专利定价评估方法、装置、计算机设备及介质

本发明涉及文本信息技术领域，尤其涉及一种专利定价评估方法、装置、计算机设备及介质。

随着科学的进步和时代的发展，专利已经成为了保护知识产权重要的组成部分。申请专利并获得专利权后，既可以保护自己的发明成果，防止科研成果流失，获取垄断利润来弥补研发投入，同时也有利于科技进步和经济发展，具有重要的价值。

目前，现有的评估交易价格的评估方法都是主要使用量化的特征，如专利的被引数、作者画像、技术领域相关特征、经济价值、市场规模、有效期、市场垄断程度等，这些专利量化特征往往未全面考量专利的重要价值特征，难以准确地评价专利的实际交易价格，从而出现专利交易定价的评估准确性较低的现象。

本发明实施例提供一种专利定价评估方法、装置、计算机设备及介质，以改进专利量化特征往往未全面考量专利的重要价值特征，难以准确地评价专利的实际交易价格，从而出现专利交易定价的评估准确性较低的现象的问题。

一种专利定价评估方法，包括：

基于目标评估专利，获取目标评估专利信息，目标评估专利信息包括量化特征信息；

将目标评估专利输入预训练模型，通过预训练模型提取文本特征信息；

将量化特征信息和文本特征信息输入深度学习模型，通过深度学习模型输出评估交易价格。

一种专利定价评估方法，预训练模型包括创新性评估模型；

将目标评估专利输入预训练模型，通过预训练模型提取文本特征信息，包括：

通过专利数据库获取目标评估专利对应的历史相似专利；

将历史相似专利和目标评估专利输入创新性评估模型，用于输出目标评估专利相对于历史相似专利的创新性评估结果。

一种专利定价评估方法，在将历史相似专利和目标评估专利输入创新性评估模型之前，还包括：

通过专利数据库按领域获取指定数量的创新性训练专利；

将创新性训练专利输入相似性判定模型进行训练，用于判定训练专利数据中的任一创新性训练专利和其余的创新性训练专利之间的创新性程度，从而将相似性判定模型训练成为创新性评估模型。

一种专利定价评估方法，预训练模型包括创新性类别模型；

将目标评估专利输入预训练模型，通过预训练模型提取文本特征信息，包括：

采用NLP算法对目标评估专利进行处理，获取目标评估专利的专利实体；

将专利实体输入创新性类别模型，用于输出目标评估专利的创新性类别结果。

一种专利定价评估方法，预训练模型包括聚类模型和有监督模型；

将目标评估专利输入预训练模型，通过预训练模型提取文本特征信息，包括：

扫描目标评估专利，获取与技术效果相关的所有目标效果关键词，以及与具体实施方式相关的所有目标实施实体；

获取目标评估专利对应的历史相似专利，并获取历史相似专利的比对效果关键词和比对实施实体；

将目标效果关键词和比对效果关键词输入聚类模型，获取目标评估专利的可替代性评估结果；

将目标实施实体和比对实施实体输入有监督模型，获取目标评估专利的可实现性评估结果。

一种专利定价评估方法，通过深度学习模型输出评估交易价格，包括：

结合文本特征信息和文本特征信息在深度学习模型中对应的预设参数权值，获取目标评估专利对应的专利评估值；

基于专利评估值与交易价格区间进行匹配，获取目标评估专利对应的评估交易价格。

一种专利定价评估方法，通过专利数据库获取目标评估专利对应的历史相似专利，包括

获取历史相似专利的历史交易年限；

根据市场交易的兴衰，选取历史交易年限的区间范围。

对区间范围内的历史相似专利进行预训练模型的提取。

一种专利定价评估装置，包括：

目标评估专利信息模块，用于基于目标评估专利，获取目标评估专利信息，目标评估专利信息包括量化特征信息；

提取文本特征信息模块，用于将目标评估专利输入预训练模型，通过预训练模型提取文本特征信息；

输出评估交易价格模块，用于将量化特征信息和文本特征信息输入深度学习模型，通过深度学习模型输出评估交易价格。

一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述专利定价评估方法。

一种计算机可读介质，计算机可读介质存储有计算机程序，计算机程序被处理器执行时实现上述专利定价评估方法。

上述专利定价评估方法、装置、计算机设备及介质，通过目标评估专利的专利信息来训练预训练模型并提取文本特征信息，将量化特征信息和文本特征信息作为深度学习模型的文本特征信息，输出评估交易价格，从而实现通过综合考量多个维度来对专利的交易价格进行评估，提高评估交易价格的准确性和可参考性。

