专利授权概率的分析方法及装置、存储介质和电子设备

本发明涉及知识产权分析领域，特别是涉及一种专利授权概率的分析方法及装置、计算机可读存储介质和电子设备。

诸如专利在内的无形资产对于社会发展和经济发展非常重要。在世界上的各个国家和地区，每年有大量的专利申请被提交。然而，这些专利具有不同的质量和价值，并且具有不同的授权前景。对专利授权概率的预估可以帮助专利申请人和第三方社会公众在各个方面做出更加正确的决策。例如，专利申请人通过了解草拟的专利申请文件的授权概率，可以针对授权概率较低的申请文件，进行进一步高效的改进；又如，对于竞争对手的某项专利申请，如果能够了解其授权概率，就可以基于授权概率，确定对应策略，灵活调整自身的专利布局；再如，对于投资者而言，对专利授权概率的预估可以帮助其评估目标公司的专利组合的价值。

目前，已经有数据库可以提供对专利的授权概率的预测，但其只展示一个简单的概率值，人们无法获知该概率值受哪些因素影响，为什么高或者为什么低，因而往往无法为用户提供真实有效的决策信息。

有鉴于此，本申请实施例为解决背景技术中存在的至少一个问题而提供一种专利授权概率的分析方法及装置、计算机可读存储介质和电子设备。

第一方面，本申请一实施例提供了一种专利授权概率的分析方法，所述方法包括：

对与待分析专利文献相关的信息进行特征提取，得到若干特征；

根据若干所述特征，计算所述待分析专利文献的授权概率；

确定各所述特征对所述授权概率的贡献度；

获得分析结果，所述分析结果包括所述授权概率以及对所述授权概率的解释，所述解释基于所述贡献度而生成。

结合本申请的第一方面，在一可选实施方式中，所述与待分析专利文献相关的信息包括多个方面的信息；所述对与待分析专利文献相关的信息进行特征提取，得到若干特征，包括：对所述多个方面的信息分别进行特征提取，得到与所述多个方面的信息分别对应的若干所述特征；

所述获得分析结果，包括：根据所述多个方面的信息与若干所述特征之间的对应关系，确定所述多个方面的信息中各方面的信息对所述授权概率的贡献度；基于各方面的信息对所述授权概率的贡献度，生成对所述授权概率的所述解释；基于所述授权概率和所述解释，得到所述分析结果。

结合本申请的第一方面，在一可选实施方式中，所述多个方面的信息包括以下中的至少两个：

技术语义信息、审查相关信息、撰写相关信息、申请人相关信息、专利领域相关信息、代理所相关信息、同族相关信息。

结合本申请的第一方面，在一可选实施方式中，所述特征包括第一类特征，所述第一类特征为内容为数值的特征；所述根据若干所述特征，计算所述待分析专利文献的授权概率，包括：

对所述第一类特征进行归一化处理；

根据归一化处理结果，计算所述待分析专利文献的授权概率。

结合本申请的第一方面，在一可选实施方式中，所述根据若干所述特征，计算所述待分析专利文献的授权概率，基于经过训练的预测模型实现；所述经过训练的预测模型的训练过程至少包括：

获取训练样本，所述训练样本包括与专利文献相关的信息；

对所述训练样本进行特征提取；其中，提取得到的特征至少来源于所述与专利文献相关的信息中的以下信息：技术语义信息、审查相关信息、撰写相关信息、申请人相关信息、专利领域相关信息、代理所相关信息、以及同族相关信息；

对提取得到的所述特征进行处理；其中，所述特征包括第一类特征，所述第一类特征为内容为数值的特征，对所述第一类特征的处理包括归一化处理；

采用处理后的特征对初始预测模型进行训练，得到所述经过训练的预测模型。

结合本申请的第一方面，在一可选实施方式中，所述与待分析专利文献相关的信息包括技术语义信息；所述方法还包括：

根据所述技术语义信息，获得语义搜索结果；所述语义搜索结果包括与所述待分析专利文献的语义相似度满足预设规则的专利；

所述分析结果还包括所述语义搜索结果。

结合本申请的第一方面，在一可选实施方式中，所述方法还包括：将所述分析结果发送至终端设备，以使所述终端设备的显示屏幕显示包含所述分析结果的页面。

结合本申请的第一方面，在一可选实施方式中，

所述对与待分析专利文献相关的信息进行特征提取之前，所述方法还包括：

接收终端设备发送的与待分析专利文献相关的信息，所述与待分析专利文献相关的信息由用户基于终端设备的显示屏幕上提供的输入框而输入至终端设备；

接收终端设备发送的分析结果获取指令，所述分析结果获取指令根据用户基于终端设备输入的用于指示所述终端设备显示所述待分析专利文献的授权概率的分析结果的命令而生成；

所述获得分析结果之后，所述方法还包括：

将所述分析结果发送至终端设备，以使所述终端设备的显示屏幕显示包含所述分析结果的页面。

结合本申请的第一方面，在一可选实施方式中，所述方法还包括：

接收终端设备发送的信息获取指令，所述信息获取指令根据用户基于终端设备输入的用于指示所述终端设备显示专利详情内容的命令而生成；

将所述专利详情内容发送至所述终端设备，以使所述终端设备的显示屏幕显示包含所述专利详情内容和用于提示可以展示所述分析结果的按钮的页面；在基于所述按钮接收到指示展示所述分析结果的指令后，将所述分析结果发送至所述终端设备，以使所述终端设备的显示屏幕显示包含所述分析结果的页面；或者，

