[發明專利]一種技術圖譜中技術領域的自動識別方法

在審

• 申請號: 202010558503.6
• 申請日: 2020-06-18
• 公開（公告）號: CN111813933A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 華斌;宋平;陸啟宇;張琪祁;趙三珊
• 申請（專利權）人: 國網上海市電力公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/36;G06F40/289;G06F40/30
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 王懷瑜

1.一種技術圖譜中技術領域的自動識別方法，其特征在于，包括以下步驟：

數據集準備步驟：從文獻數據源篩選科技成果文檔，以及從技術門類框架中提取技術領域及其描述，生成技術領域文檔；

數據預處理步驟：對科技成果文檔和技術領域文檔進行數據預處理；

分類模型樣本準備步驟：計算每篇科技成果文檔與技術領域文檔之間的相似度，得到由科技成果文檔組成的分類模型樣本，以及每篇科技成果文檔所屬的技術領域標簽；

多標簽分類模型構建步驟：根據分類模型樣本，構建多標簽分類模型；

技術領域識別步驟：利用多標簽分類模型對未分類的科技成果文檔進行分類，獲得技術領域。

2.根據權利要求1所述的一種技術圖譜中技術領域的自動識別方法，其特征在于，所述的數據集準備步驟中，文獻數據源包括專利數據庫、論文數據庫。

3.根據權利要求1所述的一種技術圖譜中技術領域的自動識別方法，其特征在于，所述的數據集準備步驟中，根據標題、摘要和關鍵詞篩選科技成果文檔，使科技成果文檔與技術領域文檔具備相關性。

4.根據權利要求1所述的一種技術圖譜中技術領域的自動識別方法，其特征在于，所述的數據預處理步驟中，采用中文分詞法對文檔進行分詞、去停用詞、剔除高頻詞處理。

5.根據權利要求1所述的一種技術圖譜中技術領域的自動識別方法，其特征在于，所述的分類模型樣本準備步驟中，采用主題模型方法，計算技術領域文檔和科技成果文檔之間的相似度。

6.根據權利要求1所述的一種技術圖譜中技術領域的自動識別方法，其特征在于，所述的多標簽分類模型構建步驟中，采用融合的多標簽分類模型。

7.根據權利要求1所述的一種技術圖譜中技術領域的自動識別方法，其特征在于，所述的融合的多標簽分類模型采用MLRW算法、MLKNN算法和BPMLL算法在相同的訓練集上訓練多標簽分類模型，根據分類效果確定投票權值，對測試集應用三種多標簽分類模型進行多標簽分類預測，再對預測結果進行加權投票，根據閾值從中選取標簽作為文檔的類標簽集。

8.根據權利要求1所述的一種技術圖譜中技術領域的自動識別方法，其特征在于，所述的多標簽分類模型構建步驟還包括：利用測試集，對分類模型進行評估和反饋學習，從而選用最優模型進行分類。

9.根據權利要求8所述的一種技術圖譜中技術領域的自動識別方法，其特征在于，采用Hamming Loss、One-Error、Ranking Loss、Average Precision評估指標對分類模型進行評估。

10.根據權利要求1所述的一種技術圖譜中技術領域的自動識別方法，其特征在于，所述的所述的多標簽分類模型構建步驟中，每個科技成果文檔對應兩個以上技術領域標簽。