초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

특허는 기술개발의 산출물에 대한 권리를 나타내는 문서로써 이러한 권리를 보장받기 위해선 여러 심사와 조사가 이뤄져서 특정 조건을 갖추고 출원이 되야한다. 이를 위해서 특허 출원과정에서 특허 랜드스케이프 분석을 이용하여 현재 특허 트렌드를 파악하여 개발하고자 하는 기술의 파급성 측정하고 침해 문제를 방지한다. 특허 랜드스케이프는 매우 반복적으로 실행되고 특허에 대한 전반적인 지식이 있는 전문가들에 의해서 실행되기 때문에 시간이나 금전적으로 매우 고비용적이다. 따라서 머신러닝과 ...

특허는 기술개발의 산출물에 대한 권리를 나타내는 문서로써 이러한 권리를 보장받기 위해선 여러 심사와 조사가 이뤄져서 특정 조건을 갖추고 출원이 되야한다. 이를 위해서 특허 출원과정에서 특허 랜드스케이프 분석을 이용하여 현재 특허 트렌드를 파악하여 개발하고자 하는 기술의 파급성 측정하고 침해 문제를 방지한다. 특허 랜드스케이프는 매우 반복적으로 실행되고 특허에 대한 전반적인 지식이 있는 전문가들에 의해서 실행되기 때문에 시간이나 금전적으로 매우 고비용적이다. 따라서 머신러닝과 딥러닝 기법을 이용하여 특허 랜드스케이프 프로세스를 자동화하고자 하는 연구들이 요구되었다. 하지만 특허 랜드스케이프 자동화에 대한 연구는 아직 초기 단계이기에 모델을 실험하고 검증할 관련 연구들과 데이터가 매우 부족한 상태이다. 이미 많은 기술들이 개발되면서 특허 데이터 자체는 대용량으로 존재하지만 이를 딥러닝에 적용하고 목적에 맞는 결과를 내기 위해서는 그에 맞는 전처리가 필수적이다. 다행히도 특허와 같은 학술데이터는 텍스트 데이터와 그래프 데이터 등 다양하게 사용가능한 정보들이 존재하고 활발히 연구될수록 발전가능성이 충분히 많다.
따라서 본 논문에서는 특허 랜드스케이프의 연구 활성화에 대한 기반이 되고자 특허 랜드스케이프의 실제 프로세스를 기반하여 특허 데이터 셋을 구성하기 위한 파이프라인을 개발한다. 파이프라인은 실제 특허 동향 보고서 안의 검색식과 구글 데이터 웨어하우스인 빅쿼리를 기반으로 구성되었다. 또한 이를 기반으로 딥러닝 모델을 실험하기위한 다방면 분야에 대한 데이터 셋을 공개하였다. 제안한 데이터 셋을 위해 특허의 Abstract과 같은 텍스트 데이터를 처리하기 위해 Transformer 모델을 적용하고 특허의 중요한 정보들 중 하나인 분류 코드들 중 USPC, CPC, IPC의 동시 출현 정보를 처리하기 위해 Diff2Vec 모델을 이용하여 검색된 특허들 사이에서 실제 연구 주제와 관련있는 특허들을 분류하는 모델을 개발하였다.
본 논문에서 제안한 파이프라인은 파이썬과 이를 기반으로한 데이터 분석 라이브러리인 판다스를 사용하였으며 딥러닝 모델 아키텍쳐 구현은 마찬가지로 파이썬 기반의 딥러닝 라이브러리인 케라스를 이용하여 구현하였다.
제안한 특허 데이터셋을 통해 실험한 결과 제안한 모델이 이전 연구의 모델보다 나은 성능을 보여주었고 특허 특징들의 비교실험을 통해 특허에서 특징들이 얼마만큼의 영향력을 가지는지 도출하여 앞으로의 특허 분석에서 중요한 의미를 가지는 정보들을 확인하였다.

주제어