摘要：知识产权信息服务具有重要的经济价值和社会意义，对国家创新发展和提升整体经济竞争力具有重要影响。文章在分析知识产权信息服务研究现状的基础上，结合专家打分法在5个维度25个二级指标基础上，利用AHP法确定专家权重。结合专家权重，采用Resnet神经网络构建知识产权信息服务质量评价体系。研究发现，在平台资源内容、平台检索功能、平台运行性能、平台服务程度、平台特色服务这5个一级指标中，平台资源内容在知识产权信息服务质量评价指标体系中占主导地位，其权重占比最高，达到了50%。

关键词：知识产权，信息公共服务，影响因素，层次分析法，AHP-Resnet

[基金项目：福建省中青年教师教育科研项目“基于开源软件的专利分析方法研究”（JZ170313）]

一、引言

2021年习近平总书记发表重要文章《全面加强知识产权保护工作 激发创新活力推动构建新发展格局》，提出要形成便民利民的知识产权公共服务体系，及时传播知识产权信息，让创新成果更好惠及人民^[1]。中共中央、国务院发布《知识产权强国建设纲要（2021—2035年）》，指出要“打通知识产权创造、运用、保护、管理和服务全链条^[2]。2020年2月，教育部、国家知识产权局、科技部三部门联合发布《关于提升高等学校专利质量促进转化运用的若干意见》^[3]，也强调了高校知识产权信息服务工作应当在促进科技成果转化和提高学校“双一流”建设能力方面发挥自身的作用。鉴于以上情况，如何构建知识产权信息服务平台，增强平台使用功能，打通大学城高校与周边高新区企业知识产权交流通道，成为了目前阶段的主要问题。

目前，知识产权信息服务平台的研究主要以服务模式和服务能力为主。初彦伯等基于改进Kano模型及5个计算指标，推断出5项基本型需求^[4]。韦景竹等提出对系统支持的要求为设备兼容性、网络稳定性、数据库稳定性及界面美观性^[5]。陈钰欣通过调研广东省高校图书馆知识产权信息服务，对比分析了服务概况、服务内容、资源配置3个方面存在的问题并提出完善建议^[6]。张更平等探寻现阶段影响服务能力的核心因素，构建了4个维度的指标体系^[7]。然而，上述研究普遍存在分析内容不够全面、分析角度单一以及带有强烈个人主观因素等问题，不能很好地对知识产权服务质量进行评价。因此，本文通过专家访谈收集数据并构建包含5个一级指标和25个二级指标的知识产权信息服务质量评价体系，基于收集到的308份数据，在采用分析层级过程（Analytic Hierarchy Process，AHP）法保证数据科学性的同时结合残差网络（Residual network，Resnet）训练得到最终的指标权重，克服传统的基于统计的评价模型计算过程复杂和最终指标带有强烈个人主观因素的问题，同时通过对比试验验证所提出的模型具有很好的性能。

二、知识产权信息服务质量评价模型及指标体系构建、权重初定

本文提出一种基于AHP-Resnet的优化模型。该方法结合了AHP法能够在不同层次上对多个因素进行权衡以及Resnet神经网络参数更容易收敛的优点。首先，选取指标建立评价指标体系层次结构，通过专家评分、采用AHP法得到服务质量评价指标权重初始值；其次，根据专家访谈结果，利用初始权重值计算出样本指标的线性加权值；接着，将样本的实际指标数据作为输入向量，线性加权值作为目标向量，构建Resnet神经网络模型进行训练；最后，网络输出优化后的各项指标权重值以确立指标体系。该方法一方面利用卷积神经网络处理序列数据时进行权值共享，使得参数数量有效减少；另一方面采用AHP的人工评价方法，弥补了卷积神经网络权重任意赋值的缺点，降低了神经网络训练陷入局部极小值的概率。

（一）评价指标体系构建

AHP法由Saaty于1970年提出^[8]。AHP法的基本思想是将一个复杂的决策问题分解成一系列包含相关因素或标准的层，计算每一对因素或标准之间的相对权重得到最终的综合评估结果。本文通过对国内外文献^[9-31]进行深入研究和分析，整理出前沿的评价指标体系作为基础框架，为构建知识产权信息服务评价体系提供了重要的参考依据。主要指标说明及参考文献如表1所示。

（二）AHP法指标权重初定

为了将知识产权信息服务质量指标体系分解为不同层次结构，进而量化各因素的相对重要程度，根据AHP算法对评价指标体系的各层级指标权重及组合权重进行确定，最终确定如表2所示的层次总排序组合权重。

