| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 国外专利语义检索研究现状 | 第13-14页 |
| 1.2.2 国内专利语义检索研究现状 | 第14-15页 |
| 1.3 课题研究目标与主要工作 | 第15-16页 |
| 1.4 本文的结构安排 | 第16-18页 |
| 第二章 专利语义检索介绍 | 第18-27页 |
| 2.1 专利文本语义检索的定义 | 第18页 |
| 2.2 专利文本语义检索的过程 | 第18-19页 |
| 2.3 专利文本预处理及特征提取 | 第19-22页 |
| 2.3.1 专利文本预处理 | 第19-21页 |
| 2.3.2 专利文本特征提取 | 第21-22页 |
| 2.4 专利分类算法 | 第22-24页 |
| 2.4.1 基于机器学习的专利分类算法 | 第22-23页 |
| 2.4.2 基于卷积神经网络的文本分类算法 | 第23-24页 |
| 2.5 专利语义检索相关算法介绍 | 第24-26页 |
| 2.5.1 TF-IDF算法 | 第24-25页 |
| 2.5.2 潜在语义索引算法 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 基于深度学习的专利文本语义检索方法 | 第27-35页 |
| 3.1 字符级卷积神经网络的基本原理 | 第27-30页 |
| 3.1.1 字符级卷积神经网络(Char-CNN)结构 | 第27-29页 |
| 3.1.2 局部感受野与权值共享 | 第29页 |
| 3.1.3 相关超参数设置 | 第29-30页 |
| 3.2 词向量与Word2vec | 第30-33页 |
| 3.2.1 词向量 | 第30-31页 |
| 3.2.2 n-gram语言模型 | 第31-32页 |
| 3.2.3 Word2vec | 第32-33页 |
| 3.3 基于Char-CNN的专利文本语义检索 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于深度学习的专利文本语义检索实验设计与实现 | 第35-52页 |
| 4.1 实验环境 | 第35页 |
| 4.2 验证实验 | 第35-42页 |
| 4.2.1 专利文本信息采集 | 第35-37页 |
| 4.2.2 专利文本信息预处理 | 第37-40页 |
| 4.2.3 基于字符集卷积神经网络的专利文本分类 | 第40-42页 |
| 4.3 对比实验 | 第42-51页 |
| 4.3.1 基于Char-CNN的专利文本语义识别方法与人工识别方式对比 | 第42-43页 |
| 4.3.2 本文方法与传统文本语义分析算法比较 | 第43-51页 |
| 4.4 本章小结 | 第51-52页 |
| 总结与展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表学术论文 | 第57-59页 |
| 致谢 | 第59页 |
