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