특허의 중요성이 커짐에 따라 특허분석의 중요성 또한 점점 커지고 있다. 특허분석은 네트워크 기반 방법과 키워드 기반 방법으로 나눠지는데 네트워크 기반은 특허 내부에 존재하는 세부 기술정보에 대한 분석이 불가능하다는 단점이 있고 키워드 기반은 기술정보간의 상호관계를 규명하지 못한다는 단점이 있다. 기존에 제시된 네트워크 기반 특허 분석과 키워드 기반 분석의 한계를 극복하기 위해서 두 방법을 혼합한 방법으로서 본 연구에서는 특허 키워드 네트워크 기반 분석 방법론을 제시하였다. 본 연구에서는 LED 분야의 특허들을 대상으로 텍스트 마이닝을 통해 중요한 기술정보를 추출한 다음, 키워드 네트워크를 구축하고, 이를 대상으로 커뮤니티 네트워크 분석을 수행하였다. 분석 결과는 다음과 같다. 첫째, 특허 키워드 네트워크는 매우 낮은 밀도와 매우 높은 클러스터링 지수를 나타내었다. 밀도가 높다는 것은 LED 분야내 특허 키워드 네트워크 내 노드(키워드)들이 산발적으로 연결되어 있다는 것을 의미하며, 클러스터링 지수가 높다는 것은 해당 키워드 네트워크 내 노드, 즉 키워드들이 각각의 커뮤니티로 매우 긴밀하게 연결되어 있음을 나타낸다. 둘째, 특허 키워드 네트워크도 다른 지식네트워크와 마찬가지로 명확한 멱함수 분포를 따른다는 사실을 알 수 있었다. 이는 기존에 활발히 연구, 활용되어 많은 연결고리를 갖고 있는 특허개념(키워드)수록 지속적으로 다른 연구자들에 의해 선택되고 이 키워드를 바탕으로 새로운 키워드들이 연결되어서 이들 키워드간의 조합으로 새로운 기술이 발명된다는 것이다. 셋째, 특허가 개발될 때 특정 분야에 유입된 키워드 중 새로운 링크가 생긴 키워드의 대부분이 기존에 연결되어 있던 커뮤니티 내의 키워드들과 결합되어 새로운 특허 개념을 구성한다는 사실을 발견하였다. 이러한 사실은 단기(4년) 장기(10년) 두 기간 모두 동일하게 나타났다. 나아가 본 연구에서 제시한 방법론을 통해 도출된 특허 키워드 조합 정보를 활용하면 미래에 어떤 개념들이 합쳐져서 새로운 특허 단위로 만들어 질지 가늠해볼 수 있고, 새로운 특허를 개발할 때 참고할 수 있는 유용한 정보로 활용할 수 있다.
특허의 중요성이 커짐에 따라 특허분석의 중요성 또한 점점 커지고 있다. 특허분석은 네트워크 기반 방법과 키워드 기반 방법으로 나눠지는데 네트워크 기반은 특허 내부에 존재하는 세부 기술정보에 대한 분석이 불가능하다는 단점이 있고 키워드 기반은 기술정보간의 상호관계를 규명하지 못한다는 단점이 있다. 기존에 제시된 네트워크 기반 특허 분석과 키워드 기반 분석의 한계를 극복하기 위해서 두 방법을 혼합한 방법으로서 본 연구에서는 특허 키워드 네트워크 기반 분석 방법론을 제시하였다. 본 연구에서는 LED 분야의 특허들을 대상으로 텍스트 마이닝을 통해 중요한 기술정보를 추출한 다음, 키워드 네트워크를 구축하고, 이를 대상으로 커뮤니티 네트워크 분석을 수행하였다. 분석 결과는 다음과 같다. 첫째, 특허 키워드 네트워크는 매우 낮은 밀도와 매우 높은 클러스터링 지수를 나타내었다. 밀도가 높다는 것은 LED 분야내 특허 키워드 네트워크 내 노드(키워드)들이 산발적으로 연결되어 있다는 것을 의미하며, 클러스터링 지수가 높다는 것은 해당 키워드 네트워크 내 노드, 즉 키워드들이 각각의 커뮤니티로 매우 긴밀하게 연결되어 있음을 나타낸다. 둘째, 특허 키워드 네트워크도 다른 지식네트워크와 마찬가지로 명확한 멱함수 분포를 따른다는 사실을 알 수 있었다. 이는 기존에 활발히 연구, 활용되어 많은 연결고리를 갖고 있는 특허개념(키워드)수록 지속적으로 다른 연구자들에 의해 선택되고 이 키워드를 바탕으로 새로운 키워드들이 연결되어서 이들 키워드간의 조합으로 새로운 기술이 발명된다는 것이다. 셋째, 특허가 개발될 때 특정 분야에 유입된 키워드 중 새로운 링크가 생긴 키워드의 대부분이 기존에 연결되어 있던 커뮤니티 내의 키워드들과 결합되어 새로운 특허 개념을 구성한다는 사실을 발견하였다. 이러한 사실은 단기(4년) 장기(10년) 두 기간 모두 동일하게 나타났다. 나아가 본 연구에서 제시한 방법론을 통해 도출된 특허 키워드 조합 정보를 활용하면 미래에 어떤 개념들이 합쳐져서 새로운 특허 단위로 만들어 질지 가늠해볼 수 있고, 새로운 특허를 개발할 때 참고할 수 있는 유용한 정보로 활용할 수 있다.
