[發(fā)明專利]一種基于說明書的專利分類方法

有效

• 申請?zhí)枺?/td>: 201710082677.8
• 申請日: 2017-02-16
• 公開（公告）號: CN107122382B
• 公開（公告）日: 2021-03-23
• 發(fā)明（設(shè)計）人: 朱玉全;金健;佘遠(yuǎn)程;石亮
• 申請（專利權(quán)）人: 江蘇大學(xué)
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/289;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于說明書的專利分類方法，其特征在于，包括以下步驟：

步驟1，獲取專利文本的數(shù)據(jù)，對專利說明書進(jìn)行文本預(yù)處理；

步驟2，統(tǒng)計出每個詞的詞頻、位置信息、詞性權(quán)重以及類間分布信息，利用這些統(tǒng)計值以及專利說明書的文本信息，構(gòu)建倒排索引文件；

步驟3，利用信息增益和詞頻相結(jié)合的特征選擇方法來計算詞語的特征值，對特征值排序，選擇一定數(shù)量的特征詞來表征專利說明書的文本；

所述步驟3中特征值的計算過程為：

設(shè)A_ij為包含特征詞t_i并且屬于c_j的文檔數(shù)量，B_ij為包含特征詞t_i并且類別不屬于c_j的文檔數(shù)量，C_ij為不包含特征詞t_i并且類別屬于c_j的文檔數(shù)量,D_ij為不包含特征詞t_i并且類別屬于不c_j的文檔數(shù)量，則特征值的計算如式(1)所示：

其中，TF代表專利中詞頻對于專利特征選擇的影響程度；設(shè)m為訓(xùn)練專利中類別總數(shù)，N_j表示c_j類中的專利總數(shù)，TF_jk表示特征詞t_i在c_j類中專利P_k中的詞頻，則TF的計算如式(2)所示：

式(1)中的IC代表特征詞在類別間的分散程度，越分散說明該詞越?jīng)]有代表性，值也就越小；設(shè)TF_j(t_i)表示特征詞t_i在類c_j中的頻數(shù)，TF(t_i)表示特征詞t_i的總頻數(shù)，表示特征詞t_i在所有類中出現(xiàn)的頻數(shù)平均值，則計算如式(3)所示：

步驟4，利用倒排索引文件，計算每個專利特征詞的權(quán)重，然后利用的改進(jìn)過的TF-IDF公式計算特征詞權(quán)重，最后構(gòu)建專利特征向量；

所述步驟4的具體過程為：

步驟4.1，權(quán)重計算，計算如式(4)所示：

其中，表示特征詞t在文本中出現(xiàn)的頻率，N表示全部專利樣本集中所有專利的個數(shù)，n表示全部專利樣本集中出現(xiàn)特征詞t的專利個數(shù)，C_t表示特征詞詞性所對應(yīng)的詞性權(quán)重系數(shù)，P_t表示特征詞的位置權(quán)重系數(shù)；

步驟4.2，排序，根據(jù)權(quán)重降序排序，構(gòu)造專利說明書的文本的空間模型向量V_i(w_i1,w_i2,...,w_in)，以此來表示每個專利說明書的文本的內(nèi)容；

步驟5，生成IPC各層次類別特征向量，在步驟1基礎(chǔ)上，從小類開始逐層向上，計算每個詞匯在對應(yīng)層次的類別權(quán)重，權(quán)重的計算使用TF-IDF，將一個類別描述看作一個文本，然后構(gòu)建各層次的類別特征向量；

所述步驟5的具體過程為：

步驟5.1，將各子組的類別描述并入所屬主組的類別描述，進(jìn)行分詞、去停用詞處理；

步驟5.2，將每個主組的描述合并后進(jìn)行特征選擇，構(gòu)造IPC小類層次的類別特征向量，向量表示為{V_A01B1/00,V_A01B3/00,...,V_H99Z99/00}；其中，A01B1/00為IPC中第一個主組，H99Z99/00為IPC中最后一個主組；

步驟5.3，將同一個小類下的所有基本描述合并后進(jìn)行特征選擇，構(gòu)造IPC大類層次的類別特征向量，向量表示為{V_A01B,V_A01C,...,V_H99Z}；其中，A01B為IPC中第一個小類，H99Z是IPC中最后一個小類；

步驟5.4，將同一大類下的所有基本描述合并后進(jìn)行特征選擇，構(gòu)造IPC部層次的類別特征向量，向量表示為{V_A01,V_A21,...,V_H99}；其中，A01為IPC中第一個大類，H99Z是IPC中最后一個大類；

步驟6，構(gòu)建專利樣本鄰域，利用步驟4中的專利特征向量，計算每個專利與其他專利之間相似度，對這些專利相似度進(jìn)行排序，選擇其中相似度最大的K個專利，組成該專利的鄰域集合；

所述步驟6的具體過程為：

步驟6.1，計算專利訓(xùn)練集中各專利之間的相似度；相似度可以通過計算向量間的夾角余弦得到；設(shè)sim(d_i,d_j)表示專利說明書的文本d_i與d_j的相似度，則計算公式如式(5)所示：

其中，W_ik和W_jk表示專利向量中對應(yīng)特證詞的權(quán)重，n表示向量的維數(shù)；

步驟6.2，將d_i與其他所有專利樣本d_j的相似度按降序排序，選擇前K個專利樣本形成集合D_i，D_i稱作為專利d_i的鄰域，K的值視具體情況而定；

步驟7，計算待分類專利向量與IPC類別特征向量以及與訓(xùn)練集專利之間的余弦相似度值，同樣計算出待分專利的鄰域集合；

步驟8，首先計算待分類專利與訓(xùn)練集中專利之間共享領(lǐng)域的大小，即計算鄰域集合中相同專利的個數(shù)；然后計算待分專利與專利類別間的相似度加權(quán)和，對加權(quán)和排序后，將待分專利劃分為值最大的那個類中；

所述步驟8的具體過程為：

步驟8.1，計算待分類專利B_j與樣本專利d_i之間的共享領(lǐng)域大小L(B_j,d_i)，即兩個領(lǐng)域集合中相同專利的個數(shù)；

步驟8.2，計算待分類專利與各個IPC類別間的最終加權(quán)相似度，計算公式如式(6)所示：

其中，I表示類別，p，k，α，β為可調(diào)參數(shù)，系統(tǒng)默認(rèn)情況下，p為0.8，k為0.95，α為0.6，β為5；

步驟8.3，將待分類專利歸入相似度S(i)最大的類。