三、基于Resnet卷积神经网络的评价指标权重优化

反向传播（Backpropagation，BP）神经网络^[32]是一种经典的多层前向传播神经网络模型。该模型由输入层、输出层和一个或多个隐含层组成，通过反向传播算法来不断优化每个连接上的权重值。但传统的BP神经网络存在一些缺陷：在某些情况下可能会收敛缓慢，需要更长的时间进行训练。另外，BP神经网络的学习率、权重等超参数的选择也会直接影响训练效果。为了弥补AHP法和上述BP神经网络的缺陷，本文采用AHP法结合Resnet神经网络对指标权重进行优化处理。

Resnet是深度学习领域的一种架构，由He等于2015年提出^[33]。在深度网络中引入了残差单元，使得训练更深的网络变得更加稳定和有效。Resnet的核心思想是“跳跃连接”，将输入直接传递到网络的后续层，有助于解决深层网络中信息逐渐丢失的问题，使网络模型能够表现出更好的性能。

（一）Resnet卷积神经网络算法原理

Resnet的基本思想是通过引入残差学习来解决深度神经网络训练中的问题，特别是梯度消失和模型难以训练的问题。具体算法过程如下：

（1）输入：输入数据（图像或特征图）为x。

（2）特征提取：通过卷积层、批量标准化和激活函数等操作，对输入x进行特征提取，得到中间特征表示z。

（3）残差映射：将中间特征表示z通过一个或多个卷积层变换，得到变换后的特征表示F（z）。

（4）跳跃连接：将输入x与变换后的特征表示F（z）相加，得到残差映射的输出y=x+F（z）。

（5）激活函数：对输出y应用激活函数，如ReLU，得到块的最终输出。

典型的Resnet网络结构如图1所示。

与BP神经网络不同，Resnet神经网络通过多个残差块堆叠，使得训练更深的网络变得更加稳定和有效。残差块结构如图2所示。捷径连接可以直接将上层输入特征x作为部分输出的结果，输出结果为H（x）=F（z）+x。

（二）Resnet卷积神经网络评价模型构建

根据Resnet算法原理，把AHP法得到的专家权重应用于Resnet卷积神经网络，将有助于知识产权信息服务质量指标体系的构建。首先，评价指标的实际数据作为Resnet神经网络的输入；其次，将相应的AHP评价结果作为Resnet神经网络的目标输出。网络的最终自适应权值由网络预测值与实际数据比较学习得出，经过迭代训练最终确定知识产权信息服务质量评价模型。

本文构建一个使用3个残差块的Resnet网络，每个残差块中使用2个一维卷积层，卷积层之间使用sigmoid函数。网络模型结构如图3所示。

（三）Resnet卷积神经网络指标权重优化及体系确立

本文以层次结构模型准则层及方案层中30个指标为基础编制问卷，面向国内已经开展知识产权信息服务的平台发放电子问卷，共回收有效问卷308份。对每一项指标采用通用的评分系统对应1～9分进行统计。完成样本数据采集之后，利用Vscode软件建立Resnet卷积神经网络，将30个评价指标样本数据作为网络输入进行样本学习训练。在数据输入前，首先进行归一化处理，然后按照6:2:2的比例把数据集分割为训练集、验证集和测试集。训练集用于训练建模，验证集用于调整模型的超参数并进行初步评估，而测试集用于评估模型的泛化能力。

在实验过程中，采用均方误差（MSE）作为损失函数来衡量预测值和真实值的差异，采用决定系数（R²）衡量模型对数据上的信息量的捕捉程度，即拟合优度。

式中，y_i为第i个训练样本的真实值，为第i个训练样本的预测值，m为样本总量，为均值。MSE越小，表示模型对样本数据的拟合准确度越高；R²越接近1，表示模型对数据的拟合程度越好，拟合效果越佳。使用训练数据对构建的Resnet卷积神经网络进行学习训练，训练损失曲线如图4所示。由图可知，经过300次迭代后，训练结束，损失达到0.000529，趋于平稳。

接下来，进行对比实验验证模型性能。将Resnet实验训练集输入传统BP神经网络模型中进行模型训练和测试。BP神经网络采用了4层网络结构，使用ReLU作为激活函数以及均方误差作为损失函数，并把Adam优化器的学习率设置为0.001，总实验迭代次数设置为300。对比实验结果如表3所示。BP神经网络和Resnet网络期望输出值和预测输出值的拟合曲线如图5所示。