将所述专利详情内容和所述分析结果发送至所述终端设备，以使所述终端设备根据预设规则控制显示屏幕显示包含所述专利详情内容和所述分析结果的页面，或者显示包含所述专利详情内容和用于提示可以展示所述分析结果的按钮的页面。

第二方面，本申请一实施例提供了一种专利授权概率的分析装置，包括：

特征提取模块，配置为对与待分析专利文献相关的信息进行特征提取，得到若干特征；

预测模块，配置为根据若干所述特征，计算所述待分析专利文献的授权概率；确定各所述特征对所述授权概率的贡献度；

结果获得模块，配置为获得分析结果，所述分析结果包括所述授权概率以及对所述授权概率的解释，所述解释基于所述贡献度而生成。

结合本申请的第二方面，在一可选实施方式中，所述与待分析专利文献相关的信息包括技术语义信息；所述分析装置还包括：

语义搜索模块，配置为根据所述技术语义信息，获得语义搜索结果；所述语义搜索结果包括与所述待分析专利文献的语义相似度满足预设规则的专利；

所述结果获得模块，配置为获得还包括所述语义搜索结果的所述分析结果。

结合本申请的第二方面，在一可选实施方式中，所述分析装置还包括：发送模块，配置为将所述分析结果发送至终端设备，以使所述终端设备的显示屏幕显示包含所述分析结果的页面。

第三方面，本申请一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有指令，当所述指令由电子设备的处理器执行时，使得所述电子设备能够执行上述实施例中任意一项提供的专利授权概率的分析方法。

第四方面，本申请一实施例提供了一种电子设备，所述电子设备包括：

处理器；

用于存储计算机可执行指令的存储器；

所述处理器，用于执行所述计算机可执行指令，以实现上述实施例中任意一项所述的专利授权概率的分析方法。

本申请实施例所提供的专利授权概率的分析方法及装置、计算机可读存储介质和电子设备，通过对与待分析专利文献相关的信息进行特征提取，得到若干特征；根据若干特征，计算待分析专利文献的授权概率；确定各特征对授权概率的贡献度；获得分析结果，分析结果包括授权概率以及对授权概率的解释，解释基于贡献度而生成；如此，不仅对待分析专利文献的授权概率进行了预测，还获得了对授权概率的解释，进而获得的分析结果对用户后续的决策更具有指导意义。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请一实施例提供的专利授权概率的分析的应用场景示意图；

图2为本申请一实施例提供的专利授权概率的分析方法的流程示意图；

图3为本申请一实施例提供的预测模型的训练方法的流程示意图；

图4为包含分析结果的页面的示意图；

图5为一具体示例提供的专利授权概率的分析方法的流程示意图；

图6为本申请一实施例提供的专利授权概率的分析装置的结构示意图；

图7为本申请一实施例提供的电子设备的结构示意图。

为使本发明的技术方案和有益效果能够更加明显易懂，下面通过列举具体实施例的方式，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

虽然已经有相关技术提供对专利的授权概率的预测，但其往往仅展示简单的概率数值，比如，授权概率：68.05；除此之外，没有为专利授权概率的高低提供更多的参考信息和解释信息。

从模型的算法层面来看，相关技术中的概率预测模型算法大多使用单一的线性模型，模型效果一般；同时对于一个专利的授权概率的预测，并不能给出影响最终预测结果的具体因素特征，使得预测结果没有一定的说服性和指导性。

本申请旨在提供一种专利授权概率的分析方法，不仅为用户提供较为准确的授权概率预测值，同时还提供针对该授权概率的解释，通过丰富的分析结果，为用户后续的决策提供更多的指导作用。

本申请提供的技术方案可以应用于包含有服务器(例如，为用户提供专利授权概率的分析的后台处理服务器)和终端设备(例如，台式电脑、笔记本电脑、平板电脑、手机等)的系统中。

示例性地，本申请提供的技术方案可以应用于专利申请文件撰写、申请或专利文献阅读场景中。具体地，待分析专利文献可以是用户准备申请或者已经申请的文献，也可以是用户在网络上查的其他用户申请的专利文献。当用户想要获知该待分析专利文献的授权概率的分析结果时，可以采用本申请实施例提供的专利授权概率的分析方法而实现。除了上述提及的场景，本申请还可以基于服务器的形式应用于诸多其他场景。下面结合图1进行简单的介绍。

图1所示为本申请一实施例提供的专利授权概率的分析的应用场景示意图。图1所示的场景包括服务器10以及与服务器10通信连接的终端设备20。示例性地，在实际应用过程中，终端设备20可以接收用户输入的各类指令，并将接收的指令发送至服务器10；该指令例如包括获取专利授权概率的分析结果。服务器10用于对与待分析专利文献相关的信息进行特征提取；计算待分析专利文献的授权概率；确定各特征对授权概率的贡献度；获得分析结果；并将分析结果输出至终端设备20；终端设备20可以基于接收到的分析结果进行相应的展示，从而呈现给用户。

