在上一个十年,中国的企业、科研机构和高等院校创造了专利数量上的不平凡,在即将到来的下一个十年,我们期望着他们可以加大研发方面的投入,推动中国的专利质量升级,使中国进一步变成专利强国。从专利大国到专利强国,显然提升专利的转化率是一个重要突破口。而一个专利能否进行转化,主要和专利自身质量高低有关,高质量的专利是专利进行转化的起点。目前,中国资产评估协会颁布了《专利资产评估指导意见》,意见中规定可以使用成本法、市场法和收益法来对专利质量进行评估,而三种不同的专利质量评估方法,也就意味着三种不同的结论,这也就表明了目前缺乏科学统一的专利质量评估方法。本文使用机器学习分类算法K-近邻、逻辑回归、支持向量机、随机森林、Ada Boost、GBDT、XGBoost、Voting应用于2003年至2015年中国芯片行业专利数据,通过比较不同算法构建模型的准确率、精确率、召回率、F1值和AUC值来找到最优的专利质量评估模型。首先,将在incopat专利数据库上采集的数据进行缺失值的删除与填充,重复值与异常值的删除。其次,在进行特征选择时,使用了相关性分析、多重共线性检验以及主成分分析,删除了简单同族个数、被引证次数、IPC数量等7个字段专利数据,保留剩下的13个字段专利数据作为特征变量。再次,在建模之前,对实验数据进行了SMOTE过采样保持正负样本比例平衡并对实验数据进行归一化处理。从次,使用五折交叉验证结合Grid Search网格搜索的方式寻找各种算法的最优超参数并依次建模比较准确率、精确率、召回率、F1值和AUC值。最后,选取了分类效果最好的Ada Boost、随机森林和XGBoost进行了Voting聚合,使得构建的新模型的准确率和F1值达到了其他算法达不到的高度。除此之外,本文还能在此基础上,对识别结果进行深入剖析,挖掘出影响专利质量高低的四个重要特征变量——家族被引证次数、权利要求数量、INPADOC同族个数和文献页数,为专利申请者撰写专利申请提供了新思路。