专利评分和分类的制作方法

专利名称：专利评分和分类的制作方法
技术领域：
本申请大体上涉及知识产权的分析，并且在一些实施例中涉及用于基于某个标准对无形资产(例如专利和/或专利申请)进行评分和/或分类的计算机系统和方法。
背景技术：
诸如专利和商标等无形资产对于社会和经济非常重要。它们激励个别发明人和公司参与研究和开发(R&D)。在没有专利的情况下，第三方将免费利用任何新的发明，最后导致越来越少的发明人和公司愿意在R&D方面进行投入，从而阻碍了技术进步。专利组合(patent portfolio)将帮助企业保护其投资、收益和资产。例如,强有力的专利组合会给竞争者的进入造成阻碍，并且为企业所提供的产品和服务维持排他性的市场空间。专利组合对于企业是有价值的，这是因为它通过专利许可或转让来产生收益。它可以是用于例如通过交叉许可获得其它专利技术的强有力谈判工具。专利组合还可以在面对专利侵权诉讼时用作防御工具。例如，具有宽泛且强有力的专利组合的公司针对其自身专利的侵权进行反诉，并且迫使控告方快速和解。然而，专利具有不同的质量和价值。在世界上不同国家中，每年提交各个技术领域的大量的不同质量和价值的专利。这些专利中的一些专利保护了公司的核心技术，而另一些专利保护非核心技术或者仅仅是对公知技术进行小的渐增式改进。另外，开发、维护或获取专利组合的成本是巨大的。因此，企业应该定期评估其专利组合的价值，并且提出与公司商业目标相一致的专利组合策略。例如，公司可以决定放弃或出售对于公司而言价值较低的非核心专利。相反，公司可以决定维持或更新核心的高价值专利，或者甚至提交同一专利族内的其它同族专利。因此，对于许多目的而言，系统及客观地评估专利的质量、价值或强度的方式是非常有用的。例如，公司可以使用此类信息在各个方面做出更好的商业决定，包括但不限于R&D花费、产品开发、资源分配、战略专利申请过程、许可或诉讼、竞争情报和基准测试 (benchmarking)等。投资者可以利用这些信息更好地评估不同公司的预期资产价值。贷款者可以利用这些信息评估和发放由包括专利组合在内的公司资产担保的贷款相关的风险。

发明内容
根据本发明的一个方面，提供了用于分类无形资产的方法。该方法包括确定分类目标。该方法还包括通过处理器使用一个或多个无形资产测试组来构建判别分析(DA)模型。该DA模型包括一个或多个判别函数，所述判别函数用于基于与所述无形资产测试组的一个或多个无形资产相关的属性组将所述一个或多个无形资产测试组分类成两组或多组， 以符合分类目标。之后，该方法包括通过所述DA模型来分类无形资产目标组。根据本发明的另一个方面，提供了一种用于分类无形资产的判别分析(DA)模型的构建方法。该方法通过处理器获得一个或多个判别函数，所述判别函数用于基于与无形资产测试组中的一个或多个无形资产相关的属性组将所述无形资产测试组分成两组或更多组。所述一个或多个判别函数包括所述属性组中的加权属性的组合。根据本发明的再一个方面，提供了一种分类无形资产的方法。该方法包括通过处理器基于DA模型来分类无形资产组。所述DA模型包括一个或多个判别函数，所述判别函数用于基于与所述无形资产组中的一个或多个无形资产相关的属性组将所述无形资产组分类成两组或更多组。所述一个或多个判别函数包括所述属性组中的加权属性的组合。根据本发明的另一个方面，提供了一种包括用于分类无形资产的计算机可执行指令的计算机可读存储介质。这些指令包括使用一个或多个无形资产测试组来构建DA模型。 所述DA模型包括一个或多个判别函数，所述判别函数用于基于与所述无形资产测试组中的一个或多个无形资产相关的属性组将所述无形资产测试组分类成两组或更多组。这些指令还包括通过所述DA模型来分类无形资产目标组。根据本发明的再一个方面，提供一种用于分类无形资产的设备。该设备包括处理器，所述处理器配置成使用一个或多个无形资产测试组来构建DA模型。所述DA模型包括一个或多个判别函数，所述判别函数用于基于与所述无形资产测试组中的一个或多个无形资产相关的属性组将所述无形资产测试组分类成两组或更多组。所述处理器还配置成通过所述DA模型来分类无形资产目标组。根据本发明的一个方面，提供了一种用于分类无形资产的设备。该设备包括使用一个或多个无形资产测试组来构建DA模型的构件。所述DA模型包括一个或多个判别函数，所述判别函数用于基于与所述无形资产测试组中的一个或多个无形资产相关的属性组将所述无形资产 测试组分成两组或更多组。所述设备还包括通过所述DA模型来分类无形资产目标组的构件。