New concepts and ideas often result from extensive recombination of existing concepts or ideas. Both researchers and developers build on existing concepts and ideas in published papers or registered patents to develop new theories and technologies that in turn serve as a basis for further developmen...
New concepts and ideas often result from extensive recombination of existing concepts or ideas. Both researchers and developers build on existing concepts and ideas in published papers or registered patents to develop new theories and technologies that in turn serve as a basis for further development. As the importance of patent increases, so does that of patent analysis. Patent analysis is largely divided into network-based and keyword-based analyses. The former lacks its ability to analyze information technology in details while the letter is unable to identify the relationship between such technologies. In order to overcome the limitations of network-based and keyword-based analyses, this study, which blends those two methods, suggests the keyword network based analysis methodology. In this study, we collected significant technology information in each patent that is related to Light Emitting Diode (LED) through text mining, built a keyword network, and then executed a community network analysis on the collected data. The results of analysis are as the following. First, the patent keyword network indicated very low density and exceptionally high clustering coefficient. Technically, density is obtained by dividing the number of ties in a network by the number of all possible ties. The value ranges between 0 and 1, with higher values indicating denser networks and lower values indicating sparser networks. In real-world networks, the density varies depending on the size of a network; increasing the size of a network generally leads to a decrease in the density. The clustering coefficient is a network-level measure that illustrates the tendency of nodes to cluster in densely interconnected modules. This measure is to show the small-world property in which a network can be highly clustered even though it has a small average distance between nodes in spite of the large number of nodes. Therefore, high density in patent keyword network means that nodes in the patent keyword network are connected sporadically, and high clustering coefficient shows that nodes in the network are closely connected one another. Second, the cumulative degree distribution of the patent keyword network, as any other knowledge network like citation network or collaboration network, followed a clear power-law distribution. A well-known mechanism of this pattern is the preferential attachment mechanism, whereby a node with more links is likely to attain further new links in the evolution of the corresponding network. Unlike general normal distributions, the power-law distribution does not have a representative scale. This means that one cannot pick a representative or an average because there is always a considerable probability of finding much larger values. Networks with power-law distributions are therefore often referred to as scale-free networks. The presence of heavy-tailed scale-free distribution represents the fundamental signature of an emergent collective behavior of the actors who contribute to forming the network. In our context, the more frequently a patent keyword is used, the more often it is selected by researchers and is associated with other keywords or concepts to constitute and convey new patents or technologies. The evidence of power-law distribution implies that the preferential attachment mechanism suggests the origin of heavy-tailed distributions in a wide range of growing patent keyword network. Third, we found that among keywords that flew into a particular field, the vast majority of keywords with new links join existing keywords in the associated community in forming the concept of a new patent. This finding resulted in the same outcomes for both the short-term period (4-year) and long-term period (10-year) analyses. Furthermore, using the keyword combination information that was derived from the methodology suggested by our study enables one to forecast which concepts combine to form a new patent dimension and refer to those conc
