2021年第4期科技管理研究Science and Technology Management Research 2021 No. 4 doi:10.3969/j.issn.l000-7695.2021.04.021
曹国忠1>2，杨雯丹1>2，刘新星3
(1.河北工业大学机械工程学院，天津300401;
2.国家技术创新方法与实施工具工程技术研究中心，天津300401; 3.肇庆小鹏新能源投资有限公司，广东肇庆526060 )
摘要：分析目前最具代表性的基于主体-行为-客体（S A O )三元结构的专利分析工具研究现状，包括SAO 结构 研究主要内容和基于SAO 结构的专利分析流程及其应用。研究发现：（l )S A O 结构研究主要包括S 、A 、O 元素 的独立研究、两两组合研究及其相互关系研究；（2)基于SAO 结构的专利分析流程主要分为数据预处理、SAO 结构提取、SAO 结构后处理和图表解释4个阶段；（3)基于SAO 结构的
专利分析方法主要分别从扩大研究词覆 盖范围、构建和分析SAO 结构网络、优化SAO 结构提取方法和分类研究SAO 结构来提高专利分析的全面性、深 入性和准确性，研究难点是对SAO 结构中非分类关系的提取；（4)基于SAO 结构的专利分析方法在专利情报分 析领域跟踪科学研究发展并预测其发展前沿，在创新设计领域分析产品需求、结构和功能及推送设计概念，.在专利 知识管理系统开展专利分类、技术信息挖掘和展示以及发明知识推送，在企业管理领域帮助企业管理知识产权和组 织实施战略，在各技术领域的应用扩展将是其未来发展趋势和研究热点。
关键词：主体-行为-客体（S A O )；专利分析方法；专利情报分析；创新设计；专利知识管理系统；企业管理 中图分类号：G306; G250.252; G301 文献标志码：A 文章编号：1000-7695 ( 2021 ) 04-0158-10
Review of Patent Analysis Methods Based on Subject-Action-Object Ternary Structure
Cao Guozhong1 % Yang Wendan 丨 ‘，Liu Xinxing3
(1.School of Mechanical Engineering, Hebei University of Technology, Tianjin 300401,China;莫迪利亚尼
2.National Engineering Research Center for Technological Innovation Methods and Tool, Tianjin 300401,China;
3.Zhaoqing Xiaopeng New Energy Investment Company Ltd., Zhaoqing 526060, China)
Abstract: This paper reviews the present situation of the most representative patent analysis methods based on Subject - Action—Object (SAO ) ternary stmcture , the study involves the main content of SAO ternary structure research , the patent analysis process based on SAO ternary structure , and its application . Results show that :(l ) The research of SAO ternary structure including the independent study of S , A and O , the study of pain\r ise combination , and the study of their interrelationships . (2)The patent analysis process based on SAO ternary structure consists of data preprocessing , SAO ternary structure extraction , SAO ternary structure post —processing , and chart interpretation . (3)Patent analysis methods based on SAO ternary structure improves the comprehensiveness , in—depth and accuracy of patent analysis from four aspects : expansion of the coverage of research words , construction and analysis of SAO ternary structure network , optimization of SAO ternary structure extraction method , and classification research of SAO ternary structure , among them , non-classification relation extraction is its challenge .(4)Patent analysis methods based on SAO ternary structure tracts the development of scientific research and predicts its frontiers in patent intelligence analysis , analyzes product requirements , structure and functions
to provide design concepts in innovation design , classifies patents , mines technical information , and displays them to recommend inventive knowledge in patent management system , manages intellectual property rights and organizes implementation strategies in enterprise management , broadening its application fields is one of the development trends and hot topics .
