一种基于深度学习的专利价值动态评估方法与流程

1.本发明涉及价值评估技术领域，尤其涉及一种基于深度学习的专利价值动态评估方法。


背景技术：

2.专利，是一项无形资产，在评估的过程中受到的影响因素较多，其中主要的影响因素之一是随着专利技术的发展，其专利价值也随之变化。因此在评估的过程当中，需要充分考虑时间因素，即专利价值随着技术发展的时间变化而产生价值的变化。
3.现有申请公开号为cn111861046a的中国专利公开了基于大数据和深度学习的专利价值智能评估系统，该专利在不依赖专家经验的情况下，准确的评估专利的价格，但通过文本向量化模块和专利价格评估模块获取专利的初始文本数据并最终得到专利价格，专利价值评估仅仅参考文本因素，价值评估存在局限性，同时现有申请公开号为cn108416535a的中国专利公开了基于深度学习的专利价值评估的方法，其通过专利的文本信息、属性特征及引用关系进行深度学习，从而评估专利的价值，其同样仅仅从专利文本的角度出发进行价值评估，同样存在价值评估的局限性；
4.现有的专利价值评估大部分考虑的是技术、法律、市场三个方面对专利的影响。基于提前设计好的一些参数，按照相应的评估模型评估出专利的价值，该类的评估方法是静态的，且受到参数主观因素影响较大，使得专利评估的效率较低，评估的价值也不够准确，随意性太强。因此，当前专利价值评估的方法已经无法满足当前社会的发展的需求，缺少一种基于深度学习的专利价值动态评估方法来解决上述存在的问题。


技术实现要素：

5.针对现有技术存在的不足，本发明目的是提供一种基于深度学习的专利价值动态评估方法。
6.本发明所要解决的技术问题为：
7.如何实现专利价值的全面评估和准确评估。
8.为了实现上述目的，本发明是通过如下的技术方案来实现：
9.一种基于深度学习的专利价值动态评估方法，方法具体包括：
10.步骤s1，获取专利数据库中若干个公告专利的专利基础数据，结合专利基础数据对若干个公告专利进行基础价值评估，得到若干个公告专利的基础评估价值；
11.步骤s2，对公告专利进行动态价值评估，动态价值评估时，依据分类号获取专利数据库中对应公告专利的专利动态数据，根据专利动态数据分析得到公告专利的动态评估价值；
12.步骤s3，对基础评估价值和动态评估价值进行分析，构建公告专利的深度学习评估模型，将需要进行专利转化的当前专利导入深度学习评估模型，深度学习评估模型依据分类号反馈当前专利的专利评估结果；
13.步骤s4，将专利评估结果录入深度学习评估模型，深度学习评估模型记录专利评估结果进行学习。
14.进一步地，专利基础数据具体为专利的权项数、实施例数、专利申请日、专利授权日和专利分类号；
15.专利动态数据为专利数据库中前一个月每天同类专利的交易量、前一个月每天中每件已交易同类专利的交易价格、前一个月每天中待转让同类专利的数量以及每件待转让同类专利的转让价格、询价次数、浏览量和下载量。
16.进一步地，在步骤s1中，所述基础评估价值的计算过程具体如下：
17.获取公告专利的专利基础数据，得到公告专利的权项数、实施例数、专利申请日和专利授权日；
18.通过专利授权日减去专利申请日得到公告专利的审查时长，利用专利权有效期限减去审查时长得到公告专利的专利权剩余有效期限；
19.利用当前时间减去专利授权日得到公告专利的授权时长；
20.授权时长比对时长区间，得到公告专利的基础评估系数；
21.计算公告专利的基础评估价值；
22.其中，公告专利的权项数、实施例数、专利权剩余有效期限和基础评估系数均与公告专利的基础评估价值成正比，即权项数、实施例数、专利权剩余有效期限和基础评估系数的数值越大，则基础评估价值的数值越大。
23.进一步地，所述基础评估系数的获取过程具体为：
24.若授权时长属于第一时长区间，则公告专利的基础评估系数的取值为α1；
25.若授权时长属于第二时长区间，则公告专利的基础评估系数的取值为α2；
26.若授权时长属于第三时长区间，则公告专利的基础评估系数的取值为α3；
27.其中，时长区间包括第一时长区间、第二时长区间和第三时长区间，第一时长区间的上限值小于第二时长区间的下限值，第二时长区间的上限值小于第三时长区间的下限值，α1、α2和α3均为固定数值的正整数，且0＜α1＜α2＜α3。
28.进一步地，在步骤s2中，所述动态评估价值的计算过程具体如下：
29.获取同类专利的动态体量值和动态活跃值；
