c# pdf library mit : Edit pdf metadata online software application dll windows winforms .net web forms wipo_pub_9466-part698

Borrowing from Wikipedia’s discussion on Social Network Analysis
and applying this idea to the 
analysis of networks within patent document collections, the following definition is proposed:  Network 
analysis is the viewing of relationships in terms of network theory
, consisting of nodes, representing 
individual actors within the network, and ties, which represent relationships between the individuals, 
such as co-inventorship, co-assignment and co-citation. These networks are often depicted in a 
network diagram, where nodes are represented as points and ties are represented as lines. 
The two most common uses of network analysis, when looking at patent documents, are inventor and 
citation networks. Inventor networks, when also associated with patent assignees, allows an analyst 
to discover which organization’s key researchers and thought leaders have worked with in a 
technological area. University Professors, for instance, often collaborate on patents with several 
different organizations and these relationships can be discovered with a network diagram. Their 
students can also be traced as they leave school and potentially embark upon their own academic 
career, or transition into industry themselves. This is a useful technique for identifying potential 
collaborators, or for looking for new employees, with experience in a technological area. 
The concept of citations within patent documents was introduced in section When patent 
documents are examined, relevant prior art is mentioned on the search report, or on the front page of 
the documents. These citations provide a link between the documents that can be analyzed and 
visualized in a network analysis. 
The simplest citation network diagram involves the use of a single patent document as a root node 
and displays the direct citations, both backwards and forward, that are associated with that 
documents and its descendants. Hyperbolic trees are used, in this case, to show relationships 
between patents that directly cite one another. Figure 11 provides a sample hyperbolic tree analysis. 
Edit pdf metadata online - add, remove, update PDF metadata in C#.net, ASP.NET, MVC, Ajax, WinForms, WPF
Allow C# Developers to Read, Add, Edit, Update and Delete PDF Metadata
acrobat pdf additional metadata; delete metadata from pdf
Edit pdf metadata online - VB.NET PDF metadata library: add, remove, update PDF metadata in vb.net, ASP.NET, MVC, Ajax, WinForms, WPF
Enable VB.NET Users to Read, Write, Edit, Delete and Update PDF Document Metadata
modify pdf metadata; bulk edit pdf metadata
Figure 11 - Swatch Patent as Root in Hyperbolic Tree Citation Analysis 
When an entire collection of patents, and their citations to one another are studied, a full network 
analysis can be graphed that identifies seminal patents, cited by many, over a period of time. A 
network approach has advantages over a hyperbolic tree since trees only show linear relationships 
between documents, from one generation to another, but do not show relationships that skip a 
generation. They are also advantageous since there is no single root, which represents a one-to-
many relationship, but all of the documents, in the collection, are roots, providing for the viewing of 
many-to-many relationships. 
While citation links exist between discrete patent documents, it is often useful to aggregate the 
patents from an assignee together, and create a citation network that shows the relationships that 
organizations have to one another via their citation of one another’s patents. Figure 12 provides an 
example of a network graph of assignee citation from Orbit.com. 
VB.NET PDF- View PDF Online with VB.NET HTML5 PDF Viewer
C#.NET edit PDF bookmark, C#.NET edit PDF metadata, C#.NET edit PDF digital signatures, C#.NET edit PDF sticky note read barcodes from PDF, C#.NET OCR scan PDF.
pdf metadata editor; embed metadata in pdf
How to C#: Modify Image Metadata (tag)
C#.NET edit PDF bookmark, C#.NET edit PDF metadata, C#.NET edit PDF digital signatures, C#.NET edit PDF sticky note read barcodes from PDF, C#.NET OCR scan PDF.
adding metadata to pdf files; change pdf metadata creation date
Figure 12 - Network Graph of Assignee Citation 
Co-assignment, or organizations collaborating together on developing an invention, can also be a 
useful and insightful exercise, but since most inventions are developed by a single entity, there are 
simply not many examples of this type of relationship to study. This type of analysis can become more 
interesting when the ownership of a patent changes and the relationships between organizations 
buying and selling patents is added to the ones associated with co-development. The purchasing of 
patents between organizations is arguably an even more interesting relationship then when two 
groups decide to develop an invention together. 
