宋 凱

(武漢大學信息管理學院 武漢 430072)

0 引 言

專利作為人類知識創(chuàng)造的產(chǎn)物，蘊含了巨大的技術(shù)和商業(yè)價值，根據(jù)世界知識產(chǎn)權(quán)組織的相關(guān)數(shù)據(jù)，全球有90%以上的發(fā)明創(chuàng)造信息來源于專利，世界上所有技術(shù)知識的80%都能夠在專利文獻中找到[1]。因此，通過專利轉(zhuǎn)讓、專利許可，獲取外部技術(shù)支持，成為當前企業(yè)提升技術(shù)創(chuàng)造力的重要形式。高校在技術(shù)研發(fā)、人才資源、實驗條件方面具有天然優(yōu)勢，截止到2018年12月，國內(nèi)大專院校發(fā)明專利有效量為537 953件[2]，面對海量的高校專利資源，企業(yè)也積極通過技術(shù)轉(zhuǎn)移的方式，實現(xiàn)高校專利成果的技術(shù)價值轉(zhuǎn)化為產(chǎn)業(yè)價值。于此同時，依據(jù)《2019年中國專利調(diào)查報告》，高校專利有效實施率為13.8%、產(chǎn)業(yè)化率3.7%、許可率2.9%、轉(zhuǎn)讓率3.2%[3]，說明仍有大量的專利成果被束之高閣，專利的應(yīng)用比例偏低，導致了大量的科技浪費與閑置。因此，如何構(gòu)建一種具有較強科學性和可操作性的專利技術(shù)轉(zhuǎn)移價值評估方法，成為高校探索專利運營以及企業(yè)尋求高校核心技術(shù)所重點關(guān)注的問題。

本文的研究目標是：a.選取高校專利技術(shù)轉(zhuǎn)移價值評估指標(以下簡稱“評估指標”)，運用評價較為客觀的熵權(quán)TOPSIS模型設(shè)置評估指標權(quán)重，采用人工方式對高校專利技術(shù)轉(zhuǎn)移價值進行評估，獲得具有轉(zhuǎn)讓/許可價值的專利以及存在失效風險的專利。b.運用梯度提升樹算法，通過機器學習的方式對高校具備轉(zhuǎn)讓/許可價值以及存在失效風險的專利進行評估。c.將基于熵權(quán)TOPSIS模型的人工計算方式與基于梯度提升樹的機器學習評估方式相結(jié)合，對我國高校人工智能領(lǐng)域授權(quán)發(fā)明專利中具備轉(zhuǎn)讓/許可價值以及存在失效風險的專利進行評估，為高校專利運營以及企業(yè)尋求高校核心專利提供方法參考。

1 相關(guān)研究

專利是一種具有極高的使用價值和交換價值的無形商品，專利評估本質(zhì)是對專利價值進行評估，通常涵蓋技術(shù)、經(jīng)濟、法律三個價值維度[4]。國內(nèi)外學者也就專利價值評估方法展開了多角度的探索，主要涵蓋以下三個方面：

首先，學者通過構(gòu)建評估指標體系，采取定量分析進行專利價值評估。國外學者如Kabore等人將國家的市場規(guī)模賦權(quán)到專利族數(shù)量上預(yù)測專利價值，其評估效果優(yōu)于基于專利引文的評估方法[5]。Cerqueti等人將實物期權(quán)方法應(yīng)用到專利評估中，通過指標體系構(gòu)建對已有的專利價值評估方法進行了有效改進[6]。Hiller等人將綜合市場數(shù)據(jù)與BLP模型結(jié)合，提出了一種實踐性較強的專利價值評估方法[7]。國內(nèi)學者如呂曉蓉考慮技術(shù)、市場、競爭和法律因素對專利價值的影響，建立專利價值評估指標體系[8]。李振亞等人構(gòu)造基于數(shù)量指標、質(zhì)量指標和價值指標的“專利三維評估指標體系”，重點采用典型相關(guān)分析模型對專利質(zhì)量與價值之間的相關(guān)關(guān)系進行推演[9]。張耀天等人為降低外部因素影響，凸顯稀缺性指標導向作用的需求，對基于自適應(yīng)層次分析法的企業(yè)專利質(zhì)量評估方法進行深入研究[10]。

