曹茹燁　曹樹金

關(guān)鍵詞： 高價值專利； 技術(shù)創(chuàng)新演化； 知識圖譜； 腦機接口

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２４．０６．００１

〔中圖分類號〕Ｇ２５５ ５３ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２４） ０６－０００３－１５

隨著新一輪科技革命的加速推進， 科技創(chuàng)新已經(jīng)成為影響國家競爭力和世界發(fā)展格局的關(guān)鍵變量。

黨的二十大報告強調(diào)， 要加快實施創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略， 集聚力量進行原創(chuàng)性引領(lǐng)性科技攻關(guān)， 堅決打贏關(guān)鍵核心技術(shù)攻堅戰(zhàn)［１］ 。攻克關(guān)鍵核心技術(shù)領(lǐng)域難題， 首先需要把握技術(shù)的演進特征和發(fā)展規(guī)律［２］ 。鑒于高價值性是關(guān)鍵核心技術(shù)的主要特征［３］ ， 而專利又是科技創(chuàng)新的重要載體， 精準識別高價值專利，分析技術(shù)創(chuàng)新演化態(tài)勢， 對國家科技戰(zhàn)略布局、科技機構(gòu)和企業(yè)的創(chuàng)新發(fā)展規(guī)劃， 以及科研人員理解技術(shù)核心要素并發(fā)現(xiàn)創(chuàng)新規(guī)律和創(chuàng)新機會具有重要意義。

“ 十四五” 規(guī)劃中首次將“每萬人口高價值發(fā)明專利擁有量” 納入經(jīng)濟社會發(fā)展的主要指標［４］ ，培育高價值專利、提升創(chuàng)新質(zhì)量越來越成為國家科技創(chuàng)新體系的重要一環(huán)。目前， 對高價值專利的研究主要集中在高價值專利的識別、價值評估、專利挖掘以及技術(shù)擴散分析等方面， 少有針對高價值專利的技術(shù)創(chuàng)新演化研究， 較多的是在不區(qū)分專利價值高低的基礎(chǔ)上對專利技術(shù)的演化分析， 用于技術(shù)預(yù)測、優(yōu)勢技術(shù)或顛覆性技術(shù)識別。從方法上看，多從技術(shù)主題視角， 采用文本挖掘和社會網(wǎng)絡(luò)分析法實現(xiàn)。然而， 專利尤其是高價值專利的技術(shù)創(chuàng)新價值體現(xiàn)在多個維度， 蘊藏在包含復(fù)雜語義關(guān)系的專利文本內(nèi)容中。若要對技術(shù)研判或未來技術(shù)研發(fā)提供更具體、明確的落點， 就需要對專利文本進行更加細粒度的揭示， 進而從多維度、多視角挖掘高價值專利的技術(shù)演化規(guī)律。據(jù)此， 本研究擬解決的科學(xué)問題是如何挖掘一個領(lǐng)域內(nèi)高價值專利的多面的、細粒度的、具體的技術(shù)創(chuàng)新點并發(fā)現(xiàn)其演化規(guī)律， 從而為科技創(chuàng)新主體提供多維和具體的參考？具體包括３ 個子研究問題： 一是如何設(shè)計一套新穎且合理的指標體系來評估和識別高價值專利？ 二是如何提取高價值專利文本中的細粒度技術(shù)要素并對其進行語義化組織， 以便從多維視角理解專利技術(shù)的本質(zhì)和特征？ 三是如何基于多維技術(shù)要素及其關(guān)聯(lián)關(guān)系， 從更加細微且多面而非僅僅是粗淺的主題角度來分析高價值專利的技術(shù)創(chuàng)新演化現(xiàn)象？

為解決以上問題， 本研究將以“腦機接口” 領(lǐng)域為例， 從優(yōu)化部分指標測算方法及指標組合的角度設(shè)計能夠反映技術(shù)價值、專利權(quán)利和市場前景的指標體系以識別高價值專利， 并利用知識圖譜對高價值專利進行細粒度的技術(shù)要素提取和關(guān)聯(lián)關(guān)系揭示， 在此基礎(chǔ)上從多角度分析技術(shù)創(chuàng)新演化的趨勢，旨在促進關(guān)鍵技術(shù)領(lǐng)域的創(chuàng)新發(fā)展。

１ 相關(guān)研究

１.１ 高價值專利識別相關(guān)研究

現(xiàn)有研究多從技術(shù)、法律和市場３ 個角度評估專利價值以識別高價值專利， 具體包括單一維度的縱深化評估和多維度的綜合評估。比如根據(jù)ＴＲＩＺ的功能分析， 從技術(shù)價值視角識別高價值專利［５］ ；或者基于技術(shù)的轉(zhuǎn)移轉(zhuǎn)化對專利價值進行評估［６］ ；但更多的是構(gòu)建高價值專利識別的多維指標體系，如， 付振康等［７］ 綜合了能夠反映技術(shù)價值的技術(shù)生命周期、引證數(shù)等指標， 反映法律維度的權(quán)利要求數(shù)、審查周期等指標， 以及反映市場價值的ＰＣＴ申請等指標篩選高價值專利。宋凱等［８］ 從保護范圍、研發(fā)水平、市場前景和主體特征４ 個維度構(gòu)建了一套專利價值評估的指標體系。從高價值專利識別的方法來看， 常見的有基于指標權(quán)重的綜合評價法， 如層次分析法和熵權(quán)法的結(jié)合［９］ 、多目標決策分析中的ＴＯＰＳＩＳ 方法［１０］ 以及Ｃｒｉｔｉｃ 賦權(quán)法的應(yīng)用［１１］ 。近年來， 較多研究使用機器學(xué)習(xí)和深度學(xué)習(xí)的方法， 將高價值專利識別問題轉(zhuǎn)化為分類問題。王思培等［１２］ 基于隨機森林算法， 將反映專利價值的多維指標作為輸入變量， 高價值專利類別作為分類變量， 構(gòu)建潛在高價值專利的預(yù)測模型。Ｌｉｕ ＷＤ 等［１３］ 提出了基于多任務(wù)學(xué)習(xí)的高價值專利識別模型。Ｗｏｏ Ｈ 等［１４］ 采用貝葉斯結(jié)構(gòu)方程模型， 從技術(shù)性、權(quán)利性和可用性３ 個維度對專利價值進行評估建模和分類識別。此外， 還有研究將綜合評價法與機器學(xué)習(xí)方法結(jié)合識別高價值專利， 如基于機器學(xué)習(xí)改進的ＡＨＰＳｏｒｔ Ⅱ方法［１５］ 。

