陳 挺 徐勝捷 陳 龍 陸 間 張麗麗

1(河海大學商學院 江蘇 南京 211100) 2(河海大學計算機與信息學院 江蘇 南京 211100)

0 引 言

專利作為技術信息最有效的載體，囊括了全球絕大多數(shù)最新的技術資料，對專利進行分析能夠從海量的專利數(shù)據(jù)中挖掘出有效的信息。然而，現(xiàn)有的專利分析系統(tǒng)在可視化方面存在一些不足之處，針對中文專利的可視化分析工具仍然較少。因此，本文結合文本挖掘方法，設計并實現(xiàn)一個“中文專利數(shù)據(jù)可視化分析系統(tǒng)”，拓展專利分析功能并進行可視化呈現(xiàn)。

1 研究背景及意義

1.1 專利數(shù)據(jù)可視化分析國外研究現(xiàn)狀

隨著現(xiàn)代信息社會的到來，大數(shù)據(jù)時代下專利數(shù)據(jù)可視化分析工具與日益增長的專利數(shù)據(jù)之間存在著不平衡關系。專利數(shù)據(jù)被許多發(fā)達國家視為國家核心競爭力，是知識庫和數(shù)據(jù)源的重要體現(xiàn)，國際上很早就有了對于專利信息分析相關領域的理論和研究，國際市場上對專利的競爭尤為激烈。一些大型軟件公司將數(shù)據(jù)挖掘技術與專利數(shù)據(jù)可視化展示完美結合，成功開發(fā)出一批專利信息數(shù)據(jù)庫和專利信息分析系統(tǒng)。利用數(shù)據(jù)挖掘技術和專利數(shù)據(jù)可視化展示，實現(xiàn)對專利信息的自動分析與管理，如德溫特數(shù)據(jù)公司基于德溫特世界專利索引內(nèi)容的智能檢索功能可以查找全球?qū)＠墨I庫的專利記錄；IBM公司開發(fā)了“Intelligent Miner for Text”(IMT)軟件，實現(xiàn)了對專利信息特征的檢索、聚類、引文分析等功能；Aureka提供廣泛的專利信息源，Aureka引證樹和Aureka地形圖能夠形象化地顯示出專利布局的重要信息，是一種深層次的專利信息分析工具；Delphion、Wisdomain Analysis Module、MCAM、Vivisimo、Invention Machine Knowledgist的功能比較簡單，僅提供同義詞表進行概念分組[1]。VantagePoint可以產(chǎn)生列表使用戶得以快速瀏覽，同時它也提供多維度分析功能，應用模糊匹配技術來識別和整理數(shù)據(jù)。

自20世紀90年代中后期以來，專利情報相關研究一直受到國外學者的關注，研究領域不斷擴展，并且日益成熟；近年來研究趨于縱深化，正面臨著傳統(tǒng)領域的逐漸分化和新興領域的不斷產(chǎn)生[2]。關于國外專利數(shù)據(jù)可視化分析的研究現(xiàn)狀可以總結出一些規(guī)律和特點：(1) 理論研究與方法技術研究齊驅(qū)并駕，特別是基于專利文本挖掘的可視化分析研究最為顯著；(2) 針對不同技術領域的專利實證研究，多數(shù)專利分析軟件切實結合可視化研究調(diào)查，使專利數(shù)據(jù)可視化分析的結果具有極高的研究價值；(3) 能夠廣泛借鑒其他學科領域的科學技術方法，不斷研究和總結出可視化分析工具的發(fā)展態(tài)勢，向著更加前沿的方法技術深入推進，發(fā)展軌跡十分清晰。

1.2 專利數(shù)據(jù)可視化分析國內(nèi)研究現(xiàn)狀

國內(nèi)在專利研究方面的首次發(fā)文時間為2007年，與排名靠前的其他國家和地區(qū)相比起步較晚[3]，但是發(fā)展十分迅速，專利申請量也在不斷增加。國家知識產(chǎn)權戰(zhàn)略的推出，在很大程度上推動了我國專利數(shù)據(jù)可視化分析的進程。國內(nèi)的研究人員著重于專利的基礎理論分析，對于專利分析結果可視化研究方面較為欠缺。劉曉英等[4]對專利信息可視化分析系統(tǒng)的現(xiàn)狀與技術基礎做出了研究，馬芳等[5]作出了基于數(shù)據(jù)挖掘技術的專利信息分析，馬建霞等[6]針對專利情報分析軟件的現(xiàn)狀和趨勢提出了自己的看法，劉玉琴等[7]對國內(nèi)外專利分析工具做出了比較研究，方建國[8]探索了文本挖掘在專利分析中的應用。相比于國外的專利數(shù)據(jù)可視化分析研究，國內(nèi)專利研究仍有很大的提升空間。

