基于專利數(shù)據(jù)的大數(shù)據(jù)技術(shù)發(fā)展研究

趙向陽 王亮 梁晨院

摘要：全球范圍內(nèi)，運用大數(shù)據(jù)技術(shù)推動經(jīng)濟發(fā)展、完善社會治理、提升政府服務(wù)和監(jiān)管能力正成為趨勢。因此，對大數(shù)據(jù)技術(shù)進(jìn)行梳理和分析有著十分重要的現(xiàn)實意義。而專利分析法作為一種常用的分析方法，通過對專利說明書、專利公報中大量零碎的專利信息進(jìn)行分析、加工、組合，將這些專利信息轉(zhuǎn)化為技術(shù)情報，為各方的相關(guān)決策提供參考。本文通過對大數(shù)據(jù)相關(guān)技術(shù)產(chǎn)業(yè)相關(guān)發(fā)明專利的申請情況、地區(qū)分布情況、申請人（權(quán)利人）分布情況等的分析，從數(shù)據(jù)層面清晰反映了大數(shù)據(jù)技術(shù)產(chǎn)業(yè)的創(chuàng)新能力、發(fā)展?fàn)顩r、發(fā)展階段和發(fā)展趨勢。

關(guān)鍵詞：大數(shù)據(jù)；專利；技術(shù)路線

中圖分類號：TP311.13 文獻(xiàn)標(biāo)識碼：A DOI：10.3969/j.issn.l003_6970.2017.08.037

概述

大數(shù)據(jù)不是具體的方法，甚至不算具體的研究學(xué)科，而只是對某一類問題、或需處理的數(shù)據(jù)的描述。通俗地來說，大數(shù)據(jù)是指無法在可承受的時間范圍內(nèi)用常規(guī)軟件工具進(jìn)行捕捉、管理和處理的數(shù)據(jù)集合。根據(jù)Gartner公司的定義，大數(shù)據(jù)是大量、高速、及/或多變的信息資產(chǎn)，它需要新型的處理方式去促成更強的決策能力、洞察力與流程優(yōu)化能力。而大數(shù)據(jù)的概念自誕生以來并非一成不變。大數(shù)據(jù)公認(rèn)的特征3V是2001年由METAGROUP公司的分析員萊尼提出的，萊尼在一份報告中對大數(shù)據(jù)提出“3-D數(shù)據(jù)管理”的看法，即數(shù)據(jù)成長將朝3個方向發(fā)展，分別為數(shù)據(jù)即時處理的速度（Velocity）、數(shù)據(jù)格式的多樣化（Variety）與數(shù)據(jù)量的規(guī)模（Volume），三者統(tǒng)稱為“3V”0后來，隨著時間的推移，人們對大數(shù)據(jù)有了更深入的看法，因此，對大數(shù)據(jù)的特征進(jìn)行了相應(yīng)的調(diào)整。2012年，包括IBM、國際調(diào)查機構(gòu)Gartner、IDC等紛紛對大數(shù)據(jù)提出新的論述，將3V的概念擴展為4V，在原有的基礎(chǔ)上增加了數(shù)據(jù)的真實性（Veracity）。此后，大數(shù)據(jù)的概念又在4V的基礎(chǔ)上增加“Visualize”、“Value”、“Vast”

而擴展為6V甚至7V。隨著大數(shù)據(jù)技術(shù)的發(fā)展，大數(shù)據(jù)技術(shù)越來越廣泛的被應(yīng)用于社會生活的方方面面，因而通過分析專利信息挖掘，從數(shù)據(jù)層面反應(yīng)目前大數(shù)據(jù)技術(shù)和產(chǎn)業(yè)的發(fā)展?fàn)顩r和趨勢具有重要的意義。

1 大數(shù)據(jù)技術(shù)專利分析

1.1 數(shù)據(jù)采集范圍及相關(guān)說明

本文的外文數(shù)據(jù)檢索于德溫特數(shù)據(jù)庫（DWPI數(shù)據(jù)庫），中文專利數(shù)據(jù)檢索于中國專利文獻(xiàn)數(shù)據(jù)庫（CPRSABS數(shù)據(jù)庫），數(shù)據(jù)采集時間截至2015年12月。利用專業(yè)專利分析工具進(jìn)行數(shù)據(jù)分析和數(shù)據(jù)深度挖掘。

