[發(fā)明專(zhuān)利]一種基于詞頻和語(yǔ)義計(jì)算專(zhuān)利文獻(xiàn)相似度的智能檢索方法、裝置、電子設(shè)備及其存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011227890.1
• 申請(qǐng)日: 2020-11-06
• 公開(kāi)（公告）號(hào): CN112257419B
• 公開(kāi)（公告）日: 2021-05-28
• 發(fā)明（設(shè)計(jì)）人: 汪敏;嚴(yán)妍;肖國(guó)泉;裴非;肖克;彭祖劍;邵羅樹(shù);趙達(dá);石鑫
• 申請(qǐng)（專(zhuān)利權(quán)）人: 開(kāi)普云信息科技股份有限公司;北京開(kāi)普云信息科技有限公司
• 主分類(lèi)號(hào): G06F40/216
• 分類(lèi)號(hào): G06F40/216;G06F40/30;G06F40/242;G06F40/289;G06K9/62;G06F16/33
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明提供一種基于詞頻和語(yǔ)義計(jì)算專(zhuān)利文獻(xiàn)相似度的智能檢索方法、裝置、電子設(shè)備及其存儲(chǔ)介質(zhì)，對(duì)專(zhuān)利數(shù)據(jù)庫(kù)中的所有文獻(xiàn)進(jìn)行詞袋統(tǒng)計(jì)和詞向量計(jì)算，得到對(duì)應(yīng)的詞袋數(shù)據(jù)和詞距離數(shù)據(jù)；建立模型，輸入內(nèi)容或考題號(hào)，在題庫(kù)數(shù)據(jù)中獲取待審專(zhuān)利的標(biāo)題、摘要、權(quán)利要求書(shū)、說(shuō)明書(shū)進(jìn)行多種組合，并分別根據(jù)詞袋算法和語(yǔ)義算法進(jìn)行粗選和細(xì)選，針對(duì)選擇后數(shù)據(jù)進(jìn)行文本相似度分析，將分析結(jié)果融合排序得到綜合相似度，經(jīng)查重篩選，給出待查專(zhuān)利的可疑答案集合。本發(fā)明提升了檢索速度，采用兩輪篩選，第一輪粗選旨在快速縮小對(duì)比范圍，第二輪細(xì)選旨在兼顧提高準(zhǔn)確率；可以有效節(jié)省人力和時(shí)間，幫助專(zhuān)利審查員縮減相關(guān)專(zhuān)利審查范圍，提高審查效率。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)查重技術(shù)領(lǐng)域，尤其涉及一種基于詞頻和語(yǔ)義計(jì)算專(zhuān)利文獻(xiàn)相似度的智能檢索方法、裝置、電子設(shè)備及其存儲(chǔ)介質(zhì)。

背景技術(shù)

專(zhuān)利是一種受法律保護(hù)的特殊文件，是政府對(duì)社會(huì)發(fā)明創(chuàng)造的一種保護(hù)手段，在國(guó)家專(zhuān)利管理部門(mén)受理專(zhuān)利申請(qǐng)后，需要對(duì)專(zhuān)利進(jìn)行有效審查，而審查過(guò)程中的查重工作無(wú)疑是重要環(huán)節(jié)之一，現(xiàn)有查重系統(tǒng)常用的查重算法是詞袋算法或者語(yǔ)義算法。

詞袋算法，是指根據(jù)文本內(nèi)容的分詞統(tǒng)計(jì)詞袋結(jié)果進(jìn)行相似度計(jì)算，源于文本分類(lèi)技術(shù)。在信息檢索中，它假定對(duì)于一個(gè)文本，忽略其詞序、語(yǔ)法和句法，將其僅僅看作是一個(gè)詞集合，或者說(shuō)是詞的一個(gè)組合。文本中每個(gè)詞的出現(xiàn)都是獨(dú)立的，不依賴(lài)于其它詞是否出現(xiàn)，或者說(shuō)這篇文章的任意一個(gè)位置詞匯都不受前面句子的影響而獨(dú)立選擇的。