通过参照下面的说明以及附图将能够最好地理解本申请。在附图中，使用相同的附图标记来表示相同的部分。图I是本发明实施例的用于分类无形资产的方法的流程图。图2是本发明实施例的用于改进DA模型的流程图。图3是本发明实施例的用于分类无形资产的DA模型的构建方法的流程图。图4是本发明实施例的用于分类无形资产的方法的流程图。图5是使用线性判别分析(LDA)对与专利资产或知识产权资产相关的两个示例性的目标组或事件组进行分类的示意图。图6表示两个示例性组，其中两个组之间的差异相对于在各个组内的差异较大。图7表示本发明实施例的用于构建专利评分和分类模型的示例性过程的流程图。图8表示用于实施本发明各个实施例的处理功能的示例性计算系统。
具体实施例方式下面给出的说明将使本领域普通技术人员能够制造和使用本发明，并且在特定用途及其要求的情况下给出了说明。在不脱离本发明的精神和范围的情况下，本领域普通技术人员容易对这些实施例做出各种变型，并且这里界定的一般性原理可以应用于其它实施例和应用。而且，在下面的说明中，为了说明的目的给出了许多细节。然而，本领域普通技术人员应认识到本发明可以在不使用这些具体细节的情况下实施。在其它情况下，以方框图形式示出公知的结构和装置，以便不会使没必要包含这些细节的本发明的说明变得不清楚。因此，本发明不打算受限于所示的实施例，而是具有与在这里所披露的原理和特征一致的最大范围。虽然通过具体示例和示例性附图对本发明进行了说明，但本领域普通技术人员应认识到本发明不限于这些示例和附图。本领域普通技术人员应当认识到可以使用硬件、软件、固件或它们的组合来实施各种实施例的操作。例如，可以使用处理器或受到软件、固件或硬接线逻辑的控制的其它数字电路来执行一些方法(本领域普通技术人员应当认识到， 这里的术语“逻辑”指的是用于执行所提到的功能的固定硬件、可编程逻辑和/或它们的适当组合)。软件和固件可以存储在计算机可读存储介质上。如本领域普通技术人员所公知， 一些其它方法可以使用模拟电路来实施。另外，在本发明的实施例中可以使用存储器或其它存储装置以及通信部件。本发明的各个实施例提供了对无形资产进行分类的方法和系统。无形资产包括但不限于专利、专利申请、商标和版权。对于分类而言，可以使用示例性的判别分析(DA)模型来对无形资产评分，然后可以使用这些评分来分类无形资产。DA是一种多变量统计分析和机器学习技术，其用于确定如下属性(也称为特征、预测变量、度量/非度量独立变量等)， 这些属性用于在两组或更多组目标(例如无形资产)之间进行区分。根据这些属性，DA还用来识别目标所属的组。
示例性DA模型可以是线性DA(LDA)模型。LDA是一种用于获得如下属性的线性组合的统计分析和机器学习技术，这些属性用于区分两个或多个目标组。在LDA中，使用属性的加权组合来预测目标的相关组分类，而不依赖于作为组分类的不同预测因子的各个属性。图I是根据实施例的无形资产的分类方法的流程图。在110处，用户确定分类目标。分类目标包括潜在估价、诉讼可能性/结果、潜在商业化或随后的续期/放弃决定。例如，用户可能想要确定专利组合中的高价值专利和低价值专利。在此情况下，用户将选择潜在估价作为分类目标。在另一个示例中，用户可能想要确定最有可能用于产品制造的专利。 在此情况下，用户将选择潜在商业化作为分类目标。在实施例中，可以通过用户界面(UI) 向用户显示多个分类目标。Π可以是基于网络的Π。例如，可以使用下拉菜单来显示多个分类目标，并且用户可以从下拉菜单中选择其中一个分类目标。或者，可以使用各种通信手段来传输分类目标。在120处，基于用户确定的分类目标，处理器通过使用一个或多个无形资产测试组来构建判别分析(DA)模型。