New concepts and ideas often result from extensive recombination of existing concepts or ideas. Both researchers and developers build on existing concepts and ideas in published papers or registered patents to develop new theories and technologies that in turn serve as a basis for further development. As the importance of patent increases, so does that of patent analysis. Patent analysis is largely divided into network-based and keyword-based analyses. The former lacks its ability to analyze information technology in details while the letter is unable to identify the relationship between such technologies. In order to overcome the limitations of network-based and keyword-based analyses, this study, which blends those two methods, suggests the keyword network based analysis methodology. In this study, we collected significant technology information in each patent that is related to Light Emitting Diode (LED) through text mining, built a keyword network, and then executed a community network analysis on the collected data. The results of analysis are as the following. First, the patent keyword network indicated very low density and exceptionally high clustering coefficient. Technically, density is obtained by dividing the number of ties in a network by the number of all possible ties. The value ranges between 0 and 1, with higher values indicating denser networks and lower values indicating sparser networks. In real-world networks, the density varies depending on the size of a network; increasing the size of a network generally leads to a decrease in the density. The clustering coefficient is a network-level measure that illustrates the tendency of nodes to cluster in densely interconnected modules. This measure is to show the small-world property in which a network can be highly clustered even though it has a small average distance between nodes in spite of the large number of nodes. Therefore, high density in patent keyword network means that nodes in the patent keyword network are connected sporadically, and high clustering coefficient shows that nodes in the network are closely connected one another. Second, the cumulative degree distribution of the patent keyword network, as any other knowledge network like citation network or collaboration network, followed a clear power-law distribution. A well-known mechanism of this pattern is the preferential attachment mechanism, whereby a node with more links is likely to attain further new links in the evolution of the corresponding network. Unlike general normal distributions, the power-law distribution does not have a representative scale. This means that one cannot pick a representative or an average because there is always a considerable probability of finding much larger values. Networks with power-law distributions are therefore often referred to as scale-free networks. The presence of heavy-tailed scale-free distribution represents the fundamental signature of an emergent collective behavior of the actors who contribute to forming the network. In our context, the more frequently a patent keyword is used, the more often it is selected by researchers and is associated with other keywords or concepts to constitute and convey new patents or technologies. The evidence of power-law distribution implies that the preferential attachment mechanism suggests the origin of heavy-tailed distributions in a wide range of growing patent keyword network. Third, we found that among keywords that flew into a particular field, the vast majority of keywords with new links join existing keywords in the associated community in forming the concept of a new patent. This finding resulted in the same outcomes for both the short-term period (4-year) and long-term period (10-year) analyses. Furthermore, using the keyword combination information that was derived from the methodology suggested by our study enables one to forecast which concepts combine to form a new patent dimension and refer to those conc
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
먼저 현시점에서 새로 출원된 특허에서 특허를 구성하는 주요 개념정보인 키워드들을 추출한다. 그 다음 커뮤니티 네트워크 분석을 통해서 새로 유입된 키워드가 기존의 어떤 커뮤니티와 링크를 하고 있는지 확인한다. 마지막으로 링크를 맺고 있는 커뮤니티 내의 키워드를 추출하여, 새로이 유입된 키워드와 조합한다.
차후 연구주제로는 본 연구에서 제시한 방법론을 LED 이외의 다른 특허분야를 선택하여 해당 분야에서도 동일한 연구결과를 제시함으로써 본 연구방법론의 타당성을 검증한다. 나아가 두 분야 이상의 특허정보들이 결합하여 새로운 특허가 만들어지는 과정에서도 본 연구방법론의 적용 가능성 여부를 분석하고자 한다.
이를 통해 새로 유입된 키워드들이 기존에 관계를 맺고 있던 커뮤니티 내 키워드들과 연결될 확률을 파악하고자 하였다. 단기 및 장기 두 가지에 대해 분석한 이유는 본 연구에서 제시하는 분석 방법론이 시간적 간격에 상관없이 유의한 결과를 도출함을 보이기 위해서이다.
반면 키워드 기반 특허분석은 특허 내용을 기반으로 분석을 수행하기 때문에 특허 내의 핵심기술 정보를 파악할 수는 있지만, 다른 특허에서 사용되는 기술정보들과의 상호관계를 규명하지는 못하는 한계점이 있다. 본 연구에서는 앞서 언급한 두 방법론의 한계점을 해결하기 위해 두 방법론을 통합한 기술분석 및 예측 방법론을 제시하고자 한다. 즉, 개별 특허를 대상으로 텍스트 마이닝을 통해 중요한 기술정보를 추출한 다음, 키워드 네트워크를 구축하고, 이를 대상으로 커뮤니티 네트워크 분석을 수행한다.
반면 장기분석은 <그림 2>에 제시된 것처럼, 2000～2005년(6년) 구간을 테스트기간으로 두고, 이 기간 대비 2005년에 새로 유입된 키워드들에 대해, 검증기간(2006～2010년)동안 다른 키워드들과의 모든 연결 수 대비 테스트 기간에 형성된 커뮤니티 내 키워드들과의 연결수의 비율을 분석하였다. 이를 통해 새로 유입된 키워드들이 기존에 관계를 맺고 있던 커뮤니티 내 키워드들과 연결될 확률을 파악하고자 하였다. 단기 및 장기 두 가지에 대해 분석한 이유는 본 연구에서 제시하는 분석 방법론이 시간적 간격에 상관없이 유의한 결과를 도출함을 보이기 위해서이다.
이에 본 연구에서는 기존의 특허분석 방법론인 네트워크 기반 특허분석과 키워드기반 특허 분석의 한계점을 해결하기 위해 두 방법론을 통합한 기술분석 및 예측 방법론을 제시하였다. 특히 본 연구에서는 LED 분야의 특허들을 대상으로 텍스트 마이닝을 통해 중요한 기술정보를 추출한 다음, 키워드 네트워크를 구축하고, 이를 대상으로 커뮤니티 네트워크 분석을 수행하고, 이를 통해 특허 각각이 지니는 핵심기술요소에 대한 구체적인 정보를 파악할 수 있고, 해당분야 전문가들에게 미래에 개발 가능한 특허 키워드 조합을 제시하는 방법론을 제안하였다.
