基于不确定性来源分解的知识产权风险决策树重构方法

本发明涉及风险评估与智能决策，具体涉及一种基于不确定性来源分解的知识产权风险决策树重构方法。

背景技术：

1、随着企业研发、技术转移、产品上市及跨区域经营活动持续增加，知识产权风险评估已成为项目立项、产品设计、合同审查、市场准入及合规控制中的核心环节。

2、现有技术通常采用规则库、静态决策树、分类模型或简单评分模型，对待评估对象进行一次性判定并输出风险等级，存在以下不足：

3、1、数据来源复杂且异构性强：一个待评估对象通常同时涉及技术方案描述、目标知识产权文本、外部检索结果、历史样本、裁判文书、法域规则不同来源数据在格式、粒度、可信度和时效性方面差异明显，传统静态特征拼接方式难以有效描述不同证据之间的一致性与冲突性。2、模型结构固定：当待评估对象在宏观层面具有较高对应性时，传统方法往往直接输出高风险结论；而在需要进一步判断权利稳定性、微观语义关系或证据冲突来源时，固定结构模型难以按照当前推理状态进行局部扩展，只能通过整体增加模型复杂度或者预先堆叠多个模型处理，容易造成冗余计算和误判。3、难以区分不同类型的不确定性来源：分类过程中存在由分类结果接近导致的预测不确定性、由于目标知识产权的权利本身存在失效/被削弱的可能导致的稳定性相关不确定性、由不同证据源结论不一致导致的证据冲突不确定性，以及由技术术语与表述差异引起的语义歧义不确定性四类典型不确定性，现有技术通常仅输出单一概率值或评分值，难以对不同不确定性来源进行针对性处理。4、更新机制灵活性不足：当新样本不断进入系统时，传统方法往往依赖整体重训练，不仅代价较高、且容易影响已稳定分支的判定能力，缺少只针对高误差局部节点进行受限更新并支持回滚的机制。

技术实现思路

1、针对以上现有技术存在的问题，本发明的目的在于提供一种基于不确定性来源分解的知识产权风险决策树重构方法，使得系统在推理过程中先识别当前不确定性来源，再对当前叶节点以下的局部决策结构进行原位重构，从而提高复杂场景下的风险判定精度、处理效率和模型适应能力。

2、本发明的目的通过以下技术方案实现：

3、一种基于不确定性来源分解的知识产权风险决策树重构方法，包括：

4、步骤s1、多源异构数据预处理：包括通用数值特征预处理、核心特征子集构建、法域规则拓扑图构建与嵌入、硬规则判定锚点提取；

5、步骤s2、决策树模型库构建与训练：基于历史样本数据构建并训练决策树模型库；

6、步骤s3、基础推理与初始节点状态生成：通过宏观对应特征与基础判定树，生成初始节点状态；

7、步骤s4、多源不确定性来源分解：基于预测不确定性、稳定性相关不确定性、证据冲突不确定性、语义歧义不确定性生成当前级不确定性状态向量；

8、步骤s5、重构模式判定：包括贝叶斯动态阈值采样、扰动自适应阈值调整、不确定性耦合能量计算、势阱能量计算、模式筛选与强制规则校验；

9、步骤s6、级联式原位重构与迭代再推理：首先，按模式执行原位重构，生成本级重构后状态；然后，进行局部李雅普诺夫稳定性校验；最后，进行级联终止条件判断；

10、步骤s7、校正统计回写：基于初始基准状态与最终节点状态，进行校正后统计回写，并生成最终风险结果。

11、基于上述方案的进一步优化，所述步骤s1中，设待评估对象记为o，与其相关的多源输入数据为：，其中，表示待评估技术方案描述数据，表示目标知识产权文本数据，表示外部检索数据，表示历史样本数据，表示法域规则及政策文本数据，表示裁判文书或案例数据；

