情报科学

·专 题· 第 38 卷 第 12 期 2020 年 12 月

产业领域核心专利识别与演化分析
——以人工智能领域为例

王曰芬，张 露，张洁逸

（南京理工大学，江苏 南京 210094）

摘 要：
【目的/意义】从核心专利识别与演化的视角，分析产业领域中的核心技术及技术的演变状况。
【方法/过程】
从行为效果和动机目的两个角度入手，构建核心专利识别指标体系；基于熵权法赋权并结合灰色关联分析法打分，
筛选核心专利；结合技术生命周期分析核心专利所代表技术、拥有者的演化；以人工智能领域专利数据进行实证研
【结果/结论】行为效果角度的三个指标对识别核心专利有较大影响；共筛选出 201 条核心专利，核心专利所代
究。
表技术的研发范围在不断扩大，电数字数据处理、语音识别、数字信息传输、电话/无线通信等技术应引起关注；苹
果公司、菲尼克斯解决方案公司、康耐视公司、希柏系统软件有限公司及微软公司等拥有较多核心专利。
关键词：人工智能；核心专利；指标体系；熵权法；灰色关联分析法
中图分类号：G306 DOI：10.13833/j.issn.1007-7634.2020.12.003

Identification and Evolution Analysis of Core Patent in the Industrial Field: Taking
the Field of Artificial Intelligence as an Example

WANG Yue-fen，ZHANG Lu，ZHANG Jie-yi

(Nanjing University of Science and Technology, Nanjing 210094,China)

Abstract：【Purpose /significance】From the perspective of core patents identification and evolution, this paper analyzes
core technology and its changes in the industrial field.【Method /process】From the perspective of behavioral effects and
purpose, the core patents identification index system is constructed. Based on entropy-weighted method and grey correla⁃
tion analysis method, screen core patents, then analyze the evolution of technologies and owners in combination with tech⁃
nology life cycle. Conduct an empirical study with the patent data in the field of artificial intelligence.【Result / conclusion】
Three indicators of behavioral effects perspective have a great impact on identifying core patents. 201 core patents of which
the technical scope is expanding are screened. Technologies such as electrical computers and digital data processing sys⁃
tems, voice recognition, digital information transmission, and telephone or wireless communication should attract attention.
Apple, Phoenix Solutions, Cognex, Siebel Systems and Microsoft have many core patents.
Keywords：artificial intelligence; core patents; index system; entropy-weighted method; grey correlation analysis
猛发展，专利数量正在急剧增长，如何从海量专利中识别出
1 引 言 核心专利并分析其演化过程，以了解产业领域重点研发的技
术以及技术的变动情况，对于国家和产业确定创新战略方
核心技术引领其所在产业领域未来发展的方向，核心技 向、制定核心专利保护政策、开展核心专利布局、规避研发风
术研发是实现产业领域创新和获得经济利益的源泉，而核心 险和重复研发的损失以及提高产业领域的核心竞争力等具
专利往往表征着产业领域中的核心技术，掌握核心专利可以 有重要意义。
抢占科技创新制高点，在激烈的市场竞争中拥有绝对话语 对于核心专利的识别，首先需要明确核心专利的概念，
权。但由于专利数量巨大，且随着近年来技术革新速度的迅 目前众多学者从不同的角度理解核心专利，尚未形成公认、

收稿日期：2020-07-27
基金项目：国家社会科学基金重大招标项目“面向知识创新服务的数据科学理论与方法研究”
（16ZDA224）
作者简介：王曰芬（1963-），女，教授，主要从事知识工程与知识管理、竞争情报与信息分析研究 .

