基于LDA模型的专利文本分类及演化研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 选题背景及研究意义 | 第10-12页 |
| 1.2 研究现状分析 | 第12-14页 |
| 1.3 研究内容及组织结构 | 第14-16页 |
| 1.3.1 研究内容 | 第14页 |
| 1.3.2 组织结构 | 第14-16页 |
| 第二章 LDA模型理论基础 | 第16-33页 |
| 2.1 概率主题模型简介 | 第16-22页 |
| 2.1.1 一元模型 | 第16页 |
| 2.1.2 一元混合模型 | 第16-17页 |
| 2.1.3 潜在语义分析模型 | 第17-18页 |
| 2.1.4 概率潜在语义分析模型 | 第18-20页 |
| 2.1.5 潜在狄利克雷分配模型 | 第20-22页 |
| 2.2 LDA模型的相关基础知识 | 第22-32页 |
| 2.2.1 伽玛函数 | 第22-23页 |
| 2.2.2 贝塔分布 | 第23-25页 |
| 2.2.3 狄利克雷分布 | 第25-27页 |
| 2.2.4 贝叶斯网络 | 第27-28页 |
| 2.2.5 MCMC方法 | 第28-29页 |
| 2.2.6 Gibbs抽样算法 | 第29-30页 |
| 2.2.7 EM算法 | 第30-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 专利文本中的分类及演化算法研究 | 第33-40页 |
| 3.1 专利文本分类算法 | 第33-38页 |
| 3.1.1 朴素贝叶斯算法 | 第33-34页 |
| 3.1.2 神经网络算法 | 第34-35页 |
| 3.1.3 Roochio算法 | 第35页 |
| 3.1.4 KNN算法 | 第35-37页 |
| 3.1.5 支持向量机算法 | 第37页 |
| 3.1.6 组合算法 | 第37-38页 |
| 3.2 专利文本演化分析方法 | 第38-39页 |
| 3.2.1 基于专利分类号的技术演化 | 第38页 |
| 3.2.2 基于专利引用关系的技术演化 | 第38-39页 |
| 3.2.3 基于专利文本的技术演化 | 第39页 |
| 3.3 本章小结 | 第39-40页 |
| 第四章 LDA模型在专利文本分类中的应用 | 第40-48页 |
| 4.1 问题的提出 | 第40-41页 |
| 4.2 基于LDA模型的专利文本分类算法 | 第41-44页 |
| 4.2.1 确定语义主题数 | 第41页 |
| 4.2.2 文档的主题向量提取 | 第41-42页 |
| 4.2.3 类-主题矩阵 | 第42-43页 |
| 4.2.4 基于LDA模型的专利文本分类新算法 | 第43-44页 |
| 4.3 实验及结果分析 | 第44-47页 |
| 4.3.1 实验数据集 | 第44-45页 |
| 4.3.2 评估指标 | 第45页 |
| 4.3.3 参数设定 | 第45-46页 |
| 4.3.4 实验结果分析 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 基于LDA模型和分类号的专利技术演化研究 | 第48-56页 |
| 5.1 问题的提出 | 第48页 |
| 5.2 专利技术演化框架 | 第48-52页 |
| 5.2.1 模型主题数目确定 | 第48-49页 |
| 5.2.2 文档的主题向量提取 | 第49页 |
| 5.2.3 专利文本主题演化分析 | 第49-52页 |
| 5.3 实验及结果分析 | 第52-55页 |
| 5.3.1 实验环境及数据集 | 第52页 |
| 5.3.2 实验设置 | 第52-53页 |
| 5.3.3 实验结果及分析 | 第53-55页 |
| 5.4 本章总结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 本文总结 | 第56-57页 |
| 6.2 未来展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读学位硕士期间的研究成果 | 第63-64页 |