下面，对本申请一实施例提供的专利授权概率的分析方法进行简单的介绍。

图2所示为本申请一实施例提供的专利授权概率的分析方法的流程示意图。如图所示，本申请实施例提供的专利授权概率的分析方法包括如下步骤：

步骤210，对与待分析专利文献相关的信息进行特征提取，得到若干特征。

可以理解的，在对与待分析专利文献相关的信息进行特征提取之前，还可以包括获取与待分析专利文献相关的信息的步骤。与待分析专利文献相关的信息可以基于终端设备20发送的指令而获取。作为一种可选的实施方式，可以通过该指令而在网络上获取与待分析专利文献相关的信息，该指令中例如包括待分析专利文献的申请号或者公开号等信息。作为另一种可选的实施方式，该指令中可以直接包括与待分析专利文献相关的信息；对应于此种情况，终端设备20可以接收用户输入的与待分析专利文献相关的信息，并将其发送给服务器10，以使获取到该信息。

这里，待分析专利文献的申请类型可以是发明，也可以是实用新型。待分析专利文献的申请人可以是用户，也可以是用户所关注的其他申请人。待分析专利文献可以是网络上可以查到的公开文本；当然，也不排除待分析专利文献是用户完成撰写初稿而尚未申请的申请文件的情况，此时，用户可以通过专利授权概率的分析方法对该文件进行分析，从而为是否需要修改、如何修改提供指导依据。对于已公开的待分析专利文献可以是处于各个审查阶段的专利文献，例如，尚未收到审查意见通知书、已收到第一次/第N次审查意见通知书等。本申请也不排除待分析专利文献为已授权专利的情况，容易理解的，基于本申请实施例提供的专利授权概率的分析方法对于已授权专利进行分析，可以有助于对该专利的稳定性等方面进行评估。

与待分析专利文献相关的信息包括但不限于待分析专利文献中记载的信息。

作为一种可选的具体实施方式，与待分析专利文献相关的信息包括多个方面的信息；对与待分析专利文献相关的信息进行特征提取，得到若干特征，包括：对多个方面的信息分别进行特征提取，得到与多个方面的信息分别对应的若干特征。

这里，多个方面的信息可以指与待分析专利文献的多个方面相关的信息，例如，与待分析专利文献的申请人相关的信息、与待分析专利文献的技术领域相关的信息等。多个方面主要是与“一个方面”进行区分，具体指至少两个方面的信息；在本申请一具体示例中，与待分析专利文献相关的信息包括七个方面的信息。提取得到的与每个方面对应的特征的数量可以为多个，也可以为一个，本申请对此并不做具体限定。

可选的，多个方面的信息包括以下中的至少两个：技术语义信息、审查相关信息、撰写相关信息、申请人相关信息、专利领域相关信息、代理所相关信息、同族相关信息。

其中，技术语义信息例如从待分析专利文献中提取的信息，具体例如从待分析专利文献的摘要、权利要求、具体实施方式、甚至附图中的至少一部分中提取信息。从技术语义信息中提取特征主要意在提取出与技术方案相关的特征，从而可以通过提取的特征分析待分析专利文献中记载的技术方案，进而对待分析专利文献的授权概率进行预估。审查相关信息例如包括审查意见通知书中使用了哪一法条、是否使用对比文件等；可以理解的，如果审查意见通知书中未引用对比文件，检索报告中全部为A类文件，那么该待分析专利文献的授权概率较高。撰写相关信息例如包括权利要求个数、独立权利要求总字数、说明书字数等信息，这些信息可以在一定程度上反映待分析专利文献的撰写水平、权利要求的布局情况以及保护范围大小等，从而为计算专利授权概率提供数据。申请人相关信息例如包括申请人历年申请量、授权案件数量、历史授权率等，从而从该待分析专利文献的技术方案来源方面为计算授权概率提供数据。专利领域相关信息例如包括属于哪一技术领域、该技术领域的授权率、该技术领域在一段时间内的专利申请增长量等信息；这里，技术领域可以通过诸如IPC分类号、CPC分类号、FI分类号、FT分类号、洛加诺分类号、国民经济行业分类号等表征。代理所相关信息例如包括代理所历史授权率、执业代理人数量、代理人历史授权率等信息。同族相关信息例如包括同族的审查结论、同族审查意见中引用的对比文件等信息。这里，仅举例说明多个方面的信息可能包含的具体内容，并非构成对各方面的信息内容的限制。