12、通用数值特征预处理具体为：对所有连续型原始特征执行最小-最大归一化；同时执行术语抽取、字段对齐、实体映射、来源标注与向量编码，完成异构数据的结构化统一；

13、核心特征子集构建包括宏观对应特征

xm、稳定性特征

xs、微观语义特征

xu、证据源特征

xe四类核心特征子集；宏观对应特征

xm：提取技术构件匹配度、权利要求覆盖度、关键词重合度、结构单元对应度，刻画整体侵权对应关系；稳定性特征

xs：提取权利要求清晰度、现有技术数量、审查历史、同族稳定性，刻画权利失效风险；微观语义特征

xu：按手段、功能、效果三个维度拆分，提取细粒度语义匹配特征，即；证据源特征

xe：提取各证据源的来源类型、可信度、时间差、法域属性、完备度；

14、法域规则拓扑图构建与嵌入具体为：对法域规则及政策文本数据中每条法域规则，拆解为前提条件、判定结论、例外条款三类节点，按逻辑依赖关系构建有向规则图

gr，并通过预训练的图卷积网络将规则图映射为数值向量：

15、；

16、式中：

gcn()表示图卷积网络；

17、所有法域的规则向量构成规则特征矩阵，

dr表示特征维度；

18、硬规则判定锚点提取：从法域规则中提取不可抗辩的硬规则，若待评估对象命中任一硬规则，则

fanchor=1、否则

fanchor=0；

19、最终输出完整特征向量，法域规则特征矩阵

r，硬规则锚点标志

fanchor。

20、基于上述方案的进一步优化，所述步骤s2具体为：

21、以历史样本数据以及对应历史法域规则库为输入；

22、首先，所有决策树均采用cart算法，根据输出类型匹配对应分裂准则，基于历史样本数据训练：

23、基础判定树

tb：学习宏观对应特征与风险类别的映射

tb：，输出

k类风险的概率分布；

24、稳定性校验树

ts：学习稳定性特征与失稳概率的映射

ts：，输出目标知识产权被宣告无效或被削弱的概率；

25、微观判定树组：分别训练手段、功能、效果三个维度的细粒度判定树，输出各维度局部风险值

tmea：，

tfun：，

teff：；

26、冲突消解子树

tc：用于处理不同证据源之间的冲突：，输出冲突消解后的风险，表示经冲突校正后的特征向量；

rcon表示冲突消解后的风险输出；

27、然后，基于历史样本的不确定性分布，通过互信息估计维度间的耦合强度：

28、；

29、式中：

pre、stb、con、sem分别表示预测不确定性、稳定性相关不确定性、证据冲突不确定性、语义歧义不确定性；

i(ui

;uj

)表示第

i类不确定性随机变量

ui与第

j类不确定性随机变量

uj之间的互信息；

h(ui

)、

h(uj

)分别表示第

i、j类不确定性随机变量

ui

、uj的信息熵；

30、通过耦合强度获得耦合系数矩阵（非对角线元素由获得，对角线元素单独定义为1，即）：

31、；

32、之后，对历史叶节点基准状态做主成分分析（pca），提取前

k个主成分构成基准有效信息空间的正交基矩阵

bpca；先基于知识产权业务专家定义ksafe个风险类别的语义等级，获得初始刻度初值，满足；再基于历史样本数据，以“风险值与实际侵权损害程度的排序一致性”为目标，采用保序回归（isotonic regression）对初始刻度进行校准，获得最终风险刻度向量：；

