一种专利文本向量的语义表示方法技术

本发明专利技术公开了一种专利文本向量的语义表示方法，通过构建领域专利知识库，用于计算专利文本词项的专利语义权重，具体过程为：假设两待比对的专利文本为dx和dz，首先通过词包法将dx和dz表示成实词向量xx和zz；然后通过构建的领域专利知识库赋以各词项专利语义权重，将xx和zz进一步表示成带有专利语义信息的向量xx0和zz0；再结合利用TF-IDF规则，最后将专利文本表示成带有专利语义权重信息以及词频权重信息的文本向量x和z。本发明专利技术可应用于专利文本向量表示过程中专利词项语义信息的表达，并进一步用于后续的专利文本相似度的计算，从而进一步提高专利文本相似度计算的精确率和召回率。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了，通过构建领域专利知识库，用于计算专利文本词项的专利语义权重，具体过程为：假设两待比对的专利文本为dx和dz，首先通过词包法将dx和dz表示成实词向量xx和zz；然后通过构建的领域专利知识库赋以各词项专利语义权重，将xx和zz进一步表示成带有专利语义信息的向量xx0和zz0；再结合利用TF-IDF规则，最后将专利文本表示成带有专利语义权重信息以及词频权重信息的文本向量x和z。本专利技术可应用于专利文本向量表示过程中专利词项语义信息的表达，并进一步用于后续的专利文本相似度的计算，从而进一步提高专利文本相似度计算的精确率和召回率。【专利说明】
本专利技术属于专利文献检索领域，具体涉及一种专利文本的向量空间表示方法。
技术介绍
各国专利文献基本上都有基本统一的内容结构和统一的国际专利分类IPC体系。与专利技术技术方案相关的专利文献的内容结构部分包括:、摘要、说明书、权利要求书、IPC号及对比文件。说明书又包括
技术介绍
、
技术实现思路
和【具体实施方式】。专利文献在用词和造句上与一般科技文献有很大的区别，这些特点给专利文献的相似计算带来很大的困难。专利文献的词句表达具有自身特点。在不同的专利文献之间，专利申请为了达到专利审查的新颖性，常将同一产品冠以不同的名称，相同概念的用语可能大相径庭，导致大量未登录专业术语的密集出现；为了拓宽保护范围，术语使用往往概念上位化，如关于“水杯”的专利技术创造，往往会用“一种容器”来表达，通篇不出现“水杯”二字；专利文献使用大量晦涩的技术性术语但很严谨很少出现歧义，技术术语带有很强的专业性，有些术语在某一特定
内反复出现，而在其它领域内很少出现；存在大量的专业术语定语嵌套现象，如“免疫球蛋白”、“免疫球蛋白分子”、“免疫球蛋白分子编码序列”。专利文献的这些特点，使得专利文献的语义表示带有特殊性。 现有研究中，将语义专利分析法用于计算专利相似度以测量专利的新颖性，将潜在语义分析方法用于检测专利文献与科学出版物之间的相似度 ，将隐概念作为基本的文本元素用于专利的相似测量的研究，利用语义技术相似的主客相互关系结构来描述技术合作者之间的相互结构关系，用以判别专利的侵权M等，虽在一定程度上涉及语义，并未能很好地挖掘专利文献的用词特点，结合专利文献用词特点将专利文本的专利语义信息表达于专利文本向量表示中。此外，现有的WordNet、YAGO等通用词典中，专业术语数量有限；借助外部词典WordNet，分析具有较高TF-1DF值的重要词项之间的语义相似度Μ等在一定程度上提供了检索效果，但均不能很好地适应专利文献的用词特点，导致很多专利语义信息丢失。专利本体库构建方法、利用OWL进行语义专利信息检索和管理m等的相关研究，只是为专利本体的构建提供了一些方法思路，未能构建领域专利知识库，并用于专利文本的语义表示。 现有的专利文本向量的语义表示方法有待进一步挖掘专利文献的用词造句特点；现有的专业领域本体缺少大量未登录的在专利文献中密集出现的领域专利技术术语。需要结合专利文献的用词特点，提供专利文本向量中专利文献词项语义表示的新方法。 