在本申请实施例中，多个方面的信息显然并不限于上述信息；例如，还可以包括申请类型等。容易理解的，对于实用新型专利申请而言，其授权概率相较于发明专利申请更高。

应当说明的是，在实际应用中，可能会出现多个方面的信息中的某个或某些方面的信息为空，或者说信息缺失的情况；那么，在进行特征提取后，得到的与这部分信息对应的特征也为空。为了应对这种情况，所述方法还可以包括：对若干所述特征中具体内容为空的特征进行干预处理，采用干预处理后的特征计算所述待分析专利文献的授权概率。这里，干预处理例如给具体内容为空的特征进行赋值。比如，对于内容为数值的第一类特征，可以采用预存储的对应数值为该具体内容为空的特征进行赋值；其中，预存储的对应数值可以基于其他专利文献中的对应特征来确定；如在出现待分析专利文献的“IPC分类号5年内专利申请增长量”的信息缺失时，由于在进行模型训练时获得了大量训练样本的“IPC分类号5年内专利申请增长量”的具体数值，那么，可以计算该些训练样本的具体数值的均值并进行存储，在进行干预处理时，采用该均值为待分析专利文献的特征“IPC分类号5年内专利申请增长量”进行赋值。再如，对于内容为类别的第二类特征，可以采用预设的内容为该具体内容为空的特征进行赋值；如待分析专利文献的同族相关信息为空，具体如尚不知晓待分析专利文献是否为PCT申请，那么提取的特征也为空(内容不为空时应当为“是”或“否”)，这种情况可以将“否”作为预设内容，干预处理后的特征的内容变为“否”，即将没有同族相关信息的情况时视为待分析专利文献不是PCT申请。

可以理解的，某个或某些方面的信息为空的情况会对分析结果的准确性产生一些影响，尤其是在空值较多的情况下，由于已知信息比较少，那么分析结果的准确性一般较低。

在具体应用中，从影响专利授权概率的多个因素出发，结合与待分析专利文献相关的多个方面的信息，提取若干特征。这里，提取特征的数量可以根据实际情况而定，在该具体应用中，共对三十多个特征进行特征提取，而后输送到预测模型中，使得模型的输出更具有有效性。

下面，以撰写相关信息为例，对撰写相关信息进行特征提取，得到的特征可以包括以下至少之一：claim_count(权利要求个数)、claim_independent_count(独立权利要求个数)、dep_claim_length(独立权利要求总字数)、desc_length(说明书总字数)、img_count(附图总个数)、total_pages(pdf总页面数)、abs_length(摘要总字数)、title_length(标题总字数)；具体可以参考表1，其中撰写相关信息也可以称为影响专利授权概率的撰写因素。

表1

可以理解的，考量待分析专利文献的撰写因素，在一定程度上能够反映该专利文献的撰写水平和权利要求的保护范围大小；主要通过从权利要求套数(独立权利要求个数)、权利要求总项数(权利要求个数)、权利要求篇幅、说明书篇幅(说明书总字数)等角度进行评估，从而确定撰写因素对授权概率的贡献度。通常，独立权利要求包含的技术特征越多，权利要求的保护范围越小，从而越不容易被现有技术所公开，授权的可能性也相对越高。

接下来，执行步骤220，根据若干特征，计算待分析专利文献的授权概率。

这里，计算待分析专利文献的授权概率可以基于训练后的预测模型实现。在具体应用中，训练后的预测模型可以包括Xgboost模型。Xgboost全称Extreme GradientBoosting，是梯度提升树模型的一种，同样是串行地生成模型，取所有模型的和为输出。Xgboost对应的模型本质是一堆CART树；用一堆树做预测，就是将每棵树的预测值加到一起作为最终的预测值。本申请实施例采用Xgboost算法树，相较于使用gbdt模型，具有并发运算效率高，预测效果更好的特点。通过对Xgboost模型进行训练，使模型具有预测专利授权概率的能力。

可选的，根据若干特征计算待分析专利文献的授权概率的步骤，可以包括：对若干特征进行数据预处理；采用经过数据预处理后的结果计算待分析专利文献的授权概率。

具体的，特征可以包括第一类特征，第一类特征为内容为数值的特征，或简称为“数值类特征”。例如上述权利要求个数、摘要总字数、说明书总字数等，这类特征的内容为具体数值，如权利要求个数为10、摘要总字数278、说明书总字数13623。

由于数值类特征的量纲不同，例如特征“独立权利要求个数”，又如特征“发明人个数”，其数值一般为个位数级；而特征“说明书总字数”和“IPC分类号5年内专利申请增长量”的数量级可能数万量级。如果不进行任何处理，直接输入预测模型中，可能导致数量级较大的特征和数量级较小的特征之间由于数量级不同而对预测结果(即授权概率)的影响不同。因此，可以对数值类特征进行归一化的数据预处理，将这些不同量纲的数值进行归一化，映射到相同量纲级中，再输入预测模型。

具体的，根据若干特征，计算待分析专利文献的授权概率，可以包括：对第一类特征进行归一化处理；根据归一化处理结果，计算待分析专利文献的授权概率。

这里，归一化处理可以采用领域中常用的归一化处理方法，本申请对此不做具体限制。例如，可以计算第一类特征的均值和方差，根据均值和方差对每个第一类特征进行归一化处理。

此外，特征可以包括第二类特征，第二类特征为内容为类别的特征，或简称为“类别类特征”。例如审查意见通知书引用的是否全部为A类文件(是\否)、待分析专利文献是否为PCT申请(是\否)、待分析专利文献是否委托代理机构(是\否)等。

