[目的/意義]探索構(gòu)建高�？赊D(zhuǎn)化專利識別模型,精準(zhǔn)鎖定存在轉(zhuǎn)化價值的專利,對提升高校專利轉(zhuǎn)化效率具有促進(jìn)作用。[方法/過程]以人工智能領(lǐng)域為例,首先結(jié)合已有研究中使用的專利評估指標(biāo),從數(shù)據(jù)易獲取性角度出發(fā),確定了16個指標(biāo),并應(yīng)用主成分分析探索指標(biāo)之間的相關(guān)性,實現(xiàn)對重要指標(biāo)的篩選;進(jìn)而,將LDA模型與K-means算法結(jié)合,確定專利的技術(shù)主題,并與專利評估指標(biāo)進(jìn)行融合構(gòu)建專利特征矩陣;最后,利用AdaBoost算法進(jìn)行識別模型構(gòu)建,并應(yīng)用到對高�？赊D(zhuǎn)化專利的識別中,獲取每件專利的可轉(zhuǎn)化概率,仿照標(biāo)準(zhǔn)十分評估方法對專利進(jìn)行劃分,確定具備轉(zhuǎn)化價值的專利。[結(jié)果/結(jié)論]結(jié)果顯示,將專利技術(shù)主題與評估指標(biāo)融合后,AdaBoost算法分類準(zhǔn)確度提高了10%;通過對高校專利的識別,專利可轉(zhuǎn)化概率呈對數(shù)常態(tài)分布,具備轉(zhuǎn)化價值的專利比重為22.47%,驗證了模型的有效性,為高校專利價值評估研究提供了新的研究思路,也為高校科技成果管理部門的專利運營及企業(yè)對高校核心專利的識別提供了實踐方案。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1高�？赊D(zhuǎn)化專利識別模型圖

使用識別模型對預(yù)測集中高校法律狀態(tài)有效且未發(fā)生權(quán)利轉(zhuǎn)移的專利進(jìn)行預(yù)測,獲取高校每件專利的可轉(zhuǎn)化概率,仿照標(biāo)準(zhǔn)10分評估方法,設(shè)置10級閾值,依據(jù)概率值進(jìn)行劃分,最終確定具有轉(zhuǎn)化價值的專利。3結(jié)果分析

圖2企業(yè)發(fā)明授權(quán)專利和轉(zhuǎn)化專利對比趨勢圖

本文數(shù)據(jù)來源于佰騰專利數(shù)據(jù)庫,技術(shù)領(lǐng)域限定為“人工智能”,時間不限。首先以“中國發(fā)明授權(quán)專利Not大學(xué)And法律狀態(tài)→有權(quán)”為檢索式,檢索到767件專利;以“中國發(fā)明授權(quán)專利Not大學(xué)And法律狀態(tài)→有權(quán)And法律事件→權(quán)利轉(zhuǎn)移”為檢索式,檢索到231件專利;以“中國發(fā)明授權(quán)專利....

圖3技術(shù)主題對分類算法性能評估對比圖

表46種分類算法性能比較AdaBoost邏輯回歸K近鄰支持向量機(jī)人工神經(jīng)網(wǎng)絡(luò)隨機(jī)森林去除主題因素0.6530.6880.6490.7250.7050.685包含主題因素0.755↑0.710↑0.703↑0.727↑0.733↑0.700....

圖4高校專利可轉(zhuǎn)化概率分布趨勢圖

在10級評分的基礎(chǔ)上,依據(jù)每件專利的可轉(zhuǎn)化概率繪制柱狀圖,并添加趨勢線(見圖4)。分析圖4發(fā)現(xiàn),高校專利可轉(zhuǎn)化概率呈對數(shù)曲線分布,擬合對數(shù)函數(shù)方程為y=-0.319ln(x)+1.8511,R2=0.7081,考慮到搜集的專利指標(biāo)數(shù)據(jù)基本上是截面數(shù)據(jù),判定系數(shù)為0.71,表明....

本文編號：3965791