其次，學者借助于機器學習算法進行專利價值評估。國外學者如Chung等人以半導體產(chǎn)業(yè)領(lǐng)域為例，采用卷積神經(jīng)網(wǎng)絡(luò)，并融合專利語義信息對專利技術(shù)價值進行了評估[11]。Trappey等人收集了特定技術(shù)領(lǐng)域的專利數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)對專利潛在價值進行了評估[12]。Ercan等人提出將支持向量機(SVM)算法應(yīng)用于專利申請，依據(jù)評估結(jié)果對專利是否授權(quán)或駁回進行判斷[13]。國內(nèi)學者如趙蘊華等人采用機器學習方法中決策樹、SVM和神經(jīng)網(wǎng)絡(luò)三種算法對專利價值評估指標進行測試，驗證了機器學習方法在專利價值評估的作用[14]。王子焉等人構(gòu)建了包含網(wǎng)絡(luò)平臺特性的專利價值評估指標體系，提出了基于灰色關(guān)聯(lián)分析—隨機森林回歸的專利價值評估模型[15]。周成等人根據(jù)專利的價值指標，設(shè)計基于自組織映射—SVM的專利價值評估及分類模型[16]。邱一卉等人提出了一種基于分類回歸樹模型的屬性選擇方法，用于構(gòu)建專利價值評估指標體系[17]。

在理論研究的基礎(chǔ)上，目前已存在多個機構(gòu)和專利服務(wù)平臺能夠?qū)嵤＠麅r值評估。如ProQuest Dialog 公司推出的Innography平臺，綜合10 多個影響因素構(gòu)建了復合指標算法模型，提出“專利強度”作為評估指標，以挖掘核心專利價值；合享匯智信息科技集團有限公司開發(fā)的IncoPat 科技創(chuàng)新情報平臺，創(chuàng)建了專利價值評估指標—專利價值度；PatSnap專利檢索分析系統(tǒng)由智慧芽信息科技有限公司開發(fā)，整合了專利價值相關(guān)的 25 個不同維度，基于機器學習算法，以貨幣形式給出專利估值[18]。

分析發(fā)現(xiàn)，已有的專利價值評估方法研究主要集中在專利價值指標體系構(gòu)建，在此基礎(chǔ)上通過定量分析評估專利價值，或者采取機器學習算法進行價值預(yù)測，獲取高價值度專利列表。采取構(gòu)建指標體系進行定量分析的方式，對專利價值進行逐件評估，效率較低，對專家評估依賴程度較高，評估結(jié)果主觀性較強；而采用機器學習的方式，過分依賴模型訓練，不能發(fā)揮人的主觀能動性，缺少對結(jié)果的人工驗證。同時，使用PatSnap、IncoPat等專業(yè)平臺進行專利價值評估，雖然對每件專利賦予了價值標簽，但通過在線調(diào)研發(fā)現(xiàn)，存在部分高分專利已失效的情況，所以依賴分析平臺對專利進行價值評估，判斷專利是否有轉(zhuǎn)讓/許可價值或失效風險略顯不足。本文將專利技術(shù)轉(zhuǎn)移價值定義為：對于權(quán)利有效但尚未實現(xiàn)權(quán)利轉(zhuǎn)讓和許可的專利，具備實現(xiàn)轉(zhuǎn)讓或許可的特征和可能性。因此，本文在吸收已有研究成果的基礎(chǔ)上，提出了一種高校專利技術(shù)轉(zhuǎn)移價值評估方法，將基于熵權(quán)TOPSIS模型的人工評估與基于梯度提升樹的機器學習評估相結(jié)合，對我國高校人工智能領(lǐng)域中存在轉(zhuǎn)讓/許可價值或失效風險的專利進行挖掘，以驗證本文所提方法的有效性。