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1绘示本发明一实施例中专利定价评估方法的应用环境示意图；

图2绘示本发明第一实施例中专利定价评估方法的第一流程图；

图3绘示本发明第二实施例中专利定价评估方法的第二流程图；

图4绘示本发明第三实施例中专利定价评估方法的第三流程图；

图5绘示本发明第四实施例中专利定价评估方法的第四流程图；

图6绘示本发明第五实施例中专利定价评估方法的第五流程图；

图7绘示本发明第六实施例中专利定价评估方法的第六流程图；

图8绘示本发明第七实施例中专利定价评估方法的第七流程图；

图9绘示本发明一实施例中专利定价评估方法装置的示意图；

图10绘示本发明一实施例中计算机设备的示意图。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供的专利定价评估方法，可应用在如图1的应用环境中，该专利定价评估方法应用在专利定价评估系统中，该专利定价评估系统包括客户端和服务器，其中，客户端通过网络与服务器进行通信。客户端又称为用户端，是指与服务器相对应，为客户端提供本地服务的程序。进一步地，客户端为计算机端程序、智能设备的APP程序或嵌入其他APP的第三方小程序。该客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等计算机设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集来实现。

在一实施例中，如图2所示，提供一种专利定价评估方法，以该方法应用在图1中的服务器为例进行说明，具体包括如下步骤：

S10.基于目标评估专利，获取目标评估专利信息，目标评估专利信息包括量化特征信息。

其中，目标评估专利为服务器所需要评估实际交易价格的专利，目标专利信息包括量化特征信息和文本信息，专利的量化特征信息为专利的客观属性的数量化描述。专利的量化特征包括专利的被引数、作者画像、技术领域相关特征、经济价值、市场规模、有效期、市场垄断程度。专利的文本信息为专利的文字描述。

具体地，从服务器中的数据库中的多个专利文件中出目标评估专利，根据现有技术确定专利评估专利信息中的量化特征信息，得到量化特征信息的各种参数。

步骤S10的作用在于获取目标评估专利的量化信息和文本信息。

S20.将目标评估专利输入预训练模型，通过预训练模型提取文本特征信息。

其中，预训练模型是在一个原始任务上预先训练1个初始模型。 然后在目标任务上使用该模型。针对目标任务的特性，对该初始模型进行精调。从而达到提高目标任务的目的。本申请的预训练模型为Whole Word Mask（全词遮罩）预训练中文模型，简称WWM预训练中文模型。文本特征信息是对目标评估专利的文本信息的进一步加工和概括。

具体地，将文本信息输入WWM预训练中文模型中，WWM预训练中文模型训练目标评估专利中的文本信息，输出目标评估专利的文本特征信息。本申请的文本特征信息包括创新性、创新方法类别、可替代性和可实现性。

步骤S20的作用在于通过预训练模型，将目标评估专利的文本信息提取为文本特征信息。

S30.将量化特征信息和文本特征信息作为深度学习模型的文本特征信息，通过深度学习模型输出评估交易价格。

其中，通过深度学习模型，对专利的文本信息的深层次特征进行分析，再结合量化特征信息，来进行定价评估，从而提高了定价评估的准确性。

具体地，专利的被引数、作者画像、技术领域相关特征、经济价值（行业画像）、市场规模（行业画像）、有效期、市场垄断程度（行业画像），以及通过预训练模型提取的专利的创新性、创新方法类别、可替代性、可实现性作为模型输入，训练一个深度学习模型，通过该深度学习模型来预测专利的交易价格，专利的交易价格准确性较高。

步骤S30的作用在于量化特征信息和文本特征信息共同作为深度学习模型的输入，通过深度学习模型来预测专利的交易价格，较大地提高了专利的交易价格准确性。

在一具体实施例中，如图3所示，在步骤S20中，将目标评估专利输入预训练模型，通过预训练模型提取文本特征信息，预训练模型包括创新性评估模型，具体包括如下步骤：

S21.通过专利数据库获取目标评估专利对应的历史相似专利。

S22.将历史相似专利和目标评估专利输入创新性评估模型，用于输出目标评估专利相对于历史相似专利的创新性评估结果。

其中，创新性评估结果用于反映专利的创新性。

具体地，从服务器中的专利数据库中的多个专利文件中出并获取与目标评估专利相似的历史专利，将历史相似专利和目标评估专利整体在创新性评估模型中输入，创新性评估模型输出的创新性评估结果越高，创造性越好，评估交易价格越高，创造性评估结果a越接近于1。