Key words: Subject —Action—Object ( SAO ) ; patent analysis method ; patent intelligence research ; innovation design ; knowledge management system ; enterprise management
收稿日期：2020-06-08，修回日期：2020-08-21
超低碳钢基金项目：国家创新方法工作专项项目“‘端端驱动、融合赋能’创新方法新系统研究与应用示范”（2019IM020200)
1专利分析概述
曹国忠等：基于主体-行为-客体（S A O )三元结构的专利分析方法研究综述159
专利的技术信息具有新颖性、创造性和实用性 的特点，且专利的表述专业、内容详尽、格式规范， 是开展技术分析和技术管理的重要技术资料。从专 利中挖掘技术信息并予以有效管理和解读，对专利
的分析和利用具有重要意义。专利分析通常可分为 结构化数据分析和非结构化数据分析。典型的专利 结构化数据包括申请日、发明人、IPC 分类号、引 用量和被引用量等，通过分析该类数据可获知专利 的价值、技术/产品的发展路径和技术/产品的成熟 度等[w ]。专利的非结构化数据通常指专利的标题、 摘要和说明书中的文本信息，分析该类数据所展示 的技术信息是对结构化数据分析结果的有效补充[4]。 近年来，专利对于企业的作用逐渐从保护知识产权 扩展为技术信息的管理和应用15]，因此，专利的非 结构化数据分析越来越受到学者们的重视。专利的非结构化数据分析也称为专利文本分析。 由于专利的标题和摘要是专利全文的概括性表述， 早期的专利文本分析主要集中于标题和摘要，此后 随着研究成果的应用推广，人们要求专利分析应当 做到更全面、更深人和更准确，因此专利文本分析 的研究范围逐渐向权利要求书和说明书延伸。依托 文本挖掘和自然语言处理技术的发展，专利文本分
析的研究对象也逐渐由关键字向语义倾斜[6 ]。目前,
专利文本分析已被广泛应用于人力资源管理、专利
侵权判定、专利新颖性判定、技术机会识别和技术
信息管理等。
基于主体-彳了为-客体，即Subject -Action -
Object (SAO )三元结构的专利分析方法，是一种随
着专利语义分析需求而兴起的专利分析工具，它不
但能提取专利文本中的关键概念，辅助构建专利知
识管理系统，还能更有效地挖掘专利知识用以辅助
创新设计。近年来，人工智能方法和可视化工具的
发展更是促进了基于SAO 结构的专利分析方法的发
展和应用，基于SAO 结构的专利分析方法在知识获
取、科学研究等领域有着广阔的应用前景>8]。本
研究通过选取和分析中国知网（CNKI )和美国科学
网（Web of Science )数据库平台中基于SAO 结构的
专利分析方法的研究成果，总结了 SAO 结构研究的
主要内容和基于SAO 结构的专利分析流程，讨论了
基于SAO 结构的专利分析方法提高传统专利分析方
法全面性、深人性和准确性的主要研究成果，并对
SAO 结构分析方法在专利情报分析、创新设计、专
利知识管理系统和企业管理领域的应用进行了阐述，
以期为如何应用基于SAO 结构的专利分析方法更好
地服务于知识获取和科学研究提供帮助。 2 SAO 结构研究Subject -Action-Object ( SAO )结构是从文本语
料库中提取的二兀组。其中，主体（Subject ) S 兀
素和客体（Object ) 0元素是名词，行为（Action )
A 元素是这些名词的动作或表示它们之间的关系。
SAO 结构研究的主要内容包括以下4个方面：
一是对S 元素或0元素的分析，即实体分析。
例如，计算S 元素或0元素在文本中出现的频率，
用来识别核心技术组件[9]。
二是对A 元素的分析，即关系分析。例如，通
过表示系统组成类的动词（如：有、包含等），可
辅助构建产品形态结构[1<>]；通过表示系统属性类
的动词（如：测量、分解等），可获取特定问题的
解决方案[11]。
三是将SAO 结构作为一个整体分析其语义信息，