同一項發(fā)明創(chuàng)造在多個國家申請專利而產(chǎn)生的一組內(nèi)容相同或基本相同的文件出版物，稱為一個專利族。從技術(shù)研發(fā)角度來看，屬于同一專利族的多個專利申請可視為同一項技術(shù)。本文中，進(jìn)行技術(shù)分析時對同族專利進(jìn)行了合并統(tǒng)計，針對國家分布進(jìn)行分析時各件專利進(jìn)行了單獨統(tǒng)計。

在進(jìn)行專利申請數(shù)量統(tǒng)計時，對于數(shù)據(jù)庫中以一族（這里的“族”指的是同族專利中的“族”）數(shù)據(jù)的形式出現(xiàn)的一系列專利文獻(xiàn)，計算為“1項”。以“項”為單位進(jìn)行的專利文獻(xiàn)量的統(tǒng)計主要出現(xiàn)在外文數(shù)據(jù)的統(tǒng)計中。

在進(jìn)行專利申請數(shù)量統(tǒng)計時，為了分析申請人在不同國家、地區(qū)或組織所提出的專利申請的分布情況，將同族專利申請分開進(jìn)行統(tǒng)計，所得到的結(jié)果對應(yīng)于申請的件數(shù)。1項專利申請可能對應(yīng)于1件或多件專利申請。

1.2 技術(shù)分解

由于大數(shù)據(jù)涉及的技術(shù)種類較多，技術(shù)復(fù)雜多變，且在教科書以及專利分類體系中均沒有現(xiàn)成的大數(shù)據(jù)的分類體系可供參考。因此，在綜合考慮了現(xiàn)有的主流大數(shù)據(jù)平臺架構(gòu)以及數(shù)據(jù)處理的流程，對大數(shù)據(jù)技術(shù)進(jìn)行如表1的技術(shù)分解。

1.3 大數(shù)據(jù)技術(shù)專利申請態(tài)勢

基于上述的技術(shù)分解，采用CPRSABS和DWPI數(shù)據(jù)庫進(jìn)行檢索，在上述兩個數(shù)據(jù)庫中共檢索到專利32120項。

從圖2可以看出，大數(shù)據(jù)領(lǐng)域的專利主要集中于數(shù)據(jù)挖掘以及數(shù)據(jù)存儲，數(shù)據(jù)計算的相關(guān)專利較少，只占到總申請量的8.5%。數(shù)據(jù)挖掘?qū)＠兄饕埣杏诰垲愃惴?、分類算法以及關(guān)聯(lián)分析算法。數(shù)據(jù)存儲專利主要集中于分布式塊存儲、分布式數(shù)據(jù)庫以及分布式文件系統(tǒng)。

通過統(tǒng)計各項申請的優(yōu)先權(quán)，大數(shù)據(jù)技術(shù)全球范圍內(nèi)專利申請的技術(shù)原創(chuàng)國分布如上圖所示。優(yōu)先權(quán)所屬的國家/地區(qū)反映了申請人首次申請所屬的國家/地區(qū)，折射了專利技術(shù)的起源，即專利技術(shù)的輸出國家/地區(qū)，其數(shù)量也反映了相應(yīng)國家/地區(qū)在相應(yīng)領(lǐng)域的技術(shù)實力。從圖2中可以看出，東亞地區(qū)、歐洲地區(qū)以及北美地區(qū)的主要國家均有申請，由此可見，大數(shù)據(jù)技術(shù)得到了眾多科技發(fā)達(dá)國家的重視。同時，美國和中國的申請量最為龐大，遠(yuǎn)遠(yuǎn)多于其他國家，緊隨中國及美國之后的是日本、歐洲國家以及韓國。

