知识产权领域大数据的过去、现在与未来

---

“大数据”这个词，常常被用来让普通数据听上去气派一些。其实它的定义相当清楚：要称得上大数据，数据集必须大到或复杂到传统数据处理程序应付不了。

软件技术发展很快。今天所谓“传统”的东西，昨天还是新鲜事物；今天先进的，明天可能就成了传统。

文献列出了若干让数据集变得过大或过于复杂的维度。就知识产权行业的数据而言，最相关的是体量、多样性和真实性。这些维度的重要程度随时间而变，因此判断一个数据集是否算得上大数据，必须把时间因素考虑进去。

过去，是数据点的体量让知识产权数据软件当之无愧地被称作大数据工具。我还记得十年前在慕尼黑大学（LMU）创新管理研究所工作时，我们常常为在可接受的时间内存储和处理全球专利信息而发愁，主要原因就是数据库规模惊人，超过一亿件专利公开文献。算法要在当时市面上能买到的最强服务器上跑好几天。那时候，数据集对传统处理方式来说确实太大了。

如今，在 PostgreSQL 这样的普通数据库上，我们几秒钟就能处理 1.4 亿件专利公开文献，而它正是多数应用所用的标准关系型数据库。单条查询跑到不可计量的情况，我已经很少遇到。若还出现，多半说明架构没搭好，或者方法选得不合适。

到今天，真正让处理变得困难的主要是多样性。在知识产权行业，我们面对的多是结构化数据，即便是全文分析也是如此，这比非结构化数据好用得多。一百多个专利局大体遵循相似的格式，也出现过一些很有帮助的努力来统一各专利数据来源的格式，例如 WIPO 的 ST.36 和 ST.66。所以我们并不缺少一套像样的结构定义。

眼下的问题出在被塞进这套结构里的内容。举个实际的例子：在 Patent-Pilot，我们处理代理信息。有的专利局收录事务所名称，有的只收录代理人姓名，有的两者都收。有的用英文和本地语言分别记录，有的提供自动翻译或音译。地址信息则常常根本没有。我们看到的可能是申请时的原始信息，也可能是中途更新过的内容，却没有任何标记说明发生过更新。可这些都被塞进 XML 里同样的字段。在我看来，应当花更多力气在全球范围内以同一格式采集完全相同的数据，并就相应改造历史数据达成一致，这样收集到的信息才真正具备可比性。

为了处理这些数据集，我们自建了算法，顺带一提，靠的是 HI，也就是 Human Intelligence，而不是 Artificial Intelligence。换句话说，目前大数据领域的大部分工作，都围绕着把杂乱不一致的原始数据标准化。在这件事上，体量不再是障碍，反倒出人意料地大有帮助：数据越多，越容易在相似条目中可靠地认出正确、干净的那一条，并纠正错误的那一条。这也让机器学习算法所用的训练数据变得更好。

大数据对这个行业的未来最值得关注。我坚信，数据能为知识产权从业者提供的东西，我们目前只触及了表层。大数据将不再只是一个“信息”来源，而会成为获得“洞察”的关键。

新的关键维度是真实性，也就是从数据中找出意义。只看单个数据点，或者用传统模型对各种来源做处理、分组、汇总，都不可能看出规律。而规律识别，恰恰通向我心目中的终极目标：让决策建立在数据之上。

具体到我们的应用上，这意味着什么？从我们的数据可以看出哪些知识产权律师事务所在为哪些客户服务，也能识别出一家事务所的网络，例如它是否在追求均衡的国际关系，也就是互惠。

再往前一步，我们建立了算法来判断在国际案例交换中是客户还是事务所在做决定，这一点在原始数据里根本没有。这正是大数据的力量所在。

最终，所谓“洞察”，是用算法处理这些信息，从而指向正确的决定，比如在全球范围内该与哪些事务所或客户合作。换句话说：对照本所的策略，理想的合作方究竟是谁？把一个组合与其他所有事务所和客户的组合相比，哪里能看出让某个合作方或客户显得契合的规律？避免利益冲突、发现技术空白或双方已有的业务往来、战略目标以及其他许多因素，都可以用来引导使用者做决定。这正是我们眼下在做的事。

上面这个例子讲的是事务所内部决策的支持。其他应用则可能帮助知识产权代理人在申请过程中给客户提供更高质量的建议。

无论如何，从技术上说，这意味着从以专利公开文献为基础的数据集，转向经过变换、能动态计算指标的数据集，比如客户市场份额的走势或相似申请人。同时比较数千家事务所的组合、数百万申请人的组合，或者若干技术领域，对任何数据库都不轻松。N 乘 n 的矩阵，至今仍让多数现代数据库系统吃力。正是这种复杂度，才让这类数据处理方法当得起“对传统应用而言过于复杂”的说法，也因此算得上大数据。

简而言之，技术进步已经在改变人们对大数据应用的认识，并且还会继续改变。对知识产权从业者来说，这意味着更深入的信息处理，也会催生新的软件产品，进一步支持知识产权代理人的决策。