类别类特征即特征具有类别属性，此类特征的具体内容通常为几个类别中的一个，如上述“是\否”两个类别；又如，当前申请人类型为个人/院校研究所/公司/政府机构/医院/银行/其他等6个类别。针对类别类特征的数据预处理步骤即为将类别转换为数字，用数字代表相应的类别特征，如“是\否”分别对应“0\1”，上述6个类别分别对应“001/010/011/100/101/110”。从而将进行数据预处理后的第二类特征输入预测模型中。

根据若干特征，计算待分析专利文献的授权概率，可以基于经过训练的预测模型实现。本申请实施例还提供了一种预测模型的训练方法，其中包括的步骤可以应用于上述专利授权概率的分析方法中。具体地，请参考图3，预测模型的训练方法，即经过训练的预测模型的训练过程至少包括：

步骤310，获取训练样本，训练样本包括与专利文献相关的信息。

训练样本可以从商业数据库中选取。在实际操作中，例如涵盖近二十年的发明专利，从而确保训练出的预测模型具有很强的泛化性能。

步骤320，对训练样本进行特征提取。

其中，提取得到的特征可以来源于与专利文献相关的多个方面的信息中。多个方面的信息包括以下中的至少两个：技术语义信息、审查相关信息、撰写相关信息、申请人相关信息、专利领域相关信息、代理所相关信息、同族相关信息。

可以理解的，预测模型的训练中的特征提取与上述步骤210(即预测模型的应用中的特征提取)基本相同，具体可以参考上述对于步骤210的描述，这里不再赘述。

应当说明的是，在从商业数据库中获得的训练样本中也可能会出现多个方面的信息中的某个或某些方面的信息为空，或者说信息缺失的情况；那么，考虑到训练过程的需要，对于缺失信息较多(根据预设的阈值进行确定)的专利文献，可以进行剔除，不将其作为训练样本使用；对于缺失信息在允许范围(同样根据预设的阈值进行确定)内的专利文献，可以作为训练样本，并对进行特征提取后得到的若干特征中具体内容为空的特征进行干预处理，采用干预处理后的特征对初始预测模型进行训练。这里，干预处理可以与上述实际应用中的干预处理类似，例如同样给具体内容为空的特征进行赋值。具体的，比如，对于内容为数值的第一类特征，可以采用其他训练样本中对应特征的均值为该具体内容为空的特征进行赋值。再如，对于内容为类别的第二类特征，可以采用预设的内容为该具体内容为空的特征进行赋值。这里不再展开论述。

步骤330，对提取得到的特征进行处理。

其中，特征包括第一类特征，第一类特征为内容为数值的特征，对第一类特征的处理包括归一化处理。

当然，本申请实施例还可以包括对第二类特征进行处理，即针对类别类特征的数据预处理，具体可以参考上述描述，这里不再赘述。

步骤340，采用处理后的特征对初始预测模型进行训练，得到经过训练的预测模型。

作为一种具体的实施方式，经过训练的预测模型包括Xgboost模型(具体指经过训练的Xgboost模型)；与之对应的，采用处理后的特征对初始预测模型进行训练，具体可以指将处理后的特征输入Xgboost模型。

在本申请实施例中，可以采用预测模块，实现根据若干特征计算待分析专利文献的授权概率，并确定各特征对授权概率的贡献度的功能。预测模型属于预测模块的一部分。在一些实施方式中，预测模块可以包括进行数据预处理的部分，此时，提取得到的特征可以直接作为预测模块的输入；在另一些实施方式中，预测模块也可以不包括进行数据预处理的部分，从而数据预处理通过独立于预测模块的数据预处理模块实现，相应的，处理后的特征作为预测模块的输入，并且具体例如输入至预测模型(如Xgboost模型)中。

如此，模型经过对此学习训练迭代，最终训练生成一个最优模型，这个最优模型就是本申请实施例中的经过训练的预测模型。经过训练的预测模型具备输出授权概率的功能。

接下来，执行步骤230，确定各特征对授权概率的贡献度。

这里，确定各特征对授权概率的贡献度例如采用shap value实现。借鉴shapvalue的计算思路，结合模型的所有特征，计算出每一个特征对模型最终输出预测值(授权概率)的贡献度，即每一个特征对这个专利授权与否的影响程度。贡献度的值越大，表示该特征对专利授权概率的影响程度也越大。

在具体应用中，例如采用的Xgboost模型+shap value的形式，通过上述对Xgboost模型的训练，使模型具有预测专利授权概率的能力，并在模型输出概率值的时候，引入shapvalue值，计算出模型输出的概率值主要受哪几项特征影响，从而实现了模型预测和模型解释的结合。

当然，应当理解，本申请并不限于此，其他可以实现输出预测值和实现输出贡献度的方法也可以应用到本申请实施例提供的专利授权概率的分析方法中。

接下来，执行步骤240，获得分析结果，分析结果包括授权概率以及对授权概率的解释，解释基于贡献度而生成。

可以理解的，在相关技术中，授权概率的获取过程就像一个黑盒，只输出一个最终的概率预测值，无法从专利的维度给与用户更多有用可参考的信息。而本申请实施例提供的专利授权概率的分析方法，不仅对待分析专利文献的授权概率进行了预测，还确定了各特征对授权概率的贡献度，获得了对授权概率的解释，进而获得的分析结果对用户后续的决策更具有指导意义。

