| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 引言 | 第6-7页 |
| 1 研究背景与意义 | 第7-12页 |
| 1.1 专利的基本理论 | 第7页 |
| 1.1.1 专利的基本概念 | 第7页 |
| 1.1.2 专利的组成结构 | 第7页 |
| 1.2 研究背景及意义 | 第7-9页 |
| 1.3 国内外研究现状及发展动态分析 | 第9-11页 |
| 1.4 本文主要工作及论文组织结构 | 第11-12页 |
| 2 文本分类技术 | 第12-19页 |
| 2.1 文本分类体系结构 | 第12-13页 |
| 2.2 文本自动分类的过程及关键技术 | 第13-19页 |
| 2.2.1 文本预处理 | 第13-14页 |
| 2.2.2 文本特征选择与特征加权 | 第14-16页 |
| 2.2.3 文本表示 | 第16页 |
| 2.2.4 文本分类算法 | 第16-18页 |
| 2.2.5 评价方法 | 第18-19页 |
| 3 基于词向量和空间模型的文本处理方法 | 第19-42页 |
| 3.1 统计自然语言模型 | 第19-26页 |
| 3.1.1 n-gram模型 | 第19-21页 |
| 3.1.2 神经网络概率语言模型 | 第21-24页 |
| 3.1.3 词向量Word2Vec和段向量Doc2Vec | 第24-26页 |
| 3.2 基于词向量的加权平均和聚类模型方法 | 第26-28页 |
| 3.3 基于词向量和空间向量模型的文本表示方法 | 第28-33页 |
| 3.4 基于词向量的特征选择方法 | 第33-41页 |
| 3.5 本章小结 | 第41-42页 |
| 4 专利文本自动分类系统 | 第42-50页 |
| 4.1 专利文本数据集的采集 | 第43-44页 |
| 4.2 专利文本数据集的预处理 | 第44-45页 |
| 4.3 专利文本的特征选择与表示 | 第45-47页 |
| 4.3.1 专利文本特征选择 | 第45-46页 |
| 4.3.2 专利文本表示与特征加权 | 第46-47页 |
| 4.4 基于词向量和空间向量的专利文本的表示模型 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-57页 |
| 攻读硕士学位期间发表学术论文情况 | 第57-58页 |
| 致谢 | 第58-60页 |