2 研究步驟與研究方法

2.1步驟一：高校專利技術(shù)轉(zhuǎn)移價值評估指標選取

評估指標選取是高校專利技術(shù)轉(zhuǎn)移價值評估的基礎(chǔ)。本文在借鑒前人研究成果的基礎(chǔ)上，通過查閱國家知識產(chǎn)權(quán)局的《專利價值分析指標體系操作手冊》，基于指標的可得性和科學性，從法律維度、技術(shù)維度、市場維度和戰(zhàn)略維度四個方面出發(fā)，選取了12個評估指標，見表1。總體來看，這12個評估指標能夠較為全面反映專利特征，將在后續(xù)應(yīng)用于對高校專利技術(shù)轉(zhuǎn)移價值進行評估。

表1 高校專利技術(shù)轉(zhuǎn)移價值評估指標匯總表

2.2步驟二：基于熵權(quán)TOPSIS模型的專利技術(shù)轉(zhuǎn)移價值評估在確定評估指標的基礎(chǔ)上，首先采取人工計算的方式，對高校中未發(fā)生技術(shù)轉(zhuǎn)移的專利進行評估，確定具有轉(zhuǎn)讓/許可價值和存在失效風險的專利。為了實現(xiàn)以上目標，本文采用熵權(quán)TOPSIS模型進行計算。熵權(quán)TOPSIS法是將信息熵和TOPSIS相結(jié)合的評估方法，可以克服傳統(tǒng)TOPSIS方法不能夠反映變量之間相對重要程度的局限，能客觀確定指標的相對權(quán)重，更具有科學性、和可行性[19]。因此，本文采用熵權(quán)TOPSIS模型設(shè)置評估指標權(quán)重并測算各件專利的技術(shù)轉(zhuǎn)移價值。主要計算過程如下：

a.將高校中已發(fā)生技術(shù)轉(zhuǎn)移的專利和權(quán)利已失效的專利構(gòu)成標準集，將高校權(quán)利有效但未發(fā)生權(quán)利轉(zhuǎn)移的專利構(gòu)成評估集。

b.假設(shè)標準集中有m件專利、12個評估指標，則構(gòu)建的原始評估指標矩陣為：

(1)

進而，對原始評估指標矩陣進行歸一化處理，公式為：

(2)

再者，計算各評估指標的熵值：

(3)

最后，計算各評估指標的權(quán)重，公式為：

(4)

c.使用余弦距離度量對原始評估指標矩陣X進行向量規(guī)范化，xij為第i件專利第j個指標的初始值，公式為：

(5)

由此，得到歸一化后的評估指標矩陣Z：

(6)

進一步，確定最優(yōu)方案和最劣方案，其中最優(yōu)方案由Z中每列元素的最大值構(gòu)成，最劣方案由Z中每列元素的最小值構(gòu)成，公式為：

Z+=(max{z1,1z2，1…zm，1},max{z1,2z2,2…zm,2},…,max{z1,12z2,12…zm,12})

(7)

Z-=(min{z1,1z2,1…zm,1},min{z1,2z2,2…zm,2},…,min{z1,12z2,12…zm,12})

(8)

在此基礎(chǔ)上，計算每件專利與最優(yōu)方案和最劣方案的歐式距離，其中，wj是通過熵權(quán)法計算得到的指標權(quán)重，計算公式為

(9)

