权利要求特征驱动的专利申请前评估与授权概率预测研究

doi:10.3772/j.issn.1000-0135.2026.07.006

情报学报

2026, Vol. 45

Issue (7): 1003-1018 DOI: 10.3772/j.issn.1000-0135.2026.07.006

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

权利要求特征驱动的专利申请前评估与授权概率预测研究

李旺¹, 贾志轩², 张逸人², 程凡², 冉从敬²

1.内蒙古师范大学国家治理学院，呼和浩特 010022
2.武汉大学信息管理学院，武汉 430072

Research on Claim Feature-Driven Patent Pre-application Evaluation and Grant Probability Prediction

Li Wang¹, Jia Zhixuan², Zhang Yiren², Cheng Fan², Ran Congjing²

1.College of National Governance, Inner Mongolia Normal University, Hohhot 010022
2.School of Information Management, Wuhan University, Wuhan 430072

摘要
图/表
参考文献
相关文章 (0)

全文: PDF (2734 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要针对当前我国专利申请量与转化率失衡、专利申请前评估缺乏量化机制等问题，本研究立足专利审查“三步法”法理核心，构建一种权利要求特征驱动的专利申请前评估与授权概率预测模型。首先，本研究利用Levenshtein算法协同市场转让数据优化样本筛选，构建包含“实用性”维度的正负样本集；其次，聚焦独立权利要求核心语义，引入权利要求依赖度量化技术特征范围，并结合多层感知机（multi-layer perceptron，MLP）注意力机制实现法律特征与语义特征的动态加权融合，实现专利“创造性”维度的融合表征；最后，在此基础上，通过构建跨源异构现有技术对比池，利用K-means聚类算法确立自适应动态评估阈值，形成“新颖性”维度的二元分类，并实现申请前评估。为进一步量化评估结果，本研究嵌入基于正负样本对比的自动编码器（auto-encoder，AE）框架，通过重建误差（reconstruction error，RE）刻画待评估专利在特征空间中的分布一致性，实现授权概率的精细化预测。以新能源汽车领域专利为对象的实证研究结果表明，在特征提取阶段，融合法律结构特征的模型F1值达0.919，显著优于通用语义模型；在申请前评估阶段，模型识别出的建议申请比例为25.28%，通过高强度过滤低市场价值的“沉睡专利”，实现了对现有授权标准的优化与补充；在概率预测阶段，建议申请组与不建议申请组的平均授权概率分别为72.50%与47.50%，证明了模型的有效性。本研究不仅弥补了现有评估模型在逻辑闭环与法律特征利用上的不足，更为高校及科研院所提升专利申请质量、促进产学研高效转化提供了科学的方法论路径与技术支撑。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	李旺
	贾志轩
	张逸人
	程凡
	冉从敬

关键词 ：专利申请前评估, 授权概率预测, 独立权利要求

收稿日期: 2025-07-28

基金资助:河南省软科学项目“河南省科技成果转化成效提升路径研究”（252400411298）。

作者简介: 李旺，1996年生，博士，讲师，主要研究领域为数据科学与知识产权，E-mail：15147149291@163.com；贾志轩，1994年生，博士，博士后，主要研究领域为数据挖掘与数据分析；张逸人，1993年生，博士研究生，主要研究领域为科技金融与知识产权；程凡，1992年生，博士，主要研究领域为数据智能与情报分析；冉从敬，1978年生，博士，教授，博士生导师，主要研究领域为知识产权、大数据治理；

引用本文:

李旺, 贾志轩, 张逸人, 程凡, 冉从敬. 权利要求特征驱动的专利申请前评估与授权概率预测研究[J]. 情报学报, 2026, 45(7): 1003-1018.
Li Wang, Jia Zhixuan, Zhang Yiren, Cheng Fan, Ran Congjing. Research on Claim Feature-Driven Patent Pre-application Evaluation and Grant Probability Prediction. 情报学报, 2026, 45(7): 1003-1018.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2026.07.006 或 https://qbxb.istic.ac.cn/CN/Y2026/V45/I7/1003

1 国家知识产权局. 2024年知识产权统计年报[EB/OL]. (2024-12-31) [2025-08-17]. https://www.cnipa.gov.cn/tjxx/jianbao/year2024/indexy.html.
2 冉从敬, 李旺. 高校专利价值评估模型构建[J]. 情报杂志, 2022, 41(7): 65-70.
3 国家知识产权局. 2024年中国专利调查报告[EB/OL]. (2025-01-22) [2025-08-17]. https://www.cnipa.gov.cn/module/download/downfile.jsp?classid=0&showname=2024%E5%B9%B4%E4%B8%AD%E5%9B%BD%E4%B8%93%E5%88%A9%E8%B0%83%E6%9F%A5%E6%8A%A5%E5%91%8A.pdf&filename=aaf2cdea693842ff8dd65d78f7d0f8b3.pdf.
4 谭文英: 专利评估靠前一步成果转化“落地生根”[EB/OL]. (2024-03-13) [2025-05-11]. https://www.cnipa.gov.cn/art/2024/3/13/art_3344_190953.html.
5 向姝璇, 操玉杰, 毛进. 基于权利要求层级特征的专利相似度计算方法研究[J]. 数据分析与知识发现, 2024, 8(2): 33-43.
6 Indukuri K V, Ambekar A A, Sureka A. Similarity analysis of patent claims using natural language processing techniques[C]// Proceedings of the International Conference on Computational Intelligence and Multimedia Applications. Piscataway: IEEE, 2007: 169-175.
7 Yang S Y, Soo V W. Extract conceptual graphs from plain texts in patent claims[J]. Engineering Applications of Artificial Intelligence, 2012, 25(4): 874-887.
8 Lee C, Song B M, Park Y. How to assess patent infringement risks: a semantic patent claim analysis using dependency relationships[J]. Technology Analysis & Strategic Management, 2013, 25(1): 23-38.
9 乔永忠. 技术创新测度: 专利权利要求技术方案创造性[J]. 科学学研究, 2024, 42(7): 1547-1555.
10 李旺, 冉从敬, 王福新, 等. 基于权利要求层级结构的专利相似度计算方法研究[J]. 图书情报工作, 2025, 69(23): 84-98.
11 付姣, 梁丽芝. 融合权利要求语义特征的专利价值早期预测研究[J]. 情报杂志, 2024, 43(2): 183-191.
12 俞琰, 尚明杰, 赵乃瑄. 权利要求特征驱动的专利关键词抽取方法[J]. 情报学报, 2021, 40(6): 610-620.
13 李健智, 王红玲, 王中卿. 基于图卷积网络的专利摘要自动生成研究[J]. 计算机科学, 2022, 49(S1): 172-177.
14 教育部国家知识产权局科技部关于提升高等学校专利质量促进转化运用的若干意见[EB/OL]. (2020-02-03) [2024-05-12]. https://www.gov.cn/zhengce/zhengceku/2020-02/21/content_5481750.htm.
15 李鹏, 李坤白, 沈满, 等. 高校专利申请前评估工作体系建设进展——以西安电子科技大学为例[J]. 中国高新科技, 2023(12): 98-100.
16 关于强化高价值专利运营促进科技成果转化的若干措施[EB/OL]. (2023-06-13) [2025-05-13]. https://www.cideg.tsinghua.edu.cn/info/kjzcck/4760.
17 江苏大学知识产权研究中心, 江苏大学知识产权学院. 江苏大学知识产权工作手册[R/OL]. (2022-04-26) [2025-07-25]. https://zscq.ujs.edu.cn/gongzuoshouce.pdf.
18 华南师范大学专利申请办事指引[R/OL]. (2024-05-23) [2025-07-25]. https://statics.scnu.edu.cn/pics/kjc/2024/0523/1716435349975860.pdf.
19 西安科技大学科技处. 关于在全校范围内开展专利申请前评估工作的通知[EB/OL]. (2024-01-07) [2025-07-25]. https://kjc.xust.edu.cn/info/1035/7207.htm.
20 北京大学. 关于印发《北京大学专利工作管理办法》的通知[EB/OL]. (2022-06-29) [2025-05-13]. https://kjkfb.pku.edu.cn/beijingdaxuezhuanligongzuoguanlibanfaxiaofa-2022-134hao.pdf.
21 西北农林科技大学科学技术发展研究院. 关于开展专利申请前评估工作的通知[EB/OL]. (2025-03-26) [2025-07-27]. https://kyy.nwsuaf.edu.cn/tzgg/cgyzscqc/4d3b1e47a11e42e7814e4971d0a69ed1_mobile.htm.
22 湖南大学图书馆. 服务内容[EB/OL]. (2022-04-21) [2025-05-13]. https://lib.hnu.edu.cn/engine2/general/more?t=21212D6839A525B500595B9E746D1E33732751E3098987B743B22B5108DC16B8FA392BA021B0BF0E912CA5C7B79DB9DA.
23 彭玲玲, 张弦, 张驰. 高校开展专利申请前评估的必要性与可行性研究[J]. 中国发明与专利, 2021, 18(11): 65-70.
24 田海燕. 高校专利申请前评估: 中美差异及启示[J]. 创新科技, 2021, 21(3): 49-56.
25 陈婷, 张立昆. 我国高校专利申请前评估纵深发展的制约因素及对策研究[J]. 图书馆学刊, 2025, 47(6): 91-96.
26 王岩, 王会丽. 高校专利申请前评估的理念与实践问题探讨[J]. 中国高校科技, 2022(10): 75-83.
27 陈从连. 我国高校专利申请前评估制度研究[D]. 广州: 华南理工大学, 2022.
28 赵国璧, 朱欣昱, 周景华. 高校专利申请前评估工作的可实操性研究及典型案例评析[J]. 中国高校科技, 2023(3): 93-96.
29 张玲玲, 林青, 余梦霞, 等. 高质量保护与转化导向下高校专利申请前评估框架体系探索[J]. 科技管理研究, 2024, 44(7): 106-114.
30 方曦, 李清瑞. 高校专利申请前价值评估体系构建及实证研究[J]. 科技管理研究, 2024, 44(8): 48-56.
