摘要

     发明专利作为知识产权的核心组成部分，在国际经济竞争中发挥着不可替代的作用。面对经济和社会对创新的快速增长的巨大需求，传统的发明专利申请、审核、答复、授权等环节的从人才到管理的持续快速质量改进和效率提升都面对更艰巨的挑战。本文从信息技术角度，借助所在课题组丰富的发明专利申请和答复的数据和经验积累，研究依托数据、信息、知识与智慧(DIKW)架构的发明专利智能申请与答复系统，为海南加快培育现代产业体系，实现跨域式发展提供信息化保障。

     首先，依托数据图谱、信息图谱、知识图谱和智慧图谱(DIKW图谱)构建申请人和审查员两方的用户画像，依据各个用户画像搭建内容数据库，根据用户内容数据库设计多维度体系化交互机制。其次，基于DIKW图谱架构的交互机制设计与实现发明专利智能申请与答复系统，依托和结合开发生命期软件工程全过程建模管理，面向发明专利申请到授权全过程处理，针对生命期内的发明专利，结合专利法、专利实施细则等相关专利法规，对申请人或代理人撰写的发明专利申请文档进行修正，使其符合相应的规则，并利用竞争及合作的智能填充算法实现专利的自动化申请。在答复过程中，根据答复意见并结合用户画像内容数据库，对内容进行重构，并提供具有针对性的修改意见及方案，实现发明专利的智能辅助答复。之后，提出正负双向索引算法得到更加精确的搜索结果以配合专利申请和答复，其中搜索结果的形式除了匹配查询关键字的链接，还能够基于专利技术内容的实体关系搜索答案。最后，本文还结合发明问题解决理论(TRIZ理论)中的冲突矩阵工具，通过DIKW图谱对技术方案进行分析，依据40项发明创造原理，得出可供申请专利或有应用前景的技术发明点，并以数据图谱可视化展示。

     综上所述，本文对DIKW图谱技术和发明专利申请及答复的结合进行了深入的研究，涉及了DIKW图谱的数据层、信息层和知识层实体的处理、多模态融合的语义处理以及TRIZ理论等内容。依据DIKW图谱技术提出了一种可应用于专利智能申请与答复的系统，基于经验性判断及仿真实验，将DIKW图谱技术应用于发明专利的研究是有效的。本项目的研究内容具有理论意义和应用价值，可将本文的研究技术推广应用到海南各个专利申请和处理的单位，加速专利申请过程，提升质量和通过率，为海南自贸港创新发展助力。

研究背景

      国际背景及意义：发明专利作为知识产权的核心组成部分，在国际经济竞争中发挥着不可替代的作用。专利战略已经成为企业经营战略与防御国外企业专利战攻击的核心，增强自主知识产权成为重要的国家战略措施。然而，我国绝大部分企业在知识产权保护方面重视程度较低，大多数原创技术得不到保护。在企业专利战上，经常被国外企业攻击，长期处于被动挨打的局面（付启明, 2010、姜军, 2015）。例如芯片等高端技术一直处于国外垄断的地步，在2020年4月份的国外新冠肺炎疫情爆发期间，美国通过对中国企业进行限制，尤其表现在对华为的“断芯”升级。因而如何应对国外技术垄断是我国面临的一大难题。

      国内背景及意义：国家知识产权局2021年1月27日公布的《知识产权统计简报》（国家知识产权局战略规划司, 2021）公布了以下数据：2020年1-11月，我国发明专利申请140.4万件，2020年一整年，我国授权的发明专利数量为53万件。从中我们可以看到相对于庞大的发明专利申请量，授权比例仅仅只有三成。中国是“专利大国”而不是“专利强国”的现状阻碍国民经济登上新的台阶（耿宁悦, 2019、刘垠, 2019）。近年来，国家在技术创新尤其是高端技术创新上不断加大投入，带来的是专利数量的飞速增长，而不是专利质量的提高。以高校为代表的单位不断鼓励科研技术人员申请专利，以提高其影响力，但这也滋生了许多的无效专利，白白浪费了国家的巨大投入。由于我国对知识产权保护的鼓励，极大地减少了专利申请的成本，导致我国高校的专利申请量占总申请量的比重远远大于美国的这一比重，而企业的申请量比重则远远低于美国，这带来了我国专利成果转化效率极低的痛点。有文章还指出，我国的科技成果转化率仅仅只有10%。这也意味着我国投入的绝大部分资金换来的成果都打了水漂。因此提高我国发明专利尤其是高价值专利的质量是一项艰巨而又必须完成的任务。

