發(fā)布時間：2024-06-05 06:21

　　專利是重要的知識財富,通過研究專利可以找到重要的技術(shù)細(xì)節(jié)和關(guān)系,這些信息和關(guān)系為制定研發(fā)策略提供有價值的信息。因此有必要進行專利檢索和核心專利識別方法的研究。但隨著專利數(shù)量增加,專利檢索成本以及核心專利識別難度也日益增加,主要原因在于專利描述文本自身的特點,如專利文本冗長,專利描述中充斥著各種技術(shù)和法律術(shù)語等。為了提高檢索質(zhì)量以及準(zhǔn)確度,通過核心專利推演關(guān)鍵領(lǐng)域未來的發(fā)展趨勢,論文以專利文本作為研究對象,從專利查詢擴展、專利文本相似度以及核心專利識別等方面開展研究,主要內(nèi)容包括以下方面:1.為了獲取用戶完整的查詢意圖,提高檢索查詢的準(zhǔn)確率和召回率,提出一種基于社區(qū)發(fā)現(xiàn)的專利查詢擴展方法,該方法建立以專利主題詞為節(jié)點,主題詞之間關(guān)系為邊的專利主題詞圖,將專利查詢擴展問題轉(zhuǎn)化稠密子圖搜索問題,利用社區(qū)發(fā)現(xiàn)算法實現(xiàn)問題求解。在專利數(shù)據(jù)集CLEP-IP 2010上,與查詢擴展的基準(zhǔn)方法相比,實驗結(jié)果表明該方法是可行和有效的,方法召回率提高約7.1%,PRES改善了近3.2%。2.為了提升專利檢索的準(zhǔn)確性,提出基于BERT的上下文感知專利檢索模型。綜合專利文本中多類型的內(nèi)容,利用BERT獲得專利...

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1Skip-gram神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

碩士專業(yè)學(xué)位論文專利檢索與核心專利識別方法研究112.3.1詞向量技術(shù)2013年，Google開放了開源語言建模工具Word2Vec[25]，該工具可以從大量未標(biāo)記的數(shù)據(jù)中學(xué)習(xí)語法和語義信息。Word2Vec運用了深度學(xué)習(xí)的思想，通過訓(xùn)練將每個單詞映射到一個K維單詞向量中，并計算....

圖2.2（a）BERT網(wǎng)絡(luò)結(jié)構(gòu)；（b）BERT預(yù)訓(xùn)練流程圖

2相關(guān)理論與技術(shù)碩士專業(yè)學(xué)位論文12=∑′hjh=1(2.9)最后通過softmax函數(shù)，在輸出層輸出一個V維的向量={1,2,…,}。Word2vec訓(xùn)練的目標(biāo)是學(xué)習(xí)權(quán)重矩陣包含單詞權(quán)重信息的W（同W’），模型通常使用BP（BackPropagation）和BGD(BatchG....

圖2.3BERT在不同任務(wù)的微調(diào)BERT的使用非常方便，只需要在已訓(xùn)練完成的BERT模型的輸出層進行微調(diào)，即可在特定的語料上進行有監(jiān)督的微調(diào)訓(xùn)練解決下游任務(wù)

碩士專業(yè)學(xué)位論文專利檢索與核心專利識別方法研究13圖2.3BERT在不同任務(wù)的微調(diào)BERT的使用非常方便，只需要在已訓(xùn)練完成的BERT模型的輸出層進行微調(diào)，即可在特定的語料上進行有監(jiān)督的微調(diào)訓(xùn)練解決下游任務(wù)。如圖2.3BERT被用于不同任務(wù)下的微調(diào)策略。2.3.3卷積神經(jīng)網(wǎng)絡(luò)卷積....

圖2.7RNN編碼過程

碩士專業(yè)學(xué)位論文專利檢索與核心專利識別方法研究1520611110324811596293最大池化核為2*2，步長為2圖2.6最大池化示意圖通常卷積層通過不同大小的卷積核進行卷積操作獲得多個特征圖，經(jīng)過池化層后可以獲得多個特征向量。最后經(jīng)過多個卷積和池化層的操作后，卷積神經(jīng)網(wǎng)絡(luò)會....

本文編號：3989776