圖3為主要五個國家/地區(qū)大數(shù)據(jù)專利申請的總體情況。橫向比較，中國相關(guān)專利的年申請量已超過美國、日本、韓國以及歐洲，年申請量超過了1900項。同時，從申請人數(shù)量來看，自2000年以來，中國申請人的數(shù)量隨著專利申請數(shù)量的增加增長明顯，這顯示出中國大數(shù)據(jù)市場參與者眾多，競爭激烈，不斷有新的申請人涌現(xiàn)。但是在申請人數(shù)量方面，中國與美國還有這較大差距，近兩年申請人數(shù)量僅為美國的一半左右，這在一定程度上顯示出，美國仍然是大數(shù)據(jù)技術(shù)創(chuàng)新的中心。日本與中國不同，雖然申請量也有較大增長，但是其申請人數(shù)量一直維持在400人左右，說明日本大數(shù)據(jù)市場成熟度較高，對大數(shù)據(jù)技術(shù)的投入持續(xù)而穩(wěn)定。同時，可以看到，雖然在08年金融海嘯中，各國經(jīng)濟均遭受重倉J，其中美國、日本和歐洲均出現(xiàn)負(fù)增長，但是各國在大數(shù)據(jù)領(lǐng)域投入并未受到影響，無論是申請量還是申請人數(shù)量都未降低。可見，大數(shù)據(jù)領(lǐng)域備受世界各國重視。從技術(shù)構(gòu)成上看，主要五個國家/地區(qū)的專利申請主要集中于數(shù)據(jù)挖掘領(lǐng)域，中國、日本、歐洲、韓國有關(guān)數(shù)據(jù)挖掘的專利申請超過了總申請量的一半。美國以及歐洲在數(shù)據(jù)存儲領(lǐng)域申請量占比較大，這是由于數(shù)據(jù)存儲領(lǐng)域中的大公司絕大多數(shù)都是歐美公司，如：IBM、EMC、NETAPP等公司。而中國在數(shù)據(jù)計算領(lǐng)域的申請量占比較大，這與中國互聯(lián)網(wǎng)公司的爆發(fā)息息相關(guān)，諸如阿里巴巴、騰訊等互聯(lián)網(wǎng)公司對大數(shù)據(jù)計算技術(shù)投入較多。

在專利流向方面，如圖4所示，日本公司在美國布局的專利數(shù)目最多，緊隨其后的是歐洲，而中國申請人在美國申請的大數(shù)據(jù)專利較少，中國絕大部分的申請人都是僅申請本國專利。這一方面說明中國申請人對本國市場的重視，另一方面說明中國申請人缺乏全球視野，忽視了對全球的專利布局，沒有為日后進(jìn)軍全球市場做好充分準(zhǔn)備。美國申請的大數(shù)據(jù)專利主要以歐洲作為目標(biāo)國，優(yōu)先對歐洲進(jìn)行專利布局。在我國布局大數(shù)據(jù)專利最多的國家是美國，其次是日本，歐洲、韓國相關(guān)專利進(jìn)入中國的較少。

大數(shù)據(jù)技術(shù)專利的主要申請人包括IBM、日立、微軟、谷歌、NETAPP、華為等公司。其中，IBM公司的專利申請量最大，是本領(lǐng)域中最為重要的專利申請人。從圖5可以看到，LBM的專利分布于大數(shù)據(jù)領(lǐng)域的各個方面，在所有的領(lǐng)域都有涉及，而分布式塊存儲以及分布式文件系統(tǒng)是IBM公司申請的重點。日立公司作為日本企業(yè)的代表，其在大數(shù)據(jù)領(lǐng)域的專利布局也很廣泛，但相較于微軟和谷歌這一類互聯(lián)網(wǎng)公司，日立在數(shù)據(jù)計算領(lǐng)域較為薄弱，尤其是谷歌公司，其于2004年首次提出Map Reduce編程模型，開創(chuàng)了大數(shù)據(jù)計算的新局面。華為公司作為中國申請人的代表，其專利同樣集中于分布式文件系統(tǒng)和分布式塊存儲，在數(shù)據(jù)挖掘方面申請較少，同時在申請總量上與國外公司還有較大差距。