即文本语义信息分析。例如，将S 元素和0元素视
为作用对象和被作用对象，则A 元素代表了 S 元素
的功能[12]；将SA 组合视为产品的功能，则0元素
代表了产品功能的效应[12]；将A 0组合视为问题，
则S 元素代表了解决该问题的方案[13]。
四是研究不同SAO 结构之间的关系。例如，构建
冯永军SAO 结构网络，使用社会网络分析技术分析领域中的
通用技术、核心技术、新颖技术和技术成熟度等[14]。3基于SAO 结构的专利分析流程基于SAO 结构的专利分析是指从专利文本中获 取和研究SAO 结构的过运，其通用流程如图1所示， 包括数据预处理、SAO 结构提取、SAO 结构后处理 和图表解释4个主要步骤。(1 )数据预处理，包括将专利文本拆分为句子、 将句子拆分为词语（处理英文文本时不含该步骤）、 将词语词干化（具体为将名词的复数形式、动词的 过去式、过去分词等转化为原形，但处理中文文本 是不含该步骤）、标记词性等自然语言处理步骤， 以及基于统计学原理的数据清洗步骤。(2) SAO 结构提取，主要通过基于符号的方法 或基于统计的方法实现。基于符号的SAO 结构提取 方法通常包含元素识别和关系构建两个步骤[151。 其中，关系构建的任务是识别和抽取元素对之间的 关系，是最核心、最具有挑战的部分[16]。另一种 基于统计的SAO 结构提取方法是指，使用统计模型 或机器学习算法学习语言规则，进而匹配
词法、语法、 语义等特征来提取SAO 结构[7]。目前，学者们多 使用 Link Grammar 、StanfordNLP 、OpenNRE、Jieha 等开源自然语言处理工具半自动化提取SAO 结构， 或使用 Goldfire Innovator、VantagePoint 等专利分析
160曹国忠等：基于主体-行为-客体（S A O )三元结构的专利分析方法研究综述工具自动提取。为了提高SA 0结构在后续分析任务 中的可用性，学者们也常将自动化方法、基于符号 和基于统计的方法相结合[16]。(3 ) SAO 结构后处理，主要是指对SAO 结构进行分类研究，以及绘制基于SA 0结构的专利图表。 该步骤依据专利分析的最终目的开展。(4)图表解释，即是从上一步构建的专利图表
中获取知识的过程。
主臟-----►
分步骤：------->
秘密花园入口
数据流：------►
图1基于S A O 结构的专利分析通用流程
4基于S A O 结构的专利分析方法研究现状首先，自然语言处理技术在专利分析中的应用 改善了过去需要大量专家参与且费时费力的缺点， 基于SA 0结构的专利分析方法作为一种自然语言处 理技术与专利分析方法的融合产物，得到了学者们 的广泛关注。近年来，机器学习算法的推广，更是 提高了基于SA 0结构的专利分析方法处理大型语料 库的能力；此外，基于SA 0结构的专利分析方法不 但关注文本中的主谓宾结构，还能研究复杂句式中 的定状补表等特殊成分[17_~。因此，基于SA 0结 构的专利分析方法相较于传统专利分析方法，不再 受到数据量的限制，在研究内容上也能覆盖更多的 文本信息，即提高了专利分析的全面性。其次，由 于专利分析逐渐由线性向网络化转变，部分学者开 展了专利网络的研究[2°]。传统专利网络多以专利 文献或专利权利人为节点，以文献间的引用关系或 作者合作关系为连接；SA 0结构的引人，使专利网 络的研究对象深人为文本的语义结构，为研究专利的隐性知识提供了一种新的思路。因此，基于SA 0
结构的专利分析方法相较于传统专利分析方法，能 够解读更加深刻的关系，即提高了专利分析的深人 性。第三，专利分析不但需要全面、深入地认识和 把握专利中的技术信息，还需要准确获取和理解专 利中的知识。相较于基于关键字的专利分析方法， 基于SA 0结构的专利分析方法从句法关系角度研究 专利信息，解读的是关键字之间的语义关系；另外， 基于SA 0结构的专利分析方法不但能提取到专利中 的技术主题、技术应用领域、技术功能、技术功能 达到的效果以及为达到效果可采用的方案等技术信 息，还能解读不同类别技术信息之间的内在关联性。 因此，基于SA 0结构的专利分析方法相较于传统专 利分析方法，能获取专利信息中的核心概念，能解 读核心概念之间的逻辑，即提高了专利分析的准确 性。表1所示为基于SA 0结构的专利分析方法提高 传统专利分析方法全面性、深入性和准确性的主要 研究成果。
