面向深度分析的领域专利信息特色资源服务平台建

2010年第7期（总第74期）特别关注□桂婕乔晓东朱礼军张兆锋李鹏/中国科学技术信息研究所北京100038面向深度分析的领域专利信息特色资源服务平台建设*1引言研究表明，在几大科技知识资源（主要包括专著、专利、科技论文和技术报告等）中，新知识含量最高的是专利[1]。同时，专利文献是集技术信息、经济信息、法律信息于一体的最重要的情报源之一，对于技术创新管理具有重要意义。近年来情报学和管理学研究领域都将其视为重要的研究数据来源，专利信息分析已成为一种重要的研究手段，为科研管理、技术研发等提供重要的决策信息支持。在这种日益高涨的应用需要驱动下，相关专利信息分析工具的研究及分析系统的研制开发成为当前科技信息服务业的热点。比较分析国内外主要专利信息分析系统，国外专利信摘要：专利信息是集技术、经济、法律信息于一体的重要情报分析数据来源，也是支持技术创新管理的重要决策依据。但目前，面向科技领域专利深度分析过程中存在着信息整合程度低、深层信息揭示力度小、先进IT技术方法应用不足而不能快速响应决策支持等问题。基于此，文章提出了以重点科技领域战略研究为服务目标、建设面向深度分析的领域专利信息特色资源服务平台的研究思路，并介绍了该平台实现的流程与方法。关键词：专利信息，专利资源服务平台，科技决策支持DOI：10.3772/j.issn.1673—2286.2010.07.008息分析系统主要包括TDA[2]、AUREKA[2]、Delphion[3]、INAS[4]、VantagePoint[5]、Focust[6]、STNAnaVist[7]、M-CAMDOORS[8]、OmniViz[9]等。上述专利信息分析系统的主要特点为：处理数据对象为英文专利，其中大多数都与特定专利数据库绑定，并可提供专利数据的检索、基本清洗和二维、三维图表的统计展示、引文分析、文本聚类、关联共现分析、专利地图等功能。国内专利信息分析系统主要包括中国知识产权信息中心[10]、恒和顿[11]、大为[12]、东方灵盾[13]等机构的专利信息分析系统，国内专利分析系统的处理对象包括了中英文专利，提供的分析指标偏重专利著录项数据的定量分析及二维、三维图表的统计，但其处理深度文本分析的能力落后于国外专利分析系统[14]。本文作者在重点领域科技监测研究的开展过程中发现，面向管理决策的科技领域专利分析具有数据量大、数据清洗准确率要求高、定量分析与文本内容分析整合、分析指标个性化多样化等特点，而现有专利分析系统在数据筛选、清洗、分析等功能模块上，其质量、效率及灵活性等方面还无法完全满足深度领域专利分析工作的开展，需要大量人工干预且耗费时间长。基于此，本文提出了建设“面向深度分析的领域专利信息特色资源服务平台”（以下简称专利特色资源服务平台）的研究工作思路，在选定专利数据库来源的基础上，通过整合专利数据的下载与抽取、专利权人清洗、基本专利指标分析、专利文本知识抽取、面向分析*本文得到国家科技部“十一五”科技支撑计划（项目编号：2006BAH03B03）、中国科学技术信息研究所重点工作项目（项目编号：2009KP01-7-1）、中国科学技术信息研究所预研基金项目“领域专利知识组织实现的关键问题研究”等项目的资助。35期（总第74期）特别关注的数据检索与导出等功能模块，开发建设面向领域专利分析、灵活易用的在线专利信息服务平台。2专利特色资源服务平台总体设计2.1平台系统架构设计[15-17]专利特色资源服务平台的设计从两个方面着手：一是数据层构建，二是涵盖了数据获取、数据存储与处理和数据分析的工作流程的技术实现。2.1.1数据层构建按照专利特色资源服务平台建设中数据获取、数据存储与处理和数据分析的工作流程，数据层的建设也相应分为三个层次，数据层的设计如图1所示。行存储与管理，在应用阶段进行改造和重复使用数据仓库中的各种粒度的数据。