1.4 大數(shù)據(jù)技術(shù)發(fā)展路線

大數(shù)據(jù)的存儲架構(gòu)可以分為三類，分別是分布式文件系統(tǒng)、分布式塊存儲與分布式對象存儲。由于大數(shù)據(jù)的來源都為社交網(wǎng)絡(luò)、電子商務(wù)等應(yīng)用，而第三種架構(gòu)容易造成大數(shù)據(jù)訪問的瓶頸，因此，如兩種作為主流存儲，在市場中有很多產(chǎn)品，從最初谷歌開發(fā)的GFS[18]發(fā)展到HDFS以及后來的Lustre等。此外，為了適應(yīng)大數(shù)據(jù)多元化的特點，數(shù)據(jù)庫也從傳統(tǒng)的關(guān)系型數(shù)據(jù)庫轉(zhuǎn)為N0SQL數(shù)據(jù)庫，例如MongoDB、HBase和SequoiaDB，且NoSQL數(shù)據(jù)庫已應(yīng)用在諸多新興互聯(lián)網(wǎng)公司，其中包括國內(nèi)的淘寶、百度、360等。

從1980年代的DAS與NAS發(fā)展到1990年代的SAN，分布式塊存儲在2009年迎來重大進(jìn)展，其中包括著名的Sheepdog和Ceph存儲系統(tǒng)。最初的分布式文件系統(tǒng)應(yīng)用發(fā)生在上世紀(jì)80年代，極具代表性的NFS和AFS問世。90年代中后期，隨著SAN的廣泛普及，分布式文件系統(tǒng)進(jìn)入飛速發(fā)展期，出現(xiàn)了多種體系結(jié)構(gòu)，諸如GPFS與XNFS等。到2004年谷歌提出GFS并申請多篇重要專利（如US7065618B2[21]等），標(biāo)志著新的時代開始，隨后基于GFS的HDFS大范圍被使用，直至今天仍然是最重要的存儲系統(tǒng)。

NoSQL最早出現(xiàn)于1998年，是一個輕量、開源、不提供SQL功能的關(guān)系數(shù)據(jù)庫。而在現(xiàn)如今的海量數(shù)據(jù)和多樣化數(shù)據(jù)類型的環(huán)境下，關(guān)系型數(shù)據(jù)庫不再是最佳的選擇了。2009年再次提出的NoSQL概念，主要指非關(guān)系型、分布式、不提供ACID的數(shù)據(jù)庫設(shè)計模式。NoSQL最初為NotSQL的縮寫，如今已經(jīng)演變?yōu)镹otOnlySQL，強調(diào)鍵值和文檔數(shù)據(jù)庫的優(yōu)點，而不是單純的反對RDBMS（關(guān)系型數(shù)據(jù)庫系統(tǒng)）。谷歌首先開發(fā)出Bigtable，緊隨其后的是Amazon的Dynamo、Facebook的Cassandra以及Microsoft的Azure等，各大廠商也紛紛申請了相應(yīng)的重要專利（例如微軟的壓縮鍵值US8595268B2[22]）。NoSQL目前發(fā)展為4類：Key-value、Document-Oriented，Column-Family與Graph-Oriented。隨后開發(fā)商意識到，NoSQL不使用SQL是一個錯誤，由此便出現(xiàn)了所謂的NewSQL[23]數(shù)據(jù)庫，主流的有VoltDB、NuoDB、Clustrix等。NewSQL是對各種新的可擴展/高性能的關(guān)系型數(shù)據(jù)庫的簡稱，其不僅具有NoSQL對海量數(shù)據(jù)的存儲管理能力，還保持了傳統(tǒng)關(guān)系型數(shù)據(jù)庫支持ACID和SQL等特性，EMC于2012年申請了無共享架構(gòu)的專利US8386473B2。

在互聯(lián)網(wǎng)和大數(shù)據(jù)應(yīng)用的沖擊下，數(shù)據(jù)庫進(jìn)入井噴式發(fā)展階段，各式各樣的產(chǎn)品迸發(fā)而出，局面由過去傳統(tǒng)通用數(shù)據(jù)庫（OldSQL）—統(tǒng)天下變成了OldSQL、NoSQL、NewSQL共同支撐多類應(yīng)用的局面。