１.２ 基于專利分析的技術(shù)創(chuàng)新演化相關(guān)研究

基于專利的技術(shù)創(chuàng)新演化研究主要集中在兩個方面， 一是技術(shù)主題的演化分析； 二是技術(shù)創(chuàng)新網(wǎng)絡(luò)的演化分析。關(guān)于技術(shù)主題創(chuàng)新演化， 較多學(xué)者采用主題識別、機器學(xué)習(xí)的方法進行分析。如基于Ｗｏｒｄ２Ｖｅｃ 詞向量模型和ＬＤＡ 主題模型的干細胞治療技術(shù)在“科學(xué)發(fā)現(xiàn)—技術(shù)創(chuàng)新—技術(shù)應(yīng)用” 全生命周期的演化脈絡(luò)與特征研究［１６］ ； 基于專利數(shù)據(jù)，引入技術(shù)主題時序共現(xiàn)網(wǎng)絡(luò)和主題引用網(wǎng)絡(luò)的技術(shù)主題演化趨勢分析［１７］ ； 利用專利摘要， 結(jié)合ＬＤＡ和隱馬爾科夫模型分析３Ｄ 打印技術(shù)主題的分布和演化模式［１８］ ； 以及融合ＳＡＯ 三元組抽取、主題識別與相似度計算分析石墨烯超級電容器領(lǐng)域技術(shù)主題的創(chuàng)新演化路徑［１９］ 等。關(guān)于技術(shù)創(chuàng)新網(wǎng)絡(luò)的演化， 現(xiàn)有研究多利用網(wǎng)絡(luò)分析法， 對基于專利的技術(shù)創(chuàng)新合作網(wǎng)絡(luò)或引文網(wǎng)絡(luò)的演化路徑進行探索。如ＨｓｕＣ Ｗ 等［２０］ 基于專利引用關(guān)系所產(chǎn)生的社會網(wǎng)絡(luò)來討論生物質(zhì)發(fā)酵產(chǎn)氫技術(shù)的演化； 束超慧等［２１］ 以專利申請人作為網(wǎng)絡(luò)節(jié)點構(gòu)建顛覆性技術(shù)創(chuàng)新網(wǎng)絡(luò)， 從而分析了智能語音技術(shù)專利合作創(chuàng)新網(wǎng)絡(luò)的演化過程。趙靚等［２２］ 利用基于專利分類代碼構(gòu)建的專利共現(xiàn)網(wǎng)絡(luò)分析了軍事智能技術(shù)演化趨勢。

１.３ 基于科技文獻的知識圖譜構(gòu)建與應(yīng)用研究

知識圖譜是谷歌在２０１２ 年提出的概念， 本質(zhì)是一種語義網(wǎng)絡(luò)， 被廣泛用于智能語義搜索、智能問答和信息推薦等領(lǐng)域。近年來， 諸多學(xué)者將其引入科技領(lǐng)域的知識組織和知識發(fā)現(xiàn)研究， 探索基于科技文獻（主要為專利、科技論文）的領(lǐng)域知識圖譜構(gòu)建方法， 以及在此基礎(chǔ)上的技術(shù)創(chuàng)新識別與創(chuàng)新知識檢索、新興技術(shù)預(yù)測、技術(shù)推薦等現(xiàn)實應(yīng)用。在面向科技文獻的知識圖譜構(gòu)建中， 有研究基于數(shù)據(jù)增強方法構(gòu)建了新能源汽車電池技術(shù)領(lǐng)域的知識圖譜［２３］ ， 融合聯(lián)合抽取模型ＳｐＥＲＴ 以及關(guān)系抽取模型Ａｇｇｃｎ 構(gòu)建了綠色合作領(lǐng)域的專利知識圖譜［２４］ ， 以及基于圖嵌入算法構(gòu)建非全氟化質(zhì)子交換膜領(lǐng)域?qū)＠R圖譜等［２５］ 。在知識圖譜的應(yīng)用中， 曹樹金等［２６］ 基于所構(gòu)建的專利文獻創(chuàng)新知識圖譜分析了其在創(chuàng)新知識檢索及專利文獻創(chuàng)新點對比中的應(yīng)用； Ｄｅｎｇ Ｗ Ｗ 等［２７］ 提出了一種在專利知識圖譜的基礎(chǔ)上對專利和公司進行加權(quán)圖分析的方法， 用于向企業(yè)推薦專利； Ｄｏｅｒｐｉｎｇｈａｕｓ Ｊ 等［２８］ 基于ＰｕｂＭｅｄ 數(shù)據(jù)庫中的生物醫(yī)學(xué)論文數(shù)據(jù)構(gòu)建了大型的生物醫(yī)學(xué)領(lǐng)域知圖譜， 用于上下文挖掘、基于圖的知識查詢以及知識發(fā)現(xiàn)； 還有將所構(gòu)建的知識圖譜用于產(chǎn)業(yè)新興技術(shù)預(yù)測［２９］ 、專利布局意圖挖掘中［２５］ 。此外， 也有研究構(gòu)建了技術(shù)演化圖譜， 用于識別優(yōu)勢專利的技術(shù)研發(fā)方向［３０］ 。

