撰文：Richtofen

核心技术具备重要的技术和经济价值，是产业创新发展和维持核心竞争力的重要支撑。核心专利代表和承载着产业核心技术，对核心专利进行有效识别是掌握和发展核心技术的关键。通过分析核心专利，企业和相关研究人员可以获取某一行业或某一技术领域的技术发展态势和方向，为企业或整个行业的技术研发提供指导。所以在日益增长的专利数据面前，怎样准确、高效的识别出代表某一领域核心技术的专利具有重要的研究与现实意义。

目前，核心专利识别方法主要包括两种类型：第一种类型是面向专利结构化数据的核心专利识别方法，第二种类型是面向专利非结构化数据的核心专利识别方法。

01面向专利结构化数据的核心专利识别方法

在面向专利结构化数据的核心专利识别方法中，目前主要采用单一指标法，专利网络法和多指标体系法三种方法进行核心专利识别的研究。

单一指标法产生于核心专利识别研究的早期，人们对核心专利的识别多基于专利的权利要求项、专利权人数量、同族专利数、申请国家数量、被引次数和专利转让诉讼史等指标进行。这些方法没有考虑指标本身存在的滞后性或不足，因此存在较大的片面性。

多指标体系法是为克服单一指标测评核心专利存在的缺陷，采用指标组合或体系的方式进行专利质量评价。但是，由于不同技术领域指标选择的科学性、指标数据来源的普适性及指标数据值的可获性不同，再者权重赋值方案各执己见，所以该类方法的准确度和精准度欠佳。

专利网络法是将复杂网络研究方法引入到核心专利识别后产生的。例如，通过引用次数与引文网络对专利重要度进行排名，根据专利重要度的大小识别核心专利，或者将PageRank算法应用到专利引文网络之中对核心专利进行识别等。虽然专利网络已被证实为复杂网络，但网络节点和中心性计算等算法存在一定的弊端，再者仅凭专利间单一网络关系进行价值评价其方法的合理性、客观性和准确性都有待验证。

02面向专利非结构化数据的核心专利识别方法

采用专利文献中的非结构化数据进行核心专利识别研究，主要通过选择合适的文本特征表示方法，然后由传统机器学习模型来完成核心专利识别任务。例如，台湾朝阳科技大学的Hsiao-Chun Wu等人提出了一种基于专利文本相似性和K-means聚类算法的核心专利识别方法；江苏大学的袁润等利用专利地图和文本聚类图，构建了核心专利识别指标体系；南京理工大学王曰芬等从行为效果和动机目的两个角度入手，基于熵权法赋权和灰色关联分析法对核心专利进行识别。

通过以上分析可以看出，基于专利结构化数据的核心专利识别方法，忽视了专利文献中蕴含着丰富信息的非结构化数据。在传统的以专家意见法为基础的核心专利识别方法中，专家们判断一个专利是否为核心专利不仅仅依据专利文献中的结构化数据，非结构化数据的内容对于专家们最终的评判结果也起着至关重要的作用，因此传统的面向专利结构化数据的核心专利识别方法存在着研究对象信息缺失的问题，在可信度上存在一定的不足。因此一些学者开始研究面向非结构化数据的核心专利识别方法，随着计算机技术的发展，非结构化数据内容复杂、信息量庞大的问题得到了有效解决，学者们在研究采用非结构化数据进行核心专利识别方面取得了许多成果，但是仅采用非结构化数据进行核心专利识别同样存在着研究对象信息缺失的问题。

目前，人们已开始研究如何采用专利文献中的结构化数据与非结构化数据两部分内容共同对核心专利识别方法进行研究，目的是解决核心专利识别过程中研究对象存在的信息不足问题。目前面向专利结构化与非结构化数据的核心专利识别的研究方法主要采用人工智能算法，相比于传统的单一指标法、评价指标体系法和专利网络法，人工智能算法在识别核心专利方面具备能够处理大量数据，效率和准确率更高的优点。人工智能算法包含机器学习算法和深度学习算法，其中机器学习算法广泛应用于特征工程，机器学习的优点在于能够自动调节各因素权重并学习特征表示，有助于选择核心专利的关键特征；深度学习算法则是被证明可以应用在文本分类领域，优点是能够解决大规模文本分类问题，具备自动获取特征表达的能力，在实现文本分类的过程中省去了传统并繁杂的人工特征工程环节，适用于处理信息量庞大的专利文本数据。

综上所述，核心专利在技术创新过程中具有重要地位和作用，随着专利数量日益增多，传统的核心专利识别方法越来越难以在数量庞大的专利中识别出核心专利。而通过人工智能方法构建一种面向专利结构化与非结构化数据的核心专利识别模型，代替传统的专家意见法，实现在数量庞大的专利数据中对核心专利准确和高效的识别将成为人工智能技术在专利领域中重要应用场景。

行之，让知识更有价值