30.计算同类专利的动态评估价值。
31.进一步地，所述动态体量值的计算过程具体为：
32.获取前一个月每天同类专利的交易量，将前一个月每天同类专利的交易量相加求和得到同类专利的月交易量；
33.而后获取前一个月每天中每件已交易同类专利的交易价格，将前一个月每天中每件已交易同类专利的交易价格相加求和得到前一个月每天已交易同类专利的交易价格，将前一个月每天已交易同类专利的交易价格相加求和后除以月交易量得到同类专利的月交易均价；
34.采用与月交易均价相同的计算方式，计算待转让同类专利的月转让均价；
35.同时，获取前一个月每天中每件待转让同类专利的询价次数、浏览量和下载量，将前一个月每天中待转让同类专利的询价次数相加求和得到待转让同类专利的月询价次数；
36.采用与月询价次数相同的计算方式，计算待转让同类专利的月浏览量和月下载
量；
37.计算同类专利的动态体量值。
38.进一步地，所述动态活跃值的计算过程具体为：
39.分别以时间为x轴和同类专利前一个月每天的交易量为y轴，构建得到同类专利的交易量折线图；
40.对同类专利的交易量折线图进行分析，得到交易量折线图中同类专利交易量的交易阶段，交易阶段包括平稳阶段、提升阶段和下降阶段；
41.统计交易量折线图中同类专利交易量的平稳阶段、提升阶段和下降阶段的数量，分别记为平稳阶段数、提升阶段数和下降阶段数；
42.提升阶段数比对交易阶段的总数量得到交易量折线图中同类专利的交易量提升占比；
43.将前一个月每天中每件已交易同类专利的交易价格相加求和得到前一个月已交易同类专利的日交易价格，将前一个月已交易同类专利的日交易价格除以前一个月每天同类专利的交易量得到前一个月同类专利的日交易均价；
44.采用与日交易均价相同的计算方式，计算得到前一个月待转让同类专利的日转让均价、日询价次数、日浏览量和日下载量；
45.以时间作为x轴，以日交易均价、日转让均价、日询价次数、日浏览量和日下载量作为y轴，构建得到已交易同类专利的交易价格折线图、待转让同类专利的转让价格折线图、询价次数折线图、浏览量折线图和下载量折线图；
46.按照以上步骤，得到交易价格折线图中已交易同类专利的交易价格提升占比，转让价格折线图中待转让同类专利的转让价格提升占比、询价次数折线图中待转让同类专利的询价次数提升占比、浏览量折线图中待转让同类专利的浏览量提升占比、下载量折线图中待转让同类专利的下载量提升占比；
47.计算同类专利的动态活跃值。
48.进一步地，在步骤s3中，所述深度学习评估模型的构建过程具体为：
49.获取公告专利的基础评估价值和同类专利的动态评估价值；
50.依据动态评估价值的计算过程映射得到公告专利的动态评估价值；
51.遍历比对所有公告专利的基础评估价值，得到公告专利的最小基础评估价值和最大基础评估价值，最小基础评估价值和最大基础评估价值构成公告专利的基础评估价值区间；
52.同理，得到公告专利的最小动态评估价值和最大动态评估价值，最小动态评估价值和最大动态评估价值构成公告专利的动态评估价值区间；
53.将基础评估价值区间和动态评估价值区间进行整合打包为公开专利的深度学习评估模型。
54.根据本发明提供的一种计算机设备，包括存储器，所述存储器存储有计算机程序，当所述计算机程序被处理器执行时，实现基于深度学习的专利价值动态评估方法。
55.根据本发明提供的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现基于深度学习的专利价值动态评估方法。
56.与现有技术相比，本发明的有益效果：
57.本发明首先对若干个公告专利进行基础价值评估，得到若干个公告专利的基础评估价值，而后对公告专利进行动态价值评估，依据分类号获取公告专利对应的专利动态数据，分析得到公告专利的动态评估价值，对基础评估价值和动态评估价值进行分析，构建得到公告专利的深度学习评估模型，将需要评估的专利导入至深度学习评估模型，深度学习评估模型依据分类号反馈当前专利的专利评估结果，评估结束后，还将专利评估结果录入深度学习评估模型，深度学习评估模型记录专利评估结果进行学习，不断优化深度学习评估模型，本发明实现了专利转化价值的全面评估和准确评估。
58.本发明附加方面的优点将在下面的具体实施方式的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