因此，針對專利數(shù)據(jù)可視化分析方面的研究，尤其是對中文專利的可視化分析研究方面存在的諸多問題及不足，本文結合數(shù)據(jù)挖掘技術，設計并初步實現(xiàn)了基于Django框架的中文專利分析系統(tǒng)，目的是在深度挖掘?qū)＠麛?shù)據(jù)價值的同時，將其蘊含的信息內(nèi)容可視化展現(xiàn)出來，為研究者或決策者提供新的思路和借鑒。

2 中文專利分析系統(tǒng)設計

2.1 中文專利分析系統(tǒng)需求分析

在專利分析中，可視化的目的是“給專利以形象”，幫助人們用視覺化的方式洞察海量專利數(shù)據(jù)背后的關系特征和規(guī)律，并能及時反饋市場趨勢以及知識產(chǎn)權戰(zhàn)略等領域相關的問題，讓使用者在短時間內(nèi)理解所獲得的信息并做出相應決策。近年來，中國的科技創(chuàng)新能力和科學技術水平在全球化進程中受到越來越多的國家的競爭，對專利信息進行分析顯得頗為重要。但是現(xiàn)有的大多數(shù)專利分析系統(tǒng)主要面對對象的英文專利的分析，中文專利分析系統(tǒng)少之又少，且現(xiàn)存的專利數(shù)據(jù)可視化分析工具仍存在較大不足，需要在今后中文專利數(shù)據(jù)可視化分析系統(tǒng)的發(fā)展過程中予以考慮和改進。(1) 與英文專利數(shù)據(jù)不同，中文沒有使用空格對詞語進行分割，同時中文一詞多義、同義詞等現(xiàn)象普遍存在，中文專利數(shù)據(jù)中對“詞”的處理相比英文更加復雜。本文采用Jieba分詞模塊對專利數(shù)據(jù)進行分詞，并依據(jù)詞性篩去沒有實際含義的助詞、連詞等，然后再進行進一步處理。(2) 傳統(tǒng)的統(tǒng)計圖表往往不具備交互性，可視化效果一般。本文采用PyEcharts和Pygal模塊進行動態(tài)可視化展示，兼具交互性和優(yōu)秀的可視化效果，能夠給用戶帶來良好的操作體驗。(3) 專利數(shù)據(jù)可視化分析工具與分析指標匹配度不高。專利數(shù)據(jù)可視化分析的準確性依賴于專利指標的選取，因此本文通過專利特征文本聚類技術以及專利引證技術實現(xiàn)了專利技術指標的選取及可視化分析。(4) 聚類分析功能有待挖掘。在現(xiàn)有基礎上提供文本聚類分析的工具很少，聚類效果不理想。因此本文采用了LDA以及K-Means文本聚類技術互補形成了有效的聚類技術支持，對專利進行聚類分析。(5) 分析數(shù)據(jù)功能待完善。大多數(shù)專利分析系統(tǒng)只能從搜索到的數(shù)據(jù)進行表層分析，過于簡單，不能深度挖掘使用者需要的信息，無法獲得直觀的效果。因此本文從多角度對專利數(shù)據(jù)進行了多維度的可視化分析，從描述性統(tǒng)計分析到聚類分析、引證分析，旨在從專利數(shù)據(jù)中獲取更多具有研究性指導意義的信息。

專利數(shù)據(jù)可視化分析工具的使用效果將更加靈活多變，功能逐漸完善，適應性漸強，從專利數(shù)據(jù)分析到拓展型可視化分析的分析范圍也會越來越廣。因此本文研發(fā)并構建了中文專利分析系統(tǒng)，旨在通過可視化分析平臺的建立可以讓使用者從更高維度的直觀視角，深入專利分析的前沿領域，解決中文專利分析系統(tǒng)中的上述相關問題。