可选的，获得分析结果，包括：根据多个方面的信息与若干特征之间的对应关系，确定多个方面的信息中各方面的信息对授权概率的贡献度；基于各方面的信息对授权概率的贡献度，生成对授权概率的解释；基于授权概率和解释，得到分析结果。

在实际应用中，计算输入的若干特征中对输出授权概率影响最大的若干特征，如，按照贡献度大小排序，确定贡献度最大的前n的特征，n为正整数；再根据提前设定好的映射关系表，该映射关系表包含多个方面的信息与若干特征之间的对应关系，将所有的这些特征映射到上述多个方面的信息中，形成最终各个方面的得分，进行对预测结果的解释。

作为一种可选的实施方式，与待分析专利文献相关的信息包括技术语义信息；本申请实施例所提供的专利授权概率的分析方法还包括：根据技术语义信息，获得语义搜索结果；语义搜索结果包括与待分析专利文献的语义相似度满足预设规则的专利；分析结果还包括语义搜索结果。

这里，技术语义信息作为与待分析专利文献相关的信息之一，还可以利用其从语义方面输出与该待分析专利文献高相似度的其他专利。这一步骤可以通过预测模块的语义检索部分实现。预设规则例如为与待分析专利文献的语义相似度的排名为第一数量以内的专利；以第一数量等于10为例，语义搜索结果包括与待分析专利文献的语义相似度的排名前10篇的专利。此外，也不排除预设规则为与待分析专利文献的语义相似度高于预设阈值的情况。从而，输出的高相似度的其他专利的数量可以为一篇，也可以为多篇，本申请对此不做具体限制。最后，将语义搜索结果、授权概率以及对授权概率的解释一同作为分析结果输出，实现了对专利授权概率分析结果的多维度表达，向用户提供了尽量多的信息，帮助用户对待分析专利文献进行分析，对用户后续的决策更有指导意义。

作为一种可选的实施方式，上述方法还可以包括：将分析结果发送至终端设备，以使终端设备的显示屏幕显示包含上述分析结果的页面。

这里，分析结果至少包括授权概率以及对授权概率的解释；相应的，终端设备的显示屏幕显示至少包含授权概率以及对授权概率的解释的页面。作为一种可选的实施方式，分析结果还包括语义搜索结果；相应的，终端设备的显示屏幕显示包含授权概率、对授权概率的解释以及语义搜索结果的页面。其中，授权概率、对授权概率的解释以及语义搜索结果中的任意之一可以以文字、图片、表格等任意形式展示，本申请对此不作具体限定。授权概率和对授权概率的解释或者授权概率、对授权概率的解释以及语义搜索结果可以位于同一幅页面中，例如，在一幅页面的不同区域中分别展示授权概率、对授权概率的解释和语义搜索结果；此外，上述分析结果也可以分布于多幅页面中，例如，首先在第一页面中展示授权概率和对授权概率的解释，第一页面中还可以包括用于指示展示语义搜索结果的按钮，如果基于该按钮而接收到展示语义搜索结果的指令，则终端设备的显示屏幕显示包含语义搜索结果的第二页面。

图4示出了一种包含分析结果的页面。

如图所示，该页面中展示了该待分析专利文献的授权概率为56％，并且展示了技术语义因素、审查相关因素、撰写相关因素、申请人相关因素、专利领域相关因素、代理所相关因素以及同族相关因素中各因素的具体得分。如，技术语义因素满分为100分，该待分析专利文献的得分为82分；代理所相关因素满分为100分，该待分析专利文献的得分为35分，等等。从而，用户可以获知授权概率为56％具体是受到哪些因素影响，以及该些因素具体如何影响；这从专利的维度向用户提供了更多有用的参考信息，对用户后续的决策更具有指导意义。可以理解的，这里技术语义因素、审查相关因素、撰写相关因素、申请人相关因素、专利领域相关因素、代理所相关因素以及同族相关因素分别与技术语义信息、审查相关信息、撰写相关信息、申请人相关信息、专利领域相关信息、代理所相关信息以及同族相关信息对应，具体指各相关信息作为授权概率的影响因素。

该页面中还展示了语义搜索结果。具体按照相关度(语义相似度)排序由相关度大至相关度小依次展示相关专利；并且，页面中可以展示相关专利的相关度、公开(公告)号/专利名称、当前申请(专利权)人、摘要附图等信息。

应当理解，图4仅为针对包含分析结果的页面的一种示例性示出，本申请并未对各种布局方式、展现形式，以及分析结果的其他具体内容等进行一一示意；因此，图4所示页面不应当理解为对本申请技术方案的限制。

分析结果在终端设备的显示屏幕上可以通过单独的页面进行展示，也可以与专利的其他相关内容共同展示。可以理解的，页面中可以仅展示分析结果，或者主要展示分析结果(展示的实质内容为分析结果，但不排除还展示按钮、网址信息、网页标志等内容)；当然也可以既展示分析结果又展示专利的其他相关内容。

