编者按：PIUG是国际专利信息用户组（Patent Information User Group）的简称，是专利信息领域一个历史悠久的组织。经过多年的发展，PIUG年会已成为国际上专利信息领域的一场盛会，也是专利信息领域研究发展的风向标。今年的年会预计于5月20日-5月24日举行，而年会的演讲主题也已经早早的在PIUG的网站上公开了，笔者将主要议题进行了整理节选（机器翻译+人工校对），以飨各位读者。

议题1：人工智能、机器学习和深度神经网络：所有这些与专利分析有何关系？

演讲者：Parthiban Srinivasan, Parthys Reverse Informatics

简介：这个演讲主要是回顾现行的机器学习技术，并提出各种研究小组的几个示例实现。还将讨论数据科学与机器学习、深度学习、AI、统计学和应用数学的比较。在AI的当前繁荣中心的深度学习技术依赖于模拟大型多层虚拟神经网络，这使得计算机能够学习识别抽象图案。深度学习已经开始进行一些自然语言处理任务的实验，最有希望的工作是围绕循环神经网络（RNN）和卷积神经网络（CNN）。专利分析师要了解它们是如何工作的，而不是将它们视为绝对的“黑匣子”。

议题2：专利分析与可视化：挑战与机遇的更新

演讲者：Nils Newman, Search Technology

简介：专利分析不是一个简单的过程，而是一个复杂的过程，其中包含许多不同的数学、统计和算法技术，其中许多仍在发展。本演讲概述了专利分析工具开发人员使用的一些关键研究领域。它还解决了当前技术的局限性以及新兴研究领域提出的机会。演讲的目的是帮助观众梳理今天的专利分析软件是什么，甚至是不可能的，并提出未来可能持有的一些前景。

议题3：单通数值匹配 – 数字搜索的语言解决方案

演讲者：David Woolls, CFL Software Limited

简介：描述分析专利文献的摘要和权利要求的方法，以提取与特定项目相关联的数值，例如百分比组成或机械性质。这是一个复杂的问题，因为自然语言提供了将数值连接到所涉及的项目的许多方式，并且在专利方面存在在专利权利要求的上下文中设置数字信息的附加问题。作者合作开发了一种基于语言的方法来解决这个问题。最初的重点是确定金属合金中许多元素的数值范围，并将其与正在搜索的范围进行比较。我们将简要描述合作过程，然后介绍结果，并解释这是一个通用解决方案，而不是特定于原始需求。

议题4：创造新商业的专利信息分析

演讲者：Jo Sagawa, Asahi KASEI Corporation（旭化成集团）

简介：旭化成集团是日本多元化化学品制造商，其技术信息组是知识产权部门之一，在知识产权活动的关键阶段进行了必要的调查，遵循“专利检索是知识产权管理的实质”。该集团已经在日本的专利研究行业成为了前锋。近年来，技术信息小组加强了对专利信息的分析，加强了对旭化成集团业务项目的贡献。从客观的观点来看，我们重点关注整个旭化成集团公司的知识产权情况，与竞争对手在与我们业务有关的各个技术领域进行深入的比较。现在，我们正在努力建立这样的分析方法，有助于创造近几年所需的新业务。

议题5：软技能：核心技术环境中被忽视的功能

演讲者：Bodil Hasling, Danish Patent and Trademark Office

简介：专利专业人员通常将其所有的专注力集中在技术技能和检索技能上。然而，这项工作的一个非常重要的部分也是开始检索之前完成的工作。那就是如何获得最好的信息，例如检索的目的、结果的期望和技术问题的澄清。报告的内容和报告方式、包括我们为什么像我们这样做的解释也很重要。在这里，检索的理解必须涉及到很多与沟通有关的其他技能。

议题6：工业4.0和专利信息在创新中的作用：EPO的视角

演讲者：Nigel Clarke, European Patent Office

简介：工业4.0证明新技术对我们生活和工作的社会带来了冲击，知识产权世界也不例外。EPO准备适应其专利流程，以及处理专利信息的方式，因为这种冲击将影响专利检索。但是，目前和潜在的未来专利信息用户是谁，他们使用什么呢？EPO已经开展研究，以确定专利信息在创新过程中的作用。在验证假设的同时，研究结果也揭示了新的发现，这将引发EPO的一些行动。本次演讲将在创新和行业背景下，给出EPO对专利信息未来的看法。

议题7：自动识别高出现（High Emergence）专利

演讲者：Alan Porter, Search Technology

简介：技术出现的指标保证了有价值的智慧。我们提出一种实现的算法来计算抽象记录集中的主题词的出现得分。我们提供一系列从这些分数得出的出现指标。主要出现指标确定“热门话题”术语，然后使用这些术语来产生反映组织，国家或作者特别活跃于目标领域研究领域的作者的次级指标。我们还举办了突出技术内容丰富的抽象专利记录。我们显示染料敏化太阳能电池的结果，这是一个有趣的纳米技术能源技术。

议题8:研究“SWOT分析”的有效性

演讲者：Tsutomu (Ben) Kiriyama, Raytec Ltd.