最后，計算各件專利與最優(yōu)方案的相對接近度Ci，其中，0≤Ci≤1，Ci值越大，表明專利越具備技術(shù)轉(zhuǎn)移價值。

(10)

d.在對標準集計算相對接近度Ci的基礎(chǔ)上，對標準集中已發(fā)生技術(shù)轉(zhuǎn)移專利和已失效專利分別計算相對接近度平均值Ci_avg_transfer和Ci_avg_invalid，作為評估高校未技術(shù)轉(zhuǎn)移專利中存在許可/轉(zhuǎn)讓價值和失效風險的專利。

e.考慮到標準集中包含了已發(fā)生技術(shù)轉(zhuǎn)移的專利和權(quán)利已失效的專利，通過熵權(quán)法計算得到的評估指標權(quán)重具有較好的代表性，能綜合反映各個評估指標的重要程度，因此，對于同屬一個技術(shù)領(lǐng)域的評估集，將沿用標準集的評估指標權(quán)重，以保證前后計算一致性。針對評估集中的評估指標數(shù)據(jù)，重復(c)的過程，獲取評估集中每件專利的相對接近度Ci，并分別統(tǒng)計大于Ci_avg_transfer和小于Ci_avg_invalid的專利作為熵權(quán)TOPSIS模型評估出的具有技術(shù)轉(zhuǎn)移價值和存在失效風險的專利。

2.3步驟三：基于梯度提升樹的高校專利技術(shù)轉(zhuǎn)移價值評估采用熵權(quán)TOPSIS模型能夠?qū)崿F(xiàn)對高校未發(fā)生技術(shù)轉(zhuǎn)移專利的人工評估，而當前機器學習作為人工智能的一種關(guān)鍵技術(shù)，讓機器通過利用現(xiàn)有知識來獲得新的技能，極大提升了各個領(lǐng)域研究問題的解決效率。本文嘗試采用機器學習中的梯度提升樹算法(Gradient Boosting Decision Tree，GBDT)對高校專利的技術(shù)轉(zhuǎn)移價值進行評估。在模型評價方面，采用曲線下面積(Area Under Curve，AUC)作為衡量模型預(yù)測性能好壞的主要標準，該指標是指受試者工作特征曲線(Receiver Operating Characteristic Curve，ROC)所覆蓋的面積，通過依次遍歷真正率(TPR)和假正率(FPR)這兩個指標閾值來繪制ROC曲線。AUC的取值范圍在0.5→1之間，面積越大，則模型性能越高[20]。

2.4步驟四：基于混合方法的高校專利技術(shù)轉(zhuǎn)移價值評估通過上述基于熵權(quán)TOPSIS模型的人工評估和基于梯度提升樹的機器學習評估，分別獲得高校未發(fā)生技術(shù)轉(zhuǎn)移專利中存在許可/轉(zhuǎn)讓價值和失效風險的專利集合。對兩種方法評估得到的專利集合取交集，最終實現(xiàn)基于人工方式和機器學習方式混合的高校專利技術(shù)轉(zhuǎn)移價值評估。在此過程中，一方面是采取了客觀的人工評估方法，充分發(fā)揮人腦智能，另一方面，發(fā)揮了機器學習在推理學習方面的優(yōu)勢，充分使用了機器智能，通過兩種混合方法實現(xiàn)的交集結(jié)果，進一步保證了評估過程的科學性和合理性。

3 實驗過程及分析

3.1數(shù)據(jù)來源與處理本文數(shù)據(jù)來源于IncoPat專利數(shù)據(jù)庫，選擇分析的技術(shù)領(lǐng)域為“人工智能”。在數(shù)據(jù)檢索過程中，專利來源選擇為中國發(fā)明授權(quán)專利，檢索式設(shè)置為：標題/摘要=(“人工智能” or “智能系統(tǒng)” or “物聯(lián)網(wǎng)” or “人機交互” or “智能技術(shù)” or “智能機器人” or “深度學習” or “語義網(wǎng)絡(luò)” or “圖像識別” or “圖像檢測” or “神經(jīng)網(wǎng)絡(luò)” or “機器視覺” or “專家系統(tǒng)” or “智能搜索” or “智能控制” or “智能問答” or “機器學習”)，申請人模糊匹配“大學”，時間不限，共檢索到11 016件專利。依據(jù)選取的評估指標進行數(shù)據(jù)導出，對數(shù)據(jù)缺失的專利進行篩選，剩余10 896件專利，其中許可/轉(zhuǎn)讓專利761件，權(quán)利失效專利2 132件，權(quán)利有效但未發(fā)生技術(shù)轉(zhuǎn)移的專利有8093件。