- 19 -

·Special Topic·
统一的定义。例如韩志华认为核心专利是在某一产业领
域中具有关键地位，对技术从发展到成熟具有重要作用、
对其他专利或技术具有强烈影响且具有显著经济价值的
专 利【1】。 谢 萍认为核心专利是一定时期范围内，在某一产
业领域中具有市场价值和/或一定竞争力的专利【2】。亢川博
等综合国内外学者对核心专利的定义，认为核心专利是在某
一产业领域内占据关键地位、具备较强的创新性和影响力、
具有重要的经济价值和战略价值，并且难以规避的专利或专
利组合【3】。参考已有的定义，本文将产业领域的核心专利界
定为：在某一产业领域具有重大影响、创新性强、具有重要的
技术价值及经济价值，且新申请的专利很难通过一些规避手
段绕开的专利。
目前对核心专利的识别方法主要包括以下几种：一是专
利单一指标频次统计法。该方法通过统计专利中某一指标
的频次，以频次较高的专利作为核心专利，指标选取主要集
中在专利被引用频次【4-5】、同族专利数【6-7】、权利要求数【8-9】等。
二是专利指标组合法。该方法利用多个指标分别识别核心
专利，并将识别结果进行简单汇总以获得最终的核心专利，
如孙涛涛等以专利被引频次和同族专利数两种指标来识别
核心专利【10】；袁润等利用专利被引用频次、同族专利数及权
利要求数分别识别核心专利，结果发现三种方法所识别出的
结果并不重叠，建议用多种指标综合识别核心专利
【11】
是专利指标体系法。该方法通过构建核心专利识别指标体
系，并利用主观或客观的方法赋予指标权重，以此识别核心
专利。如 Ma Shaochao 等【12】、杨武等【13】、唐恒等【14】、黄剑飞
等【15】
、李治东等 构建了包含多个指标的核心专利识别指
【16】
标体系，以此全面客观地识别核心专利。四是专利诉讼分析
法。专利诉讼往往要花费大量的代价，因此有专利诉讼历史
的专利常常被视为高价值专利，即核心专利【17】。
上述几种核心专利识别方法从不同角度对核心专利进
行识别，都取得了较好的结果，其中以多维度、体系化构建的
专利指标体系法成为近年来学术界的研究热点【18】，但目前
学者对指标体系中的指标权重大多采用主观赋权，受人为因
素影响较大 。因此，作为系列研究的一部分，本文将以产
【13】
业领域中的核心技术及技术的演变研究为切入点，基于核心
专利的概念，将专利的影响和价值结合来设计核心专利识别
指标，构建核心专利识别指标体系，并采用客观赋权法对指
标赋予权重，以此识别核心专利。进而，借助技术生命周期
对识别出的核心专利进行演化分析，以深入挖掘核心专利所
代表技术和拥有者的演化趋势，并以人工智能领域相关专利
数据为例加以实证分析。
2 研究设计与方法
2.1 研究框架
根据本文研究目的，提出产业领域核心专利识别与演化
分析的研究框架设计如图 1 所示（其中，虚线部分表示的是
- 20 -
INFORMATION SCIENCE
Vol.38,No.12 December,2020
专题组其他的一些研究及内容，实线部分表示的是本文所做
的研究及内容）。
图 1 研究框架设计
首先，进行前期数据获取与预处理工作：从德温特专利
数据库进行专利数据的检索与下载，并对数据进行预处理，
包括去除变异数据与重复项、抽取所需字段以及利用普赖斯
公式对专利进行初步筛选。其次，技术生命周期划分：根据
系列研究结论，将技术生命周期划分萌芽期、缓慢发展期、快
速发展期和腾飞期四个阶段。再次，核心专利识别：构建核
。三
心专利识别指标体系，利用熵权法对其中的指标赋予权重，
并结合灰色关联分析法计算出专利的综合得分，进而根据专
利划分方式筛选出核心专利。最后，核心专利演化：基于技
术生命周期，从核心专利所代表技术与核心专利拥有者两个
角度进行演化分析。一是，通过 IPC 分类号统计分析及共现
分析，以研究核心专利所代表技术的演化状态及趋势；二是，
通过专利权人统计分析，以研究核心技术拥有者的演化状态
及趋势。
2.2 核心专利识别指标体系构建
2.2.1 核心专利识别指标的选取
考虑指标的可获取性及获取代价，本文从产业领域技术
发展过程中的行为效果和动机目的两个角度出发，构建新的
核心专利识别指标体系。从行为效果角度识别核心专利，表
明对后续专利的影响或对之前专利的改进，主要体现核心专
利的影响性、创新性以及难以规避性，使用专利被引用频次、
引用专利数及引用科学文献数 3 个指标来表达。从动机目
的角度识别核心专利，表明对专利的保护或覆盖范围，主要
体现核心专利的技术价值及经济价值，使用同族专利数、权
利要求数及专利 IPC 数 3 个指标来表达。指标具体含义见
表 1。
2.2.2 核心专利识别指标权重度量
熵权法是一种客观的赋权方法，其计算的指标权重大小
只与指标实际数值的变异程度有关，目前被广泛应用于多指
标综合评价中。具体计算步骤如下：
第一步，形成核心专利识别指标的判断矩阵并对其进行
标准化处理。假设有 i 条专利数据，j 个识别指标，X（i=1,2,
ij
 情报科学
·专 题· 第 38 卷 第 12 期 2020 年 12 月

