美国专利分类体系的长期动态

我们的解释是，这是中年技术（化学）的一个例子，由于它与其他技术（计算机）的相互作用，发展出了一个新的分支，这在很大程度上是跨领域的，但具体到足以保证创建一个新的类。最后一个例子是706，“数据处理-人工智能”，这是“人工智能型计算机和数字数据处理系统以及相应的数据处理方法和产品的通用类，用于模拟智能（…）；包括不确定性推理系统（…），自适应系统、机器学习系统和人工神经网络。”。我们选择它是因为我们至少拥有一些领域知识。最古老的重新分类专利是US3103648（1963年），这是一种“具有改进输出的自适应神经元”，很好地呼应了最近对机器学习（深度学习）神经网络的兴趣激增。其最初分类为340类，“通信：电气”。与其他两个例子相比，我们发现两个最大的来源是自废除以来的分类（我们从“1996年美国专利分类索引”中恢复了395和364的名称；它们的建立日期可从第3.3节中记录的“建立日期”文件中获得）。在此期间，还创建了其他以“数据处理”为首的课程，这表明美国专利局必须在千年之交完全重新组织其与计算机相关的课程。我们的解释是，这是在第三次甚至可能是第四次工业革命的大背景下出现的highlynovel技术的一个例子。

由于计算机相对较新且通用，因此很难创建具有稳定边界的分类法。这三个例子显示了技术发展的显著不同模式及其相关的分类波动性。一个正在深化的旧知识分支（纺织），一个发展与他人新互动的中年知识分支（化学），以及一个新的知识分支（计算机），对人员进行分类，努力找到有用的组织方案。我们承认，这些仅仅是示例，新类的一些其他示例可能会遵循类似的模式，但可能存在其他模式。我们发现，大约三分之二的1976年后新类别中，90%以上的出生前（和1976年后）重新分类专利来自单一来源（先存类别），这表明一种形式的“分支”或“类别拆分”相当常见，至少在只看类别时是如此。我们不想对这些早期结果给予太多的重视，这些结果必须通过使用子类和多重分类进行系统化、进一步发展，更重要的是，与使用IPC/CPC获得的结果进行比较。我们确实认为，对分类再组织进行如此系统的研究将讲述一个关于技术演变的相当详细的故事，但与其在这里进行如此详细的研究，我们建议将我们迄今为止学到的大部分知识总结成一个简单的理论模型。7简单模型在本节中，我们提出了一个非常简单的模型，该模型再现了上述几个事实。与创新系统中规模分布和堆定律的其他最新模型（Tria et al.2014，Marengo&Zeppini 2016，Lafond2014）相比，我们将引入的关键假设是，有时会划分类别，并对其项目进行分类。

我们提供基本的直觉，而不是严格的讨论。让我们从著名的西蒙（1955）模型开始。每个时期都会有一项新的专利。专利创建一个概率为α的新类别，否则它将转到一个概率与其大小成比例的现有类别。前一种假设是有意义的，因为实际上，类别的数量随着时间的推移而增长。第二个假设也很有意义，因为“优先依附”/“累积优势”与吉卜拉特定律有关：类别的增长速度与其大小无关，因此它们获得下一项专利的概率与其大小成比例。这个模型有三个主要问题。首先给出了类的大小分布的Yule-Simon分布。这基本上是一个幂律，所以它的尾巴比我们观察到的指数律要粗得多。换言之，itover预测了非常大类别的数量。第二，由于较老的类别有更多的时间积累专利，它预测了年龄和规模之间的强烈相关性。第三，由于每一次步骤类别都是以概率α创建的，而专利是以概率1创建的，因此实例数量之间的关系，我们并不声称该模型通常会产生某种类型的模式，例如缺乏年龄大小关系。