知识产权代表着人类智慧创新并付出劳力得到的结果,而且是智慧付出者对自己创造的结果合法拥有的一项权利。近几年,随着知识经济体系的建立和普及,各国、各公司乃至各人对知识产权大大加强了保护力度,尤其是对专利的保护力度特别重视。在大数据的时代,许多研究人员投入到专利挖掘相关的领域中,不同于传统的文本数据,专利相关的文档数据通常具备定义良好的结构形式,包括了首页、详情描述、声明、附图等等。然而,专利文档通常十分冗长并且充斥着各种晦涩难懂的专业术语,这要求专利价值评估人员需要拥有多个领域的专业知识,而且将会消耗大量的人力成本来完成对专利文档的分析。专利价值评估任务是专利挖掘技术中一项至关重要的研究任务,它在专利投资、专利赔偿等方面起到关键的作用。为了有效地解决这个问题,大多数传统的方法仅仅是基于专利引用网络进行简单的统计分析,从而忽略了专利文档中其他有意义的数据信息,例如专利文本材料和许多其他有用的专利属性特征信息。为此,本文设计了一种利用专利多项信息的基于深度学习的专利价值评估(DLPQV)模型,该模型可以充分利用上述专利信息来预测评估专利的价值。DLPQV模型由两个部分组成:基于专利引用网络的属性网络表征模型(ANE)和基于注意力机制的卷积神经网络模型(ACNN)。ANE模型可以充分利用专利间的引用关系和专利的属性特征,学习专利在属性网络中的表征向量。ACNN模型将专利的标题、摘要等文本信息转化为专利文本表征向量,并采用了注意力机制的结构。最后将ANE模型和ACNN模型的输出表征向量连接起来预测评估专利的价值。在USPTO专利数据集上的多组对比实验结果证明,本文提出的基于深度学习的专利价值评估模型能够更准确的评估专利的价值。