通过表3可以观察到，在相同实验设置下，Resnet卷积神经网络在训练集、验证集上的MSE损失值依次为0.0005、0.0246，拟合优度R²在训练集、验证集、测试集上分别为0.997、0.860、0.854。BP神经网络在训练集、验证集上的MSE损失值依次为0.0830、0.0875，拟合优度R²在训练集、验证集、测试集上分别为0.203、0.131、-8.066。BP神经网络的训练时间为5.95s，Resnet网络的训练时间为28.96s。此外，结合图5可以看出BP神经网络对于此实验数据并没有很好的适应能力，虽然BP神经网络的训练时间比Resnet网络短，但是BP神经网络的实验精度要远远低于Resnet网络。

（四）基于AHP-Resnet卷积神经网络指标权重优化结果及分析

训练数据经过Resnet卷积神经网络训练得到各指标优化权重，其中表4展示了平台资源内容部分的相关数据。结合表4优化结果可以发现，Resnet网络得到的权重相比于AHP法专家权重有略微浮动，这是因为Resnet网络对数据并不是简单的加权，而是对每个指标的多样性和相关性进行综合评价，这样能够更加准确地反映真实情况，所得到的数据权重更加合理。从最终的知识产权信息服务质量评价指标权重表，可得出如下结论和启示：

（1）平台资源内容在知识产权信息服务质量评价指标体系中占主导作用。准则层的5个指标中平台资源内容权重占比最高，达到了50%。这是因为平台资源内容占比的增加通常与信息的全面性相关。一个高质量的知识产权信息服务平台应该提供涵盖各个领域的相关内容，以满足用户对不同方面信息的需求，这包括专利、商标、著作权等多个领域的信息。因此，高校应重视平台资源内容在知识产权服务质量评价中的重要作用。积极建设全面的知识产权信息数据库，如与相关机构合作、引入专业团队进行信息整理和维护等。同时也要注重信息的及时更新，以满足用户对最新信息的需求。建立定期更新机制，及时跟踪法规、政策和行业动态，确保信息的实时性。

（2）二级指标权重更加体现平台资源内容的重要性。评价体系的二级指标具体阐述了一级指标的评价要求。通过表4展示的二级指标权重，重要性排在前三的指标分别是资源全面性（权重为0.2502）、内容可靠性（权重为0.1034）、内容完整性（权重为0.0865）。这3个指标同时包含在平台资源内容指标中，进一步凸显出平台资源内容的重要性。高校在制定知识产权信息服务质量评价指标体系时，应该更加注重资源的全面性、内容的可靠性和内容的完整性，构建具有针对性的评价体系。

四、结论

本文在界定知识产权信息服务平台内涵的基础上，针对知识产权信息服务平台的特点，首先从平台资源内容、平台检索功能、平台运行性能、平台服务程度和平台特色服务5个方面选择了25个二级指标建立了评价指标体系，然后根据专家评分利用AHP法确定各指标权重并在此基础上利用实际调查数据采用Resnet神经网络模型对评价指标权重进行优化。实验结果表明，Resnet网络训练速度快，误差小，能够很好地满足实验要求。此外，与BP神经网络对比发现，Resnet网络能够更加准确真实地反映实际情况。最终，根据AHP法和Resnet网络得到的各项评价指标的权重评价结果，提出以下建议：

（l）扩大数据采集渠道，从各种权威、可信的来源获取信息，确保涵盖多个领域和多个国家的知识产权数据，以满足用户多样化的需求。

（2）提供更多的高级检索选项，允许用户根据特定条件进行精准检索，减少信息的噪声和冗余。引入数据验证机制，确保信息的准确性和可靠性，避免错误或虚假信息的出现。

（3）为每个知识产权条目提供尽可能详细的信息，包括摘要、权利要求、法律状态等，以满足不同用户的需求。提供文档的在线访问途径，使用户可以直接查看相关专利文档、申请书等，获得更完整的信息。

信息时代下的知识产权信息服务平台，在不断提升内容质量的同时，也要注重技术创新和用户体验的提升，最终目标是建立一个既深度挖掘知识产权信息、又方便获取和使用的平台。通过提供更加优质，全面的知识产权信息服务，推动知识产权领域的研究与创新，提高知识产权信息服务平台的服务质量。

参考文献：

[1]习近平.全面加强知识产权保护工作 激发创新活力推动构建新发展格局[J].求是，2021（3）：4-8.

[2]中共中央 国务院印发《知识产权强国建设纲要（2021—2035年）》[EB/ 0L ].（ 2021-09-22 ）[ 2022-11-17 ].https://www.gov.cn/gongbao/content/ 202l /content_5643253.htm.

[3]教育部 国家知识产权局 科技部关于提升高等学校专利质量促进转化运用的若干意见：教科技[2020]1号[EB/OL].（ 2020-02-03 ）[ 2020-05-27 ].http://www.moe.gov.cn/srcsite/A16/s7062/202002/t20200221_422861.html.