表 1 核心专利识别指标体系

指标 含义
专利被引用频次 专利被其它专利引用的次数，表明对后续专利的影响。
行为效果 引用专利数 专利引用其他专利的数量，表明技术的改进程度。
引用科学文献数 专利引用科学文献的数量，表明与科学的关联度。
同族专利数 同一项发明在不同国家进行申请的次数，表明市场价值。
动机目的 权利要求数 对该项发明所提出的权利要求数量，表明技术保护范围。
专利 IPC 数 专利包含不同 IPC 小类的数量，表明技术覆盖范围。

…，m；j=1,2,…，n）代表第 i 条专利在第 j 个指标上的值，形 最后，核心专利打分计算。如公式（6）所示：

B i =∑W j ζ ij
n
成判断矩阵如公式（1）所示。然后对判断矩阵进行标准化处
理，如公式（2）所示： j=1 （6）

æ X11 X12 ... X1n ö W j 为熵权法所得到的指标权重，ζ ij

其中，B i 为专利得分，
ç ÷
X 21 X 22 ... X 2n ÷ 为灰色关联分析法所得到的关联系数。
X ij = ç
ç ... ... ... ... ÷ 2.2.4 核心专利划分方法
çX X m2 ... X mn ÷ø （1）
è m1 目前对专利的划分主要有三种方式：一是选择某项指标
X ij - min( X ij ) 或者多项指标数值排名靠前的专利为核心专利，其他专利不
X' ij =
max( X ij ) - min( X ij ) （2） 作区分、归为一类；二是 Innography 平台所构建的专利强度
第 二 步 ，计 算 所 有 识 别 指 标 的 熵 值 E j 。 如 公 式（3） 指标用来划分专利【19】，专利强度在 0~30% 之间划分为一般
所示： 专利，在 30%~80% 之间划分为重要专利，在 80%~100% 之间
æ ö 划分为核心专利；三是袁润等人提出的划分方式：按照计算
ç X' ÷
1 m X' ij
ln( m )∑
所得到的核心专利综合指数的大小将专利划分为一般专利、
· ln çç m
ij ÷
Ej = - ÷
çç ÷÷
∑ ç∑X' ij ÷
m
i=1
X' ij 重要专利、关键专利以及核心专利，一般专利是指对先前技
（3）
i=1 è i=1 ø 术或专利进行改进的专利，重要专利是指阻止他人非法使用
第三步，计算所有识别指标的熵权 W j。如果熵值 E j 值 的较为独特的专利，关键专利是指在某技术领域中掌握关键
越小，则所能提供的信息量越大，指标权重应该越大。如公 技术的专利，核心专利是指在某技术领域中处于核心地位且
式（4）所示： 数量极少的专利【20】。
1 - Ej 本文参照 Innography 平台对专利的划分，将专利划分
Wj =
n -∑E j
n
为核心专利、重要专利及一般专利三种类型，并参照杨武等
（4）
j=1
人【13】对专利划分界限的计算方法，将大于等于 80%B i 的专利
2.2.3 核心专利打分方法 划分为核心专利，大于 30%B i 且小于 80%B i 的专利划分为重
本文结合熵权法和灰色关联分析法来对每一条专利进行 要专利，小于等于 30%B i 的专利划分为一般专利。
打分。灰色关联分析法是一种衡量比较对象与参考对象之间
关联程度的方法，若比较对象与参考对象之间的关联度值越 2.3 数据获取与预处理

大，
则比较对象越接近参考对象。其具体操作步骤如下所示： 作为产业领域专利分析系列研究的一部分，本文在前述
第一步，确定比较对象序列 X ij 与参考对象序列 X 0j。比 研究获取的 1985-2019 年间 609874 条专利数据基础上，对
较对象序列同公式（1），参考对象序列一般设置为每种识别 专利被引用频次、引用专利数、引用科学文献数、同族专利
指标的最大值所组成的序列。 数、权利要求数、IPC 分类号、申请年份、专利权人、公开号字
第二步，对比较对象数列和参考对象数列进行无量纲化 段进行抽取，然后根据普赖斯定律进一步筛选数据。
处理（同公式（2））。 表 2 普赖斯公式初步筛选专利
第三步，计算比较对象序列与参考对象序列之间的关联
指标 N max M 大于等于 M 的专利数
系数。如公式（5）所示：
m n m n
专利被引用频次 3317 43.14 14252
min min ( X' 0j - X' ij ) + η max
i=1 j=1 i=1
max
j-1
( X' 0j - X' ij ) 引用专利数 7830 66.28 6120
ζ ij = m n 引用科学文献数 1727 31.13 4512
( X' 0j - X' ij ) + η max max ( X' 0j - X' ij ) （5）
i=1 j-1 同族专利数 221 11.13 5595
其中，X' 0j、X' ij 是经过标准化处理得到的参考对象序列 权利要求数 2254 35.56 14602
及比较对象序列，η 为分辨系数，η ∈（0,1），η 越小，分辨率越 专利 IPC 数 32 4.24 13065
大。η 往往取值为 0.5，本文将 η 值设置为 0.5。 普赖斯定律常用来识别高产学者或重点期刊，同时在核