研究目的 学者姓名提高专利分析温亮等i 方法的全面性Kim 等1苗红等1提高专利分析Yoon 等方法的深人性Choi 等 Yang 等表1基于S A O 结构的专利分析方法主要研究成果
主要研究成果增加了对复杂句式中状语的分析；增加了对介词性名词语块、动词性名词语块和连词性名词语块的处理 从复杂句式中的宾语位置提取SAO 结构；从“for”和“to”引导的短语中提取SA0结构余姚瀑布茶
使用Technology-Relationship-Technology ( TRT )结构分析方法与基于SA 0结构的专利分析方法相结合的方式，
进一步扩大词的覆盖范围
使用SA0结构网络的子网络密度进行专利分类；使
用网络的节点度分布、全局中心性评价专利的技术重
要度和技术适用性
使用节点的出人度值分析S 元素和0元素的价值；使用SA0结构在网络中的密度和聚系数分析技术的价值等 通过观察节点度的概率分布在技术发展时间线上的变化，分析技术发展的成熟度；使用节点的Burt 约束值评价
节点的竞争优势____________
______________________________________________________________________
曹国忠等：基于主体-行为-客体（S A O)三元结构的专利分析方法研究综述161
表1 (续）
研究目的学者姓名
-★达雄[23]
主要研究成果
方法的准确性
马勋等[24]
翟东升等[25]
饶齐等[26]
何宇等[27]
张永真等[28]
Choi 等[29]结构
使用依存句法分析，计算实体对与关系词之间的结合强度，设置SA O结构的提取规则
使用依存句法分析，对文本进行分词和依存关系标注，进而设置SA O结构的提取规则
使用一种有指导的支持向量机（SVM )学习算法提取SA O结构
在基于SV M的SA O结构抽取模型中加人基于句法特征的关系词距核心关系词的距离、SA O结构强度和关系词 词典等特征
使用XGBoost机器学习算法提取SA O结构
将专利文本中的S元素和0元素分为产品、技术、材料和技术特征4类，将A O s分为组成、效果和属性3类，构建一种新型技术树
Vicente-Gomila 等[30)
段庆锋等[3n
Yang等[15]将专利文本中的SA O结构分为“what” “who” “where” “why” “how” 5类，研究$A0元素或结构之间的逻 辑关系
将SA O结构分类为问题、功能、效果、方案4类，构建技术功效矩阵
为了开展有针对性的设计活动，将表述为包含“增加”“稳定’’“质量”等元素的SA O结构定义为“与需求高 度相关的”_______________________________________________________
4.1提高专利分析方法的全面性
随着对专利分析方法全面性要求的提升，许多 文献的研究对象已由过去的专利标题和摘要扩展为 专利权利要求书和说明书。基于SAO结构的专利分 析方法的出现，为提高专利分析方法的全面性提供 了一个新的研究方向，即，从研究专利文本中的句 法结构扩大到研究词的覆盖范围。例如，温亮等[n] 使用基于SAO结构的专利分析方法研究了复杂句式 中状语位置的名词语块，主要采用句子主干提取规 则和复杂名词语块分解规则相结合的方式提取一个 句子中的多个SAO结构，具体步骤为：先使用句子 主干提取规则提取一个句子中的主要A元素，然后 将句子中的状语作为新的简单句，再使用复杂名词 语块分解规则分析介词性名词语块、动词性名词语 块和连词性名词语块，并提取SAO结构。幻111等[18]提出了一种SAOx方法来提高专利分析方法的全面 性，该方法提取了复杂句式中宾语位置的SAO结构，同时还从复杂句式中“for”和“to”引导的短语中 提取了 SAO结构。苗红等[19]提出使用技术-关系- 技术（TRT)结构分析方法与基于SAO结构的专利 分析方法相结合来提高专利分析方法的全面性，其 中TRT结构中的TR组合相当于SAO结构中的S元 素，TRT结构中的T元素相当于SAO结构中的A0组合，TRT结构通过Python开发的NP-PP (名词短 语-介词短语）模块获取。苗红等[19]提出的方法中，TRT结构分析方法与基于SAO结构的专利分析方法 互为补充，进一步补充了专利分析的词覆盖范围。4.2提高专利分析方法的深入性