59.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更明显：
60.图1为本发明的工作流程图；
61.图2为本发明中交易量折线图的示意图；
62.图3为本发明中计算机设备的结构示意图。
具体实施方式
63.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
64.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
65.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
66.请参阅图1-图3所示，本发明提供一种基于深度学习的专利价值动态评估方法，方法具体包括：
67.步骤s1，获取专利数据库中若干个公告专利的专利基础数据，结合专利基础数据对若干个公告专利进行基础价值评估，得到若干个公告专利的基础评估价值；
68.需要具体说明的是，专利基础数据具体为专利的权项数、实施例数、专利申请日、专利授权日、专利分类号等；
69.在步骤s1中，所述基础评估价值的计算过程具体如下：
70.将公告专利标记为i，i＝1，2，
……
，z，z为正整数；
71.获取公告专利的专利基础数据，得到公告专利的权项数qsu、实施例数ssu、专利申请日和专利授权日；其中，在本实施例中，所涉及的公告专利均有权项和实施例，且涉及的专利均为相同类型；
72.通过专利授权日减去专利申请日得到公告专利的审查时长，利用专利权有效期限减去审查时长得到公告专利的专利权剩余有效期限squ；
73.利用当前时间减去专利授权日得到公告专利的授权时长；
74.授权时长比对时长区间，得到公告专利的基础评估系数jxu，具体为：
75.若授权时长属于第一时长区间，则公告专利的基础评估系数的取值为α1；
76.若授权时长属于第二时长区间，则公告专利的基础评估系数的取值为α2；
77.若授权时长属于第三时长区间，则公告专利的基础评估系数的取值为α3；
78.其中，时长区间包括第一时长区间、第二时长区间和第三时长区间，第一时长区间的上限值小于第二时长区间的下限值，第二时长区间的上限值小于第三时长区间的下限值，α1、α2和α3均为固定数值的正整数，且0＜α1＜α2＜α3；
79.例如：第一时长区间为[0，5)，第二时长区间为[5，30)，第三时长区间为[30，90]，第一时长区间、第二时长区间和第三时长区间的单位均为天，若专利的授权时长为5天，则公告专利对应的基础评估系数为α2；
[0080]
通过公式jzu＝(qsu
×
a1 ssu
×
a2 squ
×
a3)
×
jxu计算得到公告专利的基础评估价值jzu；式中，a1、a2和a3均为固定数值的权重系数，且a1、a2和a3的取值均大于零；
[0081]
具体的，公告专利的权项数、实施例数、专利权剩余有效期限和基础评估系数均与公告专利的基础评估价值成正比，即权项数、实施例数、专利权剩余有效期限和基础评估系数的数值越大，则基础评估价值的数值越大；
[0082]
步骤s2，然后对公告专利进行动态价值评估，动态价值评估时，依据分类号获取专利数据库中对应公告专利的专利动态数据，根据专利动态数据分析得到公告专利的动态评估价值；
[0083]
其中，专利动态数据为专利数据库中前一个月每天同类专利的交易量、前一个月每天中每件已交易同类专利的交易价格、前一个月每天中待转让同类专利的数量以及每件待转让同类专利的转让价格、询价次数、浏览量和下载量，同类专利具体为与公告专利为属于相同分类号的其他专利；
[0084]
在步骤s2中，所述动态评估价值的计算过程具体如下：
[0085]
步骤s21，获取同类专利的动态体量值，并将动态体量值标记为dt；
[0086]
步骤s22，获取同类专利的动态活跃值，并将动态活跃值标记为dh；
[0087]
步骤s23，通过公式dz＝dh
×
α dt
×
β计算得到同类专利的动态评估价值dz；式中，α和β均为固定数值的权重系数，且α β＝1；
[0088]
可理解的是，同类专利即可视作为本发明中公告专利的动态评估价值；
[0089]
具体的，动态体量值的获取过程具体为：
[0090]
步骤s211，获取前一个月每天同类专利的交易量，将前一个月每天同类专利的交易量相加求和得到同类专利的月交易量yjl；
[0091]
