| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 技术发展趋势分析 | 第10-11页 |
| 1.2.2 技术生命周期判断 | 第11-12页 |
| 1.2.3 专利发明等级评价 | 第12-13页 |
| 1.3 主要研究内容及章节安排 | 第13-15页 |
| 1.3.1 主要研究内容 | 第13-14页 |
| 1.3.2 章节安排 | 第14-15页 |
| 第二章 相关技术研究综述 | 第15-25页 |
| 2.1 技术发展趋势预测 | 第15-19页 |
| 2.1.1 专利分析法 | 第15-16页 |
| 2.1.2 TRIZ技术发展趋势相关理论 | 第16-19页 |
| 2.2 词语表示方法 | 第19-23页 |
| 2.2.1 One-hot词向量 | 第19-20页 |
| 2.2.2 Word2Vec词向量 | 第20-23页 |
| 2.3 本章小节 | 第23-25页 |
| 第三章 专利文本中的技术特征向量构造方法 | 第25-37页 |
| 3.1 专利技术特征词抽取 | 第25-28页 |
| 3.1.1 专利技术特征词的分布 | 第25-26页 |
| 3.1.2 技术特征词的词性 | 第26-27页 |
| 3.1.3 词性标注 | 第27-28页 |
| 3.1.4 技术特征词抽取 | 第28页 |
| 3.2 混合词干提取算法 | 第28-32页 |
| 3.2.1Porter词干提取算法 | 第28-29页 |
| 3.2.2 基于词典的词型还原方法 | 第29页 |
| 3.2.3 结合Word Net的混合词干提取算法 | 第29-32页 |
| 3.2.4 算法评估 | 第32页 |
| 3.3 技术主题Word2Vec词向量训练 | 第32-35页 |
| 3.3.1 专利语料选择 | 第32-33页 |
| 3.3.2 专利文本的预处理 | 第33-34页 |
| 3.3.3 词向量训练方法 | 第34-35页 |
| 3.4 技术特征向量构造 | 第35页 |
| 3.5 本章小节 | 第35-37页 |
| 第四章 基于词向量的专利发明等级分类建模 | 第37-47页 |
| 4.1 专利等级的重要作用 | 第37页 |
| 4.2.训练数据集的构建 | 第37-40页 |
| 4.2.1 专利发明等级的划分 | 第38页 |
| 4.2.2 专利数据的预标注方法 | 第38-40页 |
| 4.3 指标选取 | 第40-44页 |
| 4.3.1 文本指标 | 第40-43页 |
| 4.3.2 后向引用指标 | 第43-44页 |
| 4.4 模型评估 | 第44-45页 |
| 4.5 本章小节 | 第45-47页 |
| 第五章 技术发展趋势预测方法 | 第47-53页 |
| 5.1 专利发明等级与技术进化 | 第47-49页 |
| 5.2 技术发展趋势判断 | 第49-52页 |
| 5.2.1 技术成熟度预测 | 第49-50页 |
| 5.2.2 基于技术发明等级的技术变轨点识别 | 第50-51页 |
| 5.2.3 基于S曲线拟合的专利数量预测 | 第51-52页 |
| 5.3 本章小节 | 第52-53页 |
| 第六章 实证研究 | 第53-67页 |
| 6.1 语音识别技术背景 | 第53页 |
| 6.2 语音识别技术专利技术特征词向量获取 | 第53-57页 |
| 6.2.1 数据来源 | 第53-54页 |
| 6.2.2 技术特征词抽取 | 第54-55页 |
| 6.2.3 词向量训练 | 第55-57页 |
| 6.3 专利发明等级分类模型训练与应用 | 第57-61页 |
| 6.3.1 构建训练数据集 | 第57-58页 |
| 6.3.2 特征计算 | 第58-61页 |
| 6.3.3 模型训练与评价 | 第61页 |
| 6.3.4 专利发明等级分类 | 第61页 |
| 6.4 语音识别技术发展趋势判断 | 第61-66页 |
| 6.5 本章小节 | 第66-67页 |
| 结论与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 附录 | 第73-79页 |
| 攻读硕士学位期间发表的学术论文 | 第79-81页 |
| 致谢 | 第81页 |