专利网络作为一种专利分析工具，由于引人了 社会网络分析技术，能将专利关系进行量化处理，得到
了学者们的广泛关注。SAO结构的引入，使专 利网络的研究对象能够深入为专利文本中的语义结 构，据此构建的专利SAO结构网络能从网络结构、节点位置和节点关系三方面研究更深层次的专利隐 性知识，依托社会网络分析技术的量化指标能解读 更加深刻的关系，进而增加了专利分析方法的深入 性。一种常见的专利SAO结构网络构建和分析流程 如下：（1)获取专利文本中的S元素、A元素和0元素；（2)将S元素和0元素作为网络的节点， A 元素作为节点的连线，按元素的共现频次绘制SAO 结构网络；（3 )使用社会网络分析技术分析网络中 的节点和连线。例如，¥〇〇1!等[21]使用专利SAO结 构网络的子网络密度（density of suh-networks)研究 了专利的分类，其中SAO结构直观表述了不同专利 类别的技术特征；丫〇〇11等[21]还提出，SAO结构网 络的节点度分布（degree sum index).和全局中心性 (global centrality index)可以用来解读专利的技术重 要度和技术适用性。〇^等[22]构建的专利SAO结 构网络是一个加权有向网络，主要用于识别技术趋 势，网络中的节点由S元素、A元素和0元素构成，节点间的连线由SAO结构中的S元素指向A元素、指向0元素，权重为直接指向在专利中出现的次数，认为在该网络中：入度高的0元素是极有可能成为 对各个领域均有用的技术，或是某项技术绩效的重 要指标；出度高的S元素是相关领域的一项通用技 术；具有高密度和高聚系数的SAO结构是核心技 术，或是一种少数研究团队开发的技术；具有高密 度和低聚系数的SAO结构是一项通用技术；具有 低密度和高聚系数的SAO结构是一项核心技术，或是一种少数研究团队开发的新颖技术。Yang等[141提出了一种基于SAO结构的专利技术发展成熟度分 析方法，使用该方法绘制了一组基于时间切片的专 利SAO结构网络，通过观察网络节点度的概率分布在技术发展时间线上的变化，
分析了专利技术发 展的成熟度；他们还指出，SAO结构网络中节点的 Burt约束值（Burt constraint值），即与更多的节点
162曹国忠等：基于主体-行为-客体（S A O)三元结构的专利分析方法研究综述
连接但是与它连接的节点没有直接或相互关联的现 象，展示了节点的竞争优势。
4.3提高专利分析方法的准确性
绝密武器电影使用增加专利数据量和扩大专利文本研究词覆 盖范围的方法，可以有效避免专利分析中数据稀疏 和部分核心内容可能丢失的情况，但同时也会带来 数据冗余的问题。为了提高SAO结构在后续专利分 析任务中的可用性，进而提高专利分析的准确性，学者们主要从优化SAO结构提取方法和分类研究 SAO结构两个方面开展研究。
4.3.1优化SAO结构提取方法
基于SAO结构的专利分析方法相较于基于关键 字的专利分析方法，还能够获取句法结构中的关系，而关键字和关键字间的句法关系又构成了文本的语 义信息，因此，SAO结构提取方法的性能成为了影 响专利分析准确性的关键因素之一。
