[论文解读] The Superior Knowledge Proximity Measure for Patent Mapping

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

Innovation Policy and R&D参考文献 25被引用 4

一句话总结

本文提出了一种统计上更优越的知识邻近度度量方法——基于参考的Jaccard指数，用于构建专利分类网络。利用1976年至2017年的历史专利组合数据，证明该度量方法在解释和预测发明人及组织的技术多元化模式方面优于其他邻近度度量方法。

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.

研究动机与目标

• 识别构建全面专利分类网络最有效的知识邻近度度量方法。
• 解决先前研究在评估上不一致导致的邻近度度量选择模糊性问题。
• 基于发明人和组织专利组合扩展的实证数据，评估并比较多种邻近度度量方法。
• 建立一种统计上稳健、适用于各类技术领域的通用型专利制图度量方法。
• 提高专利网络图在技术创新和政策研究中的可靠性与预测能力。

提出的方法

• 使用1976年至2017年美国授权专利的历史数据，评估了15种典型知识邻近度度量方法的综合表现。
• 采用统计框架评估每种度量方法在预测个体发明人和组织在不同专利分类中多样化发展方面的解释力。
• 使用基于参考的Jaccard指数，该方法基于共享发明人或受让人与共同参考集的相对关系来计算专利分类之间的相似性。
• 采用交叉验证方法，测试每种邻近度度量方法对未来专利组合变动的预测准确性。
• 通过曲线下面积（AUC）和决定系数（R-squared）等指标比较各度量方法的性能。
• 通过多个时间窗口和组织类型验证结果，以确保其稳健性和普适性。

实验结果

研究问题

• RQ1 哪种知识邻近度度量方法最能解释个体发明人和组织在不同专利分类中的历史多样化模式？
• RQ2 不同邻近度度量方法在预测专利组合未来技术领域转变方面的表现如何比较？
• RQ3 是否存在一种邻近度度量方法，在多种组织和技术创新情境下始终优于其他方法？
• RQ4 与替代度量方法相比，基于参考的Jaccard指数在捕捉知识邻近度方面的统计显著性如何？
• RQ5 能否建立一种统一的、更优的邻近度度量方法，以提升创新研究中专利网络图的可靠性？

主要发现

• 基于参考的Jaccard指数在建模发明人和组织的历史专利组合扩展方面表现出最高的解释力。
• 其在预测未来多样化方向方面显著优于其他邻近度度量方法，包括标准Jaccard指数、余弦相似度以及基于共现的指数。
• 该度量方法在不同组织类型上的平均预测AUC达到0.81，表明其具有强大的判别能力。
• 基于参考的Jaccard指数在多个时间段和技术领域中均表现出一致的性能，证实了其稳健性。
• 其他常用度量方法，如标准Jaccard指数和余弦相似度，表现出较低的解释力和较弱的预测准确性。
• 本研究证实，知识邻近度度量方法应基于实证验证选择，而不仅仅是理论偏好。