綜上所述， 現(xiàn)有研究已有相對成熟的高價值專利評估和篩選的方法， 然而測度技術(shù)價值的指標較少深入到專利文本的潛在語義層面， 尤其是不易測度的主題新穎度之類的指標。已有研究表明， 主題新穎性與專利質(zhì)量［３１］ 及專利影響力［３２－３３］ 有較大關(guān)系。因此， 本研究將重點聚焦于專利技術(shù)主題新穎性， 結(jié)合反映技術(shù)價值的其他指標， 以及專利權(quán)利和市場前景來識別高價值專利。鑒于已有的主題新穎度測度方法較多以專利技術(shù)出現(xiàn)時間遠近為依據(jù)，并未從主題本身考慮， 本研究將提出一種新的測度方法加以優(yōu)化； 另一方面， 從專利文本內(nèi)容層面開展的技術(shù)創(chuàng)新演化研究多從主題角度切入， 分析的粒度較粗， 維度較單一。而將知識圖譜用于科技文獻挖掘的相關(guān)研究為該問題的解決提供了新的思路和理論依據(jù)。基于此， 本文將結(jié)合知識圖譜的優(yōu)勢，對高價值專利的技術(shù)演化趨勢進行更加具體和多角度的分析， 為科技創(chuàng)新的各類主體提供更明確的參考。

２ 研究設(shè)計

２.１ 研究思路

本研究總體思路如圖１ 所示。主要分為４ 個階段： 數(shù)據(jù)收集與預(yù)處理、高價值專利識別、高價值專利知識圖譜構(gòu)建、高價值專利的技術(shù)創(chuàng)新演化分析。首先， 在數(shù)據(jù)集的選取上， 鑒于腦機接口是新一代人機交互和人機混合智能的關(guān)鍵核心技術(shù)， 被美國商務(wù)部列為１４ 項出口管制技術(shù)之一［３４］ 。因此， 本研究采集了“腦機接口” 領(lǐng)域的專利文獻作為樣本， 經(jīng)過預(yù)處理后形成語料集； 其次， 在高價值專利識別過程中， 重點考慮技術(shù)主題的新穎性，借助ＫｅｙＢＥＲＴ 模型從專利標題和摘要中抽取關(guān)鍵詞， 采用一種新的方法設(shè)計主題新穎性測度的指標，該方法主要通過與申請年以前的專利技術(shù)進行對比，而非僅依據(jù)申請年遠近來判斷新穎性， 如此能夠評估在專利申請的當下所體現(xiàn)的價值， 以便識別出在技術(shù)發(fā)展的各個不同階段具有高新穎性的專利。與此同時， 結(jié)合技術(shù)維度的其他指標以及反映專利權(quán)利和市場前景的指標， 利用Ｃｒｉｔｉｃ 權(quán)重法綜合評估專利價值， 從而篩選出高價值專利。然后， 針對識別出的高價值專利構(gòu)建知識圖譜， 具體包括實體及關(guān)系類型定義、數(shù)據(jù)標注、采用ＣａｓＲｅｌ 聯(lián)合抽取模型進行訓(xùn)練、利用訓(xùn)練好的模型對未標注語料進行知識抽取、知識融合與消歧， 并利用Ｎｅｏ４ｊ 圖數(shù)據(jù)庫實現(xiàn)知識圖譜的存儲與可視化； 最后， 基于所構(gòu)建的知識圖譜進行技術(shù)創(chuàng)新演化分析， 分析的維度依據(jù)知識圖譜中所涉及的不同類型的實體及關(guān)系。

２.２專利價值評估指標設(shè)計與綜合評價

明確高價值專利的內(nèi)涵是識別高價值專利的前提。對于高價值專利的內(nèi)涵存在多種說法， 尚未形成統(tǒng)一的定義。國家知識產(chǎn)權(quán)局曾對高價值發(fā)明專利的范圍進行了說明［３５］ ， 在此基礎(chǔ)上綜合學(xué)者們的不同觀點， 發(fā)現(xiàn)領(lǐng)域內(nèi)普遍認為高價值專利應(yīng)具有較高的技術(shù)創(chuàng)新性、較穩(wěn)定的專利權(quán)利、較高的市場應(yīng)用價值幾大特征［７，３６－３７］ 。因此， 根據(jù)相關(guān)研究中所涉及的多種指標， 從中歸納出３ 個重要維度作為本研究指標設(shè)計的基準， 即技術(shù)價值、專利權(quán)利和市場前景。技術(shù)維度的指標主要包括技術(shù)主題新穎性、技術(shù)覆蓋范圍和技術(shù)投入。關(guān)于技術(shù)新穎性有多種度量方法， 比如采用專利授權(quán)的時間度量，即時間越近新穎度越高［１１，２９］ ； 也有以新詞的早期出現(xiàn)率低于１５％作為度量依據(jù)； 以主題詞組合在專利申請年之前的所有專利中出現(xiàn)的頻次來度量技術(shù)新穎性［３８］ ； 以及通過與歷史主題的相似度計算進行度量［３９］ 等?？梢?， 技術(shù)新穎度大都反映在時間維度的對比中。鑒于關(guān)鍵詞是判斷文獻主題的重要依據(jù)［４０］ ， 本研究設(shè)計兩個指標來反映技術(shù)主題的新穎性， 即關(guān)鍵詞早期出現(xiàn)率Ｘ１ 與關(guān)鍵詞相似度Ｘ２。關(guān)鍵詞通過ＫｅｙＢＥＲＴ 從專利標題和摘要中抽取。Ｘ１ 計算方法如式（１）： 對于某一專利， 第ｉ 個關(guān)鍵詞在其申請年之前出現(xiàn)的專利總數(shù)ｎｉ 與申請年之前所有專利總數(shù)Ｎ 的比值設(shè)為Ｋ， 參考Ｐｏｒ?ｔｅｒ Ａ Ｌ 等［４１］ 的經(jīng)驗， 當Ｋ≤０ １５ 時認為該詞具有新穎性， 記為１， 該專利的總新穎度得分為所有關(guān)鍵詞新穎性計數(shù)的總和Ｓ。指標Ｘ２ 的計算方式為：將抽取出的專利關(guān)鍵詞組合與申請年之前的每份專利的關(guān)鍵詞組合進行相似度計算， 按照相似度遞減排列， 獲得與該專利關(guān)鍵詞組合相似度最高的前１５％個專利， 以其相似度得分的平均值作為Ｘ２ 的值。根據(jù)付振康等［７］ 和張彪等［１１］ 的研究， 技術(shù)覆蓋范圍可由ＩＰＣ 小類的個數(shù)（Ｘ３）來反映， 技術(shù)投入可由發(fā)明人數(shù)量（Ｘ４）反映。綜合宋凱等［８］ 和王思培等［３７］ 提出的專利價值評估指標， 專利權(quán)利維度主要由權(quán)利要求數(shù)（Ｘ５）來測度， 而市場前景維度則由簡單同族數(shù)量（Ｘ６）測度。

