基于深度学习的专利价值评估方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 引言 | 第9-10页 |
| 1.2 研究背景 | 第10-16页 |
| 1.2.1 专利数量爆炸的时代 | 第10-11页 |
| 1.2.2 专利的重要性 | 第11-13页 |
| 1.2.3 专利引用分析 | 第13-15页 |
| 1.2.4 专利挖掘的现状及存在的问题 | 第15-16页 |
| 1.3 研究动机 | 第16页 |
| 1.4 研究内容 | 第16-17页 |
| 1.5 本文组织结构 | 第17-19页 |
| 第2章 相关工作概述 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 专利文件分类 | 第19-22页 |
| 2.3 专利挖掘的任务 | 第22-24页 |
| 2.3.1 预分类模块 | 第22-23页 |
| 2.3.2 后分类模块 | 第23-24页 |
| 2.4 专利文本分析 | 第24-25页 |
| 2.5 专利引用网络 | 第25-26页 |
| 2.6 专利可视化 | 第26-28页 |
| 2.7 专利价值评估 | 第28-29页 |
| 2.7.1 无监督的专利价值评估 | 第28-29页 |
| 2.7.2 有监督的专利价值评估 | 第29页 |
| 2.8 属性网络表征 | 第29-31页 |
| 2.8.1 网络表征 | 第30页 |
| 2.8.2 属性网络表征 | 第30-31页 |
| 2.9 卷积神经网络 | 第31页 |
| 2.10 本章小结 | 第31-33页 |
| 第3章 基于深度学习的专利价值评估方法 | 第33-45页 |
| 3.1 引言 | 第33页 |
| 3.2 问题定义与研究概述 | 第33-34页 |
| 3.3 基于专利引用网络的属性表征网络 | 第34-40页 |
| 3.3.1 ANE模型问题定义 | 第34-37页 |
| 3.3.2 句子生成 | 第37-38页 |
| 3.3.3 ANE模型设计 | 第38-39页 |
| 3.3.4 ANE模型优化 | 第39页 |
| 3.3.5 ANE模型算法流程 | 第39-40页 |
| 3.4 基于注意力机制的卷积神经网络模型 | 第40-43页 |
| 3.4.1 ACNN模型问题定义 | 第40页 |
| 3.4.2 ACNN模型设计 | 第40-43页 |
| 3.4.3 ACNN算法流程 | 第43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 实验结果与分析 | 第45-57页 |
| 4.1 专利价值评估的实验数据 | 第45-48页 |
| 4.1.1 专利文档的结构 | 第45-47页 |
| 4.1.2 USPTO数据 | 第47-48页 |
| 4.1.3 数据预处理 | 第48页 |
| 4.2 DLPQV模型实验与分析 | 第48-51页 |
| 4.2.1 DLPQV模型实验设置 | 第48-50页 |
| 4.2.2 DLPQV模型对比实验设置 | 第50页 |
| 4.2.3 DLPQV模型实验结果 | 第50-51页 |
| 4.2.4 注意力机制分析 | 第51页 |
| 4.3 ANE模型实验与分析 | 第51-55页 |
| 4.3.1 ANE模型实验数据 | 第52页 |
| 4.3.2 ANE模型对比实验设置 | 第52-53页 |
| 4.3.3 ANE模型实验设置 | 第53-54页 |
| 4.3.4 ANE模型实验结果与分析 | 第54-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第5章 工作总结与展望 | 第57-60页 |
| 5.1 工作总结 | 第57-58页 |
| 5.2 工作展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 在读期间发表的学术论文与取得的研究成果 | 第66页 |
