校专利价值评估方法指标体系。已有研究对评价指标与转移价值的相关性有了充分论证,本文在已有研究基础上,依据国家知识产权局专利管理司《专利价值分析指标体系操作手册》对已有价值评估指标进行扩展与延伸,选取13个指标对专利价值进行评估13-15]。在选取过程中,一是关注指标数据是否易于寻找和统计;二是选取的指标能综合体现专利价值,如发明人数量反映技术研发过程中的合作关系以及核心研究团队规模,权利要求字符数反映专利技术的保护全面程度,被引用专利数量、被引用次数反映专利的技术价值。综合技术、法律、经济3个维度,遵循易获取性、综合性原则,得到13个基于专利文献自身的二级指标,见表1。

　　专利价值评估指标选取

　　高校专利价值评估方法逻辑流程图

　　表1专利指标汇总表

　　一级指标二级指标解释

　　技术指标文献页数反映专利技术细节的描述程度

　　IPC个数反映专利横跨技术领域规模

　　发明人数量反映核心研究团队规模

　　被引证次数反映专利的技术价值

　　家族被引证次数反映专利的技术价值

　　法律指标权利要求数量反映专利保护范围的深度

　　首权字数反映专利技术保护细节描述程度

　　申请人数量反映专利权利人的数量

　　简单同族个数反映专利技术保护全面程度

　　扩展同族个数反映专利技术保护全面程度

　　经济指标引证次数反映专利创新程度

　　家族引证次数反映专利创新程度

　　专利寿命反映专利使用年限

　　1.2基于熵权法与人工神经网络算法的专利价值评估研究

　　(1)熵权法。构建高校专利价值评价指标体系后,下一步是对各评估进行赋权。常用的赋权方法包括主观赋权法与客观赋权法。主观赋权法过分依赖于主观判断,专家素质参差不齐,容易影响评价结果。客观赋权法是基于客观数值的内在联系计算得出指标权重的赋权方法,不受主观判断影响,得出的结果更客观。熵权法属于客观赋

　　权法，本文采用熵值法作为高校专利价值评价的赋权方法。本文将处理后的专利数据根据权利转移次数划分为权利转移实验集与权利未转移实验集，首先将全部专利数据导入指标体系，通过熵权法计算指标权重，根据指标权重对权力转移实验集的每个专利进行打分，算出平均分，而后将权利未转移实验集引入指标体系，也对其进行赋权打分，最后根据权利转移实验集的平均分对权利未转移实验集进行筛选，筛选出高于平均分的权利未转移专利，笔者将其称为有潜在转移价值的专利，并将其归入权利转移数据集，进而得出专利筛选的最终成果。利用熵权法计算指标权重的步骤如下：

　　a.构建原始矩阵。假设有m个被评价专利,n个评价指标，即可构建原始矩阵X：

　　其中，x„表示第t项专利，第i项指标的实际值。

　　b.数据无量纲化处理。消除物理量影响，将

　　各个指标数据进行无量纲化处理：

　　X,-min(X,)

　　max(X,)-min(X)

　　为了数据运算处理有意义，必须消除零和负值，故需对无量纲化后的数据进行整体平移，即

　　Yj=Yj+a,但为不破坏原始数据的内在规律，最大限度地保留原始数据，a的取值必须尽可能的小，即a为最接近匕的最小值，本文取a=0.0001

　　c.熵值计算。计算第j项指标的嫡值：

　　Ej=-盒工：=已lnp)，e’Wl⑶

　　d.差异性系数计算。

　　Gj=1-Ej(4)

　　e.计算第项指标的熵权Wj：

　　Gj

　　Wj=^G，口，2,3……m

　　f.

