Please wait a minute...
Advanced Search
现代图书情报技术  2012, Vol. 28 Issue (2): 53-59     https://doi.org/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      出版日期: 2012-03-23
: 

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, 2012, 28(2): 53-59.
链接本文:  
https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.1003-3513.2012.02.09      或      https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2012/V28/I2/53
[1] 王寒雪,崔文娟,周园春,杜一. 基于机器学习的食源性疾病致病菌识别方法*[J]. 数据分析与知识发现, 2021, 5(9): 54-62.
[2] 单晓红,王春稳,刘晓燕,韩晟熙,杨娟. 开放式创新社区领先用户识别——知识基础观视角*[J]. 数据分析与知识发现, 2021, 5(9): 85-96.
[3] 车宏鑫,王桐,王伟. 前列腺癌预测模型对比研究*[J]. 数据分析与知识发现, 2021, 5(9): 107-114.
[4] 王若琳, 牛振东, 蔺奇卡, 朱一凡, 邱萍, 陆浩, 刘东磊. 基于异质信息嵌入与RNN聚类参数预测的作者姓名消歧方法*[J]. 数据分析与知识发现, 2021, 5(8): 13-24.
[5] 朱侯,方清燕. 社会化媒体用户隐私计算量化模型构建及隐私悖论均衡解验证*[J]. 数据分析与知识发现, 2021, 5(7): 111-125.
[6] 张乐, 冷基栋, 吕学强, 崔卓, 王磊, 游新冬. RLCPAR:一种基于强化学习的中文专利摘要改写模型*[J]. 数据分析与知识发现, 2021, 5(7): 59-69.
[7] 陈星月, 倪丽萍, 倪志伟. 基于ELECTRA模型与词性特征的金融事件抽取方法研究*[J]. 数据分析与知识发现, 2021, 5(7): 36-47.
[8] 陆泉, 何超, 陈静, 田敏, 刘婷. 基于两阶段迁移学习的多标签分类模型研究*[J]. 数据分析与知识发现, 2021, 5(7): 91-100.
[9] 王晰巍,贾若男,韦雅楠,张柳. 多维度社交网络舆情用户群体聚类分析方法研究*[J]. 数据分析与知识发现, 2021, 5(6): 25-35.
[10] 曹睿,廖彬,李敏,孙瑞娜. 基于XGBoost的在线短租市场价格预测及特征分析模型*[J]. 数据分析与知识发现, 2021, 5(6): 51-65.
[11] 高伊林,闵超. 中美对“一带一路”沿线技术扩散结构比较研究*[J]. 数据分析与知识发现, 2021, 5(6): 80-92.
[12] 王义真,欧石燕,陈金菊. 民事裁判文书两阶段式自动摘要研究*[J]. 数据分析与知识发现, 2021, 5(5): 104-114.
[13] 卢利农,祝忠明,张旺强,王小春. 基于Lingo3G聚类算法的机构知识库跨库知识整合与知识指纹服务实现[J]. 数据分析与知识发现, 2021, 5(5): 127-132.
[14] 伊惠芳,刘细文. 一种专利技术主题分析的IPC语境增强Context-LDA模型研究[J]. 数据分析与知识发现, 2021, 5(4): 25-36.
[15] 石湘,刘萍. 基于知识元语义描述模型的领域知识抽取与表示研究 *——以信息检索领域为例[J]. 数据分析与知识发现, 2021, 5(4): 123-133.
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