用于提示可以展示分析结果的按钮可以设置在一个用于向用户提供专利授权概率分析功能的页面中，也可以设置在展示已公开专利的专利详情内容的页面中。例如，在一个用于向用户提供专利授权概率分析功能的网页中，包括提示用户输入与待分析专利文献相关的信息的输入框，在输入框的周围或者在页面的其他显著位置还包括一按钮，该按钮用于提示用户在点击后可以查看对该待分析专利文献的授权概率的分析结果。又如，在一个专利检索页面中，用户检索到想要查看的专利后，控制页面跳转至展示专利详情内容的页面，在该展示专利详情内容的页面中包括用于提示可以展示分析结果的按钮，从而供用户选择。

作为一种可选的具体实施方式，对与待分析专利文献相关的信息进行特征提取之前，上述方法还包括：接收终端设备发送的与待分析专利文献相关的信息，与待分析专利文献相关的信息由用户基于终端设备的显示屏幕上提供的输入框而输入至终端设备；接收终端设备发送的分析结果获取指令，分析结果获取指令根据用户基于终端设备输入的用于指示终端设备显示待分析专利文献的授权概率的分析结果的命令而生成；获得分析结果之后，上述方法还包括：将分析结果发送至终端设备，以使终端设备的显示屏幕显示包含分析结果的页面。可以理解的，在本具体实施方式中，由用户将与待分析专利文献相关的信息输入至终端设备。

作为另一种可选的具体实施方式，上述方法还可以包括：

接收终端设备发送的信息获取指令，其中，信息获取指令根据用户基于终端设备输入的用于指示终端设备显示专利详情内容的命令而生成。例如，用户通过鼠标点击电脑屏幕上一个提示可以显示专利详情内容的按钮，电脑收到该按钮被点击的消息后生成信息获取指令，并将该信息获取指令发送给服务器。

在接收终端设备发送的信息获取指令后，将专利详情内容发送至终端设备，以使终端设备的显示屏幕显示包含专利详情内容和用于提示可以展示分析结果的按钮的页面。可以理解的，此时服务器还没有将分析结果发送至终端设备，仅终端设备提示用户可以展示分析结果。在基于用于提示可以展示分析结果的按钮接收到指示展示分析结果的指令后，将分析结果发送至终端设备，以使终端设备的显示屏幕显示包含分析结果的页面。这里，分析结果可以在新跳转至的页面中单独进行展示，也可以直接展示在原页面中与专利详情内容共同展示，本申请对此不作具体限制。

此外，在接收终端设备发送的信息获取指令后，还可以将专利详情内容和分析结果发送至终端设备，以使终端设备根据预设规则控制显示屏幕显示包含专利详情内容和分析结果的页面，或者显示包含专利详情内容和用于提示可以展示分析结果的按钮的页面。其中，将专利详情内容和分析结果发送至终端设备可以为连续发送，也可以为分阶段发送，对于二者发送的先后顺序不作具体限定；但是，这里，可以在终端设备的显示屏幕显示包含专利详情内容的页面之前，将分析结果也发送至终端设备；那么，后续终端设备可以根据预设规则控制显示屏幕直接展示专利详情内容和分析结果，或者先展示专利详情内容和用于提示可以展示分析结果的按钮，再在用户对按钮进行操作(如点击按钮)后，再向用户展示分析结果。

具体示例：

图5为一具体示例提供的专利授权概率的分析方法的流程示意图；如图所示，首先，从影响专利授权概率的七个因素(技术语义因素、审查相关因素、撰写相关因素、申请人相关因素、专利领域相关因素、代理所相关因素、同族相关因素)出发，进行特征提取；然后，将提取的特征输入模型进行预测，获得分析结果，分析结果包括经过预测概率值得到的授权概率以及经过模型预测解释得到的对授权概率的解释；此外，还包括根据技术语义因素，获得高相似度专利；最后，将高相似度专利、授权概率以及对授权概率的解释共同作为分析结果，进行输出。

这里，可以具体输出至终端设备20，以通过终端设备20进行显示。

本申请实施例还提供了一种专利授权概率的分析装置，请参考图6，该专利授权概率的分析装置600包括：

特征提取模块601，配置为对与待分析专利文献相关的信息进行特征提取，得到若干特征；

预测模块602，配置为根据若干特征，计算待分析专利文献的授权概率；确定各特征对授权概率的贡献度；

结果获得模块603，配置为获得分析结果，分析结果包括授权概率以及对授权概率的解释，解释基于贡献度而生成。

在一可选实施例中，与待分析专利文献相关的信息包括多个方面的信息；特征提取模块601，具体配置为：对多个方面的信息分别进行特征提取，得到与多个方面的信息分别对应的若干特征；结果获得模块603，具体配置为：根据多个方面的信息与若干特征之间的对应关系，确定多个方面的信息中各方面的信息对授权概率的贡献度；基于各方面的信息对授权概率的贡献度，生成对授权概率的解释；基于授权概率和解释，得到分析结果。