在對各項指標進行測度后， 采用Ｃｒｉｔｉｃ 賦權(quán)法確定指標權(quán)重。Ｃｒｉｔｉｃ 賦權(quán)法利用指標間的沖突性和信息量大小來確定指標權(quán)重值， 是一種利用數(shù)據(jù)自身的客觀屬性進行科學(xué)評價的方法。最后將專利價值得分降序排列， 選取高于平均值的專利作為高價值專利。

在構(gòu)建了此套高價值專利識別的指標體系之后，為了驗證其合理性、科學(xué)性和適用性， 首先邀請科學(xué)評價領(lǐng)域的兩名專家對指標本身進行定性評估；其次， 由于本研究對評價指標的優(yōu)化主要體現(xiàn)在專利技術(shù)主題新穎性的測度上， 為了驗證該方法相較于根據(jù)時間遠近評價的方法更為合理， 隨機選取了腦機接口領(lǐng)域若干篇專利文獻， 利用該方法計算反映主題新穎性的兩項指標值， 即上述的Ｘ１ 和Ｘ２，結(jié)果發(fā)現(xiàn)有部分近些年（２０２０ 年以后）申請的專利新穎性并不高， 如“基于腦機接口的設(shè)備控制方法、裝置ＸＸＸ” “一種ＸＸＸ 的半侵入式腦機接口模塊”。經(jīng)領(lǐng)域?qū)＜遗袛噙@些專利技術(shù)的新穎性的確相對較低， 若僅用時間遠近判斷并不合理， 由此也驗證了本研究所提方法的優(yōu)越性； 最后， 將所設(shè)計的整套指標體系分別用于腦機接口和教育機器人領(lǐng)域的高價值專利識別， 并由各自領(lǐng)域的專家對篩選出的高價值專利文獻進行了評估， 結(jié)果較好。

２.３ 高價值專利知識圖譜構(gòu)建

以高價值專利的摘要作為知識圖譜構(gòu)建的語料。首先， 需要對摘要文本進行分析， 歸納出實體及關(guān)系類型。此過程主要依據(jù)已有研究中關(guān)于專利特征的總結(jié)以及專利摘要構(gòu)成要素的概括， 并根據(jù)特定領(lǐng)域?qū)＠墨I自身的特點進行設(shè)計； 其次， 知識圖譜構(gòu)建最重要的就是知識抽取環(huán)節(jié)， 針對非結(jié)構(gòu)化文本的知識抽取一般涉及實體識別與關(guān)系抽取。本研究將采用ＣａｓＲｅｌ 聯(lián)合抽取模型同時進行以上兩種抽取任務(wù)。ＣａｓＲｅｌ 聯(lián)合抽取模型是吉林大學(xué)人工智能學(xué)院的Ｗｅｉ Ｚ Ｐ 等［４２］ 提出的模型， 主要解決三元組重疊的問題， 即一個句子中的多個三元組共用同一實體。該模型的本質(zhì)是基于參數(shù)共享的聯(lián)合實體關(guān)系抽取方法， 一般又被稱為層疊指針網(wǎng)絡(luò)。模型架構(gòu)如圖２ 所示， 包括編碼端和解碼端， 其中編碼端是基于ＢＥＲＴ 的編碼層， 解碼端包括頭實體識別層和關(guān)系與尾實體聯(lián)合識別層。在進行實體關(guān)系聯(lián)合抽取時主要涉及兩個步驟： 一是對句子中所有可能的主語進行識別； 二是在每個關(guān)系類別下再去抽取與主語（即頭實體）對應(yīng)的尾實體。鑒于本研究所涉及的專利文本涵蓋復(fù)雜的語義關(guān)系， 存在較多三元組重疊的問題， 選用ＣａｓＲｅｌ 聯(lián)合抽取模型較為合適。確定采用的知識抽取模型之后， 對專利摘要進行分句， 提取部分語料進行人工標注與訓(xùn)練， 并利用訓(xùn)練好的模型對未標注的語料進行三元組抽取。在完成知識抽取工作以后， 參照領(lǐng)域?qū)I(yè)詞典進行實體對齊、消歧與知識融合。最后， 利用Ｐｙｔｈｏｎ 中的Ｐａｎｄａｓ、Ｐｙ２ｎｅｏ 等工具包將所有的實體關(guān)系數(shù)據(jù)導(dǎo)入至Ｎｅｏ４ｊ 圖數(shù)據(jù)庫中， 形成高價值專利知識圖譜。

２.４ 高價值專利的技術(shù)創(chuàng)新演化分析

高價值專利的技術(shù)創(chuàng)新演化分析基于所構(gòu)建的知識圖譜。首先需要確定技術(shù)創(chuàng)新演化分析的維度，鑒于知識圖譜對高價值專利進行了更加細粒度的揭示， 涵蓋技術(shù)的多個方面（如應(yīng)用領(lǐng)域、性能優(yōu)勢、方法基礎(chǔ)等）。因此， 技術(shù)創(chuàng)新演化分析的維度可根據(jù)知識圖譜中涉及的各個實體及關(guān)系類型確定，同時也可涉及粗粒度的主題分析； 其次， 在每個分析維度下， 提取不同時間段的高價值專利文本子圖，總結(jié)每個階段的技術(shù)創(chuàng)新特征。進而揭示隨著時間推移， 在技術(shù)創(chuàng)新的各個維度上， 哪些內(nèi)容逐漸縮減， 哪些內(nèi)容被持續(xù)關(guān)注， 以及某個時間段新出現(xiàn)的內(nèi)容有哪些， 以便更加具體地反映高價值專利的技術(shù)創(chuàng)新演化態(tài)勢。基于知識圖譜而非簡單的技術(shù)實體識別來開展技術(shù)創(chuàng)新演化分析的優(yōu)勢在于： 專利摘要中的技術(shù)實體所屬類型依關(guān)系而定， 如一個系統(tǒng)設(shè)備或器件可能是專利本身也可能是專利的組件， 一種方法可能是發(fā)明專利本身也可能是專利所依賴的技術(shù)， 抽取三元組而非單個實體有助于明確區(qū)分這些技術(shù)實體。此外， 知識圖譜還可用于考察具有關(guān)聯(lián)關(guān)系的技術(shù)組合的演化現(xiàn)象。

