基于RBFNN的专利自动分类研究

doi:10.11925/infotech.1003-3513.2011.12.09

摘要
参考文献
相关文章
Metrics

全文: PDF(733 KB) HTML
输出: BibTeX | EndNote (RIS)

摘要为减少人工分类的不确定性和分类错误,将文本分类技术引入专利自动分类系统,采用径向基函数神经网络(RBFNN)算法完成专利文本的训练和分类,并进行相关测试分析。实验结果表明,采用RBFNN分类器在专利文本自动分类中具有较理想的性能,测试平均F1值在70%以上。

	服务

	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	马芳

关键词 ：专利自动分类, 文本分类, 径向基函数神经网络

Abstract：In order to reduce the poor consistency and the errors in manual patent classification, this article introduces text classification technology into patent auto-classification system. It uses the radial basis function neural network algorithm to realize the automatic classification of patent text, and analyses the test samples.The experiment results show that this new system has a better classification results,and the average F1 value is higher than 70%.

Key words： Patent automatic classification Text categorization Radial basis function neural network

收稿日期: 2011-09-13

G250

引用本文:

马芳. 基于RBFNN的专利自动分类研究[J]. 现代图书情报技术, 2011, 27(12): 58-63.
Ma Fang. Research of Patent Automatic Classification Based on RBFNN. New Technology of Library and Information Service, DOI：10.11925/infotech.1003-3513.2011.12.09.

链接本文:

http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.1003-3513.2011.12.09

[1] Camus C,Brancaleon R. Intellectual Assets Management:From Patents to Knowledge[J]. World Patent Information,2003,25(2):155-159.

[2] 暴海龙,李金林.专利检索中的IPC和主题词识别方法研究[J]. 北京理工大学学报:社会科学版, 2003, 5(5): 74-76.

[3] Iwayama M,Fujii A,Kando N, et al. Overview of Patent Retrieval-Task at NTCIR-3[C]. In: Proceedings of the ACL-2003 Workshop on Patent Corpus Processing,Sapporo,Japan.2003:24-32.

[4] Li Y,Bontcheva K,Cunningham H. SVM Based Learning System for F-term Patent Classification[C].In: Proceedings of the 6th NTCIR Workshop Meeting,Tokyo, Japan.2007:15-18.

[5] Li Y,Bontcheva K,Cunningham H.Cost Sensitive Evaluation Measures for F-term Patent Classification[C]. In: Proceedings of the 1st International Workshop on Evaluating Information Access(EVIA),Tokyo, Japan.2007:44-53.

[6] Doi H,Seki Y,Aono M.A Patent Retrieval Method Using a Hierarchy of Clusters at TUT[C]. In: Proceedings of the 5th NTCIR Workshop Meeting,Tokyo,Japan.2005:403-406.

[7] Mase H,Iwayama M.NTCIR-6 Patent Retrieval Experiments at Hitachi[C].In: Proceedings of the 6th NTCIR Workshop Meeting,Tokyo, Japan.2007:403-406.

[8] 李生珍,王建新,齐建东,等.基于BP神经网络的专利自动分类方法[J].计算机工程与设计,2010,31(23):5075-5078.

[9] 季铎,蔡云雷,蔡东风,等.基于共享最邻近的专利自动分类技术研究[J].沈阳航空工业学院学报,2010,8(4):41-45.

[10] 孔旗. 基于并行机器学习的大规模专利分类 [D].上海:上海交通大学,2011.

[11] Haykin S S.Neural Networks:A Comprehensive Foundation[M].北京:清华大学出版社,2001:40-42.

[12] 张华平.汉语词法分析系统ICTCLAS[EB/OL].[2010－12－19].http://ictclas.org/index.html.

[13] 孙建军,成颖.信息检索技术[M].北京:科学出版社,2004:88-89.

[1]	余本功,陈杨楠,杨颖. 基于nBD-SVM模型的投诉短文本分类^*[J]. 数据分析与知识发现, 2019, 3(5): 77-85.
[2]	谭章禄,王兆刚,胡翰. 一种基于χ²统计的特征分类选择方法研究^*[J]. 数据分析与知识发现, 2019, 3(2): 72-78.
[3]	张紫玄,王昊,朱立平,邓三鸿. 中国海关HS编码风险的识别研究^*[J]. 数据分析与知识发现, 2019, 3(1): 72-84.
[4]	李心蕾,王昊,刘小敏,邓三鸿. 面向微博短文本分类的文本向量化方法比较研究^*[J]. 数据分析与知识发现, 2018, 2(8): 41-50.
[5]	李琳,李辉. 一种基于概念向量空间的文本相似度计算方法[J]. 数据分析与知识发现, 2018, 2(5): 48-58.
[6]	刘浏,王东波. 基于论文自动分类的社科类学科跨学科性研究^*[J]. 数据分析与知识发现, 2018, 2(3): 30-38.
[7]	冯国明,张晓冬,刘素辉. 基于CapsNet的中文文本分类研究^*[J]. 数据分析与知识发现, 2018, 2(12): 68-76.
[8]	李湘东,阮涛,刘康. 基于维基百科的多种类型文献自动分类研究^*[J]. 数据分析与知识发现, 2017, 1(10): 43-52.
[9]	路永和,陈景煌. 混合蛙跳算法在文本分类特征选择优化中的应用^*[J]. 数据分析与知识发现, 2017, 1(1): 91-101.
[10]	刘红光,马双刚,刘桂锋. 基于降噪自动编码器的中文新闻文本分类方法研究^*[J]. 现代图书情报技术, 2016, 32(6): 12-19.
[11]	张群, 王红军, 王伦文. 词向量与LDA相融合的短文本分类方法^*[J]. 数据分析与知识发现, 2016, 32(12): 27-35.
[12]	胡菊香, 吕学强, 刘克会. 利用类别引导词的投诉文本分类[J]. 现代图书情报技术, 2015, 31(7-8): 97-103.
[13]	李湘东, 巴志超, 黄莉. 一种基于加权LDA模型和多粒度的文本特征选择方法[J]. 现代图书情报技术, 2015, 31(5): 42-49.
[14]	路永, 王鸿滨. 文本分类中受词性影响的特征权重计算方法[J]. 现代图书情报技术, 2015, 31(4): 18-25.
[15]	徐冬冬, 吴韶波. 一种基于类别描述的TF-IDF特征选择方法的改进[J]. 现代图书情报技术, 2015, 31(3): 39-48.

Viewed

Full text

Abstract

Cited

Shared

Discussed