在一可选实施例中，多个方面的信息包括以下中的至少两个：技术语义信息、审查相关信息、撰写相关信息、申请人相关信息、专利领域相关信息、代理所相关信息、同族相关信息。

在一可选实施例中，特征包括第一类特征，第一类特征为内容为数值的特征；预测模块602，配置为：对第一类特征进行归一化处理；根据归一化处理结果，计算待分析专利文献的授权概率。

在一可选实施例中，根据若干特征，计算待分析专利文献的授权概率，基于经过训练的预测模型实现；经过训练的预测模型的训练过程至少包括：获取训练样本，训练样本包括与专利文献相关的信息；对训练样本进行特征提取；其中，提取得到的特征至少来源于与专利文献相关的信息中的以下信息：技术语义信息、审查相关信息、撰写相关信息、申请人相关信息、专利领域相关信息、代理所相关信息、以及同族相关信息；对提取得到的特征进行处理；其中，特征包括第一类特征，第一类特征为内容为数值的特征，对第一类特征的处理包括归一化处理；采用处理后的特征对初始预测模型进行训练，得到经过训练的预测模型。

在一可选实施例中，与待分析专利文献相关的信息包括技术语义信息；分析装置600还可以包括：

语义搜索模块604，配置为根据技术语义信息，获得语义搜索结果；语义搜索结果包括与待分析专利文献的语义相似度满足预设规则的专利；

上述结果获得模块603，还配置为获得还包括语义搜索结果的分析结果。

在一可选实施例中，分析装置600还可以包括：

发送模块，配置为将分析结果发送至终端设备，以使终端设备的显示屏幕显示包含分析结果的页面。

在一可选实施例中，分析装置600还可以包括：

接收模块，配置为在对与待分析专利文献相关的信息进行特征提取之前，接收终端设备发送的与待分析专利文献相关的信息，与待分析专利文献相关的信息由用户基于终端设备的显示屏幕上提供的输入框而输入至终端设备；接收终端设备发送的分析结果获取指令，分析结果获取指令根据用户基于终端设备输入的用于指示终端设备显示待分析专利文献的授权概率的分析结果的命令而生成；

发送模块，配置为在获得分析结果之后，将分析结果发送至终端设备，以使终端设备的显示屏幕显示包含分析结果的页面。

在一可选实施例中，分析装置600还可以包括：

接收模块，配置为接收终端设备发送的信息获取指令，信息获取指令根据用户基于终端设备输入的用于指示终端设备显示专利详情内容的命令而生成；

发送模块，配置为将专利详情内容发送至终端设备，以使终端设备的显示屏幕显示包含专利详情内容和用于提示可以展示分析结果的按钮的页面；在基于按钮接收到指示展示分析结果的指令后，将分析结果发送至终端设备，以使终端设备的显示屏幕显示包含分析结果的页面；或者，将专利详情内容和分析结果发送至终端设备，以使终端设备根据预设规则控制显示屏幕显示包含专利详情内容和分析结果的页面，或者显示包含专利详情内容和用于提示可以展示分析结果的按钮的页面。

本申请实施例还提供了一种计算机可读存储介质。该计算机可读存储介质存储有指令，当该指令由电子设备的处理器执行时，使得电子设备能够执行如上述任一实施例的专利授权概率的分析方法中的步骤。

本申请实施例可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本申请的各个方面。

计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。计算机可读存储介质是可以保持和存储由指令执行设备使用的指令的有形设备。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

这里参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

本申请实施例还提供了一种电子设备。图7所示为本申请一实施例提供的电子设备的结构示意图。如图所示，该电子设备700包括：一个或多个处理器701和存储器702；存储器702中存储有计算机可执行指令；处理器701，用于执行计算机可执行指令，以实现如上述任一实施例的专利授权概率的分析方法中的步骤。

处理器701可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。

存储器702可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器701可以运行程序指令，以实现上文的本申请的各个实施例的文本识别方法中的步骤以及/或者其他期望的功能。

在一个示例中，电子设备700还可以包括：输入装置和输出装置，这些组件通过总线系统和/或其他形式的连接机构(图中未示出)互连。

此外，输入装置还可以包括例如键盘、鼠标、麦克风等等。输出装置可以向外部输出各种信息，例如可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图7中仅示出了该电子设备700中与本申请有关的组件中的一部分，省略了诸如总线、输入装置/输出接口等组件。除此之外，根据具体应用情况，电子设备700还可以包括任何其他适当的组件。

需要说明的是，本申请实施例提供的专利授权概率的分析方法实施例、专利授权概率的分析装置实施例、计算机可读存储介质实施例和电子设备实施例属于同一构思；各实施例所记载的技术方案中各技术特征之间，在不冲突的情况下，可以任意组合。

应当理解，以上实施例均为示例性的，不用于包含权利要求所包含的所有可能的实施方式。在不脱离本公开的范围的情况下，还可以在以上实施例的基础上做出各种变形和改变。同样的，也可以对以上实施例的各个技术特征进行任意组合，以形成可能没有被明确描述的本发明的另外的实施例。因此，上述实施例仅表达了本发明的几种实施方式，不对本发明专利的保护范围进行限制。