３ 實證研究

３.１ 數(shù)據(jù)采集與預(yù)處理

選取“腦機接口” 領(lǐng)域的專利文獻作為分析樣本， 以ｉｎｃｏＰａｔ 全球?qū)＠麛?shù)據(jù)庫作為數(shù)據(jù)源。首先，參考已有相關(guān)研究制定檢索策略： ＴＩＡＢＣ＝（腦機接口ＯＲ 腦－機接口ＯＲ 腦機交互ＯＲ 腦－機交互ＯＲ神經(jīng)控制接口ＯＲ 直接神經(jīng)接口） ＯＲ （（“ｂｒａｉｎｃｏｍｐｕｔｅｒ” ＯＲ “ ｂｒａｉｎ － ｃｏｍｐｕｔｅｒ” ＯＲ “ ｂｒａｉｎ ｍａ?ｃｈｉｎｅ” ＯＲ “ｂｒａｉｎ－ｍａｃｈｉｎｅ” ＯＲ “ｎｅｕｒａｌ ｃｏｎｔｒｏｌ” ＯＲ“ｍｉｎｄ ｍａｃｈｉｎｅ” ＯＲ “ｄｉｒｅｃｔ ｎｅｕｒａｌ”） ＡＮＤ （ｉｎｔｅｒ?ｆａｃｅ? ＯＲ ｃｏｍｍｕｎｉｃａｔ?））， 專利類型限定為發(fā)明專利和實用新型專利， 檢索日期為２０２３ 年５ 月３ 日，共獲得相關(guān)專利文獻４ ０６０篇。之后將本研究所需的專利題名、摘要、ＩＰＣ 分類號、申請日、權(quán)利要求數(shù)、公開號等字段信息導(dǎo)出作為初始語料集。在數(shù)據(jù)預(yù)處理階段， 對數(shù)據(jù)進行清洗和去噪， 去除重復(fù)專利。少數(shù)專利的摘要字段缺失， 對此采用簡單同族專利的摘要替代， 并利用翻譯軟件對部分僅有外文摘要的專利進行處理， 統(tǒng)一為中文摘要。經(jīng)過預(yù)處理之后共獲得３ ９２７篇專利文獻， 以此作為最終的語料集。

形成語料集后， 因分詞處理需要加載專業(yè)領(lǐng)域詞典， 但目前并沒有“腦機接口” 領(lǐng)域的專門詞典?！澳X機接口” 具有交叉學(xué)科研究的特性， 涉及生物醫(yī)學(xué)工程、電子、材料、信息技術(shù)等多個學(xué)科。因此， 本研究獲取了“腦機接口” 研究論文中的關(guān)鍵詞， 結(jié)合神經(jīng)病學(xué)、人工智能以及微電子等領(lǐng)域的現(xiàn)有詞典， 人工構(gòu)建了“腦機接口” 領(lǐng)域詞典，共包括５ ５８６個詞。

３.２ “腦機接口”領(lǐng)域高價值專利識別

３.２.１ 技術(shù)主題新穎性指標測度

根據(jù)本研究設(shè)計的高價值專利評估指標體系，專利技術(shù)主題新穎性需要計算關(guān)鍵詞的早期出現(xiàn)率與關(guān)鍵詞相似度。由于專利文本缺少作者標注的關(guān)鍵詞集， 本文采用ＫｅｙＢＥＲＴ 模型從標題和摘要中進行提取。ＫｅｙＢＥＲＴ 是一種易用的關(guān)鍵詞提取模型， 原理是利用ＢＥＲＴ 嵌入來創(chuàng)建與文檔最為相似的關(guān)鍵短語。在關(guān)鍵詞提取過程中， 將專利的標題和摘要拼接為ＴＩＡＢ 字段， 利用加載了自定義詞典的Ｊｉｅｂａ 進行分詞處理， 詞嵌入模型選擇“ｐａｒａ?ｐｈｒａｓｅ－ｍｕｌｔｉｌｉｎｇｕａｌ－ＭｉｎｉＬＭ－Ｌ１２－ｖ２”， 超參數(shù)設(shè)置為ｕｓｅ＿ｍｍｒ＝Ｔｒｕｅ， ｄｉｖｅｒｓｉｔｙ＝０ ４， ｔｏｐ＿ｎ＝ ６， 即每個專利抽?。?個關(guān)鍵詞， 抽取結(jié)果示例如表１。提取關(guān)鍵詞之后， 按照式（１） 計算指標Ｘ１（關(guān)鍵詞早期出現(xiàn)頻率）的得分值。指標Ｘ２ 采用余弦相似度計算， 詞向量模型同上。需要特別說明的是， 本研究對技術(shù)主題新穎性的度量是與先前專利對比實現(xiàn)的， 而獲取的專利數(shù)據(jù)集最早年份為１９８６ 年，最早的專利沒有對比項， 鑒于２００３ 年以前的專利數(shù)不足３０ 篇， 因此在進行專利價值評估時僅計算２００３年以后的專利。

３.２.２ 專利價值綜合評估

除技術(shù)主題新穎性指標以外， 技術(shù)覆蓋范圍、技術(shù)投入、專利權(quán)利和市場前景維度的指標均可從ｉｎｃｏＰａｔ 數(shù)據(jù)庫中直接獲取。之后， 利用Ｃｒｉｔｉｃ 賦權(quán)法對６ 類指標進行加權(quán)， 在計算綜合得分時采用百分制。表２ 呈現(xiàn)了部分專利６ 個指標的初始分值和專利價值的綜合得分。按照綜合得分值降序排列，篩選出高于平均值的專利， 即高價值專利共２ ５００個。