3.2基于熵權(quán)TOPSIS模型的高校專利技術(shù)轉(zhuǎn)移價值評估依據(jù)熵權(quán)TOPSIS模型的實驗流程，首先對將檢索到的高校許可/轉(zhuǎn)讓專利和權(quán)利失效專利數(shù)據(jù)融合形成評估指標數(shù)據(jù)標準集，共包含2 893件專利，然后采用熵權(quán)法計算12個評估指標的權(quán)重，結(jié)果為：w={0.105，0.035，0.101，0.070，0.018，0.060，0.184，0.020，0.112，0.222，0.017，0.056}。其中，家族被引證次數(shù)的權(quán)重最高，家族被引證次數(shù)越多，一方面體現(xiàn)了申請人對專利技術(shù)的重視以及布局，另一方面體現(xiàn)了專利技術(shù)創(chuàng)新度在不同國家和地區(qū)得到認可，對后續(xù)相關(guān)方向上的技術(shù)創(chuàng)新具有重要的指引作用，相對于被引證次數(shù)，其更能綜合體現(xiàn)專利的自身價值度，是專利市場維度和戰(zhàn)略維度的重要體現(xiàn)。引證次數(shù)和家族引證次數(shù)的權(quán)重排名第二、三位，家族被引證次數(shù)體現(xiàn)的是專利的技術(shù)擴散影響力，而引證次數(shù)體現(xiàn)的技術(shù)吸收復雜度，引證次數(shù)越多，體現(xiàn)了專利參考的前沿技術(shù)越多元，技術(shù)基礎(chǔ)越扎實，是專利技術(shù)維度的重要體現(xiàn)。而權(quán)利要求數(shù)量和獨立權(quán)利要求字數(shù)的權(quán)重也大于0.1，這兩個指標限定了專利的權(quán)利保護范圍，是判定侵權(quán)的主要參考依據(jù)，直接反映了專利的技術(shù)創(chuàng)新能力，是專利法律維度的重要體現(xiàn)。通過對熵權(quán)法計算得到的結(jié)果進行分析，驗證了評估指標進行不同賦權(quán)的合理性。

在獲取評估指標權(quán)重的基礎(chǔ)上，依據(jù)TOPSIS模型的計算流程，對標準集中的每件專利計算相對接近度Ci，經(jīng)過計算可得，許可/轉(zhuǎn)讓專利的平均Ci值為0.083，權(quán)利失效專利的平均Ci值為0.079，將這兩個數(shù)值作為判斷專利是否具備技術(shù)轉(zhuǎn)移價值或失效風險的閾值。在此基礎(chǔ)上，將高校未發(fā)生技術(shù)轉(zhuǎn)移的8 093件專利形成評估集，采用TOPSIS模型計算流程，得到每件未發(fā)生技術(shù)轉(zhuǎn)移專利的Ci值，對其中Ci值大于0.083的篩選出來作為具備技術(shù)轉(zhuǎn)移價值的專利集合，共包含2 517件專利；Ci值小于0.079的篩選出來作為存在失效風險的專利集合，共包含5 121件專利。上述熵權(quán)TOPSIS模型計算過程是以人工方式完成，因此，整個過程可以視作通過人工方式實現(xiàn)對高校專利技術(shù)轉(zhuǎn)移價值進行評估。