国内外研究现状

结合人工智能的发明创造活动视域分析

      发明专利作为科技创新和产业升级的产物，必然会随着技术的发展而发展。以发明专利为核心的知识产权已然受到人工智能技术的高速发展的冲击。在这种背景下，以创新为原始驱动力的产业随着人工智能的发展需要不断升级，以满足人们的需求（孔祥俊, 2019）。根据智能程度，人工智能可以分为增强智能与替代智能。其中，增强智能指的是研究人员利用人工智能强大的数据分析整理能力，辅助人类进行一系列创造活动，实现人机协作。而替代智能则是人工智能自行参与社会性活动和发明创造中去，不需要人类的任何参与和辅助。替代人工智能具有人的思维能力和人的推理判断能力，是强人工智能时代的特点之一。然而以目前的技术发展水平来看，人工智能还远未达到替代智能的程度。因此在这个弱人工智能时代，我们应该将增强智能作为主要视域，让人工智能在数据分析方面辅助人类进行发明创造活动。以实现有效缩短分析时长，促进分析成果转化和分析结论共享的效果（李想, 2020）。

智能化发明专利管理与检索

      在发明专利的管理以及检索方面，人工智能也同样发挥着重要作用。Trappey等人（Trappey et al., 2006）提出了一种基于ANN技术的发明专利申请文档的分类和检索系统，该系统能帮助公司更有效地管理专利文档。在与创新管理重叠的领域，Trappey等人（Trappey et al., 2012）帮助公司评估知识产权以及用于创新产品开发和发现最新技术趋势的专利文件的质量。通过反向传播神经网络并结合专利交易信息，可以根据专利质量对专利进行分类，准确度为85％。此外，Trappey等人（Trappey et al., 2013）提出了一种专利知识管理方法，该方法使用基于本体的人工神经网络算法自动对发明专利文档进行分类和搜索，从而刺激新产品开发创新以实现有效的协作管理（Chiang et al., 2011）。为了了解当前的技术变化以更好地预测技术变化的基础，Trappey等人（Trappey et al., 2017）开发一种发明专利分析方法，以探索生物增材制造领域的专利组合和专利发展，以用于决策支持和战略规划。在（Nutter et al., 2002）中，作者设计了一种发明专利评估方法和系统，该系统通过分析专利的可观察性、可缩放性、现有技术的可能性、未来的商业用途、调查困难、索赔强度、替代品的可用性和目前的商业用途，综合考虑专利的价值以分配许可度等级，从而允许公司以具有成本效益的方式确定获得大量专利或其他知识产权的许可的可能性的系统和方法。Wu等人（Wu et al., 2016）的工作表明了对专利质量的关注。他开发了一种自动专利质量分析和鉴定系统，该系统基于自组织图，内核主成分分析和支持向量机的组合。为了更好地将先验知识纳入渐进式创新中，Lu等人（Lu et al., 2009）使用混合最小-最大模块化(M3)和支持向量机分类器来提高日本专利的学习性能。此外，Hido等人（Hido et al., 2012）通过结合机器学习和文本挖掘方法来评估专利申请的质量，该方法可计算可专利性得分。可专利性评分给出专利申请被专利局批准的可能性。Lee等人（Lee et al., 2016）使用多个专利指标来检查技术在其生命周期中的进展。作者采用了隐马尔可夫模型来估计技术处于生命周期的某个阶段的可能性并确定模式。Kim和Lee（Kim et al., 2017）基于专利引用分析，依赖结构矩阵和神经网络分析，提出了一种多技术融合的预测方法，该方法可以规划未来技术组合的技术开发。预测专利申请的数量也是了解技术领域发展的重要因素。Zhang等人（Zhang et al., 2009）提出一种支持向量机的方法，以克服主要存在于专利中的稀疏性问题。Jun（Jun., 2016）基于支持向量聚类和Silhouette度量，使用降维和K-means聚类构建了一种组合聚类方法，通过专利分析实现技术预测。此外，Tenorio-González和Morales（Tenorio-González et al., 2018）描述了一个名为概念自动发现的系统，该系统将归纳逻辑编程技术与谓词发明相结合，并将强化学习与内在动机相结合，以发现新概念。