基于迁移学习和先验方向学习的标准必要专利预测模型研究及其应用价值

本文提出一种结合迁移学习(TL)与先验迁移方向学习(PTDL)的标准必要专利(SEP)预测模型(TLSEPP-PTDL)，通过混合迁移策略（特征对齐+模型微调）解决跨国专利数据分布差异问题。实验表明该模型在四个数据集上平均准确率达92.03%，较现有最优方法(SOTA)提升2.03%，并验证了专利数量、标准化率与标准化速度三个指标对正向迁移的关键影响。

　　

Highlight

标准必要专利(SEP)分布存在国家特异性差异，体现在专利数量、标准化率和标准化速度三个维度。本研究提出两个核心假设：(1) 迁移学习(TL)可提升低准确率国家的SEP预测性能；(2) 不同迁移方向会产生差异化性能表现。

Primary knowledge

专利特征(PF)定义为文本特征(TF)与数值特征(NF)的组合：

• •
  文本特征包括专利标题(PT)和摘要(PA)
• •
  数值特征涵盖发明人数量(NI)和相似专利数(NSP)
  SEP标签(L)为二分类标识（0：非SEP；1：SEP）

Proposed model

TLSEPP-PTDL模型包含两大模块：

1. 1.
   TLSEPP模块：采用混合迁移策略，先通过最大均值差异(MMD)损失实现特征对齐，再通过模型微调适配目标域
2. 2.
   PTDL模块：通过量化专利数量、标准化率与标准化速度的差异组合（共8种编码），实验验证发现(高,高,高)、(高,低,高)、(低,高,高)三种条件可实现正向迁移

Experiments

在四组跨国数据集（D_J&U至D_U&C*）上的实验表明：

• •
  在D_J&U数据集准确率达90.72%，较基线提升1.74%（p=0.0149）
• •
  所有数据集平均准确率92.03%，显著超越现有最优方法(SOTA)
• •
  精确度、召回率和F1-score分别提升4.25%、0.33%和2.25%

Conclusions and future work

研究验证了通过先验迁移方向选择可实现正向迁移，为解决跨国专利预测差异提供了新范式。未来将探索多源域迁移和动态迁移方向调整机制。

CRediT authorship contribution statement

作者贡献声明：刘卫东负责概念设计与基金支持；范晓宇负责软件验证与数据可视化；王凯参与数据 Formal analysis；孙红军、甘可钦提供研究资源；蒋翠翠参与论文修订；雷芳园协助调研。

Declaration of competing interest

所有作者声明不存在任何利益冲突