　　计算综合得分S。将得到的指标权重W•与第i个被评价专利在第j个评价指标上的比值Yj相乘得出各个评价对象的综合得分：

　　s=E”=iW-x.⑹

　　其中S为被评价专利的价值得分，W•为指标权重，兀为被评价专利指标值。

　　(2)人工神经网络算法。为提高有价值专利识别精准度与专利识别效率，本文将人工神经网络算法中的前馈神经网络引入专利价值评估体系。前馈神经网络是使用最广泛的神经网络结构之一，理论上它可以在任意精度下逼近任意函数16]。常见的前馈神经网络有神经网络、高阶神经网络、双并联神经网络等。全连接层是神经网络算法中最早出现的计算结构之一，有原理简单、易于实现、调试方便等优点，被广泛应用在神经网络计算架构，通常被用在局部或全局的节点汇总及特征抽取等业务。所以，本文选择全连接前馈神经网络算法进行专利识别。全连接前馈神经网络通常由一个输入层、若干隐藏层和一个输出层组成，输入层负责展开特征，隐藏层负责对数据进行复杂的非线性变换，输出层负责汇总特征。一般隐藏层层数越多，非线性能力越强，而隐藏层参数越多，模型能够拟合的结果越复杂17]。在前馈神经网络中，不同的神经元属于不同的层，每一层的神经元可以接受到前一层的神经元信号，并产生信号输出到下一层。第0层叫做输入层，最后1层叫做输出层，中间的叫做隐藏层，整个网络中无反馈，信号从输入层到输出层单向传播。全连接层的计算过程可以概括为两步，线性参数计算和非线性激活输出，其第l层的计算公式为：

　　al=fl(Wl*al-1+bl)(7)

　　其中，a与a-表示第i层与第—1层数据的神经元输出，下表示第i层神经元的激活函数，沪表示第i-1层到第i层的权重矩阵,b表示第i-1层到第i层的偏置。由于全连接层具有大量线性变换参数与非线激活函数，因此，多个全连接层首尾相连即可用于近似较为复杂的函数。本文使用RELU函数与Sigmoid函数作为全连接前馈神经网络的激活函数，使学习过程更快收敛且更具鲁棒性。模型损失函数为Binary_Cross_Entropy，

　　且将随机梯度下降法作为模型优化器,训练集与测试集的比例为2:8。本文使用的计算平台为TensorFlow,使用的神经网络实现及训练库为Keras,使用的数据预处理库为sklearn。实现一个由13个特征值的输入层,2个13个特征值的隐藏层,1个输出层的全连接前馈神经网络模型。

　　1.3基于混合智能的专利价值评估方法研究

　　通过熵权法与人工神经网络算法分别筛选出具备转移价值的专利,分别建立专利数据集。熵权法是一种客观赋值法,具有较高的可信度与精确度,人工神经网络算法具有数据处理效率快、对数据进行自主学习与高速寻找优化解等优点,基于此,提出基于人工和机器学习相结合的混合智能方法,糅合二者优点对高校专利数据进行价值评估,对两种评估结果取交集,筛选出两种评估方法下都存在的专利数据,以此作为具有转移价值的专利。

　　2数据来源与处理

　　新能源汽车成为汽车发展方向,新能源汽车技术广受关注。本文对新能源汽车领域专利进行专利价值评估,筛选出高校新能源汽车领域高价值专利,可以深度提升该领域专利转化效率,促进新技术的创新研发。本文数据来源基于IncoPat专利数据库，技术领域限定为“新能源汽车”,申请人限定为“大学”,检索式为：(ALL=(TIABC=(“纯电动汽车”OR“新能源”OR“电动汽车”OR“纯电动车”OR“动力电池组”OR纯“电动”OR“电动汽车动力电池”OR“新能源汽车”OR“电动汽车充电站”OR“电动汽车充电”OR“电动汽车动力电池组”OR“电动汽车电池”OR“电动车辆”OR“动力蓄电池”OR“充电系统”)))AND(AP=(大学))，时间不限,共检索到15,920件专利。通过权利转让次数将数据集划分为“权利已转移”数据集(530件)与“权利未转移”数据集(15,390件),据构建的专利评估指标,获取每件专利的基本数据,构建专利指标数据库。

　　3混合智能专利价值评估方法

　　3.1基于熵权法的高校专利价值评估方法

　　(1)指标的熵值、差异性系数及权重计算。依据“新能源汽车”指标数值无量纲化结果,运用熵值法计算步骤得出各评价指标的权重,见表2。

　　表2新能源汽车评价指标的熵值、差异性系数及权重

　　指标/系数商值民差异系数G权重%

　　权利要求数量0.9820.0180.015

　　文献页数0.9880.0110.009

　　首权字数0.9550.0450.037

　　IPC个数0.9440.0550.046

　　申请人数量0.7730.2270.188

　　发明人数量0.9760.0230.019

　　引证次数0.9170.0820.068

　　被引证次数0.8490.1500.125

　　家族引证次数0.9300.0690.057

　　家族被引证次数0.8820.1170.097

　　简单同族个数0.9080.0910.076

　　扩展同族个数0.8870.1120.093

　　专利寿命(月)0.8020.1980.164

　　(2)确定评估指标体系。通过前期构建的指标体系并将数据导入体系中进行计算,最终得到高校专利价值评估指标的权重,并且将其作为高校专利价值评估方法的最终指标权重。该权重为评价高校专利价值的最终依据,见表3。