由于對于大數(shù)據(jù)分析實時性的要求逐漸提高，大數(shù)據(jù)計算架構(gòu)從早期的離線批處理模式已發(fā)展到針對在線數(shù)據(jù)進(jìn)行處理的流式數(shù)據(jù)處理模式以及基于內(nèi)存計算的處理模式。離線批處理模式的典型代表是由Google公司在2004年提出的MapReduce編程模式（并申請相關(guān)專利US8126909B2、US7756919B2與US7650331B2等），主要適用于對靜態(tài)數(shù)據(jù)進(jìn)行批量處理。然而其在數(shù)據(jù)計算效率方面還需要進(jìn)一步提升，同時其并不能滿足對動態(tài)數(shù)據(jù)的處理。針對上述不足，大數(shù)據(jù)計算領(lǐng)域相繼出現(xiàn)針對在線數(shù)據(jù)進(jìn)行處理的流式數(shù)據(jù)處理模式和實時交互架構(gòu)，以及針對采用圖數(shù)據(jù)庫進(jìn)行存取的數(shù)據(jù)而設(shè)計的基于圖數(shù)據(jù)的綜合處理模式。

在實時性要求較高的應(yīng)用場景，離線批量數(shù)據(jù)處理模式便存在諸多不足，由此出現(xiàn)了基于在線動態(tài)數(shù)據(jù)的流式數(shù)據(jù)處理架構(gòu)和基于內(nèi)存計算的處理模式。流式數(shù)據(jù)處理架構(gòu)在無需先存儲，可以直接進(jìn)行數(shù)據(jù)計算，實時性要求很嚴(yán)格，但數(shù)據(jù)精確度要求稍微寬松的應(yīng)用場景中具有明顯優(yōu)勢，其主要用于對動態(tài)產(chǎn)生的數(shù)據(jù)進(jìn)行實時計算并及時反饋結(jié)果，但往往不要求結(jié)果絕對精確。流式數(shù)據(jù)處理模式最具典型的代表為Twitter的Storm、Yahoo的S4系統(tǒng)與Linkedin的Kafka系統(tǒng)等。尤其是Storm流式計算（重要專利有動態(tài)修改數(shù)據(jù)流的US8286191B2、US8285780B2），在非專利文獻(xiàn)庫中對其研究和應(yīng)用非常熱門，這不僅和其系統(tǒng)本身相關(guān)，更和其開源相關(guān)，目前廣泛引用于金融銀行業(yè)、互聯(lián)網(wǎng)、電子商務(wù)、物聯(lián)網(wǎng)等領(lǐng)域。

基于圖數(shù)據(jù)的處理一直都是計算機領(lǐng)域研究的重點，現(xiàn)今主要的圖數(shù)據(jù)庫有Neo4j、Infmite Graph與Trinity等，比較具有代表性的圖數(shù)據(jù)處理系統(tǒng)包括Google的Pregel系統(tǒng)，Neo4j系統(tǒng)和微軟的Trinity系統(tǒng)。

基于內(nèi)存計算的Spark是在HadoopMapReduce的基礎(chǔ)上實現(xiàn)，其不再需要讀寫HDFS，能更好的適用于數(shù)據(jù)挖掘和機器學(xué)習(xí)等迭代算法。Spark于2009年誕生，2013年進(jìn)入高速發(fā)展期，隨后便成為了Apache的頂級項目，且相應(yīng)的申請了關(guān)于緩存優(yōu)化的專利CN103631730A。由于支持多種數(shù)據(jù)源，并具有更多種性能優(yōu)化技術(shù)，到了2015年Spark在國內(nèi)IT行業(yè)變得愈發(fā)火爆，大量的公司開始重點部署或者使用Spark來替代MapReduce、Hive、Storm等傳統(tǒng)的大數(shù)據(jù)計算框架。