2.2 專利分析結果可視化

傳統(tǒng)的統(tǒng)計圖表一般是靜態(tài)的，用戶只能通過給出的圖表進行分析判斷，而采用PyEcharts或Pygal模塊繪制的一些圖表可以在瀏覽器中方便地進行點選、拖動、縮放等操作，用戶可以方便地對不同年份、不同地區(qū)的專利數(shù)據(jù)進行對比分析。

Echarts是一個基于JavaScript的開源項目，依賴ZRender矢量圖形庫，提供交互性強、自由度高的可視化圖表，包括柱形圖、折線圖、餅圖等統(tǒng)計圖表，還有結合地理位置的地圖、結合時間變化的Timeline組件等，也可以自定義鏈接跳轉(zhuǎn)，給使用者提供了豐富的接口。

PyEcharts是用于生成Echarts的Python庫，將Python與Echarts結合，可以更方便地使用Python程序操作Echarts圖表的生成，從而使Python強大的數(shù)據(jù)處理與分析能力可以與Echarts美觀的圖表相結合，提供良好的可視化分析基礎。

Pygal同樣也是一個繪制圖表的第三方庫，提供了多種圖表形式，同樣具備交互性，并可以方便地生成頁面并單獨保存成SVG等格式的文件。

2.3 系統(tǒng)架構

如圖1所示，本系統(tǒng)采用B/S三層架構，客戶端瀏覽器將請求發(fā)送給功能支持層，功能支持層收到相應的請求后再對數(shù)據(jù)庫中的數(shù)據(jù)進行操作，保證了數(shù)據(jù)對普通用戶的保密性。在系統(tǒng)的構建過程中，充分體現(xiàn)了“高內(nèi)聚低耦合”的建設思想，為系統(tǒng)標準化和邏輯的復用打下了良好基礎，易于擴展和維護。相較于傳統(tǒng)的Java Web程序，本系統(tǒng)通過Python Django框架實現(xiàn)，建設更簡單，減少了編程人員的工作量，并充分利用了Python強大的第三方庫資源：使用PyEcharts和Pygal模塊進行動態(tài)可視化展示，使用Jieba模塊進行文本分詞和過濾，使用Sklearn模塊進行文本聚類挖掘。用戶使用瀏覽器登錄注冊即可使用本系統(tǒng)，登錄后通過點擊選擇數(shù)據(jù)和功能模塊，即可得到多層次、易于理解的動態(tài)展示結果。

圖1 系統(tǒng)框架

2.4 系統(tǒng)流程設計

在中文專利分析系統(tǒng)中，用戶首先輸入用戶名、密碼登錄，校驗通過后進入系統(tǒng)。用戶可以選擇上傳數(shù)據(jù)源或選擇已有的數(shù)據(jù)源，選擇數(shù)據(jù)源后可以進行專利態(tài)勢分析、專利聚類分析和專利引文分析，數(shù)據(jù)流圖如圖2所示。

圖2 中文專利分析系統(tǒng)數(shù)據(jù)流圖

其中，專利態(tài)勢分析展示了專利數(shù)據(jù)源中的專利發(fā)展趨勢和分布，包括專利申請趨勢分析、專利技術來源國分析、國內(nèi)申請人省市分布、重要申請人分析、主題關鍵詞詞云圖和重要發(fā)明人詞云圖等功能；專利聚類分析包括LDA主題聚類和K-Means聚類兩種聚類算法，在完成聚類后可以基于聚類結果進行進一步分析，用于挖掘數(shù)據(jù)中蘊含的較深層信息；專利引證分析包括引證次數(shù)分析和引證申請人分析，可以找出行業(yè)內(nèi)的重要專利，也可以分析申請人之間的引證關系，從而展示出專利申請人之間的聯(lián)系。

2.5 數(shù)據(jù)模型設計

如圖3所示，數(shù)據(jù)庫設計采用維度模型，即使用星型模式，根據(jù)業(yè)務流程將專利基礎信息劃分為What、Who、Where、When四個維度，每個專利對應一個申請人、地區(qū)和公開日，但是一個申請人和一個地區(qū)可以對應多個專利，減少了數(shù)據(jù)的冗余，提高了數(shù)據(jù)的讀寫效率。按照維度進行預先的統(tǒng)計、分類、排序等操作，通過這些預處理，能夠極大地提升數(shù)據(jù)倉庫的處理能力。相比于3NF的建模方法，星型模式的性能優(yōu)勢更明顯。

