申请/专利权人：中国科学技术大学

申请日：2021-06-17

公开（公告）日：2024-04-02

公开（公告）号：CN113468291B

主分类号：G06F16/35

分类号：G06F16/35;G06F16/33;G06F40/284;G06F40/30;G06F18/24;G06N3/042;G06N3/0442;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.10.26#实质审查的生效;2021.10.01#公开

摘要：本发明公开了一种基于专利网络表示学习的专利自动分类方法，通过引入多视角学习与网络表示学习两个领域的方法对专利进行分类，可以更加有效的利用不同视图来源的信息提升专利预测准确率。同时，通过使用包括注意力机制在内的多种方法，能够对多种视图对于专利分类预测的贡献进行完备的可解释性分析并可视化最终的专利表征，从而实现一举两得的效果。

主权项：1.一种基于专利网络表示学习的专利自动分类方法，其特征在于，包括：获取包含专利的文本内容、发明人信息与专利权人信息的专利文本信息；利用专利的文本内容、发明人信息与专利权人信息各自构造语义视图网络、发明人视图网络与专利权人视图网络；其中，语义视图网络包含了各专利节点与各词节点之间的关系，发明人视图网络包含了专利节点之间以及专利节点与发明人节点之间的关系，专利权人视图网络包含了专利节点之间以及专利与专利权人节点之间的关系；通过网络嵌入获得语义视图网络、发明人视图网络与专利权人视图网络的专利节点表征向量，结合不同视图网络之间的相关性对专利节点表征向量进行增强，再通过注意力机制将增强后的三个视图网络的专利节点表征向量进行融合，将融合结果作为最终的专利节点表征向量并进行分类预测；所述利用专利的文本内容、发明人信息与专利权人信息各自构造语义视图网络、发明人视图网络与专利权人视图网络的步骤包括：对于专利的文本内容进行预处理，去除文本中的停用词，再构造语义视图网络，其中的节点表示一个专利或者一个词，边表示专利具有某个词或者词与词之间的共现关系；构造的发明人视图网络中，节点表示一个专利或者一个发明人，每条边表示专利与发明人之间的关系，或者专利之间的引用关系；构造的专利权人视图网络中，节点表示一个专利或者一个专利权人，每条边表示专利与专利权人之间的受让关系，或者专利之间的引用关系；所述语义视图网络中包含专利节点与词节点，获得专利节点表征向量的方法包括：使用图神经网络中的迭代式算法学习语义视图网络的专利节点表征向量；其中，迭代式算法通过不断地从邻居节点采样聚集信息，并更新专利节点表征向量；在聚集阶段，每个专利节点从邻居节点聚合表征并使用聚合函数得到聚合的信息；在更新阶段，将聚合得到的信息和自身的表征拼接起来并经过一层的全连接神经网络得到更新后的专利节点表征向量；公式表示为： 其中，分别表示专利节点v的第L层、第L-1层表征向量，AGGk表示聚合函数，表示专利节点v的邻居节点集合Nv中邻居节点u的第L-1层表征向量，表示聚合得到的信息，σ表示激活函数，concat表示拼接操作，表示能够训练的权重参数；专利权人视图网络中包含专利节点与专利权人节点，获得专利节点表征向量的方法包括：定义元路径模式：Patentee→patent→patent→Patentee；其中，Patentee表示专利权人节点，patent表示专利节点；根据定义的元路径模式在专利权人视图网络上进行随机游走生成元路径；其中，每一路径是一个节点序列；利用词嵌入模型中提出的跳字模型学习获得每一路径中的专利节点表征向量；发明人视图网络中包含发明人节点与专利节点，获得专利节点表征向量的方法包括：定义两种元路径模式：inventor→patent→patent→inventor，以及inventor→patent→inventor；其中，inventor表示发明人节点，patent表示专利节点；根据定义的两种元路径模式在发明人视图网络上进行随机游走生成元路径；其中，每一路径是一个节点序列；利用词嵌入模型中提出的跳字模型学习获得每一路径中的专利节点表征向量。

全文数据：

权利要求：

百度查询： 中国科学技术大学 基于专利网络表示学习的专利自动分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD