[發明專利]基于三維視域專利地圖和深度學習的量子行業分析方法

在審

• 申請號: 202210243892.2
• 申請日: 2022-03-11
• 公開（公告）號: CN114707033A
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 范宣;周瀚閣;趙鳳嬌;田響濤;洪龍偉;吳建新
• 申請（專利權）人: 中國海洋大學
• 主分類號: G06F16/904
• 分類號: G06F16/904;G06F16/903;G06F16/906;G06N3/04;G06N3/08;G06N10/00
• 代理公司: 無錫知更鳥知識產權代理事務所(普通合伙) 32468
• 代理人: 張濤

1.基于三維視域專利地圖和深度學習的量子行業分析方法，其特征在于，包括如下步驟：

步驟1、對數據集內的數據進行數據處理；

步驟2、將處理后的數據進行可視化分析，繪制專利地圖；

步驟3、將處理后的數據基于深度學習Glove分詞算法和離群值檢測算法進行建模，構建G-LofNet深度神經網絡模型；

步驟4、從時間、空間和模式三個角度出發對國內量子領域的發展進行分析。

2.根據權利要求1所述的基于三維視域專利地圖和深度學習的量子行業分析方法，其特征在于，所述步驟1中進行數據處理的方法為，選取數據集內數據中的特征部分進行分組聚類，并按照多種維度進行統計。

3.根據權利要求2所述的基于三維視域專利地圖和深度學習的量子行業分析方法，其特征在于，所述數據集內數據中的特征部分指時間特征、空間特征、版權與引用特征、文本特征和類別特征，多種維度指時間特征維度、空間特征維度、版權與引用特征維度、文本特征維度和類別特征維度。

4.根據權利要求3所述的基于三維視域專利地圖和深度學習的量子行業分析方法，其特征在于，所述步驟2中處理后的數據進行可視化分析，繪制專利地圖的方法包括：

步驟20、利用Python對時間特征維度、空間特征維度、版權與引用特征維度、文本特征維度和類別特征維度進行預處理；

步驟21、利用JavaScript讀取后進行處理，得到符合Echarts圖標格式的數據；

步驟22、在VSCode的開發環境下，使用插件Live Server呈現可視化用戶界面。

5.根據權利要求3所述的基于三維視域專利地圖和深度學習的量子行業分析方法，其特征在于，所述構建G-LofNet深度神經網絡模型的方法包括如下步驟;

步驟30、將文本特征維度進行分詞處理，并去除文本中的噪聲；

步驟31、基于Glove構建深度神經網絡模型，并獲得詞向量；

步驟32、基于LOF算法進行異常值檢測，對模型進行評估；

步驟33、將異常值可視化后進行分析。

6.根據權利要求5所述的基于三維視域專利地圖和深度學習的量子行業分析方法，其特征在于，所述步驟31中基于Glove構建深度神經網絡模型，并獲得詞向量的方法為，基于Glove算法計算文本關鍵字的詞向量，根據語義計算單詞i與上下文單詞j在特定窗口中出現的次數N，同時計算單詞i和單詞j在窗口中的距離d，以1/d作為權重，根據次數N和權重1/d構建共現矩陣，依據下列公式計算詞向量和共現矩陣之間的近似關系：

其中,和為兩個單詞的偏差項，和為所求的詞向量;

根據上述公式定義損失函數如下：

其中，為權重函數，為非單調遞減的分段函數，控制權重在合理區間,其公式如下：

其中，。

7.根據權利要求6所述的基于三維視域專利地圖和深度學習的量子行業分析方法，其特征在于，所述LOF算法進行異常值檢測的方法為，為每個數據點分配一個基于鄰域密度的離群因子，并和闕值進行比較，判斷是否是離群點。

8.根據權利要求7所述的基于三維視域專利地圖和深度學習的量子行業分析方法，其特征在于，所述LOF算法包括五個組成部分，分別為：第k距離、第k距離鄰域、可達距離、局部可達密度和局部離群因子；

某個點p的第k距離即距離p第k遠的點的距離并且不包括p本身，而點 p 的第 k 距離鄰域 Nk(p)， 就是 p 的第 k距離即以內的所有點，包括第 k 距離，而點o到點p的第k可達距離的定義為：

數據點p的局部可達密度為它與鄰近的數據點的平均可達距離的導數,即：

點 p 的局部相對密度（局部異常因子）為點p的鄰居節點的平均局部可達密度跟數據點p的局部可達密度的比值，如下：

。

9.根據權利要求8所述的基于三維視域專利地圖和深度學習的量子行業分析方法，其特征在于，所述LOF算法運用至詞向量的方法為，將每個詞向量看做為公式中的一個點，對于每個向量，計算它到其他向量的距離，并按照從近到遠排序，找到它的第K距離的鄰域向量，計算LOF得分，得到離群詞匯。