技術(shù)創(chuàng)新快速發(fā)展,累積創(chuàng)新的高技術(shù)產(chǎn)業(yè)引領(lǐng)我們進入了現(xiàn)代信息時代。隨著創(chuàng)新型產(chǎn)品和服務(wù)發(fā)生本質(zhì)的變化,半導(dǎo)體、信息技術(shù)、通信、制藥和生物技術(shù)等技術(shù)密集型產(chǎn)業(yè)廣泛利用專利來保護其發(fā)明。在復(fù)雜的高科技行業(yè)中,越來越多的企業(yè)因戰(zhàn)略原因而申請專利,導(dǎo)致專利申請數(shù)量激增。專利局工作量的增加以及現(xiàn)有技術(shù)的搜索成本增加,導(dǎo)致出現(xiàn)更多的專利權(quán)重疊專利和較小的發(fā)明被授予更多的專利權(quán)。由于存在很多權(quán)利要求不確定的相關(guān)專利,大量生產(chǎn)和銷售使用復(fù)雜技術(shù)產(chǎn)品的公司通常不能有效地確保其產(chǎn)品不侵犯另一家公司的專利。因而,擁有大量復(fù)雜化和模塊化技術(shù)的專利的高科技密集型產(chǎn)業(yè)中逐漸出現(xiàn)了專利叢林現(xiàn)象。隨著全球經(jīng)濟一體化與知識產(chǎn)權(quán)保護意識的加強,深入研究專利叢林問題具有重要的意義。本文研究與分析了產(chǎn)業(yè)鏈專利侵權(quán)風險管理方案,在合理構(gòu)建產(chǎn)業(yè)鏈、產(chǎn)業(yè)技術(shù)鏈的基礎(chǔ)上,利用lda2vec主題模型對技術(shù)領(lǐng)域的專利進行主題分析,獲取技術(shù)子主題,將專利映射到產(chǎn)業(yè)鏈的不同環(huán)節(jié),得到各技術(shù)領(lǐng)域的專利數(shù)據(jù)集,運用社會網(wǎng)絡(luò)分析方法和文本相似度方法,分別對產(chǎn)業(yè)鏈外部與產(chǎn)業(yè)鏈內(nèi)部的專利叢林進行測量與識別,分析專利叢林的特征,對專利叢林風險進行評估,... 

【文章來源】：北京工業(yè)大學北京市 211工程院校

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

lda2vec模型圖

第 2 章 相關(guān)理論與方法介紹vec 將一組文檔看成一組非常長的文本字符串，基于 Word2vec 的詞向量在特定窗口大小的一段文本字符串上，是一種局部表示方式，Word2訓(xùn)練的框架如表 2-2 所示，Word2vec 模型圖如圖 2-3 所示。表 2-2 Word2vec 詞向量訓(xùn)練框架Table 2-2 Word2vec word vector training framework模型 CBOW Skip-gramNegative Sampling CBOW+NS Skip-gram+NSHierachy Softmax CBOW+HS Skip-gram+HS

北京工業(yè)大學管理學碩士學位論文學習出來的句子向量計算句子間的距離，找到句子間的相似性，可用于文本分類情感分析等[60]。doc2vec 模型有兩種模型訓(xùn)練句子向量：Distributed Memory(DM)和Distributed Bag of Words(DBOW)。Distributed Memory(DM)模型是根據(jù)上下文的信息和句子的向量預(yù)測詞概率，Distributed Bag of Words(DBOW)模型是在給定句子的向量的基礎(chǔ)上，預(yù)測句子中的隨機詞的概率，模型如圖 2-4 所示。


本文編號：2898479