[发明专利]专利自动分类方法、装置、电子设备及存储介质

权利要求书

1.一种专利自动分类方法，其特征在于，所述方法包括：

获取目标专利的基础信息，所述基础信息包括文本信息、受让人信息和发明人信息；

调用预先基于多视角学习和网络表示学习所生成的分类模型；

将所述目标专利的文本信息、受让人信息和发明人信息输入至所述分类模型中，以获取所述分类模型所输出的所述目标专利的类别；

其中，所述分类模型的生成过程，包括：

获取专利数据库单一视角的视图网络，所述视图网络包括语义视图网络、受让人视图网络和合作视图网络，所述语义视图网络表征所述专利数据库中专利与单词间的关系，所述受让人视图网络表征所述专利数据库中专利与受让人间的关系，所述合作视图网络表征所述专利数据库中专利与发明人间的关系；

分别学习所述语义视图网络、所述受让人视图网络和所述合作视图网络各自的节点表示；

对所述语义视图网络、所述受让人视图网络和所述合作视图网络各自的节点表示进行融合得到低维的专利表示；

将所述专利表示输入至多层前馈神经网络中，并通过对所述多层前馈神经网络进行基于梯度的训练得到所述分类模型。

2.根据权利要求1所述的方法，其特征在于，所述获取专利数据库单一视角的视图网络，包括：

收集所述专利数据库中专利的基础信息；

剔除所述专利数据库中基础信息不包含受让人信息或者发明人信息的专利，得到有效专利；

对于所述有效专利，对其基础信息中的文本信息进行停用词去除得到有效文本信息；

根据所述有效专利的有效文本信息、受让人信息和发明人信息识别单一视角下的节点和边，并对所识别到的节点和边执行构建操作得到相应的视图网络。

3.根据权利要求1所述的方法，其特征在于，所述对所述语义视图网络、所述受让人视图网络和所述合作视图网络各自的节点表示进行融合得到低维的专利表示之前，所述方法还包括：

分别对所述语义视图网络、所述受让人视图网络和所述合作视图网络各自的节点表示进行增强。

4.根据权利要求1所述的方法，其特征在于，所述将所述专利表示输入至多层前馈神经网络中之前，所述方法还包括：

基于所述语义视图网络、所述受让人视图网络和所述合作视图网络各自的节点表示，对所述专利表示进行对齐约束。

5.一种专利自动分类装置，其特征在于，所述装置包括：

模型生成模块，用于预先基于多视角学习和网络表示学习生成分类模型；

信息获取模块，用于获取目标专利的基础信息，所述基础信息包括文本信息、受让人信息和发明人信息；

专利分类模块，用于调用所述分类模型；将所述目标专利的文本信息、受让人信息和发明人信息输入至所述分类模型中，以获取所述分类模型所输出的所述目标专利的类别；

其中，所述模型生成模块，具体用于：

获取专利数据库单一视角的视图网络，所述视图网络包括语义视图网络、受让人视图网络和合作视图网络，所述语义视图网络表征所述专利数据库中专利与单词间的关系，所述受让人视图网络表征所述专利数据库中专利与受让人间的关系，所述合作视图网络表征所述专利数据库中专利与发明人间的关系；分别学习所述语义视图网络、所述受让人视图网络和所述合作视图网络各自的节点表示；对所述语义视图网络、所述受让人视图网络和所述合作视图网络各自的节点表示进行融合得到低维的专利表示；将所述专利表示输入至多层前馈神经网络中，并通过对所述多层前馈神经网络进行基于梯度的训练得到所述分类模型。

6.根据权利要求5所述的装置，其特征在于，所述模型生成模块，还用于：

分别对所述语义视图网络、所述受让人视图网络和所述合作视图网络各自的节点表示进行增强。

7.一种电子设备，其特征在于，包括：至少一个存储器和至少一个处理器；所述存储器存储有程序，所述处理器调用所述存储器存储的程序，所述程序用于实现如权利要求1-4任意一项所述的专利自动分类方法。

8.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1-4任意一项所述的专利自动分类方法。