It is more common for patent analysis tools to make use of hyperbolic tress, rather than a full network 
analysis, but recently additional effort has been applied to the development of network analysis tools 
for patents. The following tools provide for some form of hyperbolic tree or network analysis. This is 
not an exhaustive list but provides some suggestions for starting with this task. Contact information for 
these tools can be found in section 9.1 of these guidelines.  
•  Thomson Innovation – provides hyperbolic trees starting with a single patent 
•  Orbit.com – provides a network graph of assignee citation within its business intelligence 
VB.NET PDF Library SDK to view, edit, convert, process PDF file
PDF Metadata Edit. Offer professional PDF document metadata editing APIs, using which VB.NET developers can redact, delete, view and save PDF metadata.
batch update pdf metadata; edit pdf metadata
C# HTML5 PDF Viewer SDK to create PDF document from other file
C#.NET edit PDF bookmark, C#.NET edit PDF metadata, C#.NET edit PDF digital signatures, C#.NET edit PDF sticky note read barcodes from PDF, C#.NET OCR scan PDF.
endnote pdf metadata; analyze pdf metadata
•  Intellixir – provides network analysis for assignees and inventors 
•  AmberScope – generates citation networks based on Network Patent Analysis 
6.9 – Semantic Analysis 
While there are several semantic techniques, such as latent semantic analysis, that are useful in the 
context of information retrieval, and patent searching, the primary form of analyzing patent documents 
using semantic information is the study of subject, action, object (SAO) triplets. SAO triplets utilize 
parts of language, such as nouns and verbs that are used to describe the teachings that the applicant 
wants to share.  Key SAOs, within a patent document encapsulate the technical learnings contained 
in it. 
When extracting SAO triplets from a document, objects and actions can be grouped together and 
represented as a problem to be addressed. An example of this would be the treatment of asthma, 
where treatment is the action and asthma is the object. A potential solution to this problem would be 
the use of an allergy shot, where the allergy shot is the subject. This triplet would be extracted from a 
sentence like; an allergy shot was used to treat the asthma patient. Figure 13 provides a different 
example of the SAO triplet principle. 
Figure 13 - Subject Action Object Triplet Example from English Text 
The aggregation of a collection of problems gathered from a set of disparate documents can be 
represented as a knowledge base, and can provide a variety of potential solutions even if they are not 
found within a single document. In the asthma example, a sentence in another document may refer to 
the treatment of asthma, but the solution, or subject, in this case, might be immunotherapy. 
Additional information on information extraction using SAO triples can be found at – 
In the realm of patent analytics and PLRs SAO triplets can be used to summarize the key technical 
challenges in a specified area and provide an index of the approaches used to address those 
challenges. Portions of this activity are sometimes done manually, by an analyst, or can be 
accomplished using classification techniques, as discussed in section 6.4. SAO triplets provide the 
additional benefit of providing solutions to the technical challenges as well as identifying them. 
C# TIFF: TIFF Metadata Editor, How to Write & Read TIFF Metadata
Tiff ›› C# Tiff: Edit Tiff Metadata. C# TIFF - Edit TIFF Metadata in C#.NET. Allow Users to Read and Edit Metadata Stored in Tiff Image in C#.NET Application.
pdf xmp metadata viewer; extract pdf metadata
VB.NET PDF - Create PDF Online with VB.NET HTML5 PDF Viewer
C#.NET edit PDF bookmark, C#.NET edit PDF metadata, C#.NET edit PDF digital signatures, C#.NET edit PDF sticky note read barcodes from PDF, C#.NET OCR scan PDF.
read pdf metadata java; edit pdf metadata acrobat
The I2E system from Linguamatics
and Goldfire from IHS
are two commercial systems that provide 
SAO triplet functionality specifically for working with patent documents. Information on open source 
approaches for extracting them can also be found at – 
C# HTML5 PDF Viewer SDK to view, annotate, create and convert PDF
More details are given on this page. C#.NET: Edit PDF Password in ASP.NET. Users are able to set a password to PDF online directly in ASPX webpage.
read pdf metadata online; batch pdf metadata editor
C# PDF Sticky Note Library: add, delete, update PDF note in C#.net
Allow users to add comments online in ASPX webpage. Able to change font size in PDF comment box. Able to save and print sticky notes in PDF file.
pdf xmp metadata; clean pdf metadata
Chapter 7: Frameworks Associated with Performing Patent Analytics and Patent Landscape 
When developing a patent analytics output, there are certain fundamental ideas, or philosophies, 
associated with conducting the work. These thoughts apply generally to almost any task associated 
with patent analysis and are provided at a higher level of abstraction than the tips and instructions 
associated with specific analysis. They are referred to as frameworks since, as with a building 
scaffold, they provide a foundation on which more detailed and specific analysis tasks can be 
attached. In this chapter various frameworks, or general principles associated with patent analytics, 
and landscapes are discussed. 