33、基于校准后的连续风险值分布与业务管控需求，确定两级分级阈值，并将连续风险值划分为

gth1（低风险）、

gth2（中风险）、

gth3（高风险）三个等级；

34、决策树的每个叶节点对应特征空间中一个轴对齐超矩形，等价于一个“盒子”；基于历史样本数据计算特征空间的分形盒维数基准，设置子树最大允许盒维数

dmax，盒维数近似公式为：

35、；

36、式中：

nleaf表示子树叶节点数；

smin表示最小划分单元的相对边长；

37、最终输出决策树模型库，风险刻度向量，分级阈值。

38、基于上述方案的进一步优化，所述步骤s3具体为：

39、以宏观对应特征

xm、基础判定树

tb、风险刻度向量为输入；

40、首先，将

xm输入

tb，从根节点开始按分裂规则向下遍历，最终落入初始叶节点，获得初始类别概率向量：

41、；

42、并以风险刻度为权重，计算初始风险值：

43、；

44、然后，计算初始叶节点的信息熵，刻画预测的混乱程度：

45、；

46、式中：表示稳定项；

47、最后，记录从根节点到初始叶节点的分裂路径序列，生成初始节点状态，初始化级联步数t=0：

48、；

49、同时，初始化已执行模式集合。

50、基于上述方案的进一步优化，所述步骤s4具体为：

51、以当前节点状态、稳定性特征

xs、微观语义特征

xu、稳定性校验树

ts、微观判定树组、已执行模式集合

mdone、证据源相关数据、当前特征以及同类别基准特征均值为输入；

52、生成包括预测不确定性、稳定性相关不确定性、证据冲突不确定性、语义歧义不确定性的当前级不确定性状态向量：

53、；

54、表示预测不确定性：由当前叶节点的熵归一化得到，刻画分类结果的接近程度：

55、；

56、表示稳定性相关不确定性：

57、

t=0时，将稳定性特征

xs输入稳定性校验树

ts得到原始失稳概率：

58、；

59、t≥1时，若上一层模式为ser时更新稳定性不确定性，稳定性不确定性按修正比例衰减：

60、；

61、式中：表示稳定性修正系数；

62、否则继承上一级取值，即；

63、表示证据冲突不确定性：

64、

t=0时，假设共有

j个证据源，每个证据源对应一组局部特征，其中，表示第j个证据源对第k个冲突特征的支持程度，则各个证据源的综合权重：

65、；

66、式中：表示第

j个证据源的固有可信度；表示第j个证据源距当前时间的时间差；表示时间衰减系数；

67、计算每个冲突特征的跨源加权差异：

68、；

69、整体证据冲突不确定性：

70、；

71、t≥1时，若上一层模式为con时更新冲突不确定性，冲突不确定性按消解比例衰减：

72、；

73、式中：

rcon表示冲突消解后的风险值；

74、否则继承上一级取值，即；

75、表示语义歧义不确定性：

76、

t=0时，先通过对应微观树的输出置信度获得三个维度的语义清晰度

smea

、sfun

、

seff，并加权获得整体语义清晰度：

77、；

78、式中：分别表示对应的权重系数；

79、语义歧义不确定性为：

80、；

81、

t≥1时，若上一层模式为par时更新语义歧义不确定性，语义歧义不确定性按细化比例衰减：

82、；

83、式中：表示宏观与微观结果的融合系数；分别表示手段、功能、效果维度的权重系数；

84、否则继承上一级取值，即；

85、并计算当前特征与同类基准特征的稀疏扰动度：

86、；

87、式中：

x表示当前特征，

xref表示同类别样本的基准特征均值；

d表示特征维度；表示l0范数；

88、最终输出当前级不确定性状态向量

u(t)与特征稀疏扰动度

s(x)。

89、基于上述方案的进一步优化，所述步骤s5中，以当前级不确定性状态向量

u(t)、特征稀疏扰动度

s(x)、耦合系数矩阵、已执行模式集合

mdone、硬规则锚点

fanchor为输入；

90、贝叶斯动态阈值采样具体为：

91、对于每个重构阈值，从对应的beta分布中采样得到当前推理的动态阈值：

92、；

93、；

94、式中：表示第

i个重构阈值的单次采样动态阈值；表示第

i个阈值对应beta分布的形状参数，表示第

i个阈值对应beta分布的形状参数，表示基准阈值，表示置信度参数。

95、基于上述方案的进一步优化，所述步骤s5中，扰动自适应阈值调整具体为：预设扰动阈值

sth，若

s(x)>

sth，则下调触发阈值以提高重构概率、强制进入深度校验：

96、；

97、式中：表示扰动阈值调整系数；

98、反之，。