在一个示例中，可以专门为特定技术构建DA模型。因此，存在有多个用于多个技术领域的DA模型。这对特定技术领域的无形资产进行精确分类中是非常有帮助的。为了构建专用于特定技术的DA模型，所使用的一个或多个无形资产测试组也属于该特定技术。例如，如果要构建用于将纳米颗粒领域中的专利进行分类的DA模型， 则用于构建DA模型的专利资产测试组包括纳米颗粒领域中的专利。另外，一个或多个无形资产测试组中的一个无形资产测试组与一个分类目标相关。基于一个或多个分类目标来建立无形资产测试组。因此，对于每个分类目标而言，存在特定的无形资产测试组。在用户选择分类目标时，处理器使用针对该分类目标构建的无形资产测试组来对无形资产目标组进行分类。例如，用户选择专利估价作为专利目标组的分类目标。为了便于分类，处理器选择如下专利测试组，该专利测试组包括高价值专利和低价值专利。作为另一个实施例，用户可以选择诉讼可能性/结果作为专利目标组的分类目标。 为了便于分类，处理器选择如下专利测试组，该专利测试组包括已经败诉的专利和已经胜诉的专利。另外，一个或多个无形资产测试组包括针对给定目标具有已知的或预定的价值或结果的无形资产组。例如，在针对专利估价构建的专利测试组中，该专利测试组中的一个或多个专利的价值是已知的。在另一个示例中，在针对随后的续期/放弃决定的目标构建的专利测试组中，该专利测试组中的专利的结果是已知的，即它们什么时候放弃或者它们续期过多少次。在识别无形资产测试组并且构建DA模型之后，DA模型中的一个或多个判别函数将一个或多个无形资产测试组分类成两组或更多组，以满足分类目标。DA模型可包括线性判别分析(LDA)模型。在该情况下，一个或多个判别函数包括一个或多个线性判别函数。下面结合图5和图6对LDA模型和线性判别函数进行详细说明。基于与一个或多个无形资产测试组中的一个或多个无形资产相关的属性组来进行分类。通过使用多种调查和分析方法中的一种方法来选择用于DA模型的属性组。这些方法的示例包括相关文献描述属性的评论、专家意见、与资产所有人的会谈和经验分析。通过DA模型确定属性与测试组中的不同组的专利或其它无形资产之间的关联以及确定这些属性的相对重要性。专利属性的示例包括但不限于专利中的独立权利要求数量、专利中的从属权利要求数量、专利年龄和权利要求中所涵盖的法定类别的数量。在图7的描述中结合表I进一步说明了专利的这些属性。如果无形资产为商标，则属性的示例可以包括但不限于商标的年龄、该商标下的总销售额、商标的回想、识别或知晓度、与该商标的关联、商标相关的信誉、商标的地理权或管辖权、商标的许可数或许可价值和商标的续期历史。一个或多个判别函数包括属性组中的加权属性的组合。权重通过使用一个或多个判别函数来确定，并且表 示相关属性的相对重要性。下面将结合图5详细说明判别函数。一个或多个判别功可能不能计算出一些属性的权重。对于这些属性而言，确定具有未知权重的属性与具有已知权重的属性之间的相关性。之后，将相关性因子应用于具有已知权重的属性的权重，从而确定具有未知权重的属性的权重。这可以由公式(I)表示。ffXu=a (Wxk) (I)其中，Wxu=未知属性Xu的权重Wxk=已知属性Xk的权重a=相关性系数例如，两个属性“专利年龄”和“专利的续期次数”具有直接的相关性，这是因为经过续期的次数越大，则专利的年龄将越长。如果判别属性能够确定与“专利年龄”相关的权重，并且该判别函数不能确定与“专利续期次数”相关的权重，则计算出该专利的这两个属性之间的相关性因子。之后，将相关性因子应用于与“专利年龄”相关的权重，以便确定“专利续期次数”的权重。另外，这可以充当用于提高DA模型的预测能力的相关性因子。在使用DA模型确定属性的权重之后,使用和积函数(sum production function)来计算无形资产测试组中的一个或多个无形资产的一个或多个输出评分(output score)。 通过将无形资产的相关属性乘以权重来确定无形资产的输出评分。使用所述一个或多个输出评分来分类一个或多个无形资产。在实施例中，使用一个或多个输出评分将无形资产测试组划分成两组或更多组。