본 연구 대상 분야인 LED의 경우도 검색어를 LED로 할 경우 수만 개의 특허가 출원되기에 추출된 모든 특허들을 대상으로 하기에는 한계가 있었다. 이에 본 연구에서는 전문가의 자문을 얻어서 대상 분야를 좁혀서 분석하였다.
제안 방법
왜냐하면 두 기간을 단절하고 데이터를 수집했을 경우 키워드의 유입 기간 1년 동안 실험 네트워크 구성 또한 변할 수 있기 때문이다. 그렇기 때문에 최신 네트워크 상태를 유지하기 위해 두 기간을 중첩하여 실험 데이터를 구성하였다.
네트워크 기반 커뮤니티를 분석하기에 앞서 특허 키워드 네트워크의 기본적인 특성을 파악하기 위해 먼저 주요 네트워크 지표에 대해서 분석하였다. 네트워크 밀도(Density)와 클러스터링 지수(Clustering coefficient)에 대한 분석 결과 <표 1>에서 제시된 바와 같이 특허 키워드 네트워크는 산발적이고 군집도가 높은 특성을 갖고 있는 것으로 파악되었다.
특허 초록은 자연어로 구성되어 있기 때문에 먼저 텍스트 마이닝을 통해 특허 별로 중요한 키워드들을 추출한다. 다음으로 추출된 키워드 데이터들에 대해 해당 산업의 전문가의 도움을 받아 키워드들에 대한 표준화 작업을 수행하였다. 표준화 작업을 하는 이유는 텍스트 마이닝을 통해 추출된 키워드가 서로 동일한 뜻을 의미함에도 불구하고, 다른 단어로 쓰여져 있는 경우가 있기 때문이다.
단기분석은 와 같이 2000～2002년(3년) 구간을 테스트 기간으로 두고, 이 기간 대비 2002년에 새로 유입된 키워드가 테스트기간에 형성된 커뮤니티 내 키워드들에 연결되어 있는 비율을 분석하였다.
네 번째 단계는 구성된 네트워크를 이용해서 커뮤니티를 구성하고 분석하는 단계이다. 먼저 특허 키워드간의 상관관계를 기반으로 테스트 기간에 대한 키워드 커뮤니티를 구성하고, 새로 유입된 키워드들이 미래에 어떤 커뮤니티 내 키워드들과 링크를 하는지 확인한다. 이러한 확인을 통해 새로 유입된 키워드들이 기존에 관계를 맺고 있던 커뮤니티 내 키워드들과 연결될 확률을 분석한다.
결론적으로, 본 연구에서 제시한 방법론을 통해 미래에 개발될 가능성이 높은 특허 구성요소(키워드)에 대한 정보를 세 단계를 거치면 쉽게 파악할 수 있다. 먼저 현시점에서 새로 출원된 특허에서 특허를 구성하는 주요 개념정보인 키워드들을 추출한다. 그 다음 커뮤니티 네트워크 분석을 통해서 새로 유입된 키워드가 기존의 어떤 커뮤니티와 링크를 하고 있는지 확인한다.
반면 장기분석은 에 제시된 것처럼, 2000～2005년(6년) 구간을 테스트기간으로 두고, 이 기간 대비 2005년에 새로 유입된 키워드들에 대해, 검증기간(2006～2010년)동안 다른 키워드들과의 모든 연결 수 대비 테스트 기간에 형성된 커뮤니티 내 키워드들과의 연결수의 비율을 분석하였다.
본 연구에서는 테스트 데이터 대비 예측 시점간의 기간을 기준으로 단기예측(3년치 데이터 기반 4년차 예측)과 장기예측(6년치 데이터 기반 6～10년차 예측) 두 경우로 나눠서 분석하였다. 두 경우에 대한 분석과정은 동일하다.
특히 본 연구에서는 LED 분야의 특허들을 대상으로 텍스트 마이닝을 통해 중요한 기술정보를 추출한 다음, 키워드 네트워크를 구축하고, 이를 대상으로 커뮤니티 네트워크 분석을 수행하고, 이를 통해 특허 각각이 지니는 핵심기술요소에 대한 구체적인 정보를 파악할 수 있고, 해당분야 전문가들에게 미래에 개발 가능한 특허 키워드 조합을 제시하는 방법론을 제안하였다. 아울러 주요 네트워크 지표들을 중심으로 특허 키워드 네트워크가 갖고 있는 다양한 네트워크 특성을 분석하였다. 분석결과 특허 키워드 네트워크는 산발적이면서도 군집적으로 이뤄져 있으며, 네트워크 내 키워드 연결은 멱함수 분포를 나타내었다.