- 21 -
 INFORMATION SCIENCE
·Special Topic· Vol.38,No.12 December,2020

表 3 核心专利识别指标的数值表

专利公开号 专利被引用频次 引用专利数 引用科学文献数 同族专利数 权利要求数 专利 IPC 数

WO1997028626A1 2 18 5 3 25 5
WO1999055514A1 13 12 3 4 47 1
US20020194000A1 73 13 5 2 15 1
US20050058330A1 26 18 0 3 25 5
US20070109464A1 6 15 4 11 12 6
US20130094570A1 0 15 4 2 44 5
US20140072213A1 21 17 33 5 1 2
US20160307071A1 11 8 53 2 20 1
US20170098092A1 4 18 1 3 57 2
… … … … … … …
US20180301875A1 0 24 7 2 20 6

表 4 核心专利识别指标的权重值

专利被引用频次 引用专利数 引用科学文献数 同族专利数 权利要求数 专利 IPC 数

0.1708 0.2621 0.3217 0.0861 0.0565 0.1028

表 5 核心专利识别指标的关联系数

专利公开号 专利被引用频次 引用专利数 引用科学文献数 同族专利数 权利要求数 专利 IPC 数

WO1997028626A1 0.5415 0.3338 0.6945 0.9473 0.6372 0.9932
WO1999055514A1 0.5423 0.3337 0.6943 0.9475 0.6395 0.9921
US20020194000A1 0.5469 0.3337 0.6945 0.9470 0.6362 0.9921
US20050058330A1 0.5433 0.3338 0.6939 0.9473 0.6372 0.9932
US20070109464A1 0.5418 0.3338 0.6944 0.9491 0.6359 0.9934
US20130094570A1 0.5413 0.3338 0.6944 0.9470 0.6392 0.9932
US20140072213A1 0.5429 0.3338 0.6980 0.9477 0.6347 0.9924
US20160307071A1 0.5422 0.3336 0.7005 0.9470 0.6367 0.9921
US20170098092A1 0.5416 0.3338 0.6940 0.9473 0.6405 0.9924
… … … … … … …
US20180301875A1 0.5413 0.3340 0.6948 0.9470 0.6367 0.9934

心专利识别中也发挥着重要的作用。本文以普赖斯定律对 权重值最高，其次是引用专利数指标以及专利被引用频次指
专 利 进 行 初 步 筛 选 ，普 赖 斯 公 式 为 M = 0.749 N max ，其 中 标，权利要求数指标权重值最低，即行为效果角度的三个指
标权重值较大，动机目的角度的三个指标权重值较小。
N max 为各指标的最大值。根据普赖斯公式，对本文所选的核
心专利识别指标（见 2.2.1 小节）的最大值分别进行计算，筛 其次，对专利进行打分。首先需要利用灰色关联分析法

选出大于等于 M 的专利，见表 2，将各个指标所筛选得到的 计算关联系数：本文设置参考对象序列为各个核心专利识别

专利合并及去除重复项后最终得到 47054 条专利。 指标的最大值，即 X 0j=（3317, 7830, 1727, 221, 2254, 32），对
其进行无量纲化处理，得到 X' 0j=（1.000, 1.000, 1.000, 1.000,
1.000, 1.000），比较对象序列及标准化的比较对象序列为上
3 实证分析
文判断矩阵（见表 3）及标准化的判断矩阵，根据公式（5）计
算得到各指标之间的关联系数，如表 5 所示。然后，根据公
3.1 核心专利识别 式（6）计算得到各个专利的得分，表 6 展示了得分排名前 10
首先，利用熵权法获得核心专利识别指标权重。表 3 展 的专利。
示初步筛选得到的 47054 条专利核心专利识别指标的数值 从表 6 可以看到，得分排名第一与第二的专利为麻省理
信息，将其转化为核心专利识别指标的判断矩阵 X ij。在得 工学院-哈佛大学博德研究所分别在 2014 年、2013 年申请的
到核心专利识别指标的判断矩阵后，对其进行标准化处理， 专利，主要研究 CRISPR 基因编辑技术，CRISPR 基因编辑技
将指标数值范围处理为 0~1 之间，以使不同指标的量级一 术具有巨大的价值，人工智能领域中相关技术的发展如机器
致，然后进一步计算各个指标的熵值及熵权，得到各指标的 学习、深度学习等正在以惊人的方式影响基因编辑技术。除
权重值，如表 4 所示。从表 4 可以看出，引用科学文献数指标 此之外，专利得分排名前 10 的专利的技术要点主要为计算