圖3 數(shù)據(jù)維度模型

3 中文專利數(shù)據(jù)的可視化分析

本文基于Django框架搭建平臺，簡單實現(xiàn)了專利態(tài)勢分析、專利聚類分析和專利引證分析，并利用可視化模塊展示出來，達到更為直觀簡潔的效果。本文主要使用了PyEcharts和Pygal模塊，兩者均能實現(xiàn)圖表的動態(tài)可視化效果，并具有較好的交互性，能夠給用戶帶來良好的使用體驗。系統(tǒng)實驗環(huán)境及主要軟件模塊版本為：Windows Server 2012 R2系統(tǒng)，IIS 8服務器，Python 3.7，Django 3.0.5，PyEcharts 1.7.1，Pygal 2.4.0。采用光纖領域中國發(fā)明專利數(shù)據(jù)進行測試，數(shù)據(jù)截至2017年12月1日。

3.1 專利態(tài)勢分析

(1) 專利申請量的趨勢分析。技術領域?qū)＠暾埩康淖兓厔菀子诮y(tǒng)計，且能直接反映該技術所處的發(fā)展階段，可用于判斷該技術是否還有價值，為企業(yè)決定是否投資以及投資力度的管控提供重要參考依據(jù)。一般將技術的生命周期劃分為四個階段：導入期、成長期、成熟期和衰退期。根據(jù)對技術當前所處生命周期階段的正確判斷，企業(yè)可以制定不同的技術策略，當技術將進入衰退期時，企業(yè)就該去尋求新技術。

如圖4示例，在2003年前，該領域?qū)＠暾埩可?，行業(yè)處于導入期，2003年-2016年，該領域?qū)＠暾埩考ぴ?，行業(yè)處于成長期。通過專利態(tài)勢分析可視化，可以進一步了解某領域?qū)＠l(fā)展情況趨勢，能夠使學界業(yè)界的研究者更加直觀感受到某領域中某項技術的潛力價值。

圖4 專利授權量累計圖示例

(2) 專利地域分析。專利的質(zhì)量與數(shù)量是企業(yè)創(chuàng)新能力和核心競爭能力的體現(xiàn)，是企業(yè)在該行業(yè)身份及地位的象征，是國家創(chuàng)新力的集中體現(xiàn)，是國家綜合國力的重要指標。在經(jīng)濟全球化的時代背景下，企業(yè)了解國內(nèi)競爭者、了解國際形勢，是生存與發(fā)展的需要。而通過對專利的地域分析，企業(yè)可以快速明確國內(nèi)主要競爭者以及外國的潛在競爭者。

本文組合使用時間軸和地圖組件，將地域分布和時間維度結合起來，并使用動畫展示，能夠讓使用者一目了然地看到專利申請地域分布隨時間的變化，快速定位集聚效應。

(3) 關鍵人物和信息分析。少數(shù)的專利申請人通常掌握了大量的專利，少數(shù)的發(fā)明人是該領域的“關鍵人”，是技術發(fā)展的“帶頭人”，對一個行業(yè)的發(fā)展而言舉足輕重，行業(yè)帶頭人也是企業(yè)人才爭奪的重要對象。發(fā)揮“關鍵人”的關鍵作用，其首要前提是需要明確關鍵人。專利數(shù)據(jù)中的一些關鍵詞是技術發(fā)展的方向指標，對行業(yè)發(fā)展的未來有指導作用。通過對文本進行分詞、去停用詞和詞頻統(tǒng)計等操作，可以得出行業(yè)關鍵詞，如圖5所示。

圖5 關鍵詞詞云圖示例

本文通過詞云圖將統(tǒng)計結果呈現(xiàn)出來，從圖6中可以清晰地看出關鍵的發(fā)明人和發(fā)明內(nèi)容。通過高頻關鍵詞繪制的詞云，可以直接了解到某領域的技術“帶頭人”以及主流的專利技術分布情況。