99、基于上述方案的进一步优化，所述步骤s5中，不确定性耦合能量计算具体为：构建耦合能量函数，刻画总的不确定性强度与维度间耦合放大效应：

100、；

101、式中：表示一阶项权重系数，表示耦合二阶项权重系数，表示主导向权重系数。

102、基于上述方案的进一步优化，所述步骤s5中，势阱能量计算具体为：

103、首先，分别定义四类重构模式的特征中心向量，对应不确定性空间中的四个势阱：

104、串联扩展中心（稳定性相关不确定性主导、伴随预测不确定性）：；并联细化中心（语义歧义不确定性主导）：；冲突消解中心（证据冲突不确定性主导）：；

105、然后，结合动态阈值调整势阱深度，预设能量阈值eth，若，表明当前总不确定性强度及维度间耦合放大效应均处于较低水平、无需继续重构，则直接选择终止模式、即；

106、若，则在ser、par、con三类重构模式中进行筛选（排除已执行过的模式，避免重复处理同一不确定性源）：

107、获得当前状态各模式势阱能量：

108、；

109、式中：表示势阱深度全局调节系数；表示第

m类模式的归一化阈值偏移量；

um表示第m类模式的特征中心向量（即对应

user

、upar

、ucon）；

110、冲突优先准则通过设置基础偏移量实现，确保证据冲突场景下优先触发消解。

111、基于上述方案的进一步优化，所述步骤s5中，模式筛选与强制规则校验具体为：

112、排除已执行过的模式，避免重复处理同一不确定性源；

113、若硬规则判定锚点命中、即

fanchor=1，强制下调ser与con模式的势阱能量，优先触发深度校验；

114、选择能量最低的模式作为当前级重构模式：

115、；

116、最终输出当前级重构模式。

117、基于上述方案的进一步优化，所述步骤s6中，按模式执行原位重构，生成本级重构后状态具体为：

118、根据执行局部结构重构，获得重构后的风险值与新节点状态：

119、针对串联扩展模式ser（即）：将稳定性校验树

ts串联挂接于当前叶节点之后，利用权利失稳概率修正侵权风险值：

120、；

121、同步更新类别概率向量与熵值，生成新节点状态，路径信息追加“串联稳定性校验”标记；

122、针对并联细化模式par（即）：将当前叶节点替换为微观判定树组

gu，融合宏观判定结果与微观细粒度结果：

123、；

124、；

125、同步更新类别概率向量与熵值，生成新节点状态，路径信息追加“并联微观细化”标记；

126、针对冲突消解模式con（即）：在当前叶节点插入冲突消解子树

tc，融合数值证据与符号规则：

127、对每个冲突特征，按证据源权重加权融合，获得证据校正向量：

128、；

129、量化每个证据源与每个法域规则的冲突程度：

130、；

131、式中：

cos_sim()表示余弦相似度函数；

132、加权聚合特征规则，拼接获得异质融合向量：

133、；

134、；

135、其中，对于每条法域规则

rm，根据其与当前证据校正向量的相关程度计算规则权重：，其中，表示温度系数，满足；

fr表示规则向量的风险投影方向；

136、再将其输入冲突消解子树，得到冲突消解后的风险值：

137、；

138、同步更新类别概率向量与熵值，生成新节点状态，路径信息追加“异质冲突消解”标记；

139、针对低不确定性终止模式stop（即）：不执行任何局部扩展，直接保留当前状态：

140、；

141、根据选定模式得到第t+1级节点状态，并将加入已执行模式集合

mdone。

142、基于上述方案的进一步优化，所述步骤s6中，进行局部李雅普诺夫稳定性校验具体为：在当前特征邻域构造两组微小扰动样本，分别经过本级重构，计算输出扰动的发散率：

143、；

144、式中：分别表示在第

t级重构下对应的第1组、第2组风险值；表示两组微小扰动样本在重构前的风险值差异，表示两组扰动样本经过本级重构后的风险值差异；表示第

t级重构的局部李雅普诺夫指数；

145、若，则判定本级重构不稳定，撤销本级重构，回退至重构前的第t级节点状态作为终止节点状态，同时记录最终的已执行模式序列

mdone，并跳转至步骤s7；

146、若，则进行级联终止条件判断。

147、基于上述方案的进一步优化，所述步骤s6中，进行级联终止条件判断具体为：依次检查其余级联终止条件：a、若t+1≥

tmax（预设最大级联深度），则终止级联、跳转至步骤s7；b、若（收敛阈值），则终止级联、跳转至步骤s7；c、若所有非预测类不确定性（稳定性、证据冲突、语义歧义等）对应模式均已执行、且剩余不确定性均低于预设阈值，则终止级联、跳转至步骤s7；d、若本次选中的重构模式为stop，则终止级联、跳转至步骤s7；