- 22 -
 情报科学
·专 题· 第 38 卷 第 12 期 2020 年 12 月

表 6 专利得分（前 10 名）

发明名称 得分 申请时间 专利权人 IPC 小类 技术要点

C12N,
修饰生物的方法，如递送 CRISPR-CAS 系统 RNA 多 麻省理工学院-哈佛大学博德 A01K,
0.7976 2014 基因编辑
核苷酸序列和编码 CRISPR 酶的多核苷酸序列 研究所（Broad，美国） A61K,
A61P
C12N,
修饰生物或非人类生物的方法，包括递送非天然存在
麻省理工学院-哈佛大学博德 A01H,
的或工程化的组合物，如 CRISPR-CAS 系统嵌合 RNA 0.7944 2013 基因编辑
研究所（Broad，美国） A61K,
多核苷酸序列
A61P
用于分析复杂生物系统的方法与系统——通过数据 G06F,
Paradigm Genetics 公 司（Para⁃ 数据识别及
存储及数据转换，创建用于对生物系统建模的一致数 0.7623 2002 G01N,
digm Genetics，美国） 表示
据集 G06G
利用电子设备确定财务文件图像字符数的方法，包括
联合服务汽车协会（USAA，美 G06K, 计算机
接收财务文件图像、利用图像处理系统识别财务文件 0.7554 2016
国） G07F 视觉
图像中的文本块
控制目标设备（例如电子设备）的方法——在目标设 Cypress 半导体公司（Cypress， 电数字
0.7551 2008 G06F
备运作期间通过更新元素值来自动更新目标设备 美国） 数据处理
楼 氏 电 子 公 司（Knowles Elec⁃ 语音识别及
基于机器学习掩模估计的语音处理噪声抑制方法 0.7510 2013 G10L
tronics，美国） 处理
用于安全、监控和自动化控制器访问和使用以往安装 Icontrol 网络公司（Icontrol Net⁃ G08B, 数字信息的
0.7436 2010
的安全系统的配置信息的方法 works，美国） H04L 传输
一种移动数据分析系统，生成一个或多个移动设备组 帕 兰 提 尔 科 技 公 司（Palantir 无线通信网
0.7436 2013 H04W
和移动设备组可见性设置 Technologies，美国） 络
用于在捕获相似文档的用户之间创建特殊关联的方
G06K, 计算机
法，包括接收文档的一部分的数字图像，以及从数字 0.7423 2008 理光公司（Ricoh，美国）
G06T 视觉
图像中提取文档识别特征
G06K,
联合服务汽车协会（USAA，美 计算机
远程存放支票的验证系统和方法 0.7332 2007 G06Q,
国） 视觉
G07D

表 7 人工智能领域核心专利重点 IPC 小类（排名前 10）

IPC 小类 数量 含义
G06F 122 电数字数据处理
G10L 59 语音识别、合成及处理
H04L 37 数字信息的传输，如电报通信
G06K 31 数据识别及表示；记录载体及处理
G06Q 28 专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法
H04N 16 图像通信
A61B 11 诊断；外科；鉴定
H04W 10 无线通信网络
H04M 10 电话通信
G08B 10 信号装置或呼叫装置；指令发信装置；报警装置

机视觉、数据识别及表示、数字信息的传输、语音识别及处理
等，这几种技术是人工智能领域非常重要的技术分支。
根据本文对专利的划分方式，核心专利的筛选需计算专
利得分最大值 0.7976 与 0.8 的乘积，计算结果为 0.6381，选择
专利得分大于等于 0.6381 的专利为核心专利，最终共得到
201 条核心专利。然后根据本专题论文对人工智能领域技
术生命周期的划分，得出萌芽期阶段（1985-1999 年）有 24 条
核心专利，缓慢发展期阶段（2000-2009 年）有 65 条核心专
利，快速发展期阶段（2010-2014 年）有 59 条核心专利，腾飞
期阶段（2015-2019 年）有 52 条核心专利。
3.2 核心专利演化分析
3.2.1 核心专利所代表技术的演化分析
IPC 分类号（国际专利分类号）能够反映出专利的关键
技术要点，通过对 IPC 分类号进行统计分析及共现分析，并
结合技术生命周期，可以了解人工智能领域核心专利所代表
的核心技术及技术演化情况。首先，统计人工智能领域核心
专利 IPC 小类分布情况，表 7 展示了排名前 10 的重点 IPC 小
类。从表 7 可以看出，人工智能领域核心专利的技术研发重
点为电数字数据处理、语音识别/合成/处理、数字信息的传
输、数据识别及表示、数据处理系统或方法、图像/电话/无线
通信等。另外，统计技术生命周期各个阶段的 IPC 小类分布
情况，发现 G06F、G10L、G06Q、G06K、H04L 这几个 IPC 小类
在各个阶段的数量排名都比较靠前，说明在人工智能领域
的发展中，其核心专利的技术研发方向及研发重点基本保
持不变。
然后，构建各阶段的 IPC 小类共现网络进行共现分析，
如图 2 所示。从图 2 可以看出，在人工智能领域的技术生命
周期中，核心专利 IPC 小类呈现新生（前一个阶段没有，后一
个阶段出现）、消亡（前一个阶段出现，后一个阶段消失）、继
- 23 -
 INFORMATION SCIENCE
·Special Topic· Vol.38,No.12 December,2020

