文献类型：期刊文章

作　　者：马建红[1] 曹文斌[1] 刘元刚[2] 夏爽[3]

MA Jianhong;CAO Wenbin;LIU Yuangang;XIA Shuang(College of Artificial Intelligence,Hebei University of Technology,Tianjin 300401,China;Tianjin Science and Technology Association,Tianjin 300041,China;Tianjin Science and Technology Museum,Tianjin 300210,China)

机构地区：[1]河北工业大学人工智能与数据科学学院,天津300401 [2]天津市科学技术协会,天津300041 [3]天津科学技术馆,天津300210

出　　处：《计算机应用》

基　　金：科技部创新方法工作专项(2019IM020300)。

年　　份：2021

卷　　号：41

期　　号：5

起止页码：1361-1366

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：当前专利是按照领域划分的,而基于功效特征可以实现跨领域的专利聚类,这在企业创新设计中具有重要意义,而精确提取专利功效特征和快速获得最优聚类结果是其中的关键任务。为此提出一种信息实体语义增强表示(ERNIE)和卷积神经网络(CNN)相结合的功效特征联合提取(FEI-Joint)模型来提取专利文献的功效特征,并且改进自组织神经网络(SOM)算法,从而提出具有早期拒绝策略与类合并思想的自组织神经网络(ERCM-SOM)来实现基于功效特征的专利聚类。对FEI-Joint模型与TF-IDF、狄利克雷分布(LDA)、CNN在特征提取后的聚类效果上进行比较和分析,结果表明其F-measure值比其他模型有明显提高。ERCM-SOM算法与K-Means算法、SOM算法相比,在Fmeasure值提高的同时,其时间较SOM算法有明显缩短。对比使用专利分类号(IPC)的专利分类,采用基于功效特征的聚类方法可实现跨领域的专利聚类效果,为设计者借鉴其他领域的设计方法奠定了基础。

关 键 词：专利聚类  信息实体语义增强表示  卷积神经网络 跨领域  自组织神经网络

分 类 号：TP391.1]