步骤s212，而后获取前一个月每天中每件已交易同类专利的交易价格，将前一个月每天中每件已交易同类专利的交易价格相加求和得到前一个月每天已交易同类专利的交易价格，将前一个月每天已交易同类专利的交易价格相加求和后除以月交易量得到同类专利的月交易均价yjg；
[0092]
步骤s213，采用与月交易均价相同的计算方式，计算得到待转让同类专利的月转让均价yzg；
[0093]
步骤s214，同时，获取前一个月每天中每件待转让同类专利的询价次数、浏览量和下载量，将前一个月每天中待转让同类专利的询价次数相加求和得到待转让同类专利的月询价次数yxl；
[0094]
步骤s215，采用与月询价次数相同的计算方式，计算得到待转让同类专利的月浏览量yll和月下载量yzl；
[0095]
步骤s216，通过公式dt＝(yjg yzg)
×
b1 (yjl yxl yll yzl)
×
b2计算得到同类专利的动态体量值dt；式中，b1和b2均为固定数值的比例系数，且b1和b2的取值均大于零；
[0096]
具体地，动态活跃值的获取过程具体为：
[0097]
步骤s221，分别以时间为x轴和同类专利前一个月每天的交易量为y轴，构建得到同类专利的交易量折线图；
[0098]
步骤s222，如图2所示，对同类专利的交易量折线图进行分析，得到交易量折线图中同类专利交易量的交易阶段，交易阶段包括平稳阶段、提升阶段和下降阶段，其中，前一个月中前后两天交易量未发生变化视作为平稳阶段，前一个月中前一天的交易量小于后一天的交易量视作为提升阶段，前一个月中前一天的交易量大于后一天的交易量视作为下降阶段；
[0099]
步骤s223，统计交易量折线图中同类专利交易量的平稳阶段、提升阶段和下降阶段的数量，分别记为平稳阶段数、提升阶段数和下降阶段数；
[0100]
步骤s224，提升阶段数比对交易阶段的总数量得到交易量折线图中同类专利的交易量提升占比jlz；
[0101]
步骤s225，将前一个月每天中每件已交易同类专利的交易价格相加求和得到前一个月已交易同类专利的日交易价格，将前一个月已交易同类专利的日交易价格除以前一个月每天同类专利的交易量得到前一个月同类专利的日交易均价；
[0102]
采用与日交易均价相同的计算方式，计算得到前一个月待转让同类专利的日转让均价、日询价次数、日浏览量和日下载量；
[0103]
步骤s226，以时间作为x轴，以日交易均价、日转让均价、日询价次数、日浏览量和日下载量作为y轴，构建得到已交易同类专利的交易价格折线图、待转让同类专利的转让价格折线图、询价次数折线图、浏览量折线图和下载量折线图；
[0104]
按照步骤s222～步骤s224，得到交易价格折线图中已交易同类专利的交易价格提升占比jjz，转让价格折线图中待转让同类专利的转让价格提升占比zjz、询价次数折线图中待转让同类专利的询价次数提升占比xjz、浏览量折线图中待转让同类专利的浏览量提升占比llz、下载量折线图中待转让同类专利的下载量提升占比xlz；
[0105]
步骤s227，通过公式dh＝[(jjz zjz)
×
c1 (jlz xjz )
×
c2 (llz xlz)
×
c3]/e计算得到同类专利的动态活跃值dh；式中，c1、c2和c3均为固定数值的比例系数，且c1、c2和c3的取值均大于零，e为自然常数；
[0106]
步骤s3，对基础评估价值和动态评估价值进行分析，构建公告专利的深度学习评估模型，将需要进行专利转化的当前专利导入深度学习评估模型，深度学习评估模型依据分类号反馈当前专利的专利评估结果；
[0107]
在步骤s3中，深度学习评估模型具体为：
[0108]
获取上述计算得到的公告专利的基础评估价值和同类专利的动态评估价值；
[0109]
依据动态评估价值的计算过程映射得到公告专利的动态评估价值，公告专利动态评估价值的获取过程可以参考同类专利动态评估价值的计算过程；
[0110]
遍历比对所有公告专利的基础评估价值，得到公告专利的最小基础评估价值和最
大基础评估价值，最小基础评估价值和最大基础评估价值构成公告专利的基础评估价值区间；
[0111]
同理，得到公告专利的最小动态评估价值和最大动态评估价值，最小动态评估价值和最大动态评估价值构成公告专利的动态评估价值区间；
[0112]