3.2 專利聚類分析

聚類是將一個數(shù)據(jù)集按照某一特定標準分割成多個不同的類或簇，同一簇中的數(shù)據(jù)對象相似度盡可能高，同時不同簇之間的數(shù)據(jù)對象差異度也盡可能高。而文本聚類則是利用聚類不需訓練過程及其較為優(yōu)秀的自動化處理能力，將文檔原本的自然語言文字信息轉(zhuǎn)化為數(shù)學信息，對文本信息進行分簇。

文本聚類的過程如下：首先，基于中文專利數(shù)據(jù)的特點，使用Jieba分詞模塊對文本進行分詞處理，然后進行詞頻統(tǒng)計，對一些高頻率但無意義的停用詞進行過濾；然后，利用詞袋模型和文本向量方法將數(shù)據(jù)轉(zhuǎn)換為詞向量并構建詞權重，以此評估一個詞語在文本中重要性。最后，選擇聚類算法進行文本聚類，再根據(jù)結果進行評估與參數(shù)調(diào)整，得出最終結果。本文主要使用LDA主題模型和K-Means進行專利文本聚類分析。

1) LDA主題模型聚類分析。LDA(Latent Dirichlet Allocation)是一種包含了詞、主題、文檔三層結構的文檔主題生成模型，因此也被稱為三層貝葉斯概率模型。主題分布與詞分布均是多項式分布。同時，LDA作為一種無監(jiān)督的機器學習技術，能夠從大規(guī)模的文檔集和語料庫中提取出來潛在的主題信息。

用d表示文檔集合D中的每篇文檔，w為文檔d中的單詞，t為主題，則文檔d中出現(xiàn)單詞w的概率如式(1)所示。

P(w|d)=P(w|t)·P(t|d)

(1)

我們將專利標題輸入LDA模型，根據(jù)專利的主題將專利分進不同的類別當中，然后輸出每個類別的前n個主題詞。

以下為在專利分析中使用LDA主題模型進行文本聚類的主要步驟：

(1) 使用Jieba對每個專利的標題字段進行分詞，過濾固定停用詞、量詞和標點符號，構建詞袋。

(2) 統(tǒng)計詞頻，使用Sklearn中的CountVectorizer函數(shù)得到所有專利標題中各個詞的詞頻向量和主題詞袋構成的列表。

(3) 使用Sklearn中的LatentDirichletAllocation函數(shù)進行LDA聚類，設置主題個數(shù)和最大迭代次數(shù)等參數(shù)，可以得到每篇專利文獻屬于每個主題的概率矩陣和每個主題中主題詞的分布概率矩陣。

(4) 標記每篇專利文獻所屬的主題，并輸出各主題中詞頻最高的n個主題詞。

使用LDA主題聚類模型對專利數(shù)據(jù)的“標題”字段進行聚類，用戶可以設置最大迭代次數(shù)m和分類組別數(shù)n。其中m越大，分組的準確性越高，但相應用戶需要等待實時運算的時間也會越長。

通過對比，用戶可以看到各國家、地區(qū)和企業(yè)專利的類別分布，并以此判斷不同國家、地區(qū)和企業(yè)研究方向的差異，同時也可對比分析各類別的發(fā)展趨勢。用戶還可以使用LDA主題分類對數(shù)據(jù)集進行進一步拆分研究。LDA主題聚類模型分組結果示例如圖6所示。

圖6 LDA主題聚類模型分組結果示例

2) K-Means算法聚類分析。K-Means算法是較為傳統(tǒng)也較為基礎的一種無監(jiān)督的聚類分析算法，因其簡潔高效而被廣泛使用，其中的基本思想是從有N個元組或記錄的數(shù)據(jù)集劃分為K個簇，然后根據(jù)給定的初始點進行反復迭代，常用歐氏距離計算公式計算簇每個數(shù)據(jù)與聚類中心點的距離，使得簇內(nèi)的數(shù)據(jù)距離越來越近，簇與簇之間的距離越來越遠，進而達到優(yōu)化簇的目的。

K-Means算法[9]如下：

假設有一數(shù)據(jù)集{x(1),x(2),…,x(m)}，將其分為n個簇。

(1) 在樣本中隨機選取n個聚類質(zhì)心點{1,2,…,n}，其中i為簇Ci的聚類質(zhì)心點，如式(2)所示。

(2)

