周 磊，王婧怡，黄彩云，余玲珑

基于机器学习的高质量专利特征组合挖掘

周 磊a，王婧怡a，黄彩云b，余玲珑a

(武汉纺织大学 a. 会计学院，b. 管理学院，湖北 武汉 430200）

挖掘高质量专利的特征组合有助于揭示专利价值形成机制，进而引导专利质量整体提升。以中国专利奖获奖发明专利为样本集，从技术质量、法律质量和经济质量等指标建立高质量专利评价指标体系，进而利用决策树模型抽取出9条区分金奖发明和优秀发明的知识规则。发现法律质量是高质量专利的第一要素，高权利项可作为识别金奖发明的唯一特征；较高的权利项与专利族、被引频次的组合可以识别金奖发明；权利项偏低时，专利需满足多个技术质量指标阈值才能认定为金奖发明。

专利质量；机器学习；决策树；专利权利项；中国专利奖

当前，中国国家知识产权局年均受理专利申请量位于全球首位，但专利“大而不强，多而不优”的整体态势并未完全扭转。本文将以中国专利奖授予的金奖发明为目标集，利用机器学习模型挖掘其指标特征以揭示高质量专利的价值形成机制，为监督式学习分类器提供多元化的高质量专利筛选标准，为提升我国专利知识产权总体质量提供参考建议。

1 国内外文献综述

1.1 专利质量评价指标研究

主流观点将专利质量分为三个构面：技术质量、法律质量和经济质量。技术质量重点反映专利的技术新颖性和创造性，主要指标包括：基于专利引用关系的专利被引频次、技术循环周期（TCT）、专利权人的H指数、技术原创性与多样性[1, 2]；……