此外，Vrochidis等人（Vrochidis et al., 2012）提出了一种在专利检索任务期间自动提取描述专利图像内容的概念信息以支持搜索者的方法。同样，Riedl等人（Riedl et al., 2016）提出了许多用于专利数字图形识别的算法。Aristodemou等人（Aristodemou et al., 2018、Aristodemou et al., 2017）为有关发明专利分析方法（例如人工智能方法，机器学习）使用的持续讨论做出了贡献和深度学习方法，以分析发明专利数据。NLP设计计算机和人类（自然）语言之间的相互作用，特别是对大型自然语言语料库的处理。它使用计算语言机制来表示在任何文档中找到的文本。NLP已用于带有书目耦合和文本挖掘的混合结构中，以在专利检索和分析平台中发现模式（Liu et al., 2011）。Yoon和Lim（Yoon et al., 2013）通过分析主观行动客体结构，搭建专利知识图谱，该图谱可以有效的预测专利竞争方向。Park等人（Park et al., 2013a）也利用主观行动客体结构，从专利文献中提取基于主观行动客体的智能专利分析，并对专利技术文档中的语言相似性进行可视化展示（Park et al., 2013b）。Choi等人（Choi et al., 2012）利用NLP开发技术，提取SAO结构，进行专利相似性检测。Park等人（Park et al., 2013a）通过使用SAO结构来表示技术组件之间存在的关系，计算语义相似性来检测侵权。此外，Gerken和Moehrle（Gerken et al., 2012）利用NLP通过句法分析来构建语义SAO结构，以识别专利中的新颖性。一些学者利用属性分析法，即利用语法分析从专利文献中提取属性和功能，建立专利网络（Dewulf et al., 2013、Yoon et al., 2012）。Lee等人（Lee et al., 2013）提出使用语义分析和依赖关系来检测侵权。Wang和 Cheung（Wang et al., 2011）从专利文献中提取关键概念，以发现和使用从USTPO数据库收集的专利文献摘要，并通过Naives-Bayes算法对专利文献进行分类。而且，针对多个领域的本体开发可以用作集成平台，以通过填充本体类来开发知识库（Taduri et al., 2011）。 Taduri等人（Taduri et al., 2012）对此进行了扩展，以提出一个基于知识的框架来促进专利文献的检索。

结合人工智能的发明专利申请与审查

      人工智能采用的陡峭上升正在创造与2000左右的通信和互联网繁荣并行的专利文件。基于专利洞察力，在（Cowan et al., 2018）中，作者建议创建一个IP战略框架，为人工智能(AI)采纳者和市场领导者考虑。这对于学术界和企业界来说是至关重要的，他们希望在这个日益增长的全球市场中发展和领先，以及政府资助计划，以支持国家研究计划。在发明专利体系中，专利法等相关专利法规在广泛传播发明和思想给社会带来的好处与通过在有限时间内为发明人提供专有权而进行创新的动机之间取得了平衡（Cubert et al., 2018）。在专利法中，专利的创造性、新颖性和实用性是最具有代表性的。而创造性的判断则是人工智能参与专利申请时讨论最多的。其次，在自然语言处理领域，人工智能依据其强大的数据整理、分析能力已经具备了单独创作的可能，这意味着传统的著作权法将会受到猛烈地冲击（寇枫阳, 2019）。其次，人工智能技术参与发明创造不仅会造成依靠自学习算法的专利技术的大量出现，而且也会使拥有新兴人工智能技术的企业申请大量技术方案，通过破坏新颖性的方式形成行业垄断（李想, 2020）。最后，龙文懋和季善豪（龙文懋等, 2019）认为“创造性”的本质和特征包括四个方面：一是人脑是创造的基础，二是创造是有意图的活动，三是只有依靠人的逻辑思维和直觉思维共同参与工作才是创造的本质，四是创造的特征在于打破常规。而人工智能的创造性则不具备其本质和特征，人工智能的创造性一般局限于四个方面：一是“深度神经网络”赋予AI自主学习能力，二是AI仅能实现逻辑思维能力，三是AI的“创造意图”来源于人类。

