基于內(nèi)容分析的專(zhuān)利挖掘技術(shù)研究.pdf

1、近十幾年來(lái)，專(zhuān)利挖掘的研究越來(lái)越被重視。早先，專(zhuān)利研究主要基于在專(zhuān)利數(shù)據(jù)庫(kù)，近幾年，專(zhuān)利研究轉(zhuǎn)向基于自然語(yǔ)言處理的技術(shù)或者信息檢索的技術(shù)。推動(dòng)專(zhuān)利挖掘技術(shù)發(fā)展的主要因素：一方面統(tǒng)計(jì)機(jī)器學(xué)習(xí)的方法不斷的發(fā)展和改進(jìn)，為解決專(zhuān)利挖掘以及自然語(yǔ)料處理提供了強(qiáng)大的方法論武器；另一方面，自然語(yǔ)言處理的技術(shù)以及信息檢索的技術(shù)的進(jìn)步，促進(jìn)了專(zhuān)利文本挖掘的發(fā)展。同時(shí)，專(zhuān)利挖掘的評(píng)測(cè)舉辦，為專(zhuān)利挖掘提供了技術(shù)交流的平臺(tái)，促進(jìn)了專(zhuān)利挖掘研究的進(jìn)步，并為專(zhuān)利文

2、本處理提供了發(fā)展的方向。
　　 本文通過(guò)研究專(zhuān)利文本的特點(diǎn)，對(duì)不同的訓(xùn)練語(yǔ)料做數(shù)據(jù)統(tǒng)計(jì)，分析專(zhuān)利挖掘任務(wù)中的難點(diǎn)問(wèn)題?；谧匀徽Z(yǔ)言處理的專(zhuān)利挖掘技術(shù)，遇到幾大問(wèn)題：(1)專(zhuān)利挖掘是一個(gè)大規(guī)模的文本分析任務(wù)；(2)專(zhuān)利文本內(nèi)容涉及到技術(shù)發(fā)展的各個(gè)領(lǐng)域，領(lǐng)域之間交叉現(xiàn)象嚴(yán)重，不利于文本分類(lèi)；(3)專(zhuān)利文本在各個(gè)領(lǐng)域上數(shù)量分布不均衡，大量的類(lèi)別下訓(xùn)練數(shù)據(jù)不充分；(4)專(zhuān)利文本的分類(lèi)體系與傳統(tǒng)分類(lèi)體系不同，尤其是國(guó)際專(zhuān)利分類(lèi)標(biāo)準(zhǔn)，具有超

3、大規(guī)模的類(lèi)別空間，多層次等特點(diǎn)；(5)專(zhuān)利的國(guó)際分類(lèi)都是多標(biāo)簽標(biāo)記，因此專(zhuān)利分類(lèi)是多標(biāo)簽的分類(lèi)問(wèn)題。上述幾個(gè)主要問(wèn)題，決定了專(zhuān)利文本處理與傳統(tǒng)的文本處理的不同。
　　 本文圍繞專(zhuān)利挖掘任務(wù)中的問(wèn)題，從不同的方面研究提高專(zhuān)利挖掘系統(tǒng)的性能。作者在前人的工作基礎(chǔ)上，綜合了多個(gè)領(lǐng)域的技術(shù)，提出了一些專(zhuān)利挖掘的處理技術(shù)。文本解決專(zhuān)利挖掘問(wèn)題的主要技術(shù)：
　　 (1)本文采用基于自然處理的分類(lèi)系統(tǒng)的框架，處理專(zhuān)利挖掘的任務(wù)。

4、>　　 (2)本文研究了在大規(guī)模的數(shù)據(jù)的分類(lèi)問(wèn)題，采用信息檢索中常用的檢索技術(shù)——倒排索引文檔——應(yīng)用到分類(lèi)模型中，提高分類(lèi)模型的計(jì)算速度。
　　 (3)本文提出了類(lèi)別歸并的方法解決數(shù)據(jù)分布不均衡的問(wèn)題。在國(guó)際專(zhuān)利分類(lèi)系統(tǒng)下，大量的類(lèi)別中數(shù)據(jù)樣本很少，采用多種歸并的方法將小類(lèi)別聚合成大類(lèi)別，解決分布不均衡的問(wèn)題。
　　 (4)專(zhuān)利挖掘任務(wù)中，文本之間的相似度計(jì)算的是重要的研究環(huán)節(jié)。本文采用了多種相似度計(jì)算方法，在數(shù)據(jù)非

5、同源的任務(wù)中，BM25的計(jì)算方法性能較好，并比較穩(wěn)定。
　　 (5)本文提出了多種類(lèi)別排序的決策方法。分類(lèi)器給定樣本之間的相似度的方法，需要通過(guò)某種轉(zhuǎn)化的機(jī)制，映射成類(lèi)別標(biāo)記的排序。文本提出了帶用類(lèi)別信息的相似度加和的方法以及基于Log—linear模型的線(xiàn)性加和方法，對(duì)類(lèi)別進(jìn)行Rank，實(shí)驗(yàn)結(jié)果顯示帶用類(lèi)別信息的相似度加和的方法以及基于Log—linear模型的線(xiàn)性加和方法性能較好。
　　 本文基于NTCIRT—7的專(zhuān)