31 张昭昭, 王军雷, 王亮亮, 等. 汽车企业专利申请前评估模型研究[J]. 汽车文摘, 2022(8): 56-62.
32 姜娟. 基于ISM-AHP的高校专利申请前评估模型研究[J]. 中国高校科技, 2025(1): 47-54.
33 李清瑞. 高校专利申请前价值评估研究[D]. 上海: 上海应用技术大学, 2024.
34 邓娜, 王雨佳, 杨洋, 等. 基于Sentence-BERT与孤立森林算法的专利新颖性评估[J]. 情报杂志, 2025, 44(2): 174-182.
35 周哲文. 基于果蝇嗅觉神经网络与技术聚类的专利新颖度评估方法研究[D]. 武汉: 武汉大学, 2022.
36 中华人民共和国专利法[EB/OL]. (2020-11-19) [2025-06-15]. http://www.npc.gov.cn/npc/c2/c30834/202011/t20201119_308800.html.
37 潘世坤, 刘卓乾. 解读《专利审查指南》(2023)对创造性“三步法”的重要补充[J]. 法制博览, 2024(16): 1-4.
38 王雅平. 论产品专利权利要求中的功能性特征[D]. 济南: 山东大学, 2021.
39 Wu X K, Yang J J. High-speed railway and patent trade in China[J]. Economic Modelling, 2023, 123: 106276.
40 De Marco A, Scellato G, Ughetto E, et al. Global markets for technology: evidence from patent transactions[J]. Research Policy, 2017, 46(9): 1644-1654.
41 王欣, 郭英. 高校专利申请前评估优化研究[J]. 图书情报工作, 2025, 69(8): 131-138.
42 谢小东, 吴洁, 盛永祥, 等. 基于多模态特征融合的相似专利识别方法研究[J]. 图书情报工作, 2024, 68(18): 112-122.
43 Wittfoth S. Measuring technological patent scope by semantic analysis of patent claims - An indicator for valuating patents[J]. World Patent Information, 2019, 58: 101906.
44 张洋, 王乙竹, 李丹阳. 从价值评估到创新赋能: 专利评价的方法、场景与挑战[J]. 情报理论与实践, 2026, 49(4): 29-38, 57.
45 白全民, 王东旭, 贾永飞, 等. 基于专利分类号和文本相似度的双元创新识别及测度方法研究[J]. 科技管理研究, 2025, 45(1): 10-17.
46 Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786): 504-507.
47 Vincent P, Larochelle H, Bengio Y, et al. Extracting and composing robust features with denoising autoencoders[C]// Proceedings of the 25th International Conference on Machine Learning. New York: ACM Press, 2008: 1096-1103.
48 冉从敬, 李旺. 校企合作视角下高校高价值专利推荐模型构建——以“新能源汽车”为例[J]. 图书情报工作, 2023, 67(11): 115-126.
49 冉从敬, 丁群哲, 李旺, 等. 基于权重平衡算法的专利可交易性预测研究[J]. 情报学报, 2025, 44(5): 549-561.
50 Riesen K, Bunke H. Graph classification based on vector space embedding[J]. International Journal of Pattern Recognition and Artificial Intelligence, 2009, 23(6): 1053-1081.
51 Hain D S, Jurowetzki R, Buchmann T, et al. A text-embedding-based approach to measuring patent-to-patent technological similarity[J]. Technological Forecasting and Social Change, 2022, 177: 121559.
52 Lin T Y, Goyal P, Girshick R, et al. Focal loss for dense object detection[C]// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway: IEEE, 2017: 2999-3007.
53 Devlin J, Chang M W, Lee K, et al. BERT: pre-training of deep bidirectional transformers for language understanding[C]// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Stroudsburg: Association for Computational Linguistics, 2019: 4171-4186.
54 Reimers N, Gurevych I. Sentence-BERT: sentence embeddings using Siamese BERT-networks[C]// Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2019: 3980-3990.
55 Beltagy I, Lo K, Cohan A. SciBERT: a pretrained language model for scientific text[C]// Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2019: 3615-3620.
56 Bekamiri H, Hain D S, Jurowetzki R. PatentSBERTa: a deep NLP based hybrid model for patent distance and classification using augmented SBERT[J]. Technological Forecasting and Social Change, 2024, 206: 123536.
57 Gao T Y, Yao X C, Chen D Q. SimCSE: simple contrastive learning of sentence embeddings[C]// Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2021: 6894-6910.
58 Beltagy I, Peters M E, Cohan A. Longformer: the long-document transformer[PP/OL]. V2. arXiv (2020-12-02). https://doi.org/10.48550/arXiv.2004.05150.