      发明专利是具有创造性的，那么运用人工智能辅助其申请和答复是否会影响其创造性呢？随着人工智能技术的高速发展，人工智能已经可以非常有效的辅助科研人员进行发明创造。人工智能依靠其自身强大的算力能够对海量的数据进行分析整理，发现新的技术方案、物质成分、改进措施、合成方法等（吴坤, 2020），这些人机协作所产生的发明创造可以大幅提高专利的新颖性。早在2016年，美国科学家就在晶体合成领域使用人工智能完成多达四千次的试验训练，最终依靠深度学习技术成功的发现了新的有机模板化产品的生产制置方法。从上面的例子来看，人工智能技术在自学习领域已经完全具备了实际操作的能力，完全能够对数据进行收集整理并自主的发现新的改进方案。从某种角度上来说，人工智能正在成为，甚至已经成为了发明创造的“创造者”（吴坤, 2020）。自2010年以来，美国专利商标局就已经开始考虑将人工智能发现的发明创造授予专利权，并且还应该对其实用性进行考量，不能因为没有人的参与而将其排除在外。同时对因人工智能参与的发明创造也由原来的驳回决定，通过考虑发明创造的技术方案本身，重新授予专利权。例如“一种收集有用信息的方法”就由原驳回决定改为重新授予专利权。在深度学习、自然语言处理、知识图谱等领域，人工智能充分发挥自身优势，通过分析、预测数以亿计的数据可以发现新的技术方案，推动技术发展，为人类谋福祉。因此，专利审查也应该同美国专利商标局所希望的那样，应当首先关注专利法规定的“三性”要求，即使这个专利不是自然人所发现的，也应当授予专利权（吴坤, 2020）。

主要研究内容

      一是，依托DIKW图谱构建申请人或代理人和审查员两方的用户画像，依据各个用户画像搭建内容数据库，根据用户内容数据库设计多方交流的可定义隐私模糊度的多维度体系化交互机制。

      二是，基于DIKW图谱架构的交互机制设计与实现发明专利智能申请与答复系统，依托和结合开发生命期软件工程全过程建模管理，面向发明专利办理全过程，针对生命期内的发明专利，结合专利法等相关法律法规，对申请人或代理人撰写的技术文档进行修改，使其符合相应的规则，并利用竞争及合作的智能填充机制实现专利的自动化申请。

      三是，在答复过程中，从DIKW概念架构角度进行相关内容资源建模与转换映射。依据多方交流的交互机制从数据、信息、知识和智慧的角度对内容进行重构，以达到不同领域人员相互理解的目的。根据答复意见并结合用户画像内容数据库，提供具有针对性的修改意见及方案，实现发明专利的智能辅助答复。

      四是，在专利检索过程中，重构内容能够满足更加精确的信息搜索需求，提出的正负双向索引算法使搜索结果的形式除了匹配查询关键字的链接，还能够基于专利技术内容的实体关系搜索答案。

      五是，结合发明问题解决理论(TRIZ理论)中的冲突矩阵工具，通过DIKW图谱对技术方案进行分析，依据40项发明创造原理，得出可供申请专利或有应用前景的技术发明点，并以数据图谱可视化的形式展示。

      六是，面向分布式处理效率，进行价值导向的修正重构等处理设计。在双方相互答复的交互过程中考虑系统的负载均衡，实现资源处理效率的最优。通过设计数据、信息和知识的存储、处理、转换等环节，实现对发明专利的实时分析和评估，从而对申请人或代理人的意图进行实时理解。