步骤S21的作用在于获取历史相似专利，步骤S22的作用在于通过创新性评估模型，对文本特征信息中的创新性进行训练开发。

在一具体实施例中，如图4所示，在步骤S20中，即在将历史相似专利和目标评估专利输入创新性评估模型之前，具体包括如下步骤：

S201.通过专利数据库按领域获取指定数量的创新性训练专利。

S202.将创新性训练专利输入相似性判定模型进行训练，用于判定训练专利数据中的任一创新性训练专利和其余的创新性训练专利之间的创新性程度，从而将相似性判定模型训练成为创新性评估模型。

其中，Django Models模型获取指定数量的创新性训练专利。

具体地，Django Models模型可从服务器中的数据库中按照专利的技术邻域随机获取指定数量的创新性训练专利，再将创新性训练专利输入相似性判定模型进行训练，该相似性判定模型采用TensorFlow相似性模型，能够主动地进行相似性训练评估，训练专利数据中的任一创新性训练专利和其余的创新性训练专利之间的创新性程度。

步骤S201的作用在于获取指定数量的创新性训练专利，减少不必要的提取成本；步骤S202的作用在于将相似性判定模型训练成为创新性评估模型，使文本特征信息中的创新性在创新性评估模型进行训练开发。

在一具体实施例中，如图5所示，在步骤S20中，将目标评估专利输入预训练模型，通过预训练模型提取文本特征信息，预训练模型包括创新性类别模型，具体包括如下步骤：

S23.采用NLP算法对目标评估专利进行处理，获取目标评估专利的专利实体。

S24.将专利实体输入创新性类别模型，用于输出目标评估专利的创新性类别结果。

其中，NLP（Natural Language Processing）算法是自然语言处理算法，NPL算法对目标评估专利进行实体识别，对权利要求进行处理。创新性类别包括开拓创新、扩散创新、组合创新和选择创新，开拓创新是指其专利的劳动成果具有首创性，与现有技术相比具有突出的进步性；扩散创新是指带动其他相关产品、行业充分发挥积极作用；组合创新是指解决客观问题将现有技术进行创造性组合产生新的劳动成果；选择创新是指根据现有技术进行创造性选择，出现有技术中没有得到的技术最优解，提高技术的准确性。创新性类别结果b为四种类别的加权。

具体地，开拓创新、扩散创新、组合创新和选择创的权重比值为3:3:2:2。通过NLP算法对目标评估专利的权利要求书进行实体识别，输入创新性类别模型，模型对四种创新类别进行归纳分类，加权求和，创新性类别模型输出的创新性类别结果越高，专利的劳动成果越丰富，评估交易价格越高，目标评估专利的创新性类别结果b越接近于1。

步骤S23的作用在于获取目标评估专利，并对权利要求书进行处理；步骤S24的作用在于将权利要求书输入创新性类别模型，该模型对四种创新类别进行归纳分类，加权求和，有利于提高专利创新性类别评估的准确性，进而提高专利交易价格的准确性。

在一具体实施例中，如图6所示，在步骤S20中，将目标评估专利输入预训练模型，通过预训练模型提取文本特征信息，预训练模型包括聚类模型和有监督模型，具体包括如下步骤：

S25.扫描目标评估专利，获取与技术效果相关的所有目标效果关键词，以及与具体实施方式相关的所有目标实施实体。

S26.获取目标评估专利对应的历史相似专利，并获取历史相似专利的比对效果关键词和比对实施实体。

S27.将目标效果关键词和比对效果关键词输入所述聚类模型，获取目标评估专利的可替代性评估结果。

S28.将目标实施实体和比对实施实体输入所述有监督模型，获取目标评估专利的可实现性评估结果。

其中，目标效果关键词为目标评估专利中的目标效果形容词，比对效果关键词为历史相似专利中的目标效果形容词。目标实施实体为目标评估专利中招标中谓语加上宾语对应的词组，比对实施实体为历史相似专利中的谓语加上宾语对应的词组。可代替性是指技术水平被模仿的程度，市场上是否存在着一些技术能实现该专利技术的功能，可代替性低，则该专利容易形成市场垄断、专利价值大，评估交易价格高，可实现性是指能否在产业上制造或者使用。聚类模型根据目标效果关键词和比对效果关键词的属性，使用算法计算相似性或者差异性指标，以确定每个效果关键词之间的亲疏关系，最终将所有目标效果关键词和比对效果关键词分为多个相似组（即聚类），同一聚类的关键词彼此相同，不同聚类中的关键词彼此不同，从而获取评估结果。有监督模型采用的是判别模型，直接学习决策函数或者条件概率分布，直接面对预测，得到较高的准确率。