平台设计重点侧重于数据仓库的结构设计及异构数据的融合。（3）数据应用层：数据应用层以表现数据特征为基础，以特定专利分析应用触发相应工具的开发，并驱动对数据仓库中数据的抽取与利用。应用包括数据检索、指标分析和可视化展示等三大模块，对应每个模块对数据需求的不同特点，开发对应的专利聚类、趋势图、矩阵图、关联图谱等工具。2.1.2基于专利分析流程的平台架构设计[18-20]基于专利分析流程的平台架构设计如图2。平台架构包括了数据获取、数据处理与转换和指标分析与展示等三部分。（1）数据获取数据获取有网络专利信息下载和本地数据导入两种方式。①网络专利信息下载。通过集合专家意见和参考主题词表制定该领域专利数据检索策略，存入领域检索表中。启动平台上的下载程序，可自动通过爬取网页的方式获得网络专利数据，抽取后存入原始数据库。下载引擎可以自动设定爬虫程序定期去网站下载更新的数据，保证了系统数据的及时更新。此种方式优点是可以获得免费数据，但受到速度和下载条数的限制。②本地数据导入。对于已经购买了定制专利数据库的使用者，可以通过数据导入程序直接将购买的本地数据导入系统。此种方法优点是速度快，缺点是需要人工更新及图1专利特色资源服务平台数据层设计原始数据层信源的发现与获取专利文献专利引文专利交易法律状态其他数据仓库层数据应用层数据仓库应用1工具1应用2工具2应用3工具3…………数据抽取（1）原始数据层：主要存储不同来源的数据，包括特定领域的专利文献数据（专利文献的外部著录项字段、文摘、权利要求项等），专利引文数据（主要是美国专利的引用与被引数据），专利交易的新闻报道与相关数据，专利的法律状态信息等。信源的发现与获取工作主要针对特定领域的专利信息获取需求，以各类专利数据库和网络科技新闻为数据的获取来源，使用数据自动捕获与下载的工具与技术将所需数据抓取到本地服务器上，并按一定规则进行数据清洗工作。其中，专利法律状态信息将考虑采取实时使用、实时获取的方式获得，确保法律状态信息的及时性。（2）数据仓库层：专利数据仓库的建设遵循保持数据事实的原则。经清洗规范后的各类数据按照应用需求以数据仓库的体系架构进362010年第7期（总第74期）特别关注耗费较多的人力。（2）数据处理与转换①数据处理。平台的数据处理以自动处理与人工处理相结合的方式进行。系统数据库内置有专利数据的清洗规则表和专利权人权威控制表。系统根据这两个表可自动对专利数据进行清洗，及对机构名称进行规范统一。同时，可人工对两个表进行添加修改等维护工作，使得对数据处理的准确度不断提高。处理后的数据存入深加工主题数据库。②数据转换。深加工主题数据库存储的是最小粒度的专利数据，基于此库可以生成面向指标分析和图形展示的专项库。如：专利权人库、专利指标库、IPC关联库、专利引用库和专利地图库。专项库支持各类指标分析的快速展示。同时，平台可也提供深加工主题数据库的数据导出功能，将需要的数据导出到Excel表中进行深入分析。（3）指标分析与展示针对生成的专项库生成各种类型的展示图，如柱状图、饼形图和折线图等；基于引文数据生成引用关系图；基于对专利数据的深度挖掘而生成专利地图。系统提供的友好界面可以对生成图的参数进行调整，以最大限度满足分析需求。2.2平台设计的“特色”定位本文的专利特色资源服务平台主要解决专利分析流程中的数据自动获取与处理、数据自动深度清洗、文本内容提取等功能的软件工具实现问题，最大限度地提高数据获取与分析工作的完成效率。平台设计的特色定位主要包括数据来源选择、数据拆分与清洗规范的制定及实现、基于专利著录项的指标分析与数据导出的集成和专利文摘知识抽取等。2.2.1数据来源选择区别于集成了数据源与分析工具的专利分析系统，本平台只提供面向选定数据来源的专利处理与分析工具。由于重点科技领域专利分析工作的数据分析对象一般为世界各国专利（以技术领先国家专利分析及与中国专利的对比分析研究为研究重点），综合考虑专利数据库的数据质量与检索功能的全面性，本平台选择了Derwent专利数据库、美国专利商标局（USPTO）专利数据库和中国知识产权局专利数据库等作为数据来源。