基于IPC知识结构的专利自动分类模型

构建的专利自动分类模型,利用国际专利分类号自身的类别信息建立类别特征词原始集合,结合现有专利进行扩充训练.计算待分类专利中所有类别的特征词频率向量,进而判断专利与各类别的关联程度,实现专利的自动分类.实验结果显示,该模型的分类效果在大类、小类层次上较好.     

基于双通道特征融合的WPOS-GRU专利分类方法

为提高专利文本自动分类的效率和准确度,提出一种基于双通道特征融合的WPOS-GRU（word2vec and part of speech gated recurrent unit）专利文本自动分类方法。首先获取专利摘要文本,并进行清洗和预处理;然后对专利文本进行词向量表示和词性标注,并将专利文本分别映射为word2vec词向量序列和POS词性序列;最后使用两种特征通道训练WPOS-GRU模型,并对模型效果进行实验分析。通过对比传统专利分类方法和单通道专利分类方法,双通道特征融合的WPOS-GRU专利分类方法提高了分类效果。提出的方法节省了大量的人力成本,提高了专利文本分类的准确度,更能满足大量专利文本分类任务自动化高效率的需要。     

基于形状语义的外观设计专利检索

为跨越底层特征与高层语义之间的“鸿沟”,充分挖掘外观设计专利图像形状组织的特点,实现了一个基于形状语义的外观设计专利检索系统.系统根据外观专利图像特点进行形状的预分类,利用专利形状类别之间的判别性信息提取形状语义,据此进行相似度匹配并返回相似专利图像.提出基于形状语义的相关性反馈方法,在初次检索结果的基础上,利用用户反馈图像的所属类别概率对相似度距离进行调整,进一步提高检索的精度.用实际使用的外观设计专利数据进行实验,结果表明,该方法取得了较好的检索效果,可以满足具有较高查全率的同时仍有较高查准率这一实际专利检索需求.     

基于IPC知识结构的专利自动分类方法

基于国际专利分类号的层次结构,利用自身的类别描述信息,建立了不同层次的类别特征向量,结合现有专利进行修正训练,分别在各层次上采用经典的KNN算法实现专利的自动分类。实验结果表明：该方法的分类效果在部、大类、小类层次上表现较好。经过修正训练后的分类性能有所提高。     

基于卷积神经网络与多特征融合的Twitter情感分类方法

为了对社交网络平台上发表的言论和信息进行情感分类,基于卷积神经网络和多特征融合,提出一种情感分类方法。结合Twitter自身语言特性和情感字典资源设计语料特征和词典特征,对Twitter文本词向量使用卷积神经网络获得对应的深度词向量特征,将上述3类特征进行特征融合并采用One-Versus-One SVM实现情感极性的分类判别。针对SemEval语料的实验结果表明,该方法取得了较好的情感分类效果,多特征融合能够有效地提高情感分类的准确性。     

基于深度学习的医药专利标签分类方法

在大数据时代,医药专利数据的有效收集、整理和挖掘分析对医药行业发展愈发重要。当前文本分类神经网络对医药专利标签的分类准确率不够高,为了有效提升专利标签的分类效果,设计了一种基于注意力机制的双向长短时记忆神经网络分类模型。该模型避免了传统循环神经网络的长期依赖问题,并充分利用全局信息,以实现文本信息的权重分布。     

数据挖掘中BPN与PNN分类的对比研究

分类问题是数据挖掘中的一个重要问题。尽管神经网络是一种高精度的分类器，但是由于神经网络模型众多，在分类预测时如何选择合适的模型，还没有一个普遍的原则。文章对后传播神经网络（BPN）和概率神经网络（PNN）在数据挖掘分类中的应用进行了对比研究，并利用这两种模型对高校研究生信息进行了分类挖掘。仿真结果证明，PNN模型在分类预测上优于BPN模型，而且其分类速度快、正确率高、测试结果稳定。     

基于贝塞尔曲线拟合的心电信号模式分类方法

提出了一种以心电信号形态特征为基础,基于信号分段特征提取,结合三阶贝塞尔函数和自组织神经网络的心电信号分类方法.首先分析了心电信号的形态特点,讨论了心电信号的分段方法,重点研究了结合贝塞尔函数的心电信号特征提取方法.最后,应用自组织神经网络对心电信号特征机型分类验证,结合使用MIT-BIH心电信号数据库的112605条数据进行实验.使用贝塞尔函数可以达到很好的特征提取效果,结合自组织神经网络可以达到较好的分类效果.实验结果表明,特征提取方法能够提高特征的有效性以及分类器的准确率.     

一种面向专利文献数据的文本自动分类方法

中文专利文献自动分类目前尚无成熟适用的方法。分析了文本自动分类的关键技术,并结合专利数据的特点对无词典分词和权重计算进行了改进,提出了一种适用于专利数据分类的层次分类方法,给出了面向专利文献数据的文本自动分类系统的框架模型。实验表明,该系统具有较好的分类精度与效率。     

基于预训练语言模型的BERT-CNN多层级专利分类研究

专利文献的自动分类对于知识产权保护、专利管理和专利信息检索十分重要,构建准确的专利自动分类器可以为专利发明人、专利审查员提供辅助支持。该文以专利文献分类为研究任务,选取国家信息中心公布的全国专利申请信息为实验数据,提出了基于预训练语言模型的BERT-CNN多层级专利分类模型。实验结果表明: 在该数据集上,BERT-CNN模型在准确率上达到了84.3%,大幅度领先于卷积神经网络和循环神经网络等其他深度学习算法。BERT抽取的特征向量在表达词汇与语义方面比传统Word2Vec具有更加强大的性能。另外,该文还探讨了全局与局部策略在专利多层文本分类上的差异。