具体地，从服务器中的数据库中的多个专利文件中获取出与目标评估专利相似的历史专利，并获取历史相似专利的技术效果，在聚类训练模型中训练，对历史相似专利的技术效果进行聚类，并与目标评估专利的技术效果进行匹配，可替代性训练模型输出的可替代性评估结果越高，可代替性越小，评估交易价格越高，目标评估专利的可替代性类别结果c越接近于1。从服务器中的数据库中的多个专利文件中获取出与目标评估专利相似的历史专利，并获取历史相似专利的具体实施方式，在有监督训练模型中训练，并与目标评估专利的具体实施方式进行匹配，可实现性训练模型输出的可实现性评估结果越高，可实现性越好，评估交易价格越高，目标评估专利的可实现性结果d越接近于1。

步骤S25和S26的作用在于获取目标评估专利和历史相似专利的技术效果，目标评估专利和历史相似专利的目标实施实体。步骤S27和S28的作用在于通过聚类模型，对文本特征信息中的可代替性进行训练开发，获取目标评估专利的可替代性评估结果；通过有监督模型，对文本特征信息中的可实现性进行训练开发，获取目标评估专利的可实现性评估结果。

在一具体实施例中，如图7所示，在步骤S30中，通过深度学习模型输出评估交易价格，具体包括如下步骤：

S31.结合文本特征信息，和文本特征信息在深度学习模型中对应的预设参数权值，获取目标评估专利对应的专利评估值。

S32.基于专利评估值与交易价格区间进行匹配，获取目标评估专利对应的评估交易价格。

其中，文本特征信息包括创新性结果a、创新方法结果b、可替代性结果c和可实现性结果d对应的数值参数和量化特征信息对应的数值参数e，创新性结果a、创新方法结果b、可替代性结果c和可实现性结果d对应的数值参数和量化特征信息对应的数值参数e对应的预设参数权值分别为x,y,z,w,t。

具体地，专利评估值为ax+by+cz+dz+et，通过深度学习模型输出目标评估专利对应的专利评估值，专利评估值区间范围为[0,1），并通过模型与交易价格区间进行匹配，得到目标评估专利的定价评估。

步骤S31和S32的作用在于通过深度学习模型，对专利文本的深层次特征进行分析，将文本特征信息中的创新性、创新方法类别、可替代性、可实现性，结合量化特征信息进行定价评估，提高了定价评估的准确性。

在一具体实施例中，如图8所示，在步骤S21中，即通过专利数据库获取所述目标评估专利对应的历史相似专利，还具体包括如下步骤：

S211，获取所述历史相似专利的历史交易年限。

S212，根据市场交易的兴衰，选取所述历史交易年限的区间范围。

S213，对区间范围内的所述历史相似专利进行预训练模型的提取。

其中，历史交易年限为历史相似专利交易时到至今的时间。

具体地，根据市场经济变化曲线，选取变化幅度较小并接近目标评估交易时间阶段的一个区间范围，对区间范围内的所述历史相似专利进行预训练模型的提取。

步骤S201、S202和S203的作用在于专利的交易价格受市场经济的影响较大，选取一个适合的区间范围，期间受市场的影响较小，有利于数据的准确。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种专利定价评估装置，该专利定价评估装置与上述实施例中专利定价评估方法一一对应。如图9所示，该专利定价评估方法装置包括目标评估专利信息模块、提取文本特征信息模块和输出评估交易价格模块。各功能模块详细说明如下：

目标评估专利信息模块10，用于基于目标评估专利，获取目标评估专利信息，目标评估专利信息包括量化特征信息。

提取文本特征信息模块20，用于将目标评估专利输入预训练模型，通过预训练模型提取文本特征信息。

输出评估交易价格模块30，用于将量化特征信息和文本特征信息作为深度学习模型的文本特征信息，通过深度学习模型输出评估交易价格。

关于专利定价评估装置的具体限定可以参见上文中对于专利定价评估方法的限定，在此不再赘述。上述专利定价评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性介质、内存储器。该非易失性介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于专利定价评估方法相关的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种专利定价评估方法。

在一实施例中，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例专利定价评估方法，例如图2所示S10至步骤S30。或者，处理器执行计算机程序时实现上述实施例中专利定价评估装置的各模块/单元的功能，例如图8所示模块10至模块30的功能。为避免重复，此处不再赘述。

在一实施例中，提供一种计算机可读介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例专利定价评估方法，例如图2所示S10至步骤S30。或者，该计算机程序被处理器执行时实现上述装置实施例中专利定价评估装置中各模块/单元的功能，例如图8所示模块10至模块30的功能。为避免重复，此处不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然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，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。