例如，无形资产测试组包括十件专利，对于这十件专利中的每一件专利而言，使用将潜在估价用作分类目标的DA模型来确定输出评分。通过该DA模型确定出处于1-5的范围的输出评分。之后，将输出评分为1-3的专利归类为低价值，并且将输出评分为4至5的专利归类为高价值专利，反之亦然。通过使用多个统计工具来验证DA模型。多个统计工具包括但不限于方差分析(ANOVA)测试、Spearman秩相关系数测试、卡方自动交叉检验检测(CHAID)测试和 Wilk’Iamba测试。DA模型的验证确保了由该DA模型完成的分类是精确的。在实施例中， 为了增强DA模型的预测能力，反复地改进一个或多个判别函数。这将结合图2作进一步说明。在DA模型的构建、验证和改进之后，在130处，通过DA模型来分类无形资产目标组。在实施例中，可以在没有验证和改进的情况下使用DA模型。使用DA模型来计算无形资产目标组中的一个或多个无形资产的一个或多个输出评分。使用所述一个或多个输出评分将无形资产目标组划分成两组或更多组。该DA模型可以构建成专用于特定技术领域。 因此，如果该无形资产目标组处于通信领域，则将针对通信领域专门构建DA模型。或者，DA 模型可以如此构建，使得该DA模型基本上适用于多个技术领域。 使用专用于特定分类目标和特定技术领域的无形资产测试组来构建DA模型。针对特定目标和技术领域构建的这些DA模型可以精确地分类专利资产目标组。而且，由于已经针对各种分类目标和各种技术领域构建出多个DA模型，所以用户只需简单地选择分类目标并且指定专利资产目标组的技术领域。这为用户提供了可以用于划分专利资产目标组的DA模型。图2为根据实施例的DA模型的改进流程图。基于属性组，处理器通过使用一个或多个无形资产测试组来构建DA模型。一个或多个无形资产测试组包括具有已知价值、已知结果、预定价值和预定结果中的一者的无形资产组。在构建之后，使用DA模型将无形资产测试组分类/划分成两组或更多组。这已经结合图I进行了详细说明。在210处，为了提高DA模型的精确性，处理器确定DA模型的预测能力。通过基于已知价值、已知结果、预定价值和预定结果中的一者来验证该无形资产测试组的分类，从而确定出预测能力。例如，使用针对潜在估价目标创建的专利资产测试组来构建DA模型。在该专利测试组中，每个专利的货币价值是已知的。根据这些已知的价值，可以将专利测试组划分成多个示例性组，例如下面三个组，即高价值专利、中价值专利和低价值专利。之后，使用DA模型将专利测试组划分成这三组。将基于专利价值进行的专利分组与使用DA模型做出的专利分组进行比较和验证。基于比较结果，如果这些分组非常匹配，则DA模型具有良好的预测能力。之后，在220处，进行检查以确定DA模型的预测能力是否处于预定可接受限制范围内。在上面给出的示例之后，将预测能力的预定可接受限制范围设定为80%，但是该示例性限制范围是非限定性的，并且可以设定得更高或更低。换句话说，在将基于专利估价的专利分组与使用DA模型做出的专利分组进行比较和验证时，分组之间应该至少有80%的匹配。如果分组之间匹配的专利的百分比小于80%，则DA模型的预测能力是不可接受的。如果DA模型的预测能力没有处于预定可接受限制范围内，则在230处改进DA模型中的一个或多个判别函数。例如，如果分组之间的匹配专利的百分比小于80%，则改进DA 模型中的一个或多个判别函数。之后,重复210和220。因此，反复地进行一个或多个判别函数的改进过程，直到DA模型的预测能力落入到预定可接受限制范围内。为了改进一个或多个判别函数，针对该属性组中的一个或多个属性调节与相应属性相关的权重。调节权重可以包括向与一个或多个属性相关的权重应用相关性因子。返回到步骤220，如果DA模型的预测能力落入到预定可接受限制范围内，则在 240处完成DA模型。DA模型的反复改进提高了 DA模型的精确性。而且，由于通过与具有已知结果/价值的测试组进行比较来进行改进，所以最后的DA模型可以令人信服地用于分类专利目标组。图3为根据实施例的用于分类无形资产的DA模型的构建方法的流程图。