두 경우에 대한 분석과정은 동일하다. 아울러, 실제 연결 강도를 정확히 파악하기 위해 가중치 네트워크 (Weighted network)를 기반으로 연결 정도를 분석하였다. 커뮤니티 분석은 Label Propagation 알고리즘(Raghavan et al.
세 번째 단계로서 정제된 키워드들을 대상으로 네트워크를 구성한다. 앞서 언급한 것처럼 특허에서 추출된 각각의 키워드를 노드로 두고 키워드 간의 관계를 링크로 맺는 네트워크를 구축하였다. 이렇게 네트워크를 형성한 이유는 텍스트 마이닝을 통해서 추출된 키워드는 특허에서 빈도수나 문맥에 따라서(Frantzi et al.
앞서 제시한 Label Propagation 알고리즘을 통해 테스트 기간에 출원된 특허들을 대상으로 추출된 키워드를 파악하고 이를 기반으로 네트워크 커뮤니티를 구성한다. 아울러 테스트 기간의 마지막 해에 유입된 키워드를 파악한다.
아울러 테스트 기간의 마지막 해에 유입된 키워드를 파악한다. 유입된 키워드들을 대상으로, 검증 기간 동안 새로 연결된 타 키워드들과의 모든 연결 대비 해당 키워드가 테스트기간 동안 연결된 커뮤니티 내의 다른 키워드들과의 연결 정도를 분석함으로써, 새로운 연결이 기존에 형성된 커뮤니티 내에 많이 존재하는지 커뮤니티 외부에 많은 지 분석한다. 이를 통해 기술예측 및 분석에 있어서 신규 유입 키워드와 기존 커뮤니티내 키워드들과의 조합을 통한 기술예측 가능성을 확인할 수 있다.
먼저 특허 키워드간의 상관관계를 기반으로 테스트 기간에 대한 키워드 커뮤니티를 구성하고, 새로 유입된 키워드들이 미래에 어떤 커뮤니티 내 키워드들과 링크를 하는지 확인한다. 이러한 확인을 통해 새로 유입된 키워드들이 기존에 관계를 맺고 있던 커뮤니티 내 키워드들과 연결될 확률을 분석한다.
본 연구에서는 앞서 언급한 두 방법론의 한계점을 해결하기 위해 두 방법론을 통합한 기술분석 및 예측 방법론을 제시하고자 한다. 즉, 개별 특허를 대상으로 텍스트 마이닝을 통해 중요한 기술정보를 추출한 다음, 키워드 네트워크를 구축하고, 이를 대상으로 커뮤니티 네트워크 분석을 수행한다. 이를 통해 특허 각각이 지니는 핵심기술요소에 대한 구체적인 정보를 파악할 수 있고, 이들 간의 연관관계를 분석할 수 있으며, 나아가 해당분야 전문가들에게 미래에 개발 가능한 구체적인 기술요소들의 조합을 제시할 수 있다.
이에 본 연구에서는 기존의 특허분석 방법론인 네트워크 기반 특허분석과 키워드기반 특허 분석의 한계점을 해결하기 위해 두 방법론을 통합한 기술분석 및 예측 방법론을 제시하였다. 특히 본 연구에서는 LED 분야의 특허들을 대상으로 텍스트 마이닝을 통해 중요한 기술정보를 추출한 다음, 키워드 네트워크를 구축하고, 이를 대상으로 커뮤니티 네트워크 분석을 수행하고, 이를 통해 특허 각각이 지니는 핵심기술요소에 대한 구체적인 정보를 파악할 수 있고, 해당분야 전문가들에게 미래에 개발 가능한 특허 키워드 조합을 제시하는 방법론을 제안하였다. 아울러 주요 네트워크 지표들을 중심으로 특허 키워드 네트워크가 갖고 있는 다양한 네트워크 특성을 분석하였다.
대상 데이터
본 연구에서 사용된 분석 대상 자료는 LED(Light Emitting Diode) 분야의 특허로서, 미국 특허청(U.S. Patent and Trademark Office, USPTO)에서 출원된 국제 특허들을 대상으로 하였다. 추출된 특허는 WIPS1)에서 검색어((light adj emi* adj diode) LED) and (fluorescen* adj material*)를 통해 검색된 2000년부터 2010년까지 출원된 LED 관련 314개의 국제 특허이다.