将基础评估价值区间和动态评估价值区间进行整合打包为公开专利的深度学习评估模型；实际操作时，整合打包可以为所有公告专利的基础评估价值区间和动态评估价值区间存放在同一文件夹中，而后在文件夹的检索框输入分类号即可得到对应的基础评估价值区间和动态评估价值区间；
[0113]
步骤s4，将当前评估得到的专利评估结果录入深度学习评估模型，深度学习评估模型记录专利评估结果进行学习。
[0114]
在本发明中，若出现相应的计算公式，则上述计算公式均是去量纲取其数值计算，公式中存在的权重系数、比例系数等系数，其设置的大小是为了将各个参数进行量化得到的一个结果值，关于权重系数和比例系数的大小，只要不影响参数与结果值的比例关系即可。
[0115]
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本实施例中的任一方法步骤。
[0116]
同时，本发明还提供了一种计算机设备，如图3所示，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机设备可以为包括手机、平板电脑、pda、pos、车载电脑等任意终端设备，以计算机设备为手机为例：
[0117]
图3示出的是与本发明实施例提供的计算机设备相关的部分结构的框图。该计算机设备包括：存储器、处理器、通信总线和通信接口。本领域技术人员可以理解，图3中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0118]
下面结合图3对计算机设备的各个构成部件进行具体地介绍：
[0119]
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如基础评估价值的计算过程等)等；存储数据区可存储数据(比如专利数据库中若干个公告专利的专利基础数据专利动态数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0120]
处理器是计算机设备的控制中心，通过运行或执行存储在存储器内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。可选的，处理器可包括一个或多个处理单元；优选的，处理器可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信；
[0121]
通信总线用于将存储器与处理器进行通信连接，通信接口用于计算机设备与外界相关联设备进行通信连接。
[0122]
在本发明实施例中，该计算机设备所包括的处理器可以具有本实施例中任一方法步骤所对应的功能。
[0123]
综上，由上述技术方案，可知，本实施例对若干个公告专利进行基础价值评估，得到若干个公告专利的基础评估价值，而后对公告专利进行动态价值评估，依据分类号获取公告专利对应的专利动态数据，得到公告专利的动态评估价值，对基础评估价值和动态评估价值进行分析，构建得到公告专利的深度学习评估模型，将需要评估的专利导入至深度学习评估模型，深度学习评估模型依据分类号反馈当前专利的专利评估结果，评估结束后，还将专利评估结果录入深度学习评估模型，深度学习评估模型记录专利评估结果进行学习，不断优化深度学习评估模型，本发明实现了专利转化价值的全面评估和准确评估。
[0124]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0125]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0126]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0127]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0128]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0129]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的
实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0130]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词、第二以及第三等的使用不表示任何顺序。可将这些单词解释为名称。