　　表3高校专利价值评估指标权重体系

　　维度权重指标权重

　　技术指标34.00%文献页数3.39%

　　IPC个数3.97%

　　发明人数量2.26%

　　被引证次数16.85%

　　家族被引证次数7.54%

　　法律指标44.19%权利要求数量3.35%

　　首权字数1.38%

　　申请人数量13.98%

　　简单同族个数12.92%

　　扩展同族个数12.56%

　　经济指标21.81%引证次数2.36%

　　家族引证次数4.50%

　　专利寿命14.95%

　　(3)专利价值评估。根据前期得出的评估指标体系,将权利已转移专利数据集与权利未转移专利数据集导入指标体系中,评估两个实验集的专利价值,同时评估出权利转移实验集专利价值的平均分，作为权利未转移专利价值评估的阈值，筛选出价值大于平均分的专利，作为存在潜在转移价值的专利，将其并入权利转移实验集，作为基于熵权法的高校专利价值评估的最终结果。表4为熵权法下权利转移专利价值top10的名称、得分与排名。

　　表4基于熵权法的权利转移专利价值排序(TopIO)

　　标题得分排名

　　带内置控制器以延长电池寿命的电池0.3741

　　一种智能配电网清洁性评估方法0.1802

　　基于动态分时电价的电动汽车充电站有序充电控制方法0.1733

　　具有自动弱磁调速功能的电动汽车牵引电机控制器0.1664

　　具有计费功能的电动汽车充电管理装置0.1565

　　基于主动频率偏移的孤岛效应检测方法及其装置0.1546

　　一种智能配电网清洁性评估方法0.1487

　　多级高效变频调速电动汽车驱动装置及控制方法0.1488

　　一种基于斯塔克伯格博弈论的电动汽车需求响应调控方法0.1459

　　一种电动汽车用磁悬浮飞轮储能电机0.14410

　　通过熵权法对权利转移的专利数据进行价值评估，进而得出专利价值，而后将该数据集价值的平均分作为衡量权利未转移专利是否有价值的阈值，经过测算可知，高校权利已转移的专利平均得分为0.0474，那么将权利未转移的15，390件专利引入指标体系，通过熵权法对其进行专利价值测算以得出最终评分。表5为熵权法下权利未转移专利价值top10的名称、得分与排名。

　　表5基于熵权法的权利未转移专利价值排序(TopIO)

　　标题得分排名

　　用于控制混合电动车辆的操作特性的方法0.2391

　　基于标准电池模型的镍氢动力电池荷电状态的估计方法0.2362

　　一种电动汽车充电预定与导航系统0.2303

　　用于电动车辆的电池的附接与拆卸装置0.2214

　　一种对智能配电网高效性进行评估的数据处理方法0.2175

　　高聚物热解碳为负极的锂离子电池0.2176

　　蓄电池剩余容量及健康状况预测方法0.2167

　　串联蓄电池组自动均衡装置0.2098

　　用于电动车辆的电池的附接与拆卸装置0.2079

　　用于燃料电池装置的氢生成方法以及氢发生系统0.20610

　　通过测算得知，在权利未转移专利中，专利价值评分最高分为0.2394，最低分为0.0007，由此可见未转移专利中的专利价值虽然参差不齐，但是依旧有许多有潜在转移价值的专利。通过权利已转移专利价值平均分0.0474对权利未转移的15，390件专利进行筛选，笔者得出了3，166件价值得分高于价值平均分的专利，占权利未转移专利总量的20.6%。