由于傳統(tǒng)的機器學(xué)習(xí)模型幾乎無法支持大規(guī)模的數(shù)據(jù)集，而大多數(shù)數(shù)據(jù)挖掘應(yīng)用需要實時性，比如：突發(fā)事件監(jiān)測、輿情管理等，因此，對于數(shù)據(jù)挖掘技術(shù)主要面臨計算量和精度上的兩個問題。關(guān)于計算量的問題，可以采用分布式的方式加速運算，在精度上，可以用數(shù)據(jù)挖掘算法人手，在數(shù)據(jù)采集時通過采樣減少數(shù)據(jù)規(guī)模，在數(shù)據(jù)模型中采用近似求解方式或采用簡單的模型減少計算復(fù)雜度，或是通過分布式的架構(gòu)并行計算。此外，為了在減少復(fù)雜度時保證結(jié)果準(zhǔn)確度，也可以采用多個簡單模型進(jìn)行組合。如圖8所示，不管是在分類、聚類、關(guān)聯(lián)分析、時間序列分析、或者其他數(shù)據(jù)挖掘算法中，傳統(tǒng)的算法出現(xiàn)時間較早，但是并不適用于大數(shù)據(jù)的特點。因此，需要從算法的時間復(fù)雜度和計算效率等方面對傳統(tǒng)的數(shù)據(jù)挖掘算法進(jìn)行改進(jìn)，如1995年前提出的ID3、C4.5、CART等決策數(shù)算法在進(jìn)行計算時需要多次掃描和排序，效率低，而1996年IBM提出的SLIQ和SPINT算法針對該缺點進(jìn)行了改進(jìn)，減少了時間復(fù)雜度?？偠灾瑢τ诖髷?shù)據(jù)的挖掘算法，需要改進(jìn)后，方可有實用性，比較成功的案例如：騰訊公司的Peacock改進(jìn)了LDA模型，以適應(yīng)百萬級別的主題。改進(jìn)的方式有：基于更復(fù)雜的模型、模型的組合以及混合模型。其實，在大數(shù)據(jù)分析時，由于數(shù)據(jù)的混雜性和模型，無法完全解決“測不準(zhǔn)的問題”，因此，數(shù)據(jù)挖掘的模型必須具有在線學(xué)習(xí)和流式學(xué)習(xí)的能力，一邊使用就模型，一遍納入新的數(shù)據(jù)進(jìn)行增量訓(xùn)練，快速更新模型以適應(yīng)新環(huán)境。必須指出的是，大數(shù)據(jù)不僅有規(guī)模的特點，還有多源化的特點，因此，在數(shù)據(jù)特征不多的前提下往往傳統(tǒng)的簡單的模型也非常有效，比如常見的流感預(yù)測或票房預(yù)測，簡單的線性回歸模型就可以應(yīng)對的很好。

2 結(jié)論

中國在大數(shù)據(jù)領(lǐng)域起步較晚，但是隨著我國互聯(lián)網(wǎng)、物聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，積累豐富的線上和線下數(shù)據(jù)資源，自2000年以來，在該領(lǐng)域的專利申請數(shù)量和專利申請人數(shù)量都出現(xiàn)了爆發(fā)式的增長，但是在專利申請質(zhì)量上還有待提尚。從技術(shù)構(gòu)成來看，中國專利申請主要集中于數(shù)據(jù)挖掘領(lǐng)域，其申請量占到總申請量的接近50%，在申請量最多的數(shù)據(jù)挖掘領(lǐng)域，排名靠前的申請人多為高校和研究院，這與國外申請人主要集中于企業(yè)形成了鮮明的對比，說明我國在該領(lǐng)域的技術(shù)大多還處于實驗室階段，急需將這些技術(shù)產(chǎn)業(yè)化，形成市場化的產(chǎn)品。在大數(shù)據(jù)存儲領(lǐng)域，申請量排名靠前的申請人以企業(yè)為主，但是，應(yīng)該看到，在該領(lǐng)域無論是從專利申請數(shù)量還是從專利申請數(shù)量上來看，中國的申請人還是遠(yuǎn)遠(yuǎn)落后于諸如IBM、EMC、日立這樣的國際巨頭。