첫 번째 단계는 데이터를 수집하는 과정으로서, 먼저 기술을 예측하고자 하는 특허분야를 정하고, 해당 분야 내 특허 데이터를 수집한다. 앞서 설명한 것처럼 본 연구에서는 특허 정보의 결합 과정을 효과적으로 파악하기 위해 새로운 특허가 많이 도출되는 LED 분야를 분석 대상으로 선정하고, 2000년부터 2010년까지 출원된 LED 분야의 특허 314개의 정보를 수집하였다.
Patent and Trademark Office, USPTO)에서 출원된 국제 특허들을 대상으로 하였다. 추출된 특허는 WIPS1)에서 검색어((light adj emi* adj diode) LED) and (fluorescen* adj material*)를 통해 검색된 2000년부터 2010년까지 출원된 LED 관련 314개의 국제 특허이다. LED 분야를 선택한 이유는 LED 분야가 최근 빠르게 발전해왔으며, 이로 인해 새로운 특허가 많이 생성되고 있으며, 특허 정보가 결합되는 과정을 효과적으로 볼 수 있기 때문이다.
이론/모형
아울러, 실제 연결 강도를 정확히 파악하기 위해 가중치 네트워크 (Weighted network)를 기반으로 연결 정도를 분석하였다. 커뮤니티 분석은 Label Propagation 알고리즘(Raghavan et al., 2002)을 사용하였다.
성능/효과
<표 2> 커뮤니티 분석 결과
결론적으로, 본 연구에서 제시한 방법론을 통해 미래에 개발될 가능성이 높은 특허 구성요소(키워드)에 대한 정보를 세 단계를 거치면 쉽게 파악할 수 있다
. 먼저 현시점에서 새로 출원된 특허에서 특허를 구성하는 주요 개념정보인 키워드들을 추출한다.
구체적으로 살펴보면, 에서 분석된 바와 같이 장기예측의 경우 키워드 유입기간에 새로 유입된 키워드 중 검증 기간에 새로운 링크를 맺은 횟수가 많은 상위 20개의 키워드 중 CONDUCTIVE MATERIAL만 빼고 나머지 14개 키워드는 모두 100% 기존에 연결되었던 커뮤니티 내의 키워드들과 연결되었다는 것을 알 수 있다.
네트워크 밀도(Density)와 클러스터링 지수(Clustering coefficient)에 대한 분석 결과 에서 제시된 바와 같이 특허 키워드 네트워크는 산발적이고 군집도가 높은 특성을 갖고 있는 것으로 파악되었다.
이러한 결과는 특허 키워드 네트워크의 한 예로서 <그림 3>에서 제시된 네트워크 구성도(2000～2003년 데이터 기반)에서도 직관적으로 확인할 수 있다. 단기예측에 대한 분석결과 및 장기예측에 대한 분석결과 모두 공통적으로 매우 낮은 밀도와 매우 높은 클러스터링 지수를 나타내었다. 밀도가 높다는 것은 LED 분야내 특허 키워드 네트워크 내 노드(키워드)들이 산발적으로 연결되어 있다는 것을 의미하며, 클러스터링 지수가 높다는 것은 해당 키워드 네트워크 내 노드, 즉 키워드들이 각각의 커뮤니티로 매우 긴밀하게 연결되어 있음을 나타낸다.
아울러 주요 네트워크 지표들을 중심으로 특허 키워드 네트워크가 갖고 있는 다양한 네트워크 특성을 분석하였다. 분석결과 특허 키워드 네트워크는 산발적이면서도 군집적으로 이뤄져 있으며, 네트워크 내 키워드 연결은 멱함수 분포를 나타내었다.
<그림 5>에서 볼 수 있듯이 커뮤니티 분석의 단기예측 결과에 따르면 키워드 유입기간에 새로 유입된 키워드 중 새로운 링크가 생긴 키워드의 92%가 기존의 연결되어있던 커뮤니티 내의 키워드들과 링크가 생긴다는 사실을 확인할 수 있다. 장기예측 결과를 살펴보면 키워드 유입기간에 새로 유입된 키워드 중 검증 기간에 새로운 링크가 생긴 키워드의 86%가 기존에 연결되어 있던 커뮤니티 내의 키워드들과 새로운 연결을 한다는 것을 보여준다.
유입된 키워드들을 대상으로, 검증 기간 동안 새로 연결된 타 키워드들과의 모든 연결 대비 해당 키워드가 테스트기간 동안 연결된 커뮤니티 내의 다른 키워드들과의 연결 정도를 분석함으로써, 새로운 연결이 기존에 형성된 커뮤니티 내에 많이 존재하는지 커뮤니티 외부에 많은 지 분석한다. 이를 통해 기술예측 및 분석에 있어서 신규 유입 키워드와 기존 커뮤니티내 키워드들과의 조합을 통한 기술예측 가능성을 확인할 수 있다. 나아가 이러한 방법론에 기반하여 유입되는 키워드와 연결된 기존 커뮤니티에 대해 해당 키워드와, 연결된 커뮤니티 내 타 키워드들을 묶어서 제시함으로써 새로운 특허 및 기술개발을 위한 참조정보로 활용될 수 있다.