３.３ “腦機接口”領(lǐng)域高價值專利知識圖譜構(gòu)建

３.３.１ 確定實體及關(guān)系類型

有研究總結(jié)了專利摘要包括的一般內(nèi)容， 主要有技術(shù)的新穎性、技術(shù)功效、用途、詳細描述等，涉及對技術(shù)結(jié)構(gòu)、應(yīng)用領(lǐng)域、性能提升情況、關(guān)鍵組成部件等技術(shù)特征的概括說明［４３－４４］ 。本研究以此作為依據(jù)， 結(jié)合“腦機接口” 領(lǐng)域?qū)＠猩婕暗膶I(yè)術(shù)語及語義關(guān)系對需要抽取的實體與關(guān)系類型進行定義， 考慮到后續(xù)技術(shù)創(chuàng)新演化分析需要時間要素， 因此將專利申請年作為了實體類型之一。共歸納出１２ 類實體和１２ 類關(guān)系， 具體如表３ 所示。這些實體及關(guān)系類型是“腦機接口” 領(lǐng)域的專利摘要中普遍存在的， 而非所有的。

３.３.２ 數(shù)據(jù)標注與知識抽取

訓(xùn)練ＣａｓＲｅｌ 深度學(xué)習(xí)模型需要先對原始的部分數(shù)據(jù)進行標注， 利用訓(xùn)練好的模型抽取未標注數(shù)據(jù)中的實體及關(guān)系。本研究在識別出２ ５００篇高價值專利之后， 對其摘要進行分句， 清洗重復(fù)句后共獲得２８ ９００多條句子。從中選?。?０００條數(shù)據(jù)進行人工標注， 標注工作由１ 名情報學(xué)博士生和１ 名醫(yī)學(xué)信息學(xué)博士生完成， 之后邀請領(lǐng)域?qū)＜液藢?。需要特殊說明的是， 實體關(guān)系類型“專利本身—申請于—申請年” 不需要預(yù)先標注和抽取， 因為申請年字段可從專利數(shù)據(jù)庫中直接導(dǎo)出。最后， 人工標注的數(shù)據(jù)以Ｊｓｏｎ 格式存儲， 具體如表４ 所示。

模型訓(xùn)練的實驗環(huán)境配置為： 在Ｇｏｏｇｌｅ Ｃｏｌａｂ平臺上配置Ｔｏｒｃｈ２ ０ １＋ｃｕ１１８、Ｔｅｎｓｏｒｆｌｏｗ４ １８ ０、ｆａｓｔＮＬＰ０ ７、Ｐｙｔｈｏｎ３ １０ 環(huán)境。訓(xùn)練時， 將標注好的數(shù)據(jù)以６ ∶２ ∶２ 的比例劃分為訓(xùn)練集、驗證集和測試集， 實驗參數(shù)設(shè)置為： ｍａｘ＿ｅｐｏｃｈ ＝ ５０、ｂａｔｃｈ＿ｓｉｚｅ＝４、ｌｅａｒｎｉｎｇ＿ｒａｔｅ＝ １ｅ－５、ｍａｘ＿ｌｅｎ ＝ ２００。模型訓(xùn)練的最優(yōu)結(jié)果為Ｆ１ 值達到０ ８１、準確率為０ ８１、召回率為０ ８０。最后， 用訓(xùn)練好的模型抽取未標注的句子中的三元組， 并進行人工校對。

３.３.３ 知識融合與存儲

利用ＣａｓＲｅｌ 深度學(xué)習(xí)模型抽取完三元組之后，需要對實體進行對齊， 參考專業(yè)詞典將同一實體的多種表述（如“ＥＥＧ 信號” 與“腦電信號”）進行統(tǒng)一?；诒恚?定義的實體關(guān)系類型， 共獲得１０ ３５８個三元組。之后， 將融合后的三元組存儲到Ｎｅｏ４ｊ圖數(shù)據(jù)庫中。需要特殊說明的是， “專利本身” 這個類型的實體指代的是整個專利， 從句子中抽取三元組時， 該實體一般為“本發(fā)明” “本申請” “本實用新型” 等。如果直接導(dǎo)入圖數(shù)據(jù)庫會導(dǎo)致無法區(qū)分每個專利， 如果用標題和摘要作為節(jié)點內(nèi)容過長， 因此這里采用序號指代不同的專利。圖３ 是所構(gòu)建的高價值專利知識圖譜的局部示意圖。

３.４ “腦機接口”領(lǐng)域高價值專利的技術(shù)創(chuàng)新演化

本研究識別出的“腦機接口” 領(lǐng)域高價值專利的申請年分布在２００３—２０２３ 年。腦機接口技術(shù)形成于２０ 世紀７０ 年代， １９９９ 年和２００２ 年兩次ＢＣＩ 國際會議為腦機接口技術(shù)的發(fā)展指明了方向。２０００ 年以后腦機接口進入技術(shù)爆發(fā)階段， ２１ 世紀前十年發(fā)展成為一個研究領(lǐng)域， 涌現(xiàn)出多種新型的腦機接口實驗范式。２０１０ 年以后腦機接口研究的規(guī)模急劇擴大并滲透至其他領(lǐng)域［４５］ 。２０１６ 年該領(lǐng)域又取得了幾項重大突破， 出現(xiàn)了第一個有觸覺的可靈活控制機械手臂的人腦控機器人［４６］ ， 癱瘓患者用ＢＣＩ＋ＶＲ 實現(xiàn)行走［４７］ ， 腦機接口技術(shù)迎來新的發(fā)展高潮。根據(jù)其發(fā)展歷程及關(guān)鍵轉(zhuǎn)折點， 在技術(shù)創(chuàng)新演化分析時劃分為３ 個階段， 分別是２００３—２００９年、２０１０—２０１６ 年、２０１７—２０２３ 年。技術(shù)創(chuàng)新演化分析的維度從粗粒度到細粒度， 包括主題維度、專利本質(zhì)維度、應(yīng)用領(lǐng)域維度、方法／ 技術(shù)維度、解決問題維度以及其他維度（性能優(yōu)勢、硬件（組件）維度等）。