其中，Derwent不仅收录了世界各国专利的英文版本，还单独建立了Derwent专利的应用领域分类、技术领域分类、机构代码表等，从检索功能上有效弥补了关键词检索和IPC分类号检索的不足；而美国USPTO专利数据库，因具有授权专利质量高、专利信息丰富（除专利文献数据外，还可获取美国专利的被引信息、缴费信息、法律状态信息等）等特点，一直是专利分析领域研究者的重要研究数据来源。2.2.2数据拆分与清洗规范的制定与实现图2基于专利分析流程的平台架构设计37期（总第74期）特别关注数据拆分与清洗质量的好坏直接影响分析结果的准确程度。因此，本平台在原始数据拆分设计上以数据粒度最小化为原则，使拆分后的数据可直接用于指标分析。同时，专门针对专利权人清洗设计开发了清洗规范及配套软件工具。在专利数据清洗过程中，除专利权人外，其他专利著录项信息都可通过软件工具实现自动的拆分与清洗，而专利权人的清洗则需要软件工具与人工参与的方式来完成。国外高质量专利数据库和领先专利分析系统都非常重视专利权人的清洗与规范工作。如Derwent专利数据库专门自建了专利权人机构代码表，每条专利都加入了机构代码信息；TDA、VantagePoint等都提供专利权人机构的清洗与合并功能。因此，本平台的专利权人自动清洗工具及辅助人工清洗工具也将是研究重点之一。2.2.3基于专利著录项的指标分析与数据导出的集成平台的分析功能设计上，除提供基本专利指标分析结果展示外，还将支持分析结果与原始分析数据链接的功能，使用户可将感兴趣的相关数据内容导出到本地进行深入分析，且此导出结果将包含未拆分的原始数据和拆分后的最小粒度数据两类。2.2.4专利文摘知识抽取[21,22]在专利文本分析领域，并没有专门明确定义专利知识抽取的内涵，而是将知识抽取过程中非结构化自由文本的知识内容获取的相关方法、技术融合于专利分类/聚类、文本挖掘、可视化、主题识别、趋势发现等各类研究中，专利文本的知识抽取研究是专利内容分析的重要基础。本文专利知识抽取研究将在分析专利结构特征与内容特征（领域特征、技术特征、功效特征）基础上，构建专利知识抽取模型，研究规则与统计相结合、多种方法集成的混合专利知识抽取技术，并将工具集成在平台上，为研究者开展专利分类/聚类、文本挖掘等研究提供工具支撑。3专利特色资源服务平台主要模块的实现3.1专利数据自动抽取在本文专利特色资源服务平台设计上，用户可选择Derwent、美国USPTO和中国SIPO等三类来源的专利数据进行领域专利分析工作。本文以Derwent专利数据为例，介绍平台专利数据自动抽取模块的实现。Derwent专利数据库提供了比较全面的检索功能，用户在Derwent数据库中检索得到所需领域专利后，可下载获取专利的著录项信息和摘要信息等，其网站上提供了三种数据下载格式，分别为html格式、纯文本格式和制表符分隔的格式。考虑机器抽取对象的易读性和数据完整性，本平台选择html格式的专利数据作为抽取处理对象。在技术实现上，数据自动抽取分为两个步骤：（1）采用基于正则表达式的抽取技术，从html格式的原始信息中提取专利的基本信息，形成基本信息表；（2）使用SQL存储过程，将基本信息表中的数据拆分为细粒度的分析数据表。3.2专利权人清洗专利权人主要被用来进行专利申请所属机构分析，如机构专利申请量排名、机构类型分布等，因此专利权人清洗的准确率对分析结果有着重要的影响，这也是专利数据处理中最为耗费人力的环节之一。本平台在制定专利权人清洗规则基础上，开发了自动专利权人清洗工具，以最大限度减轻人工清洗工作的强度。专利权人清洗分为两个步骤：（1）利用机构名称特征表，自动标注该机构的类型，类型如表1所示。其中，类型3、4、5的机构类型未完全明确，需要人工干预进行二