7.1 – Content Types for Conducting Analysis 
The vast majority of analytics projects can be broken into two categories; those that work with data in 
the form of exact strings in structured fields, and those that work with text or semantic content that is 
unstructured. Analytics utilizing these different sources of content are referred to as data mining or 
analytics, and text mining or analytics respectively. Some data mining purists consider text as simply 
a more complicated form of data, but for the purposes of this discussion they will be separated since 
the methods used to work with exact strings in data mining is different than how text is analyzed in 
text mining. 
7.1.1 – Data Mining 
When analysts are working with numbers, or strings of letters divorced from context or semantic 
meaning, they are performing data mining or analysis. The practitioner is generally conducting a 
statistical analysis of a list of items to identify patterns within a collection. 
In the most common form of this type of analysis, discrete items such as Patent Assignees or 
Application Filing Years, are counted, and potentially ranked within a set. Tools, such as a Pivot Table 
in Microsoft Excel, are looking for exact string matches to determine how frequently a specific value is 
found. All analyses in this category are based on exact string matches so misspellings or 
inconsistencies within a set will be counted as separate values. For instance, when working with 
Patent Assignee Names, if there are entries in a data set for Vertex Pharmaceuticals and Vertex 
Pharmaceuticals Inc., these will be treated as discrete items, and will be counted separately. Since 
the collections of alphabetic strings do not match exactly the analysis will count these items 
separately. Clearly, these items belong together, and as discussed in chapter 6.1, the process of 
cleaning up or grouping these items together is required to ensure that an accurate count of the 
appropriate values takes place. 
Another important component of data mining or analysis is that the material being analyzed is 
structured or fielded. When items are placed in a specific field, within a database, or when they are 
found in a specific column, in a spreadsheet, they are considered structured or fielded. This implies 
that they belong to a category of one type or another. Inventor Names, for instance, are recognized as 
being data of a particular type and are segregated and organized so they are collected together in one 
place for analysis. Additional names might be found within a document but the analyst can distinguish 
these other names from the Inventor Names since the later has been structured by being collected 
into a specific field. 
Data mining is thus characterized as the analysis of exact string matches contained in structured or 
fielded databases or collections. 
7.1.2 – Text Mining 
Linguistic content is distinct from data strings for a variety of reasons. To start with, there is the 
concept of language, where a word can mean the same thing but is spelled differently. There is also 
the concept of context where the same word is used but it has a different definition depending on how 
it is used. Similarly, parts-of-speech can be considered when analyzing text data, where a word can 
be used as a verb in some cases and as a noun in others. 
Raw text is generally considered to be unstructured or semi-structured since the content is not 
organized into categories. According to Wikipedia, unstructured text
refers to information that either 
does not have a pre-defined data model and/or does not fit well into relational tables. A patent 
abstract would be an example of a semi-structured item since the patent abstract is a field in most 
databases, and there is an expectation on what type of content will be found there. The claims, on the 
other hand, while representing the legally binding portions of the text, can be very long and deal with a 
variety of concepts, and by nature is not structured into discrete items. 
The methods and means for analyzing linguistic content, due to the complicated nature of the source, 
is very different than working with data, so it is important to consider, and understand them 
individually. As an example, the following series of steps might be conducted in order to prepare a 
collection of unstructured text for analysis: 
•  Tokenization – explaining to the computer where one word ends and another begins 
•  Stemming – removing common suffixes and prefixes from words to generate the root of a word 
for subsequent use 
•  Part-of-Speech Tagging – identifying words as nouns, verbs or adjectives 
•  Entity Tagging – using lists of items or linguistic rules to identify a token as a type or person, 
organization or other type of object 
•  Term Filtering – reducing the number of terms or objects to be analyzed by removing 
stopwords (non-content bearing terms), or frequently or infrequently applied terms, in a corpus 
or collection 
In general, when conducting analytics associated with generating PLRs, the analyst needs to 
understand whether a data or text-based method is being performed. Since the methods involved are 
quite different, optimal results will depend on the analyst understanding the different approaches and 
applying them properly. 