<그림 5>에서 볼 수 있듯이 커뮤니티 분석의 단기예측 결과에 따르면 키워드 유입기간에 새로 유입된 키워드 중 새로운 링크가 생긴 키워드의 92%가 기존의 연결되어있던 커뮤니티 내의 키워드들과 링크가 생긴다는 사실을 확인할 수 있다. 장기예측 결과를 살펴보면 키워드 유입기간에 새로 유입된 키워드 중 검증 기간에 새로운 링크가 생긴 키워드의 86%가 기존에 연결되어 있던 커뮤니티 내의 키워드들과 새로운 연결을 한다는 것을 보여준다.
후속연구
이를 통해 기술예측 및 분석에 있어서 신규 유입 키워드와 기존 커뮤니티내 키워드들과의 조합을 통한 기술예측 가능성을 확인할 수 있다. 나아가 이러한 방법론에 기반하여 유입되는 키워드와 연결된 기존 커뮤니티에 대해 해당 키워드와, 연결된 커뮤니티 내 타 키워드들을 묶어서 제시함으로써 새로운 특허 및 기술개발을 위한 참조정보로 활용될 수 있다.
LED 분야뿐 아니라 특정 분야의 특허는 그 양이 방대해서 특정 분야의 특허 데이터 추출 및 정제과정에서 많은 시간과 인력이 소요된다. 본 연구 대상 분야인 LED의 경우도 검색어를 LED로 할 경우 수만 개의 특허가 출원되기에 추출된 모든 특허들을 대상으로 하기에는 한계가 있었다. 이에 본 연구에서는 전문가의 자문을 얻어서 대상 분야를 좁혀서 분석하였다.
본 연구의 한계점으로는 LED 분야의 모든 특허를 수집하지 못한 점을 들 수 있다. LED 분야뿐 아니라 특정 분야의 특허는 그 양이 방대해서 특정 분야의 특허 데이터 추출 및 정제과정에서 많은 시간과 인력이 소요된다.
차후 연구주제로는 본 연구에서 제시한 방법론을 LED 이외의 다른 특허분야를 선택하여 해당 분야에서도 동일한 연구결과를 제시함으로써 본 연구방법론의 타당성을 검증한다. 나아가 두 분야 이상의 특허정보들이 결합하여 새로운 특허가 만들어지는 과정에서도 본 연구방법론의 적용 가능성 여부를 분석하고자 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
네트워크 기반 방법은 어떠한 단점이 있는가?
특허의 중요성이 커짐에 따라 특허분석의 중요성 또한 점점 커지고 있다. 특허분석은 네트워크 기반 방법과 키워드 기반 방법으로 나눠지는데 네트워크 기반은 특허 내부에 존재하는 세부 기술정보에 대한 분석이 불가능하다는 단점이 있고 키워드 기반은 기술정보간의 상호관계를 규명하지 못한다는 단점이 있다. 기존에 제시된 네트워크 기반 특허 분석과 키워드 기반 분석의 한계를 극복하기 위해서 두 방법을 혼합한 방법으로서 본 연구에서는 특허 키워드 네트워크 기반 분석 방법론을 제시하였다.
특허분석은 무슨 방법으로 나누어 지는가?
특허의 중요성이 커짐에 따라 특허분석의 중요성 또한 점점 커지고 있다. 특허분석은 네트워크 기반 방법과 키워드 기반 방법으로 나눠지는데 네트워크 기반은 특허 내부에 존재하는 세부 기술정보에 대한 분석이 불가능하다는 단점이 있고 키워드 기반은 기술정보간의 상호관계를 규명하지 못한다는 단점이 있다. 기존에 제시된 네트워크 기반 특허 분석과 키워드 기반 분석의 한계를 극복하기 위해서 두 방법을 혼합한 방법으로서 본 연구에서는 특허 키워드 네트워크 기반 분석 방법론을 제시하였다.
본 논문에서 LED 분야의 특허들을 대상으로 텍스트 마이닝을 통해 추출한 정보를 분석을 한 결과는 무엇인가?