３.４.１ “腦機接口” 領(lǐng)域高價值專利的“技術(shù)主題” 創(chuàng)新演化

在構(gòu)建的“腦機接口” 領(lǐng)域高價值專利知識圖譜中， 序號指代的是專利本身。針對專利本身可以先從粗粒度的技術(shù)主題角度分析演化趨勢。本研究利用Ｂｅｒｔｏｐｉｃ 主題模型， 基于高價值專利的標題和摘要對３ 個時間段的專利主題進行識別， 并利用余弦相似度計算相鄰時間段的主題間的相似度， 繪制技術(shù)主題演化的?；鶊D， 如圖４ 所示。該圖中，相鄰主題間連線越粗， 主題相似度越高。從圖中可以看出， 隨著時間的推移“腦機接口” 領(lǐng)域的技術(shù)主題越來越多樣化。而關(guān)于“腦機接口改進與優(yōu)化” “腦電信號處理方法” “腦機接口在輔助運動與康復(fù)中的應(yīng)用” “用戶神經(jīng)狀態(tài)監(jiān)測” 等的研發(fā)始終是領(lǐng)域關(guān)注的重點。在２０１０ 年以前腦機接口領(lǐng)域重點關(guān)注基礎(chǔ)原理以及技術(shù)框架研究， 集中于腦機接口裝置和腦波信號基本處理技術(shù)等主題。２０１０—２０１６ 年間， 技術(shù)研究更加深入并逐漸開始涉及臨床應(yīng)用， 腦機接口系統(tǒng)優(yōu)化、腦機接口技術(shù)在診療與康復(fù)干預(yù)中的應(yīng)用， 以及對多類腦電信號的深度處理等主題成為重點。２０１７ 年以來， 人工智能、虛擬現(xiàn)實、增強現(xiàn)實等技術(shù)的發(fā)展為腦機接口技術(shù)的進步注入了新的動能， 基于機器學(xué)習(xí)、智能算法、無人機、ＶＲ 等的腦機接口技術(shù)研發(fā)、實際應(yīng)用與產(chǎn)業(yè)化等相關(guān)主題的研究激增， 主題更加多樣化并呈現(xiàn)跨領(lǐng)域特性， 如腦機接口與無人機設(shè)備的結(jié)合、腦信號用于認知任務(wù)等。

３.４.２ “腦機接口” 領(lǐng)域高價值專利的“專利本質(zhì)” 創(chuàng)新演化

本研究中的“專利本質(zhì)” 是指專利的實質(zhì)，具體體現(xiàn)為系統(tǒng)、方法或裝置。該維度的技術(shù)創(chuàng)新演化分析主要是為了了解在不同階段“腦機接口”領(lǐng)域研發(fā)的重點對象是什么， 隨著時間推移呈現(xiàn)何種發(fā)展態(tài)勢。分析過程中， 利用ｎｅｏ４ｊ 的查詢語言進行條件查詢。比如， 構(gòu)建查詢語句： ｍａｔｃｈ（ｎ：‘專利序號） －［ｒ：‘申請于］ －＞（ｐ：‘申請年），（ｎ）－［ｓ：‘是］ －＞（ｍ：‘系統(tǒng)／ 方法／ 裝置） ｗｈｅｒｅｐ．ｎａｍｅ ＝ ‘２０１０ ｏｒ ｐ．ｎａｍｅ ＝ ‘２０１１ ｏｒ ｐ．ｎａｍｅ ＝‘２０１２ ｏｒ ｐ．ｎａｍｅ＝‘２０１３ ｏｒ ｐ．ｎａｍｅ＝‘２０１４ ｏｒ ｐ．ｎａｍｅ＝‘２０１５ ｏｒ ｐ．ｎａｍｅ＝‘２０１６ ｒｅｔｕｒｎ ｎ，ｓ，ｍ， 可獲取第二個階段專利本質(zhì)的實體及關(guān)系， 圖５ 為局部示意圖。

在知識圖譜中檢索３ 個階段的“系統(tǒng)／ 方法／裝置” 類型的實體之后， 分別進行人工歸納， 總結(jié)出每個時間段主要的“專利本質(zhì)”， 演化路線如圖６ 所示。從圖６ 可以看出， ２０１０ 年以前“腦機接口” 領(lǐng)域的研發(fā)重點是腦機接口的裝置、控制系統(tǒng)與方法、腦波信號檢測和處理的系統(tǒng)與方法；隨著各項技術(shù)的發(fā)展， 研發(fā)對象趨向多樣化和細分化， 腦機接口系統(tǒng)的類型逐漸增多， 且不僅局限于腦機接口系統(tǒng)本身的開發(fā)， 還涉及應(yīng)用腦機接口技術(shù)的各領(lǐng)域系統(tǒng)的研發(fā)， 如智能家居的控制系統(tǒng)。近年來， “腦機接口” 領(lǐng)域的研發(fā)對象更是拓展至無人機模擬訓(xùn)練系統(tǒng)、車輛控制方法和系統(tǒng)等。從方法研究來看， 早期注重對腦機接口控制和實現(xiàn)方法的探索， 之后越來越側(cè)重于腦機接口的應(yīng)用與優(yōu)化方法。

３.４.３ “腦機接口” 領(lǐng)域高價值專利的“應(yīng)用領(lǐng)域” 創(chuàng)新演化

基于所構(gòu)建的知識圖譜， 可通過條件查詢分別獲?。?個階段的“專利本身—應(yīng)用于—應(yīng)用領(lǐng)域”三元組。比如， 構(gòu)建查詢： ｍａｔｃｈ（ｎ：‘專利序號）－［ｒ：‘申請于］ －＞（ｐ：‘申請年），（ｎ） －［ｓ：‘應(yīng)用于］－＞（ｍ：‘應(yīng)用領(lǐng)域） ｗｈｅｒｅ ｐ．ｎａｍｅ＝‘２０１７ ｏｒｐ．ｎａｍｅ ＝ ‘２０１８ ｏｒ ｐ．ｎａｍｅ ＝ ‘２０１９ ｏｒ ｐ．ｎａｍｅ ＝‘２０２０ ｏｒ ｐ．ｎａｍｅ＝‘２０２１ ｏｒ ｐ．ｎａｍｅ＝‘２０２２ ｏｒ ｐ．ｎａｍｅ＝‘２０２３ ｒｅｔｕｒｎ ｎ，ｓ，ｍ， 返回結(jié)果（局部）如圖７所示。