7.2 – Data Scale for Conducting Analysis 
In addition to thinking about data collections based on their content, exact strings vs. raw text, data 
scientists also tend to think about data in terms of the size of the collection they are working with. 
Generally, this is done since different methods are used depending on how large the collection of data 
being worked with will be. Most analysis that end up in PLRs are concerned with larger data sets, 
these are being conducted on a macro-level, but occasionally it is necessary to provide more detailed 
examinations of small subsets, a micro-level analysis. 
7.2.1 – Macro-Level Analysis 
Also referred to as a global-level view, analysis at this scale if being performed for health care or other 
socially related data collections, would be done on a population-wide level. In the area of patent 
analytics, macro-level data sets contain greater than 10,000 records being studied. Since PLRs are 
generally broad overviews of a topic area, most of the analytics that go into them are conducted on 
the macro scale. When working with macro-level collections there is a greater reliance on 
computational methods due to the amount of time and effort it would take to analyze sets of this size 
7.2.2 – Meso-Level Analysis 
Sometimes referred to as a local-level review, analysis at this scale if being performed for social data, 
would be done on a group-wide level. Thinking about patent analysis projects, meso-level data sets 
contain between 1,000 and 10,000 records. Many of the same methods used for macro-level analysis 
will also be used with meso-level collections since sets this large are difficult to manage when records 
are looked at individually. The computing resources and time required to perform these analysis are 
going to be less than what is done on the macro-level. Many PLR analytics are conducted on this 
level when sub-collections within a broader topic area are explored. The practice of working with 
subsets of a larger whole is sometimes referred to as “drilling into” a data set. 
7.2.3 – Micro-Level Analysis 
Sometimes referred to as the individual level, analysis is generally conducted on a one-on-one basis. 
Thinking about patent analysis projects, micro-level data sets contain less than 1,000 records and 
frequently is done on collections of less than 100 documents. Many of the analysis done on this level 
are done manually and in circumstances where a high degree of precision and human ingenuity is 
needed to ensure a meaningful result. In work associated with PLRs, detailed analysis of this type is 
performed in order to confirm trends and associations discovered while conducting macro or meso-
level analysis. This is especially the case when counter-intuitive results are obtained during larger 
scale analytics, and the analysis wants to better understand the cause of these trends. Certain 
activities related to PLRs, such as patent valuation, is often best done on a case-by-case basis. 
7.3 – The Linear Law of Patent Analysis 
The Linear Law of Patent Analysis was proposed as a framework for performing patent analytics 
projects in 2002
. It was originally developed to assist practitioners in understanding the importance 
of starting an analysis by investigating the needs of the customer for the analytics, as opposed to 
simply jumping in with an analysis tool. It has since been used as a general method for planning 
analysis projects. The steps in the process are: 
•  Create a toolkit of analysis tools 
•  Understand the business need and the need behind the need 
•  The need drives the question 
•  The question drives the data 
•  The data drives the tool 
This is referred to as a linear law since in this framework the steps have to be followed in order to 
provide the best results. Often companies or analysts would start with the purchase of the tool and 
once that was accomplished, since a significant investment had been made in the tool, they would 
use it exclusively to conduct all of their analysis projects. In the suggested framework the choice of 
which tool to use is left as the last step once all of the other parameters associated with the analysis 
have been worked out. 
The law starts with gathering a collection of tools or a toolkit. There is no one tool that can work with 
all sorts of data, and can conduct all types of analysis, so it is important for the analyst to have 
options. Some projects require semantic or linguistic analysis of text, others require the study of 
citation patterns and networks, and others still require studying the changes that take place within the 
text of a patent as it progresses through its life cycle. So within reason, given budget constraints, a 
suite of tools should be collected. 
The next step speaks to understanding the business requirements that will be satisfied by conducting 
the analysis. Under ideal circumstances, the analyst should know precisely what decision a business 
leader would be making with the analysis provided. They should also have a good idea about the 
situation the organization finds itself in, why there is an issue with it, and have some idea how a 
preferred path forward might look. Analytical results should be told as a narrative to have the greatest 
impact with the decision maker, and understanding all of the context will allow the analyst to craft their 
results into a compelling story that drives decision-making. 