在310 处，处理器获得一个或多个判别函 数。所获得的所述一个或多个判别函数满足分类目标。已经结合图I详细说明了分类目标。一个或多个判别函数用于基于与无形资产测试组中的一个或多个无形资产相关的属性组将无形资产测试组分类为两组或更多组。一个或多个判别函数包括属性组中的加权属性的组合。为了获得一个或多个判别函数，确定出DA的预测能力。之后，对所述一个或多个判别函数进行反复改进，以使得预测能力落入到预定可接受限制范围内。也可以使用多个统计工具检查DA模型的精确性，从而验证DA模型。这已经结合图2进行了详细说明。图4为根据实施例的无形资产的分类方法的流程图。用户确定出分类目标。构建出满足分类目标的DA模型。基于用户确定的分类目标，在410处，处理器基于DA模型对无形资产组进行分类。DA模型包括一个或多个判别函数，这些判别函数用于基于与无形资产组中的一个或多个无形资产相关的属性组将这组无形资产分类为两组或更多组。这已经结合图I进行了详细说明。为了对无形资产组进行分类，通过使用DA模型生成无形资产组中的每个无形资产的输出评分。基于输出评分，将无形资产组划分成两组或更多组。这已经结合图I进行了说明。图5是通过使用LDA对与专利资产或知识产权资产相关的两个示例性目标组或事件组进行分类的图形说明。图5示出了在正交轴线上具有两个预测因子或属性Xl和X2的两个组(组A和组B)的曲线。可视地观察该曲线，组A的成员趋向于在X2轴上比组B的成员具有更大的值。但是，将X2用作组A或组B的唯一预测因子将产生出较差的结果，这是因为组A在X2上的分布(曲线510)和组B在X2上的分布(曲线520)的重叠部分(阴影区530)较大，并且该较大的重叠区域(阴影区530)表示将组A中的目标或事件误分类成属于组B的可能性很高，或者反之亦然。因此，X2是这两组之间的较差判别因子。同样， 将Xl用作组A或组B的唯一预测因子也将产生不令人满意的结果，这是因为同样在轴线Xl 上在这两组之间存在明显的重叠部分(在图5中未示出)。因此，在该示例中，只使用其中一个预测因子不能获得精确的区分。
在上面的简单示例性示例中，LDA得到两个预测因子或属性(XI和X2)的线性转换，该线性转换产生新的转换值组(判别评分或Z评分)，与单独的任一预测因子相比，该新的转换值组提供了更精确的判别Z=f (X1, X2) =CfX^CdX2如图5所示，组A在Z上的分布(曲线550)和组B在Z上分布(曲线560)相互重叠。可以使用切割评分线540将目标分配到组A或组B中。例如，其Z评分低于切割评分线的目标分配给组A，而其Z评分高于切割评分线的目标分配给组B。要指出的是，组A 的Z分布(曲线550)和组B的Z分布(曲线560)的重叠部分(阴影区570)与阴影区530 相比较小。因此，线性转换使得能够更好地区分组A和组B，并且因此降低了将组A中的目标或事件误分类成属于组B的可能性或反之亦然。广义上讲，LDA可以使用以下通常形式来评估单个独立变量Yl与一组独立变量Xl 至Xn之间的关系Y^Xj+Xg+Xg+**· +Xn其中，Yl为非度量变量或分类变量，即从一个分类状态到另一个分类状态变化的变量，例如从好到坏、从高到低、从贵到贱，并且Xl-Xn是度量变量，即在尺寸范围上具有数值的变量，例如年龄，权利要求的数量或美元数。独立变量也可以是非度量变量，例如实体大小 、资产的法律状态等。与LDA相反，普通的回归分析确定了度量或非度量的非独立变量。通过具有下面形式的公式获得LDA线性组合(也被称为判别函数或变量)Zjk=fj (Xlk, X2k,…，Xnk) =&+^+^+……+WnXnk其中，Zjk=目标k的判别函数j的判别评分(在该情况下，k为专利资产，其由专利号、公开号等来识别)fj()=判别函数ja=截距Wi=独立变量i的判别权重Xik=目标k的独立变量i应认识到，LDA计算出NG-I个判别函数，其中，NG为独立变量中的组数。例如，在存在两组时，LDA计算出一个判别函数，而在存在三组时，LDA计算出两个判别函数。通过判别函数AO来界定判别评分(ΖΛ)。