(2) 計算所有質(zhì)心點與各個簇之間的距離，再將該點劃入最近的簇中。

(3) 重新計算每個簇的質(zhì)心點。

(4) 重復步驟(2)和步驟(3)直至收斂。

使用K-Means聚類算法對專利數(shù)據(jù)的“標題”字段進行聚類，用戶可以設置分類組別數(shù)n。

與LDA主題聚類的預處理方式相同，系統(tǒng)過濾停用詞、量詞和標點符號后，使用LDA主題模型進行聚類運算；運算結束后，系統(tǒng)對數(shù)據(jù)集中的數(shù)據(jù)標注K-Means分類。同樣，通過對比，用戶可以分析各國家、地區(qū)和企業(yè)專利的類別分布以及各類別的發(fā)展趨勢。用戶也可以選擇將每組單獨保存為數(shù)據(jù)集進行進一步拆分研究。

如圖7所示，示例將專利數(shù)據(jù)使用K-Means算法聚為5類，不同類別間國家分布可能差異顯著，可由此分析各國在不同方面專利技術的優(yōu)勢和劣勢。

圖7 K-Means類別下的專利技術來源國分布示例

本文對聚類結果進行了可視化展示，并支持進一步迭代研究，能夠幫助使用者直觀、快速地發(fā)現(xiàn)更深層次的信息。

3.3 專利引證分析

專利被引用的頻次表現(xiàn)了該專利在某技術領域內(nèi)的重要程度，如果某專利被大量后續(xù)專利引用，說明該專利具有較高的創(chuàng)新性和先進性，可以通過柱形圖展示；如果某申請人有較多專利被引用，則說明該申請人在該領域擁有技術優(yōu)勢[10]。如圖8所示，用戶可以設置閾值并通過網(wǎng)絡圖觀察專利申請人之間的引證關系并發(fā)現(xiàn)重要申請人。與此同時，運用專利引證關系網(wǎng)絡，可以探究不同專利、不同申請人之間的潛在聯(lián)系，為之后的專利申請乃至企業(yè)之間的科技研究合作提供借鑒之處。

圖8 專利申請人引證關系網(wǎng)絡圖示例

4 結 語

本文基于Django框架和PyEcharts等可視化模塊，結合文本挖掘、機器學習技術，設計并簡單實現(xiàn)了中文專利數(shù)據(jù)可視化分析系統(tǒng)。從專利態(tài)勢分析、專利聚類分析、專利引證分析三方面，對專利數(shù)據(jù)進行多角度分析，從描述性統(tǒng)計分析到數(shù)據(jù)挖掘深層分析，將分析結果通過可視化模塊直觀地呈現(xiàn)出來，有利于用戶在檢索專利文獻時盡快獲得深層次的知識，有利于企業(yè)借鑒新技術，提高運營效率，一定程度上彌補了中文專利數(shù)據(jù)可視化分析研究的不足。在此基礎上，本文也為專利分析系統(tǒng)的開發(fā)提供了一定的理論指導。

使用部分發(fā)明專利數(shù)據(jù)進行了測試，本文能夠較好地適應中文專利數(shù)據(jù)，并生成美觀的交互式可視化圖表，聚類算法和進一步的統(tǒng)計分析也能夠在一定程度上發(fā)掘各國、各企業(yè)在不同類別專利上的優(yōu)勢和不足，為企事業(yè)單位的研究和決策提供一定的依據(jù)，相較目前的專利分析系統(tǒng)在中文語言支持和可視化方面有一定的改進之處，具備較好的研究前景和一定的參考價值。

同時，本文還存在一些不足，系統(tǒng)現(xiàn)有的功能實現(xiàn)完好，但仍有待進一步擴充完善，引入更為先進的專利分析技術。對于專利數(shù)據(jù)的深層次挖掘的研究局限于聚類分析以及引證分析層面，在之后的研究中，可以將更多的機器學習乃至深度學習的數(shù)據(jù)分析挖掘技術應用于專利數(shù)據(jù)的研究，旨在最大程度挖掘中文專利數(shù)據(jù)的價值，并通過多樣的可視化圖表將分析結果展現(xiàn)出來。