在獲?。?個階段“應(yīng)用領(lǐng)域” 類型的實體之后， 分別進行分類、歸納， 總結(jié)出每個時間段腦機接口技術(shù)的主要應(yīng)用領(lǐng)域， 結(jié)果如表５ 所示。

從表５ 可以看出， “腦機接口” 技術(shù)的應(yīng)用范圍不斷擴大， 從前期主要用于醫(yī)療領(lǐng)域的患者狀態(tài)檢測、康復(fù)訓(xùn)練、輔助交流， 到中期用于外部設(shè)備控制、娛樂和輔助睡眠、交通領(lǐng)域等生活場景中，再到近年來延伸至航空航天模擬訓(xùn)練、教育、科研、ＡＲ／ ＶＲ 設(shè)備應(yīng)用等更廣泛的領(lǐng)域中。說明“腦機接口” 作為前沿科技交叉融合領(lǐng)域， 應(yīng)用前景非常廣闊。

３.４.４ “腦機接口” 領(lǐng)域高價值專利其他維度的創(chuàng)新演化

將“腦機接口” 領(lǐng)域高價值專利在“方法／技術(shù)” “解決問題” “性能／優(yōu)勢” “組件” 等維度的技術(shù)創(chuàng)新演化總結(jié)為圖８。從“方法／技術(shù)” 維度來看， 主要呈現(xiàn)“傳統(tǒng)生物信號處理方法—機器學(xué)習(xí)方法與虛擬現(xiàn)實技術(shù)—深度學(xué)習(xí)方法與增強現(xiàn)實及混合現(xiàn)實技術(shù)” 的發(fā)展趨勢； 從“方法／ 技術(shù)—處理—生物信號” 關(guān)系類型來看， 隨著技術(shù)方法種類的增多和智能化， 所處理的生物信號更加精細和多樣， 如瞬態(tài)ＥＥＧ 信號、多通道運動想象腦電信號、腦電肌電雙模態(tài)信號等； 從“解決問題” 維度來看， 前期較為關(guān)注功能性問題， 到后來重視技術(shù)問題、效果和效率問題， 而近年來“人機交互體驗” 問題逐漸成為重點； 從“性能／ 優(yōu)勢” 維度來看， 簡單、可靠、方便使用一直是專利研發(fā)追求的目標， 中期開始從使用者角度改進腦機接口的性能（比如減少受試者疲勞）， 近年來又逐漸兼顧醫(yī)護人員的體驗， 以及除了功能和操作性能以外的趣味性， 逐漸體現(xiàn)人文關(guān)懷的特點； 從組件構(gòu)成來看，設(shè)備更加多樣化、便攜化， 除了腦電采集設(shè)備以外，越來越多地涉及一些外控外聯(lián)設(shè)備。

４ 研究結(jié)論

本研究以“腦機接口” 領(lǐng)域的專利文獻為例，構(gòu)建了反映專利價值的多維指標體系以識別高價值專利， 進而構(gòu)建“腦機接口” 領(lǐng)域的高價值專利知識圖譜， 在此基礎(chǔ)上從技術(shù)主題、本質(zhì)、應(yīng)用領(lǐng)域、方法、解決問題、性能優(yōu)勢、組件等維度分析了技術(shù)創(chuàng)新演化態(tài)勢。研究主要得出以下結(jié)論：

設(shè)計的高價值專利篩選指標具有側(cè)重性與合理性， 通過實證檢驗與專家評價驗證了技術(shù)新穎性指標計算方法的優(yōu)越性以及整套評價指標體系的可用性， 使后續(xù)的高價值專利技術(shù)創(chuàng)新演化分析具有可靠性。

知識圖譜能夠深度、直觀、細粒度地揭示專利文獻中的技術(shù)特征， 從而為技術(shù)創(chuàng)新演化分析提供了更多維的視角， 使得分析的層次更加深入， 有助于為研發(fā)者、政策制定者、科技戰(zhàn)略制定者提供更具體的參考。

基于研究結(jié)論， 本文提出以下建議： 在現(xiàn)有的專利數(shù)據(jù)庫中， 參考本研究設(shè)計的高價值專利評估體系及知識圖譜構(gòu)建方法， 嵌入高價值專利自動識別、知識問答和創(chuàng)新情報推送的功能模塊。一方面，提供基于知識圖譜的智能檢索或問答服務(wù)， 根據(jù)用戶需求為其返回各個時期特定領(lǐng)域的高價值專利；另一方面， 基于知識圖譜為用戶提供多維度的技術(shù)創(chuàng)新演化、專利技術(shù)的對比分析、創(chuàng)新情報咨詢等各項服務(wù)。

本文的創(chuàng)新之處與研究貢獻主要體現(xiàn)如下： 首先在高價值專利識別的指標設(shè)計中， 提出了一種測度專利技術(shù)主題新穎性的新方法， 并與反映專利市場價值和法律價值的其他指標進行組合， 形成了多維度的評估指標體系； 其次， 利用知識圖譜提供了更加精細的、多點的、具體的專利技術(shù)創(chuàng)新演化分析視角， 而非局限于粗粒度的主題分析， 能夠為研究者提供更加豐富的參考。本研究存在的不足主要體現(xiàn)在： 用于識別高價值專利的指標仍有補充的空間， 并且僅采用了一個領(lǐng)域的專利文獻進行實驗，數(shù)據(jù)的范圍和規(guī)模都有待擴展。未來將進一步豐富高價值專利篩選的指標體系， 選取更多領(lǐng)域、更大規(guī)模的數(shù)據(jù)進行分析， 使該方法具有更廣泛的適用性。

（責(zé)任編輯： 郭沫含）