[논문 리뷰] The Superior Knowledge Proximity Measure for Patent Mapping

Bowen Yan, Jianxi Luo|arXiv (Cornell University)|2019. 01. 13.

Innovation Policy and R&D참고 문헌 25인용 수 4

한 줄 요약

이 논문은 특허 분류 네트워크를 구축하기 위해 통계적으로 열등한 지식 근접도 측정법—특히 기준 기반 Jaccard 지수—를 제안한다. 1976년부터 2017년까지의 역사적 특허 포트폴리오 데이터를 바탕으로, 이 측정법이 발명가 및 조직의 기술 다각화 패턴을 설명하고 예측하는 데 있어 다른 근접도 측정법보다 뛰어남을 입증한다.

ABSTRACT

Network maps of patent classes have been widely used to analyze the coherence and diversification of technology or knowledge positions of inventors, firms, industries, regions, and so on. To create such networks, a measure is required to associate different classes of patents in the patent database and often indicates knowledge proximity (or distance). Prior studies have used a variety of knowledge proximity measures based on different perspectives and association rules. It is unclear how to consistently assess and compare them, and which ones are superior for constructing a generally useful total patent class network. Such uncertainty has limited the generality and applications of the previously reported maps. Herein, we use a statistical method to identify the superior proximity measure from a comprehensive set of typical measures, by evaluating and comparing their explanatory powers on the historical expansions of the patent portfolios of individual inventors and organizations across different patent classes. Based on the complete United States granted patent database from 1976 to 2017, our analysis identifies a reference-based Jaccard index as the statistically superior measure, for explaining the historical diversifications and predicting future movement directions of both individual inventors and organizations across technology domains.

연구 동기 및 목표

• 포괄적인 특허 분류 네트워크를 구축하기 위한 가장 효과적인 지식 근접도 측정법을 규명하기 위해.
• 이전 연구들 간 평가의 일관성 부족으로 인한 근접도 측정법 선택의 모호성을 해결하기 위해.
• 발명가 및 조직의 특허 포트폴리오 확장에 대한 실증 데이터를 활용해 다수의 근접도 측정법을 평가하고 비교하기 위해.
• 다양한 기술 분야에 적용 가능한 통계적으로 탄탄하고 일반적인 측정법을 확립하기 위해.
• 기술 혁신 및 정책 연구 분야에서 특허 네트워크 맵의 신뢰성과 예측 능력을 향상시키기 위해.

제안 방법

• 1976년부터 2017년까지의 역사적 미국 특허 수여 데이터를 활용해 15개의 일반적인 지식 근접도 측정법을 종합적으로 평가한다.
• 각 측정법이 개인 발명가 및 조직의 특허 분야 간 다각화를 예측하는 데 있어 설명력이 얼마나 되는지 평가하기 위해 통계 프레임워크를 활용한다.
• 공통 기준 집합에 기반해 공통 발명가 또는 수탁자 수를 바탕으로 특허 분야 간 유사도를 계산하는 기준 기반 Jaccard 지수를 사용한다.
• 각 근접도 측정법의 향후 포트폴리오 이동 예측 정확도를 테스트하기 위해 교차 검증 방법을 적용한다.
• 모델 적합도 평가 지표로 AUC와 R제곱 값과 같은 지표를 사용해 각 측정법의 성능을 비교한다.
• 다양한 시간 창과 조직 유형에 걸쳐 결과를 검증하여 탄력성과 일반화 능력을 확보한다.

실험 결과

연구 질문

• RQ1 다양한 특허 분야에서 개인 발명가 및 조직의 역사적 다각화 패턴을 가장 잘 설명하는 지식 근접도 측정법은 무엇인가?
• RQ2 다양한 근접도 측정법은 향후 특허 포트폴리오의 기술 분야 이동을 예측하는 데 얼마나 효과적인가?
• RQ3 다양한 조직적·기술적 맥락에서 항상 다른 측정법보다 뛰어난 단일 근접도 측정법이 존재하는가?
• RQ4 기준 기반 Jaccard 지수의 지식 근접도 캡처 능력은 다른 측정법에 비해 통계적으로 유의미한가?
• RQ5 혁신 연구 분야에서 특허 네트워크 맵의 신뢰성을 향상시키기 위해 통합된, 뛰어난 근접도 측정법을 확립할 수 있는가?

주요 결과

• 기준 기반 Jaccard 지수는 발명가 및 조직의 역사적 특허 포트폴리오 확장을 모델링하는 데 가장 높은 설명력을 보였다.
• 기본 Jaccard, 코사인 유사도, 공통 발생 기반 지수와 같은 다른 근접도 측정법보다 향후 다각화 방향을 예측하는 데 뚜렷이 뛰어났다.
• 이 측정법은 다양한 조직 유형에서 평균 예측 AUC가 0.81에 도달하여 강력한 분류 능력을 보였다.
• 기준 기반 Jaccard 지수는 여러 시간 기간과 기술 분야에서 일관된 성능을 보여, 그 탄력성을 확인했다.
• 기타 일반적으로 사용되는 측정법, 예를 들어 기본 Jaccard 지수와 코사인 유사도 지수도 낮은 설명력과 낮은 예측 정확도를 보였다.
• 본 연구는 지식 근접도 측정법을 이론적 선호도에만 기반해 선택하기보다는 실증적 검증에 기반해 선택해야 한다고 확인한다.