表 8 技术生命周期各阶段 Top10 点度中心度

萌芽期 点度中心度 缓慢发展期 点度中心度 快速发展期 点度中心度 腾飞期 点度中心度
G06F 17 G06F 21 G06F 17 G06F 16
H04L 16 G01N 12 G05B 12 H04L 14
H04N 14 G06Q 11 G06Q 10 G06Q 8
G06Q 13 G06K 10 H04L 10 H04M 8
G07F 12 C12Q 9 H04W 9 H04N 7
G06T 9 B01J 9 G08B 9 H04W 7
G10L 9 G11C 9 H02J 8 G06K 6
G10K 9 C07C 9 G05D 8 G10L 6
G11B 9 C07D 9 H04J 8 H03G 6
G09C 9 C07H 9 H04B 8 H04B 6

承（连续两个阶段都出现）三种演化关系。如 G06F、G10L、
H04L 等 IPC 小类一直存在于各个阶段，说明这几个 IPC 小类
呈现继承演化关系；G09B（教育或演示用具）仅在缓慢发展
期中出现并在后一个阶段消失，说明该 IPC 小类在快速发展
期阶段呈现消亡演化关系；G06T（一般的图像数据处理或产
生）在腾飞期中出现且在快速发展期中没有出现，说明该
IPC 小类在腾飞期阶段呈现新生演化关系。另外，萌芽期
IPC 小类种类最少（结点最少），此后 IPC 小类种类增多，如在
腾飞期新增很多 B 部的 IPC 小类（与车辆有关），表明人工智
能领域核心专利的技术研发范围在不断扩大，呈现多样性。

（c）快速发展期

（a）萌芽期

（d）腾飞期
图 2 人工智能领域核心专利 IPC 小类共现网络演化情况
点度中心度能够反映 IPC 小类之间的联系，间接反映技
术融合情况，根据共现网络统计技术生命周期各阶段 Top10
点度中心度，见表 8 所示。在缓慢发展期，点度中心度主要
集中于 G 部（物理）和 C 部（化学），其他几个阶段主要集中于
G 部和 H 部（电）。G06F、G06Q、H04L（数据处理及数字信息
传输等）在多个阶段的点度中心度排名较高，说明人工智能
领域核心专利这几个 IPC 小类容易和其他技术产生融合，从
而 促 进 技 术 发 展 。 萌 芽 期 中 H04N、G06T（图 像 通 信/处 理
等）等 IPC 小类点度中心度较高，在其他几个阶段较低，说明
和其他技术之间的融合程度下降。G10L、H04M、H04W（语
（b）缓慢发展期 音识别及电话/无线通信等）在腾飞期点度中心度升高，说明
- 24 -
 情报科学
·专 题· 第 38 卷 第 12 期 2020 年 12 月

表 9 人工智能领域核心专利的专利权人演化情况（各阶段前 5 名）
萌芽期 数量 缓慢发展期 数量 快速发展期 数量 腾飞期 数量
HOFF（个人） 4 BENN（个人） 12 苹果公司（Apple） 24 苹果公司（Apple） 28
个性化媒体通信有限责任公司（Person⁃ 菲尼克斯解决方案公司 联合服务汽车协会
3 11 微软公司（Microsoft） 6 4
alized Media Communications） （Phoenix Solutions） （USAA）
安全配置有限责任
Netsuite 公司（Netsuite） 2 康耐视公司（Cognex） 7 HOFF（个人） 4 公司（Security- 3
Profiling）
益百利信息解决方
奥林巴斯公司（Olympus） 2 苹果公司（Apple） 7 NAIK（个人） 3 2
案公司（Experian）
希柏系统软件有限公司 Icontrol 网络公司 Icontrol 网 络 公 司
德州仪器公司（TI） 2 6 3 2
（Siebel） （Icontrol Networks） （Icontrol Networks）