针对各个判别函数上的各个目标计算出判别评分，并且将判别评分与切割评分线结合使用来确定预测的组成员资格。例如，在三组或三级独立变量的情况下，每个目标将具有用于每个判别函数(判别函数一和二)的评分，从而使得能够二维地绘制这些目标，其中各个维度表示各个判别函数。因此，LDA不限于如在回归分析中的单个变量(变量的单个线性组合)，而是创建用于表示这些组之间的判别维度的多个变量。LDA涉及获取判别函数，这些判别函数将用于在多个规定组之间进行很好区分。通过为各个独立变量设定判别权重以使得组间差异相对于组内差异最大化，来实现判别。如果组间差异相对于组内差异较大，则可以推断出，该判别函数能够很好地区分这些组。例如，图6示出了两个组各个组的成员分别由开圆和十字表示。由于在组间差异相对于组内差异较大，所以通过该判别函数可以很好地分离这些组。
针对判别函数的统计显著性的示例性测试包括对两组或更多组的判别评分的分布进行比较。参照图5，如果在分布的重叠较小，则该判别函数能够很好地判别(参见阴影区570)。如果重叠部分较大，则该函数对组之间的判别较差(参见阴影区530)。图7表示根据实施例的专利评分和分类模型的示例性构建过程的流程图。在710 处，确定或选择评分过程的目标。在一个示例中，目标用于基于专利资产在独立变量组上的评分将专利资产分类成组。例如，公司可能需要获取特定技术领域中的专利资产，并且与想要购买的专利资产相比存在更多的候选专利资产。在该情况下，一个目的在于基于这些专利资产的预计未来货币价值将这些候选专利资产分类成两组或更多组。独立变量组可以是专利资产属性或特征，例如在专利资产中的独立权利要求的数量、从属权利要求的数量、专利资产的年龄等。一旦将这些候选专利资产分类，则可以使用该结果来帮助管理团队判断要购买哪些(哪个)专利资产。在另一个示例中，公司可能需要判断是否要继续进行其专利组合内的一些专利申请。在该情况下，一个目的在于基于预计的专利申请授权可能性将专利申请分类成两个组。 一旦将这些专利申请分类，则可以使用该结果来帮助执行者判断要将哪些(哪个)专利申请保持在其专利组合中。应认识到，可以使用专利评分方法来按照许多不同的方式对专利资产进行分类。上面的实施例不是详尽的。评分方法不论用户何时识别单个分类/非度量非独立变量和几个度量或非度量独立变量(例如，这些变量与专利资产相关)的情况下都是合适的。
在一个示例中，公司可能需要改进其专利战略，以便对其专利组合的开发并和维护成本的同时使其专利组合的价值最大化。例如，该公司可能有意确定减少或限制专利中的页数、专利同族的数量、权利要求中的项数等是否会明显降低其专利组合的整体价值。在一个示例中，因此，该目的在于确定两个(或更多个)先验规定的组的变量组上的平均评分特性之间是否存在统计学显著差异。如果在一个独立变量(Xl)和其它独立变量之间在判别函数中存在高的多重共线性，则在不明显降低该模型的判别能力的情况下可以从判别函数将Xl去除。在一个示例中，目标可包括确定这些独立变量中的哪个独立变量对两组或更多组中的平均评分特性的差异贡献更大。在另一个示例中，目标可以包括确定由独立变量潜在组形成的组之间的判别维度的数量和组成。接着，参照图7，在720处，考虑LDA模型设计问题。这些设计问题可以包括下面中的一个或多个判别函数的非独立和独立变量的选择、样本大小、以及将样本分成两个子样本的划分(一个子样本用于评估判别函数，并且另一个子样本用于验证整个判别模型)。如针对LDA所述，非独立变量是分类的(非度量的)，或者至少可以被转变成数字值，并且独立变量通常是度量的。在一个示例中，非独立变量可以具有两组，例如最终获得授权的专利申请与最终放弃的专利申请。在其它示例中，非独立变量可以涉及三个以上的组。在一些示例中，非独立变量是真的多分变量，并且在没有任何修改的情况下各个组相互排斥并且是完备的。在一个示例中，专利资产组的市场价值可以用作非独立变量，并且这些专利资产的属性或特征(专利量度)用作独立变量。由于专利资产的市场价值是数字的，即它能够在连续区间中取值，所以在应用判别分析之前将市场价值转变成分类变量。