3.3基于梯度提升樹的高校專利技術(shù)轉(zhuǎn)移價值評估依據(jù)梯度提升樹算法進行專利技術(shù)轉(zhuǎn)移價值評估的實驗流程，首先將高校許可/轉(zhuǎn)讓專利和權(quán)利失效專利數(shù)據(jù)融合形成模型訓練集和驗證集，按照“二八分配”的比例，訓練集包含2 314條數(shù)據(jù)，驗證集包含579條數(shù)據(jù)，其中“技術(shù)轉(zhuǎn)移次數(shù)”作為判斷專利是否實現(xiàn)技術(shù)轉(zhuǎn)移的標準，當存在一件專利被許可多次的情況，技術(shù)轉(zhuǎn)移次數(shù)將統(tǒng)一設(shè)置為1。然后，利用包含2 314條數(shù)據(jù)的訓練集對梯度提升樹模型進行訓練，采取十折交叉驗證對模型參數(shù)組合進行調(diào)優(yōu)，當最大迭代次數(shù)n_estimators = 500，最大深度max_depth = 7，學習率learning_rate = 0.1，子采樣比例subsample = 0.7時，模型的評估準確度約為0.976。進而，使用包含579條數(shù)據(jù)的驗證集，測試模型對未知數(shù)據(jù)的評估能力，并繪制ROC曲線，得到AUC的值約為0.959，表明模型具備較高的評估價值。在完成模型構(gòu)建的基礎(chǔ)上，利用模型對包含8 093件專利數(shù)據(jù)的預(yù)測集進行評估，共獲取到具備許可/轉(zhuǎn)讓價值的專利3 398件，存在失效風險的專利4 695件。通過以上方式，實現(xiàn)了以機器學習方式對高校專利技術(shù)轉(zhuǎn)移價值進行評估。

3.4基于混合方法的高校專利技術(shù)轉(zhuǎn)移價值評估

綜合上述基于熵權(quán)TOPSIS模型和基于梯度提升樹的實驗流程，對高校人工智能領(lǐng)域未發(fā)生技術(shù)轉(zhuǎn)移專利進行了評估，得到具備許可/轉(zhuǎn)讓價值的專利集合和存在失效風險的專利集合。對通過兩種方法得到的專利集合取交集，最終獲得高校具備技術(shù)轉(zhuǎn)移價值的專利700件，存在失效風險的專利2 605件，對兩個集合中的評估指標數(shù)據(jù)進行平均值和中位數(shù)計算，結(jié)果見表2。

通過兩種方法評估得到的具備許可/轉(zhuǎn)讓價值的專利，其占比約為8.137%，而存在失效風險的專利，占比約為30.28%。這種狀況產(chǎn)生的原因，一方面是部分高校專利的申請是由研究課題驅(qū)動產(chǎn)生的，與已發(fā)生技術(shù)轉(zhuǎn)移的專利相比，在技術(shù)深入度、經(jīng)濟產(chǎn)業(yè)化、法律完備性方面存在差距；另一方面，為了保護核心技術(shù)，高校在專利申請時往往會進行專利布局，產(chǎn)生了大量不具備技術(shù)轉(zhuǎn)移價值的專利。因此，結(jié)合以上實際情況，在人工智能領(lǐng)域，評估出8.137%具備技術(shù)轉(zhuǎn)移價值的高校專利，并不是處于一個較低水平，這部分專利應(yīng)該得到高校科技成果管理部門的重視，圍繞核心專利，構(gòu)建專利技術(shù)包，并制定有效的專利運營策略，積極尋求技術(shù)轉(zhuǎn)移。同時，對于其他存在失效風險的專利，應(yīng)展開遴選，放棄專利權(quán)，節(jié)約高?？蒲谐杀荆瑢⑵渫度氲角把丶夹g(shù)的研發(fā)中，進一步提升專利的技術(shù)競爭力。

