专利检索与核心专利识别方法研究

发布时间：2024-06-05 06:21

　　专利是重要的知识财富,通过研究专利可以找到重要的技术细节和关系,这些信息和关系为制定研发策略提供有价值的信息。因此有必要进行专利检索和核心专利识别方法的研究。但随着专利数量增加,专利检索成本以及核心专利识别难度也日益增加,主要原因在于专利描述文本自身的特点,如专利文本冗长,专利描述中充斥着各种技术和法律术语等。为了提高检索质量以及准确度,通过核心专利推演关键领域未来的发展趋势,论文以专利文本作为研究对象,从专利查询扩展、专利文本相似度以及核心专利识别等方面开展研究,主要内容包括以下方面:1.为了获取用户完整的查询意图,提高检索查询的准确率和召回率,提出一种基于社区发现的专利查询扩展方法,该方法建立以专利主题词为节点,主题词之间关系为边的专利主题词图,将专利查询扩展问题转化稠密子图搜索问题,利用社区发现算法实现问题求解。在专利数据集CLEP-IP 2010上,与查询扩展的基准方法相比,实验结果表明该方法是可行和有效的,方法召回率提高约7.1%,PRES改善了近3.2%。2.为了提升专利检索的准确性,提出基于BERT的上下文感知专利检索模型。综合专利文本中多类型的内容,利用BERT获得专利...

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

图2.1Skip-gram神经网络结构

硕士专业学位论文专利检索与核心专利识别方法研究112.3.1词向量技术2013年，Google开放了开源语言建模工具Word2Vec[25]，该工具可以从大量未标记的数据中学习语法和语义信息。Word2Vec运用了深度学习的思想，通过训练将每个单词映射到一个K维单词向量中，并计算....

图2.2（a）BERT网络结构；（b）BERT预训练流程图

2相关理论与技术硕士专业学位论文12=∑′hjh=1(2.9)最后通过softmax函数，在输出层输出一个V维的向量={1,2,…,}。Word2vec训练的目标是学习权重矩阵包含单词权重信息的W（同W’），模型通常使用BP（BackPropagation）和BGD(BatchG....

图2.3BERT在不同任务的微调BERT的使用非常方便，只需要在已训练完成的BERT模型的输出层进行微调，即可在特定的语料上进行有监督的微调训练解决下游任务

硕士专业学位论文专利检索与核心专利识别方法研究13图2.3BERT在不同任务的微调BERT的使用非常方便，只需要在已训练完成的BERT模型的输出层进行微调，即可在特定的语料上进行有监督的微调训练解决下游任务。如图2.3BERT被用于不同任务下的微调策略。2.3.3卷积神经网络卷积....

图2.7RNN编码过程

硕士专业学位论文专利检索与核心专利识别方法研究1520611110324811596293最大池化核为2*2，步长为2图2.6最大池化示意图通常卷积层通过不同大小的卷积核进行卷积操作获得多个特征图，经过池化层后可以获得多个特征向量。最后经过多个卷积和池化层的操作后，卷积神经网络会....

本文编号：3989776