在一个示例中，通过使用上四分位Q3值(市场/销售价格)作为类别划分点或截止线(根据上四分位截止线将高值与低值分开)来比较上四分位专利与其余专利资产，由此进行判别分析。在其它示例中，可以通过使用上四分位值Q3、中间值Q2、60百分位P6tl和80百分位P8tl作为市场价值划分点来创建具有三组或更多组的不同类别变量。在另一个示例中，可以将类别变量创建成仅包括两个极端组，例如市场价值中的顶部10百分位内的专利资产组和市场价值中底部10百分位内的专利资产组，从而排除了落入在这两个极端组之外的专利资产。独立变量通常为度量变量。它们是与专利资产的价值和质量相关的属性或特征 (专利度量)。可以基于不同的研究和观察来确定这些属性。例如，所识别的专利属性和市场中的实际专利资产价值之间关系的现有文字和统计分析的查看可以为判别分析创建专利属性组。也可以基于与专利所有人、知识产权(IP)资产管理者、IP律师和其它专家的会谈来确定专利属性。数据二次研究、对专利活动的当前趋势的观察、定性推断和经验也可以产生出额外的专利属性。表I中列出了非穷举的示例性专利属性组。表I
权利要求
1.一种用于分类无形资产的方法，所述方法包括 确定分类目标； 通过处理器使用一个或多个无形资产测试组来构建判别分析(DA)模型，其中，所述DA模型包括至少一个判别函数，所述判别函数用于基于与所述一个或多个无形资产测试组中的至少一个无形资产相关的属性组将所述一个或多个无形资产测试组分类成至少两组，以满足所述分类目标；并且 通过所述DA模型来分类无形资产目标组。
2.如权利要求I所述的方法，其中，所述分类目标包括潜在估价、诉讼可能性、诉讼结果、潜在商业化和随后的续期/放弃决定。
3.如权利要求I所述的方法，其中，所述一个或多个无形资产测试组中的一个无形资产测试组与一个所述分类目标相关。
4.如权利要求I所述的方法，其中，所述判别分析(DA)模型包括线性判别分析(LDA)模型，并且所述至少一个判别函数包括至少一个线性判别函数。
5.如权利要求I所述的方法，其中，所述至少一个判别函数包括所述属性组中的加权属性的组合。
6.如权利要求5所述的方法，其中，构建所述DA模型的所述步骤包括确定所述属性组中的至少一个属性的权重。
7.如权利要求6所述的方法，其中，确定所述权重的所述步骤包括确定具有未知权重的属性与具有已知权重的属性之间的关系，并且应用相关性因子以基于所述具有已知权重的属性的权重来确定所述具有未知权重的属性的权重。
8.如权利要求I所述的方法，其中，分类所述无形资产测试组或所述无形资产目标组的所述步骤包括确定所述DA模型的针对所述无形资产测试组或所述无形资产目标组中的各个无形资产的输出评分，并且基于针对各个无形资产确定的所述输出评分将所述无形资产测试组或所述无形资产目标组分成两组或更多组。
9.如权利要求I所述的方法，其中，所述一个或多个无形资产测试组中的各个无形资产测试组包括多个针对给定目标具有已知价值、已知结果、预定价值和预定结果中的一者的无形资产。
10.如权利要求9所述的方法，其中，构建所述DA模型的所述步骤包括通过基于所述已知价值、所述已知结果、所述预定价值和所述预定结果中的一者验证所述无形资产测试组的分类来确定所述DA模型的预测能力。
11.如权利要求10所述的方法，其中，构建所述DA模型的所述步骤包括反复改进所述至少一个判别函数，使得所述DA模型的预测能力落入到预定可接受限制内。
12.如权利要求11所述的方法，其中，反复改进所述至少一个判别函数的所述步骤包括针对所述属性组中的至少一个属性，调节与该相应属性相关的权重。
13.如权利要求I所述的方法，其中，构建所述DA模型的所述步骤包括通过使用多个统计工具来验证所述DA模型。
14.如权利要求13所述的方法，其中，所述多个统计工具包括方差分析(ANOVA)测试、Spearman秩相关系数测试、卡方自动交叉检验(CHAID)测试和Wilk’ Lamba测试中的一者。
15.如权利要求I所述的方法，其中，构建所述DA模型的所述步骤是针对特定技术领域进行的。