[4]初彦伯，王萍，李佳恒，等.专利信息服务平台功能的Kano模型分析[J].情报资料工作，2022，43（5）：71-80.

[5]韦景竹，操慧子.供需视角下粤港澳大湾区知识产权公共信息服务平台优化研究[J].图书馆建设，2022（1）：166-177.

[6]陈钰欣.我国高校图书馆知识产权信息服务发展及对策研究——以广东省高校为例[J].中国发明与专利，2022，19（7）：50-56.

[7]张更平，陈红艺，陈静，等.高校图书馆专利信息服务能力影响因素研究[J].图书馆学研究，2022（3）：41-51.

[8]储昭辉，储文静，徐立祥，等.基于AHP-BP神经网络的城市移动图书馆服务质量评价优化模型构建[J].图书馆学研究，2020（10）：19-27.

[9]孙丽梅.基于高校学科资源建设全面化图书馆学科化服务[J].山东纺织经济，2009（3）：157-159.

[10]陈云，张梅湘.国内外主要专利信息检索系统的对比研究[J].中国科技信息，2014（11）：130-132.

[11]蔡顺利.基于情报研究室工作的中医药竞争情报监测和采集系统探讨[D].北京：中国中医科学院，2011.

[12]葛川，武金旺，梁建军.煤化工产业专利信息检索与分析系统设计[J].科技和产业，2014，14（7）：23-25+73.

[13]北京东方灵盾科技有限公司.Lindenpat企业版——在线的企业版专利信息平台[C]//PIAC2015中国专利信息年会论文集.2015：1-32.

[14]翟东升，刘晨，欧阳轶慧.专利信息获取分析系统设计与实现[J].现代图书情报技术，2009（5）：55-60.

[15]宋玲玲，季甲.基于网络的两大中国专利信息服务平台对比研究[J].图书馆学刊，2014，36（4）：125-129.

[16]梁凯桐.岭南中药材药物专利信息研究——以广藿香、化橘红为例[D].广州：广州中医药大学，2018.

[17]翟东升，张欣琦，张杰，等.分布式专利信息抽取系统设计与构建[J].现代图书情报技术，2013（7）：114-121.

[18]潘家鑫，吴瑕，李显杨.基于.Net的图书馆图书管理系统设计与实现[J].民营科技，2016（12）：75.

[19]张春红.文本分类在学科导航中的应用研究[D].成都：成都理工大学，2007.

[20]李晓艳，张茵.中国石油石化专利信息平台三级导航的开发和运用[J].科技传播，2012（14）：208-209.

[21]朱林.基于B/S模式的专利信息管理系统的设计与实现[D].南京：东南大学，2018.

[22]郜向荣，袁永翠，左文革.“985工程”高校图书馆专利信息服务现状及发展策略[J].大学图书情报学刊，2017，35（1）：121-124+128.

[23]关鑫.高校图书馆应用SNS服务的研究[J].河北科技图苑，2012，25（3）：53-55.

[24]张发亮，刘优德，胡媛，等.区域知识产权公共信息服务平台“三级四维”运行机制研究[J].图书馆学研究，2018（20）：69-77.

[25]李海燕，宋丹辉.创新创业背景下高校图书馆知识产权知识服务研究[J].科技促进发展，2021，17（7）：1368-1376.

[26]陈皓.展望未来——利用云端平台优化图书馆信息安全与服务的研究[J].河南图书馆学刊，2018，38（12）：89-90.

[27]杨木容.面向科技创新的高校图书馆专利信息服务平台建设[J].图书馆理论与实践，2010（1）：82-84+102.

[28]安徽宏铎知识产权服务有限责任公司.一种知识产权一站式服务系统及服务流程：CN 115564384A [P]. 2023-01-03 .

[29]张盘龙.基于知识图谱的专利推荐系统设计与实现[D].济南：山东大学，2019.

[30]浙江知夫子信息科技有限公司.一种基于知识产权代理的大屏展示开发系统：CN 111427572A [P]. 2020-07-17 .

[31]张演迪.大学技术转移激励机制研究[D].天津：天津大学，2009.

[32]RUMELHART D E, HINTON G E, WILLIAMS R J. Learning representations by back-propagating errors[J]. Nature, 1986, 323（6088）: 533-536.

[33]HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）. New York: IEEE, 2016: 770-778.

作者简介：沈镛，福州大学图书馆，福州大学高校国家知识产权信息服务中心，馆员，研究方向为计算机软件、专利分析、科技查新。