对比文件 Gerken JMj A New Instruments for Technology Monitoring:Novelty inPatents Measured by Semantic Patent Analysis, Scientometricsj Vol.91, N0.3, PP.645-670，2012 Bergmann I, Butzke Dj Walter L，et al, Evaluating the Risk of PatentInfringement by Means of Semantic Patent Analysis:the Case of DNA Chips，R&DManagement, Vol.38，N0.5，PP.550-562，2008 Magerman Tom, Van Looy Bart,Song Siaoyanj Exploring the Feasibility andAccuracy of Latent Semantic Analysis based on Text Mining Techniques to DetectSimilarity Between Patent Documents and Scientific Publicat1ns，Scientometrics，Vol.82，N0.2，pp.289-306，2010 Moehrle Martin GiMeasures for Textual Patent Similarities:A Guided Wayto Select Appropriate Approaches, Scientometricsj Vol.85, N0.1, pp.95-109, 2010 Park Hyunseokj Yoon Janghyeokj Kim Kwangsooj Identifying PatentInfringement Using SAO based on Semantic Technological Similarities，Scientometrics, Vol.90，N0.2，pp.515-529，2012 黄承慧，印鉴，侯昉.一种结合词项语义信息和TF-1DF方法的文本相似度量方法，计算机学报，第34卷，第5期，页码856-864，2011 Bermudez-Edo M，Noguera M，Garrido J Lj et al.Semantic Patent Informat1nRetrieval and Management withOWL//Advances in Informat1n Systems andTechnologies.Springer Berlin Heidelberg, 2013:33-42.
技术实现思路
本专利技术的目的在于提供，以进一步挖掘专利文献的用词特点，使得专利文本向量能进一步表达专利语义信息，从而提高后继的专利文本向量相似度计算和相似检测时，专利文献相似度计算的精确率和召回率。 为了解决以上技术问题，本专利技术采用的具体技术方案如下 ，其特征在于包括以下步骤: 步骤一,构建领域专利知识库； 步骤二，利用构建的领域专利知识库，计算词项的专利语义权重，将专利文本表示成带有专利语义信息的向量:假设两待比对的专利文本为dx和dz，首先通过词包法将dx和dz表示成实词向量XX和ZZ ;然后通过构建的领域专利知识库赋以各词项专利语义权重,将XX和ZZ进一步表示成带有专利语义信息的向量XXci和ZZci ;所述实词为出现在专利文献中的名词、动词、形容词和副词，即所述词项； 步骤三，结合利用TF-1DF规则，最后将专利文本表示成带有专利语义权重信息以及词频权重信息的专利文本向量X和Z。 所述构建领域专利知识库的方法为:基于所述领域的领域词典和德温特世界专利索引数据库即DWPI数据库公开的所述领域的专利文献，结合所述领域的技术国际专利分类即IPC分本文档来自技高网...

【技术保护点】
一种专利文本向量的语义表示方法，其特征在于包括以下步骤：步骤一，构建领域专利知识库；步骤二，利用构建的领域专利知识库，计算词项的专利语义权重，将专利文本表示成带有专利语义信息的向量：假设两待比对的专利文本为dx和dz，首先通过词包法将dx和dz表示成实词向量xx和zz；然后通过构建的领域专利知识库赋以各词项专利语义权重，将xx和zz进一步表示成带有专利语义信息的向量xx0和zz0；所述实词为出现在专利文献中的名词、动词、形容词和副词，即所述词项；步骤三，结合利用TF‑IDF规则，最后将专利文本表示成带有专利语义权重信息以及词频权重信息的专利文本向量x和z。

【技术特征摘要】

【专利技术属性】
技术研发人员：王秀红，袁银池，汪满容，卢章平，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32