简介：研究基于日本专利/非专利信息的“SWOT分析”的有效性，设计（建立）公司研发和/或知识产权战略。在私营公司，专利检索者经常参与一些主题搜索。这些研究的结果经常用于建立研发和/或知识产权战略。它是检索者最合适的方法之一，因此我们正在通过几个主题的专利/非专利信息“SWOT分析”来处理策略规划。针对日本专利的案例研究，例如1.抗震隔离2.隔热涂料3.行走支撑系统在本文中，我们得出结论，“SWOT分析”是通过这些情况制定研发和知识产权战略的有效方法。

议题9：通过另一只眼看待我们的工作：与工程师谈论关于专利和专利信息

演讲者：Cathy Chiba, Dauratus Research

简介：作为专利信息从业人员，我们拥有高度的专业知识。我们的知识使我们的技能不寻常和独特有价值，但也使我们变得脆弱，因为很少有人真正了解我们的工作。如果我们想了解如何将我们的价值与我们服务的人沟通，我们需要了解我们的客户和潜在客户考虑专利和专利信息。如果我们是信息专家，我们可能将问题看作是一个信息问题：他们知道什么和我们认为应该知道的差距。然而，为了说服别人的专利信息工作的价值，我们需要了解他们的初始职位。他们假设什么，他们相信什么？而且，也许批评性地，他们对专业和专利信息在职业生涯中的作用感觉如何？

议题10.现有技术检索各种级别的产品金字塔 – 初创公司的视角

演讲者：Vivek Doulatani, Ather Energy Pvt. Ltd

简介：新产品或其改进涉及多个发展阶段，可视为金字塔。这些多阶段的发展应该通过正确的现有技术检索和分析来推动。但同样重要的是，这些检索是在正确的开发阶段完成的，并且具有适当的深度。例如，专利性和侵权检索应在单一发明的各个级别的产品金字塔上进行，并且进行这些搜索的深度将在不同层次上不同。对结构化产品金字塔进行现有技术检索的非结构化方法可能会扭曲金字塔本身。扭曲可能是侵权，失去优先权和轻率的申请。我们提出了一种结构化的方法来进行现有技术检索，就是在什么级别的金字塔上进行什么检索，以及如何深入，以促进产品金字塔的指导和知情的发展。

议题11：专利的机器翻译,在这里停留？

演讲者：Jane List, Extract Information Limited, and Editor-in-Chief World Patent Information

简介：机器翻译（MT）的专利简史。我们现在在哪？回顾一些目前的MT技术和一个好的看法，“可以更好”的真实例子。机器翻译的双重目的 – 用于搜索和理解。如何处理搜索机器翻译。使用机器翻译达成对本发明的理解和保护范围。大量机器翻译收藏的存在如何影响我们的专利文献检索和分析方法？MT的开发人员如何管理他们的收藏，因为MT本身有所改善？当引用MT文件时，我们应该如何报告结果。本次演讲旨在回顾当前形势，并将通过探索MT的未来，以及人类辅助MT（HuMT）专利。

议题12.现代语义检索 – 通过深度学习进行专利的相似度检索

演讲者：Sumeet Sandhu, Elementary IP

简介：这个讲座延续PIUG 2016提交的题为“通过人工智能的专利检索”，我们描述了使用现代人工智能（深度学习）构建的先进词汇模型。这些“相似”的词模型是通过在一个句子中捕获一个单词的本地上下文来构建的 – 允许一键式查找的语义相关的单词，例如有可能被忽略的同义词。在这里我们把想法扩展到“相似”的文档模型，这样可以更好地对文档进行语义检索和分类。我们将介绍基于AI的文档搜索和分类与较旧的技术（如潜在语义分析）的数值比较。

议题13：影响专利价值的因素调查

演讲者：Kevin Hess, Patent Technics LLC

简介：通常会根据专利的外在因素来评估价值，影响或代表权利要求范围范围。这些因素的例子是现有技术、诉讼使用、覆盖技术的采用阶段和总可用市场。除了外在专利因素外，还有几个基本的内在特征，如优先权日期、权利要求长度、同族规模等，都可以被认为是专利价值的代表。本讲座提供了对外在和内在专利性质的调查。提出从内在特性得出的比较价值指数，与其他定性属性相结合来评估排名专利。对其对专利价值的潜在定性影响进行审查，无论是正面还是负面。考虑可以使用共同的专利检索实践来确定的内在属性。

后记：纵观今年PIUG年会的议题，可以发现专利检索分析这个领域逐渐在向各种交叉学科发展，尤其是当前比较热门的人工智能、机器学习、深度神经网络、机器翻译等交叉领域，与传统的专利检索分析内涵已经大不相同。专利检索分析其实也是一个知识的无底洞，有一句话说得好：知识就好像圆圈，圈内的是知识，圈外的就是无知，知识越多，无知也就越大。

（本文译自：https://www.piug.org/an17program）