基于“Effect-theme”共现网络的专利分类方法.docx

基于“Effect-theme”共现网络的专利分类方法
摘要
本文提出一种基于“Effect-theme”共现网络的专利分类方法。通过统计专利文本中“Effect-theme”共现关系，建立共现网络，并采用社区发现算法分析网络结构，将专利文本按照主题进行聚类，实现对专利的分类。实验结果表明，该方法能够有效提高专利分类的准确性和效率。
关键词：专利分类；“Effect-theme”共现网络；社区发现；文本聚类
1.引言
如何对大量的专利文本进行有效地分类，是专利数据库管理、技术竞争情报分析等领域面临的一个重要问题。传统的基于主题词和关键词的分类方法，存在词汇匹配不准确、分类主题单一等问题。本文提出一种基于“Effect-theme”共现网络的专利分类方法，通过挖掘专利文本中“Effect-theme”共现关系，建立共现网络，采用社区发现算法分析网络结构，实现对专利文本的聚类。
2.相关工作
现有的专利分类方法主要包括基于主题词和关键词的分类方法、基于文本相似度的聚类方法、基于知识图谱的分类方法等。其中，基于主题词和关键词的分类方法应用最为广泛。该方法通过人工或自动抽取文本中的主题词和关键词，将文本按照词语匹配程度进行分类。然而，该方法存在词汇匹配不准确、分类主题单一等问题，无法充分挖掘专利文本中的知识。
相比之下，基于文本相似度的聚类方法能够更好地挖掘专利文本中的主题。该方法通过计算文本之间的相似度，将相似的文本聚为一类。该方法的主要问题在于，文本相似度的计算较为复杂，且聚类结果易受初始聚类中心的选择影响。
另外，基于知识图谱的分类方法已经得到了广泛应用。该方法通过构建专利知识图谱，利用图谱中的关系分析专利之间的联系，实现对专利的分类。然而，该方法需要耗费大量的人力和物力来构建图谱，且需要满足一定的领域知识背景才能准确分类。
3.方法描述
3.1“Effect-theme”共现网络
本文提出的方法基于“Effect-theme”共现网络。专利文本中的“Effect”指的是专利所涉及的技术效果和应用效果，“Theme”指的是专利涉及的主题。例如，在一篇专利中，技术效果为“提高太阳能电池的转换效率”，主题为“太阳能电池”。则该专利的“Effect-theme”为“提高太阳能电池的转换效率-太阳能电池”。
通过统计专利文本中“Effect-theme”的共现关系，建立“Effect-theme”共现网络。在共现网络中，每个节点表示一个“Effect-theme”，节点之间的连边表示“Effect-theme”之间共现的次数，即几个“Effect-theme”同时出现在同一篇专利中。
3.2社区发现算法
通过对共现网络进行社区发现，将专利文本按照主题进行聚类。本文采用Louvain算法（Blondeletal.,2008）进行社区发现，该算法具有计算效率高、精度优良等优点。
Louvain算法的基本思想是不断合并社区，使模块度最大化。具体实现方式是，首先将每个节点看作一个社区；随后对每个节点进行遍历，将节点不断归属于相邻节点或者已有的社区；最后对社区进行合并，得到聚类结果。
4.实验结果
本文在USPTO数据库中随机抽取了1000个专利进行实验。对比了本文提出的方法和基于主题词和关键词的分类方法。其中，基于主题词和关键词的分类方法采用jieba分词工具对专利文本进行分词，然后统计文本中出现次数最多的n个词作为分类词，将专利按照分类词进行分类，其中n取值为2、3、4、5、6、7、8、9、10。本文提出的方法中，社区发现算法使用的Louvain算法，将一个“Effect-theme”看作一个节点。
实验结果表明，本文提出的方法能够有效提高专利分类的准确性和效率。将结果与基于主题词和关键词的分类方法进行对比，可以看出，基于主题词和关键词的分类方法存在分类主题单一、错漏分类等问题；而本文提出的方法可以全面挖掘专利文本中的主题，聚类结果更加准确。同时，本文提出的方法的计算时间也短于基于主题词和关键词的分类方法。
5.结论
本文提出了一种基于“Effect-theme”共现网络的专利分类方法。该方法通过挖掘专利文本中的主题关系，建立共现网络，使用社区发现算法进行聚类，实现对专利文本的分类。实验结果表明，该方法能够有效提高专利分类的准确性和效率。未来，可以考虑进一步优化方法，提高分类效果。