表2 具備技術(shù)轉(zhuǎn)移價值和存在失效風險專利的評估指標計算表

另一方面，分析表2發(fā)現(xiàn)，具備許可/轉(zhuǎn)讓價值的專利，其12個評估指標的平均值都高于存在失效風險的專利，6個評估指標的中位數(shù)也高于存在失效風險的專利，這也給高校和科研團隊在進行技術(shù)研發(fā)和專利申請時提出了要求，對高權(quán)重評估指標在專利技術(shù)轉(zhuǎn)移中的影響因素予以重視。在學校層面，高校知識產(chǎn)權(quán)信息服務(wù)中心要為科研團隊的專利創(chuàng)造和管理提供全方位支持，對科研團隊的技術(shù)切入點進行深入的技術(shù)查新，保證技術(shù)的前沿度；在技術(shù)交底書的撰寫過程中，在引證次數(shù)、家族引證次數(shù)、權(quán)利要求數(shù)量、獨立權(quán)利要求字數(shù)、專利頁數(shù)等方面做到全面扎實，保證專利的質(zhì)量和技術(shù)創(chuàng)新度；針對核心技術(shù)，要做好專利布局工作，通過同族專利申請，形成技術(shù)競爭優(yōu)勢，這也為提高專利的被引證次數(shù)奠定基礎(chǔ)。在科研團隊層面，專利技術(shù)的提出要對前沿技術(shù)進行全面整合，保證技術(shù)的復雜度和創(chuàng)新度，在科研團隊組建方面，要保證足夠數(shù)量的技術(shù)人員對專利技術(shù)實現(xiàn)開發(fā)應(yīng)用，這些都對專利是否具備技術(shù)轉(zhuǎn)移價值產(chǎn)生了重要影響。綜合以上分析，本文所提的高校專利技術(shù)轉(zhuǎn)移價值評估方法，不僅能夠為高校對某一領(lǐng)域具備許可/轉(zhuǎn)讓價值的專利和存在失效風險的專利進行評估，推動高校專利技術(shù)向產(chǎn)業(yè)界轉(zhuǎn)移，還能在此基礎(chǔ)上，對評估結(jié)果進行更深層次的剖析，發(fā)掘核心評估指標對專利技術(shù)轉(zhuǎn)移價值的影響，這對提升高校的專利質(zhì)量，推進高?？萍汲晒芾聿块T、高校知識產(chǎn)權(quán)信息服務(wù)中心的專利管理和運營效率具有重要意義。

4 結(jié) 語

科技決定國力，加強科技成果轉(zhuǎn)移轉(zhuǎn)化，構(gòu)建產(chǎn)學研深度融合的技術(shù)創(chuàng)新體系，對實現(xiàn)國家創(chuàng)新發(fā)展具有重要意義。本文以高校專利技術(shù)轉(zhuǎn)移價值評估為研究重點，將基于熵權(quán)TOPSIS模型的人工計算方法與基于梯度提升樹的機器學習方法相結(jié)合，對我國高校人工智能領(lǐng)域的發(fā)明授權(quán)專利進行評估，獲得了具備許可/轉(zhuǎn)讓價值和存在失效風險的專利。本文所提的方法，充分發(fā)揮了人工評價與機器智能的優(yōu)勢，避免了單純依賴一種方式所造成的結(jié)果失真問題，為高校制定專利運營策略以及企業(yè)快速定位高校核心專利提供了方法參考。

需要說明的是，本文僅使用了人工智能領(lǐng)域的專利進行方法實證，在領(lǐng)域多源性方面有待進一步擴充；另外，在評估指標選取過程中，為了評估指標的易獲取性，僅選取了12個評估指標，合理性有待進一步驗證。因此，在今后的研究中，將繼續(xù)深入探索高校專利技術(shù)轉(zhuǎn)移相關(guān)問題，為提升高校技術(shù)轉(zhuǎn)移效率，推動校企技術(shù)創(chuàng)新助力獻策。