SAO结构提取方法可分为基于符号的方法和基 于统计的方法。在基于符号的SAO结构提取方法方 面，许琦等1231提出使用专利结构化数据分析方法 与基于符号的SAO结构提取方法相结合的方式来提 取SAO结构，具体步骤为：（1)构建专利的引证 网络，并依据引证路径的连接统计值（search path link count,SPLC)和节点对统计值（search path node pair,SPNP)提取领域知识进化轨迹；（2)使用 Link Grammar语法分析器从领域知识进化轨迹上的 专利中提取SAO结构。使用优化的SAO结构提取方 法提取的SAO结构具有稳定性、统摄性、遗传性和 变异性的特征，是有效的领域知识基因。另外，依 存句法分析（dependency parsing)由于主要研究句 子中词语之间的依存关系，能准确识别主谓宾、定 状补等句子成分，得到了学者们的重视[244]。借助 依存句法关系，可利用句法分析器自动标注词间关 系，进而设定SAO结构的提取规则。
在基于统计的SAO结构提取方法方面，使用 机器学习算法将文本信息做分类处理是一种最典型 的做法，其中，机器学习算法与特征的选择是影响 SAO结构提取性能的主要因素。例如，饶齐等[26]使用一种有指导的支持向量机（SVM)的机器学习 算法，依据实体距离特征和句法树特征提取了中文 专利中的SAO结构，实验证明，引入距离特征和简 单的上下文词法特征能有效提高SAO结构中关系提 取的准确性；何宇等[27]基于以上特征又加入了关 系词距核心关系词的距离、SAO结构强度和关系词 词典等特征，提取了中文专利中的SAO结构，实验 证明，优化特征后SAO结构提取方法在正确率、召回率和F值上都优于饶齐等[26]提出的方法。张永真等[28]则是使用了预测准确率高、速度较快、性 能较
好的XGBoost算法来优化关系提取方法的性能。近年来，面向自然语言处理的预训练模型发展迅猛，且有效地提高了关系抽取任务挖掘出更多非线性语 义特征的能力[16]。由此可知，深度学习的方法在 基于SAO结构的专利分析方法上的应用，将为提高 专利分析的篇章理解能力提供新的思路。
4.3.2分类研究SAO结构
优化SAO结构的提取方法属于提高SAO结构在 下游任务中可用性的前置优化方法，分类研究SAO 结构则属于其后置优化方法。优化SAO结构的提取 方法能有效提高关键字及其关系提取的准确性，进 而提高专利分析的准确性；而分类研究SAO结构的 方法则是从提高待解读SAO结构对下游特定任务 和目标的针对性来提高专利分析的准确性。例如，Choi等[291使用分类研究SAO结构的方法构建了一 种由产品、技术和功能3个维度构成的技术树，将 从专利中提取的S元素和0元素分为产品、技术、材料和技术特4类，A0组合分为组成、效果和属性 3类；相较于传统的技术树，使用该方法构建的技 术树包含了更丰富、更详细也更准确的技术信息，对于后续设计决策更具指导性。Vicente-Gomila等[M] 使用语义技术创新方法（TRIZ)和基于SAO结构的 专利分析方法相结合的方式，将专利中的技术信息八、f,“1■”“1”“1”“|”-f-n “1”7T7)J J w hat who where why和 how
等5类；迳样的分类同时考虑了技术与其周围元素 的关系，使专利分析的结果更具逻辑性。段庆峰等[31]为了能构建一种表达更准确技术信息的专利技术功 效图，将从专利中提取的SAO结构依据其逻辑
关系 分为问题、功能、效果和方案4类。Yang等[9]为 了识别具有巨大市场潜力的核心技术组件，开展了 SAO结构的分类研究，将包含“增加”“稳定”“质 量”等元素的SAO结构定义为“与需求具有高度相 关性的SAO结构”，据此提取的待解读SAO结构对 于后续设计任务来说具有更强的指导性。
5基于S A O结构的专利分析方法应用领域
在当前数据驱动发展的形势下，为决策者提供 数据支持是专利分析的重要职责。基于SAO结构的 专利分析的主要应用领域包括专利情报分析、创新 设计、专利知识管理系统和企业管理，其研究成果 的应用领域分布如图2所示。
5.1在专利情报分析中的应用
专利情报分析的结果主要应用于跟踪科学研究 领域的发展变化和预测前沿科学研究[8]。SAO结构 的引人，为传统的基于非结构化数据或基于关键词
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议