和其他技术之间的融合程度提升。 利识别指标体系，利用客观赋权法对指标赋权，并结合灰色
3.2.2 核心技术拥有者的演化分析 关联分析法计算专利得分，根据计算结果将专利分为核心专
通过核心技术拥有者的演化分析，可以掌握产业领域中 利、重要专利及一般专利三种类型。进而，结合技术生命周
的技术研发主力及演化情况，表 9 为人工智能领域技术生命 期分析核心专利所代表技术与拥有者的演化趋势，并以人工
周期中各阶段拥有核心专利数量排名前 5 的专利权人信息。 智能领域专利为例进行实证研究。通过对分析结果的深入
由于个人代码不唯一，即存在重名现象，本文主要分析拥有 解读，主要可以得到以下结论：
核心专利较多的公司，具体可分为两类：一类为在技术生命 （1）在产业领域核心专利的识别上，专利被引用频次、引
周期中的多个阶段拥有较多核心专利，如苹果公司、Icontrol 用专利数、引用科学文献数三个指标对于结果的影响较大。
网络公司等。苹果公司生产电脑、手机、耳机等众多产品，与 根据研究结果发现，行为效果角度的专利被引用频次、引用
人工智能相关技术联系紧密，从缓慢发展期开始，苹果公司 专利数及引用科学文献数这三个指标权重较大，说明在产业
出现关于人工智能领域的核心专利，并在快速发展期和腾飞 领域核心专利技术形成过程中，相对于动机目的而言，行为
期拥有人工智能领域核心专利数量最多，由此可见苹果公司 效果产生的影响更大，也就是在动机目的基础上，只有当某
一直致力于研究人工智能相关技术，并取得较好结果；Icon⁃ 项或者某类技术被产业领域更多的关注并应用，才可能逐渐
trol 网络公司为物联网技术的初创企业，在快速发展期和腾 形成核心的技术。
飞期拥有较多核心专利。另一类为仅在某一时期拥有较多 （2）在产业领域核心专利技术的分布与演化上，以人工
核心专利，如菲尼克斯解决方案公司、康耐视公司、希柏系统 智能为例的产业领域，研发重点基本保持不变，技术研发呈
软件有限公司及微软公司等。菲尼克斯解决方案公司为复 现多样性。根据核心专利所代表技术的演化分析结果，首
杂的信息技术、网络管理、广域网优化和安全需求等提供简 先，可以发现电数字数据处理、语音识别/合成/处理、数字信
单的解决方案，促进人工智能相关技术的发展；康耐视公司 息的传输、数据识别及表示、数据处理系统或方法、图像/电
研发各种复杂的有关机器视觉技术的产品，如条码传感器、 话/无线通信等一直为人工智能领域核心专利的技术研发重
视觉检测系统及相关软件等，在人工智能领域占据一定的地 点，说明这些技术不仅为人工智能领域的核心技术，而且是
位；希柏系统软件有限公司主要开发电子商务软件，以帮助 人工智能领域未来技术发展的方向；其次，可以发现人工智
企业实现如客户关系管理、企业资源管理等方面的自动化， 能领域核心专利所代表的技术研发范围在不断扩大，说明具
在人工智能领域积累了一定数量的核心专利，该公司已于 有重大影响、高创新性、高价值的技术越来越多。
2006 年被 Oracle 公司收购；微软公司研发语音语义、机器翻 （3）在产业领域核心技术拥有者中，研发实力强大的公
译、图像识别等多项人工智能领域的相关技术，具有扎实的 司一直占据着关键地位。根据核心技术拥有者的演化分析
技术实力。总的来说，苹果公司在人工智能领域核心专利中 结果，发现苹果公司在人工智能领域中拥有的核心专利数量
占据关键地位，其他公司都在积极研发、不断追赶。 最多且在技术生命周期后三个阶段中核心专利的数量都排
名靠前，其他公司如菲尼克斯解决方案公司、康耐视公司、希
4 研究结论 柏系统软件有限公司及微软公司仅在某一个阶段中拥有人
工智能领域的较多核心专利，拥有核心专利数量排名靠前的
本文以分析产业领域中的核心技术及技术的演变状况 机构中并没有发现中国机构，说明苹果公司掌握了人工智能
为目的，以表征核心技术的核心专利为研究对象，开展了核 领域的很多核心技术，拥有强大的技术研发创新能力，其他
心专利识别、核心专利技术分布与演化、核心专利拥有者分 公司也在积极研发。
布与演化的相关研究。首先，从行为效果及动机目的两个角 因此，在产业领域技术发展过程中，通过识别核心专利，
度构建包含专利被引用频次、同族专利数、权利要求数、专 并分析核心专利的技术状态与核心专利拥有者及其变化，对
利 IPC 数、引用专利数及引用科学文献数 6 个指标的核心专 于洞察产业领域技术的研发重点与方向、把握产业领域技术