16.一种用于构建判别分析(DA)模型的方法，所述DA模型用于分类无形资产，所述方法包括 通过处理器获得至少一个判别函数，所述判别函数用于基于与无形资产测试组中的至少一个无形资产相关的属性组将所述无形资产测试组分类成两组或更多组，所述至少一个判别函数包括所述属性组中的加权属性的组合。
17.如权利要求16所述的方法，还包括 确定分类目标， 其中，获得所述至少一个判别函数的所述步骤包括获得所述至少一个判别函数以满足所述分类目标。
18.如权利要求16所述的方法，其中，获得所述至少一个判别函数的所述步骤包括确定所述属性组中的至少一个属性的权重。
19.如权利要求16所述的方法，还包括通过基于与所述无形资产测试组的已知价值、已知结果、预定价值和预定结果中的一者相比的所述DA模型验证所述无形资产测试组的分类来确定所述DA模型的预测能力。
20.如权利要求19所述的方法，其中，所述获得步骤包括反复地改进所述至少一个判别函数，使得所述DA模型的预测能力落入到预定可接受限制范围内。
21.如权利要求16所述的方法，还包括使用多种统计工具来验证所述DA模型。
22.一种用于分类无形资产的方法，所述方法包括 通过处理器基于判别分析(DA)模型来分类无形资产组，所述DA模型包括至少一个判别函数，所述判别函数用于基于与所述无形资产组中的至少一个无形资产相关的属性组将所述无形资产组分类成至少两组。
23.如权利要求22所述的方法，还包括 确定分类目标， 其中，所述DA模型配置成满足所述分类目标。
24.如权利要求22所述的方法，其中，分类所述无形资产组的所述步骤包括 产生所述DA模型的针对各个所述无形资产的输出评分，并且 根据所述输出评分将所述无形资产组分成两组或更多组。
25.一种用于分类无形资产的判别分析(DA)模型，所述DA模型包括 至少一个判别函数，所述判别函数用于基于与无形资产组中的各个无形资产相关的属性组将所述无形资产组分类成至少两组，所述至少一个判别函数包括所述属性组中的加权属性的组合。
26.如权利要求25所述的DA模型，其中，所述DA模型包括线性判别分析(LDA)模型，且所述至少一个判别函数包括至少一个线性判别函数。
27.一种包括用于分类无形资产的计算机可执行指令的计算机可读存储介质，所述指令包括 使用一个或多个无形资产测试组来构建判别分析(DA)模型，其中，所述DA模型包括至少一个判别函数，所述判别函数用于基于与所述一个或多个无形资产测试组中的至少一个无形资产相关的属性组将所述一个或多个无形资产测试组分类成至少两组；以及通过所述DA模型来分类无形资产目标组。
28.一种用于分类无形资产的设备，所述设备包括 处理器，其配置成 使用一个或多个无形资产测试组来构建判别分析(DA)模型，其中，所述DA模型包括至少一个判别函数，所述判别函数用于基于与所述一个或多个无形资产测试组中的至少一个无形资产相关的属性组将所述一个或多个无形资产测试组分类成至少两组；以及通过所述DA模型来分类无形资产目标组。
29.一种用于分类无形资产的设备，所述设备包括 使用一个或多个无形资产测试组来构建判别分析(DA)模型的构件，其中，所述DA模型包括至少一个判别函数，所述判别函数用于基于与所述一个或多个无形资产测试组中的至少一个无形资产相关的属性组将所述一个或多个无形资产测试组分类成至少两组；以及通过所述DA模型来分类无形资产目标组的构件。
全文摘要
本发明提供了用于分类无形资产的方法、系统和设备。该方法包括确定分类目标。该方法还包括通过处理器使用一个或多个无形资产测试组来构建判别分析(DA)模型。该DA模型包括一个或多个判别函数，所述判别函数用于基于与所述无形资产测试组中的至少一个无形资产相关的属性组将所述一个或多个无形资产测试组分类成两组或更多组，以便满足所述分类目标。之后，该方法包括通过所述DA模型来分类无形资产目标组。
文档编号G06Q50/00GK102725772SQ201080062400
公开日2012年10月10日 申请日期2010年1月25日 优先权日2010年1月25日
发明者拉胡尔·金达莱, 阿里夫·K·汗 申请人:Cpa软件有限公司