[发明专利]一种基于知识本体的专利文献相似性度量方法

说明书

技术领域

本发明公开了一种基于知识本体的专利文献相似性度量方法及使用该方法的专利文献主题词语义检索系统，涉及面向专利文本的自然语言信息处理技术领域。

背景技术

现今的社会是一个信息型社会，海量的数据在社会的各个领域产生，如何能从海量数据中挖掘出有价值的信息一直是学术界研究的热点。专利作为一种特殊的信息战略资源，是国家战略资源的发展一个重要的组成部分。

专利信息记载着人类社会发明创造的成就，其将技术性、法律性和经济性集合于一体，是当代社会中最重要的技术知识宝库。专利具有新颖性，创造性和实用性的特点，随着世界经济和技术的竞争越来越激烈，专利因其作为国家科技创新成果的重要表现形式和载体，具有非常高的知识含量，成为推动现代社会进步和经济技术发展的重要杠杆。

专利检索是专利行业中最常用的工具，包括专利申请人、审查员以及从事专利运营活动的相关企业都会用到，能否将最相关的专利从数千万的文献中检索出来是衡量一个专利检索工具的重要因素。

目前比较常见的专利文献检索方式主要有：传统的基于布尔逻辑的检索技术，需要制定合适的检索策略，编写复杂的检索式，检索效率较低，如soopat专利搜索引擎；比较流行的基于概念的相似度计算，主要包括向量空间模型(Vector Space Model，VSM)和概率模型(Probabilistic Model)，基于统计分析词共现信息，完成检索关键词的语义扩展，如国家知识产权局专利检索与服务系统中的语义检索模块。但是，上述两种方式在检索过程中，均未充分考虑专利文献本身数据的特点，造成查全和查准率低，检索不方便等问题。

发明内容

本发明的主要目的是提供一种基于知识本体的专利文献相似性度量方法及使用该方法的专利文献关键词语义检索系统，在基于传统的基于概念的检索方法的基础上，进一步挖掘专利文本的数据特点，提高专利文献表示的全面性、深入性和准确性，同时通过相关手段，进一步提高专利文献相似性或者相关性计算的准确率。

本发明的目的是通过以下技术方案实现的：

一种基于知识本体的专利文献相似性度量方法，包括以下步骤：

步骤一，根据专利文献结构特点、位置特征和关键词特征，从专利全文文本中提取核心技术方案信息；

作为优选，所述核心技术方案信息包括标题，分类号，发明解决的技术问题，达到的有益效果，技术方案应用的领域，权利要求中的发明内容。

作为优选，所述专利全文文本为XML格式，符合国家知识产权局公布的CN-TXTS-10-A数据编码规范，包括著录项目、摘要、权利要求书、说明书、说明书附图和索引信息。

步骤二，构建专利文献分类号主题词词间关系模型；

基于专利文献数据集，人工提取每篇专利文献的主题词和分类号，建立分类号与主题词联系，同时结合主题词的语义信息和领域表达方式特点，建立主题词之间的相关关系：上、下位关系，同义关系和近义关系。利用分类号主题词之间的联系以及主题词相互间的关系，构建分类号主题词词间关系模型。

作为优选，所述主题词词间关系模型为一个有向图结构，图的结点为主题词，主题词的属性包括分类号、该主题词的同义词和近义词，如果主题词之间存在直接上、下位关系，则有一条连接两个词的有向边，起点为下位词，终点为上位词，权重为常量w，大小介于0到1之间，本方案中w的值为0.8。

步骤三，基于步骤二构建的分类号主题词词间关系模型生成领域词典，使用领域词典对核心技术方案信息的文本分词，使用停用词库对分词结果去停用词，得到语料文本；

其中，由分类号主题词关系模型得出领域词典，领域信息由分类号唯一决定，不同的分类号划分为不同的领域，根据核心技术方案的分类号，采用对应的领域词典分词。停用词库由常见的限定词、介词或副词等无实际检索意义的词组成，通过去停用词节省存储空间和提高检索效率。

步骤四，使用关键词提取工具，提取步骤三中得到的语料文本中的关键词及其权重；

作为优选，所述关键词提取方法为：首先，训练语料文本的TF-IDF模型，然后，使用TextRank方法提取关键词及词权重，其中词初始权重为其TF-IDF值，TextRank方法中迭代次数范围为5-20。

步骤五，基于步骤四得到的关键词，提取经过训练的词向量模型中对应的词向量；

作为优选，经过训练的词向量模型为使用词嵌入工具对专利文献数据集训练而得。

作为优选，所述词嵌入工具为Word2Vec或FastText。