Patentschriften stellen eine einzigartige Informationsquelle für technisches Wissen dar. Ökonomen nutzen diese Daten für empirische Analysen der Innovationstätigkeiten von Ländern, Unternehmen, Erfindern sowie technologischer Trends. Während Patentanwälte und Patentprüfer Prior-Art- sowie Freedom-to-Operate-Untersuchungen durchführen, erstellen Innovationsmanager Portfolio-, Technologie- und Wettbewerbsanalysen. Eine zentrale, den meisten wissenschaftlichen und praktischen Arbeiten zugrundeliegende Anforderung besteht in der großzahligen und zuverlässigen Identifizierung von Ähnlichkeitsbeziehungen zwischen Patenten. Diese Aufgabe ist manuell jedoch nicht mehr zu bewerkstelligen. Derzeitige Studien beruhen somit vorwiegend auf einfachen bibliographischen Patentmerkmalen. Der Großteil des Patents besteht jedoch aus seinen komplexen Textinformationen, die bisher aber semantisch nur unzureichend ausgewertet werden. In dieser Dissertation wird eine semantische Technologie zur präzisen und großzahligen Bestimmung von Patent- und technologischer Ähnlichkeit entwickelt. Hierfür werden moderne Methoden des Text-Mining und des maschinellen Lernens eingesetzt. Die Dissertation umfasst einen detaillierten Literaturüberblick, die Entwicklung einer Software sowie drei anspruchsvolle multivariate empirische Analysen. In der ökonomischen Anwendung werden Ähnlichkeiten für die Prognose des Werts von Patenten eingesetzt. Diese Lektüre richtet sich gleichermaßen an Wissenschaftler sowie Fach- und Führungskräfte aus den Bereichen Innovations-, Technologie-, und Patentmanagement.weiterlesen