148、若上述a～d的条件均不满足，则继续迭代：更新级联步数

t’=

t+1，返回步骤s4进行多源不确定性来源分解、基于新的节点状态重新计算各维度不确定性，得到更新后的

u(t’)；并继续执行步骤s5重构模式判定、步骤s6级联式原位重构与迭代再推理，直至迭代终止。

149、基于上述方案的进一步优化，所述步骤s7具体为：

150、以初始基准状态、最终节点状态、正交基矩阵

bpca、父节点统计缓存为输入；

151、以无任何重构的初始节点状态作为基准锚点：；

152、计算重构带来的总状态修正量：

153、；

154、并将修正量投影到基准有效信息空间，分离有效分量与漂移噪声：

155、；

156、式中：

i表示单位矩阵；

157、计算噪声占比，过滤离群样本：

158、；

159、预设噪声阈值

driftth，若

driftt>

driftth，判定当前样本为离群样本，取消本次回写；

160、若校验通过（即

driftt≤

driftth），则将有效信息分量平滑写入父节点统计缓存：

161、；

162、式中：表示有效分量衰减系数；表示回写系数；

163、经回写更新后，生成最终风险结果：

164、；

165、并根据分级阈值划分风险等级：

166、；

167、完整风险结果集为：；

168、最终输出完整风险结果集与更新后的父节点统计缓存。

169、以下为本发明技术方案所具备的技术效果：

170、本发明通过通用数值特征预处理、核心特征子集构建、法域规则拓扑图构建与嵌入、硬规则判定锚点提取的多源异构数据预处理，将多源数据拆解为宏观对应、稳定性、微观语义、证据源四类特征子集，同时通过图卷积网络对法域规则进行结构化嵌入，实现异构数据的统一表征，不仅实现多源异构数据的标准化处理，更能量化证据冲突强度并针对性消解，大幅提升多证据场景下的判定准确性，解决多源异构数据难以刻画一致性与冲突性。通过决策树模型库构建与训练，从架构上解决传统固定结构树无法局部深化、只能通过整体加深来覆盖场景的问题，避免全量复杂计算带来的冗余；利用耦合强度量化不同不确定性之间的传导放大效应，解决传统模型只输出单一概率、无法感知多维度不确定性交互作用的缺陷；利用风险刻度校准与复杂度约束解决传统评分模型业务语义弱、复杂度不可控的问题。通过基础推理与初始节点状态生成，不仅快速生成初始风险值与叶节点状态、大幅提升简单场景的处理效率，还在不改动树的上层稳定结构的基础上，实现了“上层固定、下层灵活”的特性，为原位重构提供了精准的定位基础，避免扩展操作影响已稳定的判定分支。通过多源不确定性来源分解，将单一的风险不确定性拆解为预测不确定性、稳定性相关不确定性、证据冲突不确定性、语义歧义不确定性四个可量化、可独立处理的维度，打破传统模型的黑箱输出，提升系统对抗规避行为的鲁棒性。通过重构模式判定，利用动态阈值解决传统固定阈值鲁棒性差、容易被精准卡阈值的问题，利用耦合能量计算避免传统扩展机制触发逻辑单一、容易误触发、造成无效计算等问题，利用势阱能量计算匹配最优模式，利用强制规则校验兼顾合规与效率。通过级联式原位重构与迭代再推理，生成串联扩展模式、并联细化模式、冲突消解模式等重构后状态；同时通过构造微小扰动样本、计算本级重构的输出发散率，解决级联重构可能失控、结果越算越偏等问题，确保局部结构扩展不会引入新的误判。通过校正统计回写，实现轻量级、抗漂移的渐进式优化，解决传统回写机制容易带偏基准的问题。

171、本发明既保留决策树可解释性强、落地门槛低等优点，又通过动态重构与不确定性耦合弥补传统决策树灵活性不足、精细度不够等短板，从而适配多法域、多证据、高对抗性的知识产权风险评估场景，均衡提升合规性、准确性与运行效率。