　　3.2基于人工神经网络算法的高校专利价值评估方法

　　为构建专利价值评估模型，保证对高校专利价值的有效评估，分别构建数据训练集(1，060条)与数据预测集(15，920条)两个数据集，在模型训练的过程中，将数据训练集的1，060条数据拆分为数据训练集(900条)与数据验证集(160条)，其中训练集用来构建评估模型，验证集用来检验模型对未知数据的评估能力。在训练过程中，随着训练次数的增加，该模型的各项指标趋于稳定，表现良好，且没有出现拟合情况，说明该模型性能优良，其对有价值专利的筛选结果有高可信度。根据上述分析，当把训练次数确定为200次时，模型效果最佳，训练结果见表6。通过对模型的训练，当权利未转移数据支持度为105，权利已转移数据支持度为95时，其精确度(precision)分别为0.9与0.99,召回率(recall)分别为0.99与0.88，精确度和召回率的加权平均值(f1-score)分别为0.95与0.93,并且经过模型测算，其准确度(accuracy)高达0.94,表明模型具备较高的预测价值,能够应用对高校权利转移专利及存在失效风险专利进行的识别。而后将数据预测集(15,920条)导入训练好的模型中进行预测,存在转移价值的专利预测标签为“1”,不存在转移价值的预测标签为“0”,经过模型预测得知,存在转移价值的专利有9,332条,占数据预测集的59%;不存在转移价值的专利有6,588条,占数据预测集的41%。

　　表6全连接前馈神经网络分类报告

　　权利转移与否/指标precisionrecallf1-scoresupport

　　权利未转移0.900.990.95105

　　权利已转移0.990.880.9395

　　3.3基于的混合智能的高校专利价值评估方法

　　利用熵权法在15,920件专利数据中评估出

　　3,696件存在转移价值的专利,占专利数据总量23%;利用人工神经网络算法在15,920件专利中评估出9,332条存在转移价值的专利,占专利数据总量59%。对基于熵权法的高校专利价值评估结果与基于人工神经网络的高校专利价值评估结果取交集,实现基于混合智能的高校专利价值评估,评估结果见图2。

　　分析图2发现,通过基于混合智能的高校专利价值评估方法评估出2,146件具备转移价值的专利,占专利数据总量的13.4%,该结果表明高校中少部分专利具备高价值,大部分专利价值较低,之所以会产生这种结果,一方面是部分高校的专利申请是研究课题的伴生品,与已发生权利转移的专利相比,在技术深入度、经济产业化、法律完备性方面存在一定差距;另一方面,高校为了保护核心技术,往往在专利申请时进行专利布局,进而产生了大量不具备权利转移价值的专利。

　　表7基本指标平均值统计表

　　指标名称具备转化价值专利指标均值不具备转化价值专利指标均值

　　权利要求数量0.0480.046

　　文献页数0.1450.130

　　首权字数0.0870.077

　　IPC个数0.1020.096

　　申请人数量0.1060.029

　　发明人数量0.1220.097

　　引证次数0.0850.061

　　被引证次数0.0470.021

　　家族引证次数0.0410.028

　　家族被引证次数0.0350.015

　　简单同族个数0.0340.019

　　扩展同族个数0.0330.016

　　专利寿命(月)0.0920.586

　　分析表7发现,采用混合智能方法对新能源汽车领域的专利进行评估筛选,筛选出了具备转化价值专利与不具备转化价值专利两个数据集,对两个数据集的指标均值进行计算,发现除“专利寿命”这一指标之外,具备转化价值专利的其余12个指标均值明显大于不具备转化价值的指标均值,验证了模型的有效性。这说明该模型可以为促进高校科技成果管理部门进行专利价值评估与提高专利运营效率提供借鉴意义,也为企业快速锁定高校高价值专利提供了实践参考。因此,结合上述情况,在“新能源汽车”领域,通过基于的混合智能的高校专利价值评估方法识别出13.4%具有权利转移价值的专利,并不是处于较低水平,这部分专利应该得到高校科技成果管理部门的重视,围绕高价值专利构建专利技术群,制定专利运营策略,积极寻求技术转移。同时,对存在失效风险的专利,应进行二次评估,针对有转移价值的专利制定专利转移战略协助转移;针对失效风险大的专利,放弃专利权,节约科研成本,将其投入到研究团队的研发中,进一步提高发明专利的核心竞争力,提高产业应用价值。