분석 결과는 다음과 같다. 첫째, 특허 키워드 네트워크는 매우 낮은 밀도와 매우 높은 클러스터링 지수를 나타내었다. 밀도가 높다는 것은 LED 분야내 특허 키워드 네트워크 내 노드(키워드)들이 산발적으로 연결되어 있다는 것을 의미하며, 클러스터링 지수가 높다는 것은 해당 키워드 네트워크 내 노드, 즉 키워드들이 각각의 커뮤니티로 매우 긴밀하게 연결되어 있음을 나타낸다. 둘째, 특허 키워드 네트워크도 다른 지식네트워크와 마찬가지로 명확한 멱함수 분포를 따른다는 사실을 알 수 있었다. 이는 기존에 활발히 연구, 활용되어 많은 연결고리를 갖고 있는 특허개념(키워드)수록 지속적으로 다른 연구자들에 의해 선택되고 이 키워드를 바탕으로 새로운 키워드들이 연결되어서 이들 키워드간의 조합으로 새로운 기술이 발명된다는 것이다. 셋째, 특허가 개발될 때 특정 분야에 유입된 키워드 중 새로운 링크가 생긴 키워드의 대부분이 기존에 연결되어 있던 커뮤니티 내의 키워드들과 결합되어 새로운 특허 개념을 구성한다는 사실을 발견하였다. 이러한 사실은 단기(4년) 장기(10년) 두 기간 모두 동일하게 나타났다.
참고문헌 (25)
Agami, N. M. E., A. M. A. Omran, M. M. Saleh, and H. E. E. E. Shishiny, "An enhanced approach for Trend Impact Analysis", Technological Forecasting and Social Change, Vol.75, No.9(2008), 1439-1450.
Albert, R., I. Albert, and G. L. Nakarado, "Structural vulnerability of the North American power grid", Physical Review E, Vol.58, No.2 (2004).
Bagler, G., "Analysis of the airport network of India as a complex weighted network", Physica A：Statistical Mechanics and its Applications, Vol.387, No.12(2008), 2972-2980.
Bengisu, M. and R. Nekhili, "Forecasting emerging technologies with the aid of science and technology databases", Technological Forecasting and Social Change, Vol.73, No.7(2006), 835-844.
Borner, K., J. T. Maru, and R. L. Goldstone, "The simultaneous evolution of author and paper networks", Proceedings of the National Academy of Sciences of the United State of America, Vol.101, No.1(2004), 5266-5273.
Cancho, R. F. and V. S. Richard, "The small world of human language", Proceedings of the royal society, Vol.268, No.1482(2001), 2261-2265.
Frantzi, K., S. Ananiadou, and H. Mima, "Automatic recognition of multi-word terms", International J ournal of Digital Libraries, Vol.3, No.2(2002), 117-132.
Girvan, M. and M. E. J. Newman, "Community structure in social and biological networks", Proceedings of the National Academy of Sciences of the United states of America, Vol.99, No.12(2002), 7821-7826.
Lee, S. J., B. G. Yoon, and Y. T. Park, "An approach to discovering new technology opportunities： Keyword-based patent map approach", Technovation, Vol.29, No.6/7(2009), 481-497.
Lee, S. J., S. H. Lee, H. J. Seol, and Y. T. Park, "Using patent information for designing new product and technology：keyword based technology roadmapping", R&D Management, Vol.38, No.2(2008), 169-188.
Li, M., Y. Fana, J. Chena, L. Gaoa, Z. Dia, and J. Wua, "Weighted networks of scientific communication : the measurement and topological role of weight", Physica A : Statistical Mechanics and its Applications, Vol.350, No.2/4(2005), 643-656.
Li, X., H. Chen, Z. Huang, and M. C. Roco, "Patent citation network in nanotechnology (1976-2004)", Journal of Nanoparticle Research, Vol.9(2007), 337-352.
Raghavan, U. N., R. Albert, and S. Kumara, "Near linear time algorithm to detect community structures in large-scale networks", Physical Review E, Vol.76, No.5(2007).
Tseng, Y. H. and C. J. Lin, "Text mining techniques for patent analysis", Information Processing and Management, Vol.43, No.4(2007), 1216-1247.
Wanga, M. and G. D. Yua, "Measuring the preferential attachment mechanism in citation networks", Physica A：Statistical Mechanics and its Applications, Vol.387, No.18(2008), 4692-4698.
Wartburg, I. V., T. Teichert, and K. Rost, "Inventive progress measured by multi-stage patent citation analysis", Research Policy, Vol.34, No.10(2005), 1591-1607.
Weaver, W. T., "The Delphi forecasting method," The Phi Delta Kappan, Vol.52, No.5 (1971), 267-271.
Yoon, B. G. and Y. T. Park, "A text-mining- based patent network：Analytical tool for high-technology trend", Journal of High Technology Management Research, Vol.15, No.1(2004), 37-50.
Yoon, B. G. and Y. T. Park, "Development of new technology forecasting algorithm：hybrid approach for morphology analysis and conjoint analysis of patent information", IEEE Transactions on Engineering Management, Vol.54, No.3(2007), 588-599.
Yoon, B. U., C. B. Yoon, and Y. T. Park, "On the development and application of a self-organizing feature map-based patent map", R&D Management, Vol.32, No.4(2002), 29 1-300.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.