語(yǔ)義算法，是指將文本內(nèi)容轉(zhuǎn)化為特征向量進(jìn)行相似度計(jì)算。首先把詞處理成實(shí)數(shù)向量，完成向量化，把特征從詞匯表大小的高維度空間降低到一個(gè)相對(duì)低的維度空間；再使用簡(jiǎn)單的代數(shù)運(yùn)算來(lái)發(fā)現(xiàn)它們之間的語(yǔ)義相似度，并且保證向量間的相對(duì)相似度和語(yǔ)義相似度是相關(guān)的。計(jì)算向量間的相似度可以采用諸如余弦相似度的方法。

但是，現(xiàn)有技術(shù)針對(duì)專(zhuān)利查重算法使用方式單一且結(jié)果準(zhǔn)確率不高，審查人員在專(zhuān)利審查過(guò)程中需要付出大量的時(shí)間和精力，工作效率較低且存在審核意見(jiàn)主觀性強(qiáng)的問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明為了彌補(bǔ)現(xiàn)有技術(shù)的不足，提供一種基于詞頻和語(yǔ)義計(jì)算專(zhuān)利文獻(xiàn)相似度的智能檢索方法、裝置、電子設(shè)備及其存儲(chǔ)介質(zhì)，本技術(shù)方案權(quán)衡了針對(duì)字面的詞袋算法和針對(duì)語(yǔ)義的語(yǔ)義算法的優(yōu)缺點(diǎn)，旨在從字面和語(yǔ)義兩方面雙管齊下，將兩種算法相融合來(lái)綜合審查專(zhuān)利文獻(xiàn)的重復(fù)度，提升專(zhuān)利審查效率。

本發(fā)明的實(shí)施例是這樣實(shí)現(xiàn)的：

第一方面，本發(fā)明實(shí)施例提供了基于詞頻和語(yǔ)義計(jì)算專(zhuān)利文獻(xiàn)相似度的智能檢索方法，應(yīng)用于服務(wù)器，具體實(shí)現(xiàn)步驟是：首先對(duì)專(zhuān)利數(shù)據(jù)庫(kù)中的所有文獻(xiàn)進(jìn)行詞袋統(tǒng)計(jì)和詞向量計(jì)算，得到對(duì)應(yīng)的詞袋數(shù)據(jù)和詞距離數(shù)據(jù)；然后建立模型，待用戶(hù)輸入內(nèi)容或考題號(hào)，在目前加載的題庫(kù)數(shù)據(jù)中獲取待審專(zhuān)利的標(biāo)題、摘要、權(quán)利要求書(shū)、說(shuō)明書(shū)四部分內(nèi)容進(jìn)行多種組合，并分別根據(jù)詞袋算法和語(yǔ)義算法進(jìn)行粗選和細(xì)選，針對(duì)選擇后數(shù)據(jù)進(jìn)行文本相似度分析，將分析結(jié)果融合排序得到綜合相似度，以此為標(biāo)準(zhǔn)進(jìn)行客觀有效的查重篩選，最后給出待查專(zhuān)利的可疑答案集合。

進(jìn)一步地，粗選是指：根據(jù)組合結(jié)果從專(zhuān)利語(yǔ)料庫(kù)中生成字典和詞典；結(jié)合生成的字典和詞典，從專(zhuān)利數(shù)據(jù)庫(kù)中為每篇專(zhuān)利獲取詞袋，根據(jù)詞袋的不同屬性生成詞袋文件，詞袋文件的集合形成詞袋庫(kù)；根據(jù)考題內(nèi)容,從詞袋庫(kù)中取出對(duì)應(yīng)專(zhuān)利的詞袋,由詞袋得到文本內(nèi)容；根據(jù)詞袋算法將每條考題不同字段的組合詞袋與全量專(zhuān)利的相應(yīng)詞袋進(jìn)行逐一比較，計(jì)算得出語(yǔ)義相似值；將對(duì)應(yīng)的每篇專(zhuān)利的不同組合詞袋的TopN₁結(jié)果融合取交集，再對(duì)剩余組合詞袋按語(yǔ)義相似值從大到小排序，取出一定數(shù)量湊足TopN₁作為粗選的結(jié)果集，從而形成粗選集；統(tǒng)計(jì)出所有考題對(duì)應(yīng)的粗選集，將其傳給細(xì)選算法模型作為輸入。