　　3.4分析结果讨论

　　通过基于混合智能的高校专利价值评估方法对高校新能源汽车领域15,920件专利进行评估,评估出2,146件具备转移价值的专利,针对上述专利指标数据进行重点分析,深度探析哪些指标是影响专利价值的重要因素。本文采用多元线性回归算法对具备转移价值的专利进行回归运算，其中R2(相关系数)值为0.9993,说明自变量之间存在高度相关关系,模型效果较好,运算结果见表8。分析表8发现,采用多元线性回归算法运算的13个指标权重,其中申请人数量权重最高,申请人数量体现专利权利人的数量,专利权人越多,那么承担该专利相关义务的人就越多,则转让该专利的相关风险就越小,进而大幅度降低了专利转化的相关成本,同时申请人数量越多,表明技术的复杂度越高,融合了多个机构

　　表8多元回归算法下指标权重分布

　　指标名称指标权重

　　权利要求数量0.015

　　文献页数0.010

　　首权字数0.038

　　IPC个数0.046

　　申请人数量0.189

　　发明人数量0.019

　　引证次数0.068

　　被引证次数0.125

　　家族引证次数0.058

　　家族被引证次数0.098

　　简单同族个数0.076

　　扩展同族个数0.093

　　专利寿命(月)0.164

　　的集体智慧,是专利法律价值与经济价值的重要体现;专利寿命的权重占比也位居前列,该指标体现了专利的使用年限,在专利技术的性质、质量、应用价值和需求状况一定的情况下,专利的转移价值与专利寿命成正比,使用年限越多,该专利创造的经济价值与社会价值就越多,是专利经济指标的重要体现;被引次数这一指标也具有较高的权重,该指标体现了领域内研发人员对该专利技术的认可,被引用次数越多,表明该专利对领域内其他专利的技术创新具有重要的指引作用,是专利技术价值的重要体现18]。以上三个指标对高校专利权利转移概率具有较大的影响作用,在高校进行专利申请和专利运营时应该得到重视。

　　结合上述对具备转移价值的专利指标数据权重的分析,对高校技术研发和专利申请有着很高的借鉴意义,应重视高权重指标对高校专利权利转移的促进作用。基于此,在高校科技成果产出阶段,高校知识产权信息服务中心要为科研团队的专利生命周期运营提供全方位支持,结合科研团队研究内容积极进行科技查新,保证研究内容的前沿性与创新性;在申请专利过程中,注重把控申请人的数量与专利引证数量,对高价值专利要注重维持其专利年费缴纳与进行专利布局,通过申请同族专利,形成技术竞争优势,这也为提高专利的被引证次数奠定基础,保证其时效性。综合上述分析,本文构建的专利价值评估模型不仅能够识别高校中某一技术领域具备转移价值的专利,推动高校专利技术实现转移转化,还能在此基础上对评估结果进行深度剖析,厘清专利指标对专利指标对专利转化价值的影响,这对强化高校专利质量,提高科技成果管理部门、知识产权信息服务中心等部门的专利运营质量具有参考价值。

　　4总结与展望

　　本文从科学性和易操作性角度出发,首先构建了高校专利价值评估指标,分别采用熵权法与人工神经网络算法,以人工打分和模型预测相结合的方式,识别高校新能源汽车领域具备转移价值的专利,为高校科技成果管理人员提供了行之有效的方式,快速识别已有的发明专利中,具备权利转移价值专利,为促进高校科技成果管理部门的专利运营效率,以及企业快速锁定高校高价值专利提供了实践参考。

　　(1)首先从技术、经济、法律等方面,选取13个能较为全面反映专利价值的指标,且保证了指标数据的易获取性。

　　(2)通过对赋权方法与算法性能的调研,选择具有高可信度且可以进行人工识别的熵权法与具有自主学习且可以进行机器识别的神经网络算法对专利进行评估提取,保证了评估结果的全面性。

　　(3)通过基于的混合智能的高校专利价值评估方法,对熵权法下高校专利价值评估结果与深度学习下高校专利价值评估结果取交集,测算出具备高价值的专利,保证了结果的科学性与合理性,适应于复杂多变的专利市场,精准识别高价值专利,为高校专利研发与专利运营提供决策支持,也为企业探寻高校核心专利提供技术借鉴。

　　本文构建的评估模型仅使用了“新能源汽车”领域的专利数据,数据样本较单一;在指标选取过程中,为了指标的易获取性,仅构建包含13个指标的评估体系,科学性有待进一步验证。在今后研究中,将探索构建全领域的专利数据样本，扩充专利评估指标体系，实现对高校不同技术领域中具备权利转移价值专利的识别。