發(fā)布時(shí)間：2025-01-09 02:54

　　專(zhuān)利文本作為重要信息的載體,對(duì)其實(shí)現(xiàn)自動(dòng)分類(lèi)具有重要的研究意義。隨著大數(shù)據(jù)時(shí)代的到來(lái),人們?cè)絹?lái)越重視知識(shí)產(chǎn)權(quán),專(zhuān)利文件也越來(lái)越多,面臨的問(wèn)題就是如何對(duì)專(zhuān)利文件進(jìn)行正確的檢索與分類(lèi)管理。目前對(duì)于專(zhuān)利的分類(lèi)主要還是以人工為主,不僅耗時(shí)耗力,還不能保證分類(lèi)的準(zhǔn)確率。因此,迫切需要對(duì)專(zhuān)利文本進(jìn)行自動(dòng)分類(lèi),以提高專(zhuān)利分類(lèi)效率與審查速度。針對(duì)上述情況,本文對(duì)中文專(zhuān)利文本分類(lèi)主要做了以下研究:首先,針對(duì)海量的專(zhuān)利文本,提出一種基于Word2Vec和logistic回歸的中文專(zhuān)利文本分類(lèi)的機(jī)器學(xué)習(xí)方法。本方法利用Word2Vec產(chǎn)生的詞向量對(duì)專(zhuān)利文本進(jìn)行表示,然后配合logistic回歸模型,對(duì)專(zhuān)利說(shuō)明和摘要合并的文本語(yǔ)料進(jìn)行學(xué)習(xí)和訓(xùn)練,從而實(shí)現(xiàn)對(duì)專(zhuān)利文本的自動(dòng)分類(lèi)。試驗(yàn)結(jié)果表明,本文提出的機(jī)器學(xué)習(xí)方法能夠得到較好的分類(lèi)效果,其中個(gè)別類(lèi)別的分類(lèi)準(zhǔn)確率達(dá)到了 83.6%;并且與k近鄰算法相比,該模型在精確度、召回率以及F1值上均有顯著提高。另外,雖然Word2Vec模型相較one-hot編碼、TF-IDF表示法而言,有顯著提高分類(lèi)的效果,但是它不能解決一詞多義的問(wèn)題。因此,為解決利用Word2Vec模型進(jìn)...

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１論文研宄框架??第一章是引言，主要包括專(zhuān)利文本分類(lèi)的研究背景及意義、目前國(guó)內(nèi)外的研??究現(xiàn)狀

浙江科技學(xué)院碩士學(xué)位論文?第１章引言??ｆ?＼?，??Ｉ?引言?Ｉ??！?Ｌ?一?？?Ｊ??＼?＾＾＾＿?：??！?背景及意義?國(guó)內(nèi)外研究現(xiàn)狀?研究?jī)?nèi)容與結(jié)構(gòu)｜??Ｉ?Ｖ?）?Ｖ?Ｊ?Ｖ?Ｊ?＼??Ｉ?廣?Ｎ?Ｉ??；?ｆ專(zhuān)利文本分類(lèi)相關(guān)?Ｉ??！?技術(shù)?：??ｊ?ｔ?一、＾＾?....

圖２－１專(zhuān)利文本分類(lèi)流程??

浙江科技學(xué)院碩士學(xué)位論文?第２章專(zhuān)利文本分類(lèi)相關(guān)技術(shù)介紹??第２章專(zhuān)利文本分類(lèi)相關(guān)技術(shù)介紹??２．１專(zhuān)利文本分類(lèi)流程??專(zhuān)利文本是一種特殊的文本，大量專(zhuān)業(yè)術(shù)語(yǔ)的使用，行業(yè)特定的語(yǔ)言降低了??詞匯密度，并可能導(dǎo)致算法的搜索空間稀疏。故意使用的非標(biāo)準(zhǔn)化語(yǔ)言可能會(huì)幫??助申請(qǐng)人擴(kuò)大專(zhuān)利....

圖２－２決策樹(shù)示意圖??決策樹(shù)訓(xùn)練的過(guò)程其實(shí)是一個(gè)從訓(xùn)練集中歸納總結(jié)分類(lèi)規(guī)則的過(guò)程，能對(duì)訓(xùn)??

浙江科技學(xué)院碩士學(xué)位論文?第２章專(zhuān)利文本分類(lèi)相關(guān)技術(shù)介紹??型的樹(shù)形結(jié)構(gòu)表示基于特征對(duì)樣本進(jìn)行決策的過(guò)程［４８］。決策樹(shù)不僅是一個(gè)遞歸??過(guò)程，還可以認(rèn)為是定義在特征空間與類(lèi)空間上的條件概率分布。根據(jù)損失函數(shù)??最小化原則在訓(xùn)練時(shí)利用訓(xùn)練集建立決策樹(shù)模型，然后利用該模型在預(yù)測(cè)時(shí)對(duì)....

圖３－１＇可知，ＣＢＯＷ的核心思想．是在Ｂ知上下文ｗ（ｔ＿２）、Ｗａ—Ｄ、ｗ（ｔ＋１）、??

Ｓｋｉｐ－ｇｒａｍ模型也加入一個(gè)投影層＞?但此投影層??只對(duì)輸入的當(dāng)前詞匯的ｆｔ量進(jìn)行加權(quán)，最后經(jīng)過(guò)輸出層輸出當(dāng)前詞ｔ的Ｊ：下文詞??匯：的詞??輸入?搜影?輸：出?輸入?＿?輸出??ｗ（，－２）?＾?ｗｉｔ－＇Ｘ）??冰（，－１）｜?Ｎ．?＼ｗ（ｔ－ｌ）??????＞??？?＾....

本文編號(hào)：4025034