- 25 -
 INFORMATION SCIENCE
·Special Topic· Vol.38,No.12 December,2020

的核心技术研发主体及其动态，具有重要的决策支撑与参考 ent portfolio value analysis: A new framework to lever⁃

价值。 age patent information for strategic technology planning
本文研究仍然存在以下几点局限性：① 本文使用熵权 [J]. Technological Forecasting & Social Change, 2015,
法对核心专利识别指标进行赋权，未来可考虑其他赋权方 (94):286-302.
法，并比较不同赋权方法所得权重，以获取更准确的权重。 10 孙涛涛,唐小利,李 越 . 核心专利的识别方法及其实证研
②本文利用 IPC 小类分析核心专利技术演化情况，IPC 小类 究[J]. 图书情报工作,2012,56(4):80-84.
分析粒度较粗，未来可考虑对专利文本内容深入挖掘，以获 11 袁 润,钱 过 . 战略性新兴产业核心专利的识别[J]. 情
得更好的分析结果。 报杂志,2013,32(3):44-50,24.
12 Ma Shaochao,Feng Lianyong,Yin Yi,et al. Research on pe⁃
参考文献
troleum patent valuation based on Value Capture Theory
1 韩志华 . 核心专利判别的综合指标体系研究[J]. 中国外资, [J]. World Patent Information,2019,(56):29-38.
2010,(4):193-196. 13 杨 武,杨大飞 . 基于专利数据的产业核心技术识别研究
2 谢 萍 . 核心专利识别方法研究综述[J]. 科技管理研究, —— 以 5G 移 动 通 信 产 业 为 例 [J]. 情 报 杂 志 ,2019,38(3):
2016,36(1):147-152. 39-45,52.
3 亢川博,王 伟,穆晓敏,吴方怡,张世玉 . 核心专利识别的 14 唐 恒,丁环宇 . 化学制药领域核心专利判别——基于中
综合价值模型[J]. 情报科学,2018,36(2):67-70. 国化学制药百强的实证分析[J]. 科技管理研究,2019,39(1):
4 赵蓉英,李新来,李丹阳 . 专利引证视角下的核心专利研究 177-182.
——以人工智能领域为例[J]. 情报理论与实践, 2019, 42 15 黄剑飞,陈 响 . 浅议高价值核心专利的识别[J]. 中国发明
(3):78-84. 与专利,2017,14(8):27-31.
5 Fisch C, Sandner P, Regner L. The value of Chinese 16 李治东,熊 焰,方 曦 . 基于熵权层次分析法的核心专
patents: An empirical investigation of citation lags 利识别应用研究[J]. 情报学报,2016,35(10):1101-1109.
[J]. China Economic Review,2017,(45):22-34. 17 祁延莉,刘西琴 . 核心专利识别方法研究[J]. 情报理论与实
6 田瑞强,刘洢颖,姚长青,潘云涛 . 基于专利文献的创新科技 践,2016,39(11):5-9.
人才识别研究[J]. 情报杂志,2018,37(8):71-77. 18 Van Zeebroeck N. The puzzle of patent value indicators[J].
7 Fischer T, Leidinger J. Testing patent value indicators Economics of Innovation and New Technology,2011,20(1):
on directly observed patent value-an empirical analy⁃ 33-62.
sis of Ocean Tomo patent auctions[J]. Research Poli⁃ 19 郑玉荣,吴新年,田晓阳,任 珩,王君兰 . 基于产业尺度的
cy,2014,(43):519-529. 核心专利判别方法研究——以镍基高温合金专利为例
8 李 钊,张何元,陈劲松 . 引证频次与权利要求数在核心专 [J]. 情报理论与实践,2014,37(7):81-85.
利判别中的应用评析[J]. 竞争情报,2017,13(2):24-29. 20 袁 润,钱 过 . 识别核心专利的粗糙集理论模型[J]. 图
9 Grimaldi M, Cricelli L, Giovanni M D, et al. The pat⁃ 书情报工作,2015,59(2):123-130.
（责任编辑：孙晓明）

- 26 -