Only after the needs are thoroughly understood can the analyst start suggesting questions, and 
potentially hypothesis that should be explored during the course of the project. The questions at least 
can be confirmed with the decision maker, and provides confidence that the analyst understands the 
needs and is thinking about ways to address them. Depending on the needs either one or several 
questions can be addressed. 
Now that the questions have been established, the experiments can be developed that will either 
confirm or discredit the hypothesis associated with them. In the case of patent analytics, experiments 
are designed by considering the data that will be analyzed. 
Finally, now that all of the other details have been worked out a decision can be made on which tool 
will provide the proper insight into the appropriate data to either support or dismiss the hypothesis. 
The use of the right tool is often critical to success as an analyst but their application must be applied 
under the proper circumstances to provide critical insight. 
Additional background on the history of the Linear Law of Patent Analysis can be found at 
7.4 – Precision and Recall 
Information retrieval or searching effectiveness is traditionally described in terms of two measures, 
recall and precision. These items are defined as: 
•  Recall – how much of the useful information has my search retrieved? 
•  Precision – how much of the information that I have retrieved is useful? 
There is also a useful probabilistic interpretation of recall and precision: recall estimating the 
probability that a relevant document will be retrieved in response to a query and precision estimating 
the probability that a retrieved document will be relevant. 
Thinking about the issues in searching during the preparation of a PLR, information retrieval methods 
usually look at precision and recall simultaneously and measure their methods by how techniques 
stack up against both elements.  Even though this is the case, precision and recall are normally 
opposed to one another such that with an increase in recall there is usually a subsequent drop in the 
level of precision. Generally speaking, as searches are designed to maximize recall, the results can 
suffer since more off-topic references get included in the collection. 
In generating collections for PLRs it might be more productive to begin with creating sets using 
methods that produce high recall exclusive of precision.  When statistical analysis is performed on 
large or macro-level sets only major trends or items that appear frequently are going to be seen. 
Precision, in this instance, can suffer to some degree with these types of searches, since minor 
occurrences within these sets will not be seen in the larger context. This can often be evaluated by 
examining several of the significant trends to ensure that they are coming from reasonably precise 
references. If this is the case then it is general accepted to sacrifice some precision for the sake of 
7.5 – General Skill Set Requirements for Analysts 
Proficiency as a patent analyst requires a collection of skill sets on the part of the individual 
performing the task. At a minimum a patent analyst should have experience in the following areas: 
•  Patent information – due to the idiosyncrasies and nuances of patent data it is critical that 
people who understand this collection intimately be the ones conducting the analysis. Patent 
information, perhaps more than almost any other data source, can be misinterpreted if the 
analyst is not familiar with the history and details of it. 
•  Data analysis and statistics – while most analysis tools and methods are semi-automated and 
don’t require adjustments on the part of the analyst, optimal results are obtained when the 
practitioner thoroughly understands the variables and parameters associated with an analysis 
and can modify them as needed. The results of an analysis are also easier to understand and 
explain to a client when the analyst knows the method and how they manipulated it. 
•  Legal knowledge – while formal accreditation, such as passing a patent bar, is not required, a 
general understanding of the legal aspects of the patent system, especially in a worldwide 
context is certainly helpful. This is especially the case if interpretation of claim language is 
requires to conduct a PLR. Legal perspective is also useful for understanding patent families 
and how they relate to various national patenting systems. 
•  Presentation skills – one of the key features of a PLR is its ability to collect a large amount of 
information and provide a concise report of the key trends and observations in the area being 
studied. The ability to organize large amounts of data into a compelling story and present the 
results in an engaging fashion tailored to the learning style of the potential readers is essential 
to obtain maximum impact. 
•  Deductive ability – the launch of each PLR is a blank page with an open question that needs to 
be investigated. Looking at each project as a new mystery to solve, with its own unique 
challenges and outcomes, is required. Individuals who enjoy intellectual puzzles and 
discovering and exploring new topic area typically enjoy the deductive reasoning aspects of 
the analyst position. 
While it is not necessary for a beginning analyst to have all of these skills as they get started, since 
many can be developed as they train, there should at least be an aptitude and interest in gaining all of 
Documents you may be interested
Documents you may be interested