Please wait a minute...
Advanced Search
现代图书情报技术  2012, Vol. 28 Issue (2): 53-59    DOI: 10.11925/infotech.1003-3513.2012.02.09
  情报分析与研究 本期目录 | 过刊浏览 | 高级检索 |
基于特征度和词汇模型的专利技术功效矩阵结构生成研究
陈颖1, 张晓林2
1. 中国医学科学院医学信息研究所 北京100020;
2. 中国科学院国家科学图书馆 北京 100190
Research of Patent Technology-effect Matrix Construction Based on Feature Degree and Lexical Model
Chen Ying1, Zhang Xiaolin2
1. Institute of Medical Information, Chinese Academy of Medical Sciences, Beijing 100020, China;
2. National Science Library, Chinese Academy of Sciences, Beijing 100190, China
全文: PDF(734 KB)   HTML  
输出: BibTeX | EndNote (RIS)      
摘要 针对目前专利技术功效矩阵结构的构建大多由人工完成的现状,提出一种基于特征度指标和矩阵构建词汇模型的矩阵结构生成方法。特征度指标用于提高构建矩阵结构的候选技术词、功效词的相关度,矩阵构建词汇模型用于技术词、功效词的聚类优化和矩阵结构生成。 此方法可以为自动构建专利技术功效矩阵提供技术支持和新思路。
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
张晓林
陈颖
关键词 专利技术功效矩阵聚类特征度模型    
Abstract:For most of the patent technology-effect matrixes are now manually constructed,thus, a method for matrix structure construction based on feature degree and lexical model is presented. The feature degree is used for improving the correlation degree of candidate technical and effect words, and the lexical model for optimizing clustering of technical and effect words, generating matrix structure. This method provides technical support and new idea for automatically generating patent technology-effect matrix.
Key wordsPatent    Technology-effect matrix    Clustering    Feature degree    Model
收稿日期: 2011-12-20     
: 

G350

 
引用本文:   
陈颖, 张晓林. 基于特征度和词汇模型的专利技术功效矩阵结构生成研究[J]. 现代图书情报技术, 2012, 28(2): 53-59.
Chen Ying, Zhang Xiaolin. Research of Patent Technology-effect Matrix Construction Based on Feature Degree and Lexical Model. New Technology of Library and Information Service, DOI:10.11925/infotech.1003-3513.2012.02.09.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.1003-3513.2012.02.09
[1] 李柯,佐々木勇和. 基于多维小波聚类的空间文本数据情感分布分析[J]. 数据分析与知识发现, 2019, 3(7): 14-22.
[2] 曾庆田,胡晓慧,李超. 融合主题词嵌入和网络结构分析的主题关键词提取方法 *[J]. 数据分析与知识发现, 2019, 3(7): 52-60.
[3] 董晓舟,陈信康. 电子折扣券弹性与经济效益的关系研究 ——一个基于电商平台大数据的混合模型[J]. 数据分析与知识发现, 2019, 3(6): 42-49.
[4] 周成,魏红芹. 专利价值评估与分类研究*——基于自组织映射支持向量机[J]. 数据分析与知识发现, 2019, 3(5): 117-124.
[5] 陈万成,戴浩然,金映含. 基于数据挖掘方法的HEDONIC房屋价格评估模型——以美国城市西雅图为例[J]. 数据分析与知识发现, 2019, 3(5): 19-26.
[6] 刘强,陈云伟,张志强. 用于科技评价的挪威模型方法与应用综述*[J]. 数据分析与知识发现, 2019, 3(5): 41-50.
[7] 张金柱,胡一鸣. 融合表示学习与机器学习的专利科学引文标题自动抽取研究*[J]. 数据分析与知识发现, 2019, 3(5): 68-76.
[8] 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.
[9] 吴小兰,章成志. 学术社交媒体视角下学科知识流动规律研究*——以科学网为例[J]. 数据分析与知识发现, 2019, 3(4): 107-116.
[10] 陆泉,朱安琪,张霁月,陈静. 中文网络健康社区中的用户信息需求挖掘研究*——以求医网肿瘤板块数据为例[J]. 数据分析与知识发现, 2019, 3(4): 22-32.
[11] 安璐,梁艳平. 突发公共卫生事件微博话题与用户行为选择研究*[J]. 数据分析与知识发现, 2019, 3(4): 33-41.
[12] 吴江,赵颖慧,高嘉慧. 医疗舆情事件的微博意见领袖识别与分析研究*[J]. 数据分析与知识发现, 2019, 3(4): 53-62.
[13] 彭昱欣,邓朝华,吴江. 基于社会资本与动机理论的在线健康社区医学专业用户知识共享行为分析*[J]. 数据分析与知识发现, 2019, 3(4): 63-70.
[14] 牟冬梅,法慧,王萍,孙晶. 基于结构方程模型的疾病危险因素研究*[J]. 数据分析与知识发现, 2019, 3(4): 80-89.
[15] 肖连杰,郜梦蕊,苏新宁. 一种基于模糊C-均值聚类的欠采样集成不平衡数据分类算法*[J]. 数据分析与知识发现, 2019, 3(4): 90-96.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn