[发明专利]一种点拍网的基于图神经网络GAT的专利估值方法及系统

权利要求书

1.一种点拍网的基于图神经网络GAT的专利估值方法，其特征在于，包括步骤如下；

获取专利训练数据集，待评估专利的基本信息参数包括专利申请号、标题、行业分类、第一发明人、被引用专利数量、引用专利数量、预估到期日、当前申请/专利权人、原始申请/专利权人、3年内被引用次数、5年内被引用次数、法律状态、简单法律状态；

每个专利数据的属性参数包括：专利稳定性-新颖性，专利稳定性-创造性，专利稳定性-撰写质量，专利稳定性-保护范围，同族专利，依赖性，技术-技术原创性，技术-技术生命周期，技术-不可替代性，经济-市场占有率，经济-政策导向，经济-市场需求；

使用注意力图神经网络GAT对专利属性参数的权值进行训练，将专利估值模型抽象为知识图谱Graph，将专利价值的评估值作为图的顶点Root，将与专利估值相关的属性参数作为Root的邻居节点Node，Root与Node之间的边代表参数与评估值之间的权重系数W；使用GAT训练权重系数W，训练好W后，输入测试数据集，使用测试数据集中各属性参数节点的值乘以对应的权重即可得到测试数据集中每个专利数据的评估值，评估值V＝H[H1,H2,H3…Hn]*W[W1,W2,W3…Wn]，n为属性参数的个数。

2.根据权利要求1所述的点拍网的基于图神经网络GAT的专利估值方法，其特征在于，使用GAT训练权重系数W的训练方法包括：

GAT的计算分为两步走：

第一步：对于顶点Root，逐个计算它的邻居节点和它自己之间的相似系数，如公式(1)，通过公式(1)求得相似系数：

e_ij为第i个节点与第j个节点的相似系数，i,j为节点序号，Wh_i、Wh_j为图中的节点，a()为映射函数，把拼接后的高维特征映射到一个实数上；

首先共享参数W的线性映射对于顶点的特征进行了增维，对于顶点Root的变换后的特征进行了拼接；最后a()把拼接后的高维特征映射到一个实数上；

第二步：用Softmax进行权重归一化；

有了相似系数，使用softmax函数对相关系数e_ij均一化处理：

α_ij即为注意力系数，e_ij为相似系数，k为与i节点相邻的节点的序号；N_i为与i节点相邻的节点的个数；

获得均一化的注意力系数α_ij，它将用来计算与之相关的特征的线性组合：

σ是激活函数，是h_j向量的权重，为attention机制计算时的中间数据；

通过上述方法，将标注的专利训练数据集中的数据进行逐一计算，最终通过求平均的方式，可得到专利模型中各属性参数的权重值。

3.一种点拍网的基于图神经网络GAT的专利估值系统，包括评估模块和数据库；

数据库用于存储各种专利信息，形成专利训练数据集和测试数据集；

评估模块用于对专利进行估值评估，基于图神经网络对训练数据集中的专利属性参数的权值进行训练，输入测试数据集，使用测试数据集中各属性参数节点的值乘以对应的权重即可得到测试数据集中每个专利数据的评估值，将评估完的专利存储于数据库中。