發(fā)布時間：2020-12-05 00:00

　　技術創(chuàng)新快速發(fā)展,累積創(chuàng)新的高技術產業(yè)引領我們進入了現(xiàn)代信息時代。隨著創(chuàng)新型產品和服務發(fā)生本質的變化,半導體、信息技術、通信、制藥和生物技術等技術密集型產業(yè)廣泛利用專利來保護其發(fā)明。在復雜的高科技行業(yè)中,越來越多的企業(yè)因戰(zhàn)略原因而申請專利,導致專利申請數(shù)量激增。專利局工作量的增加以及現(xiàn)有技術的搜索成本增加,導致出現(xiàn)更多的專利權重疊專利和較小的發(fā)明被授予更多的專利權。由于存在很多權利要求不確定的相關專利,大量生產和銷售使用復雜技術產品的公司通常不能有效地確保其產品不侵犯另一家公司的專利。因而,擁有大量復雜化和模塊化技術的專利的高科技密集型產業(yè)中逐漸出現(xiàn)了專利叢林現(xiàn)象。隨著全球經(jīng)濟一體化與知識產權保護意識的加強,深入研究專利叢林問題具有重要的意義。本文研究與分析了產業(yè)鏈專利侵權風險管理方案,在合理構建產業(yè)鏈、產業(yè)技術鏈的基礎上,利用lda2vec主題模型對技術領域的專利進行主題分析,獲取技術子主題,將專利映射到產業(yè)鏈的不同環(huán)節(jié),得到各技術領域的專利數(shù)據(jù)集,運用社會網(wǎng)絡分析方法和文本相似度方法,分別對產業(yè)鏈外部與產業(yè)鏈內部的專利叢林進行測量與識別,分析專利叢林的特征,對專利叢林風險進行評估,... 

【文章來源】：北京工業(yè)大學北京市 211工程院校

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

lda2vec模型圖

第 2 章 相關理論與方法介紹vec 將一組文檔看成一組非常長的文本字符串，基于 Word2vec 的詞向量在特定窗口大小的一段文本字符串上，是一種局部表示方式，Word2訓練的框架如表 2-2 所示，Word2vec 模型圖如圖 2-3 所示。表 2-2 Word2vec 詞向量訓練框架Table 2-2 Word2vec word vector training framework模型 CBOW Skip-gramNegative Sampling CBOW+NS Skip-gram+NSHierachy Softmax CBOW+HS Skip-gram+HS

北京工業(yè)大學管理學碩士學位論文學習出來的句子向量計算句子間的距離，找到句子間的相似性，可用于文本分類情感分析等[60]。doc2vec 模型有兩種模型訓練句子向量：Distributed Memory(DM)和Distributed Bag of Words(DBOW)。Distributed Memory(DM)模型是根據(jù)上下文的信息和句子的向量預測詞概率，Distributed Bag of Words(DBOW)模型是在給定句子的向量的基礎上，預測句子中的隨機詞的概率，模型如圖 2-4 所示。


本文編號：2898479