科技报告：基于弱监督BERT-CRF与知识元特征融合的专利价值评估研究

科技报告：基于弱监督BERT-CRF与知识元特征融合的专利价值评估研究

摘要

本研究围绕专利价值评估与知识元识别两大核心任务展开，构建了融合文献计量与深度学习方法的专利价值分析框架。首先，基于CSSCI/SSCI文献的系统梳理，构建了包含法律价值、技术价值、经济价值和战略价值四个维度的多层次专利价值指标体系，采用层次分析法（AHP）-德尔菲法确定指标权重，并详细阐述了指标筛选过程。其次，设计并实现了弱监督学习的BERT-CRF模型，用于专利文本中的知识元识别，在标注数据稀缺的情况下实现了细粒度实体抽取。最后，将提取的知识元特征与专利价值指标相融合，构建联合预测模型进行专利价值评估。实证结果表明，知识元特征的引入显著提升了专利价值评估的准确性，BERT-CRF模型的F1值达到0.83，知识元融合后的分类准确率较基准模型提升了约8.6%。

关键词：专利价值评估；知识元识别；BERT-CRF；弱监督学习；指标体系

第一章 引言

1.1 研究背景

专利作为创新成果的重要载体和知识产权的核心内容，其价值评估一直是科技政策、企业管理和技术创新领域的核心议题。随着全球知识产权数量的指数级增长——截至2024年底，全球有效专利数量已超过1700万件——如何在海量专利文献中高效识别高价值专利、挖掘核心技术知识，成为学术界和产业界共同面临的挑战。

传统专利价值评估主要依赖专家打分和文献计量指标，存在主观性强、维度单一、时效性差等局限。近年来，随着自然语言处理（NLP）技术的快速发展，特别