[发明专利]一种基于说明书的专利分类方法

摘要

本发明公开了一种基于说明书的专利分类方法，属于文本处理与数据挖掘领域。首先对专利说明书进行文本预处理；其后构建倒排索引文件，利用信息增益和词频相结合的特征选择方法来选取特征词；进一步利用的改进过的TF‑IDF公式计算特征词权重，并构建专利特征向量；然后构建训练专利领域集合；最后利用优化过的KNN分类器对专利进行分类。该项研究为专利文献分类提供了新的思路，也为进一步研究专利文献智能检索等奠定了基础。

主权项

一种基于说明书的专利分类方法，其特征在于，包括以下步骤：步骤1，获取专利文本的数据，对专利说明书进行文本预处理；步骤2，统计出每个词的词频、位置信息、词性权重以及类间分布信息，利用这些统计值以及专利文本信息，构建倒排索引文件；步骤3，利用信息增益和词频相结合的特征选择方法来计算词语的特征值，对特征值排序，选择一定数量的特征词来表征专利文本；步骤4，利用倒排索引文件，计算每个专利特征词的权重，然后利用的改进过的TF‑IDF公式计算特征词权重，最后构建专利特征向量；步骤5，生成IPC各层次类别特征向量，在步骤1基础上，从小类开始逐层向上，计算每个词汇在对应层次的类别权重，权重的计算使用TF‑IDF，将一个类别描述看作一个文本，然后构建各层次的类别特征向量；步骤6，构建专利样本邻域，利用步骤4中的专利特征向量，计算每个专利与其他专利之间相似度，对这些专利相似度进行排序，选择其中相似度最大的K个专利，组成该专利的邻域集合；步骤7，计算待分类专利向量与IPC类别特征向量以及与训练集专利之间的余弦相似度值，同样计算出待分专利的邻域集合；步骤8，首先计算待分类专利与训练集中专利之间共享领域的大小，即计算邻域集合中相同专利的个数。然后计算待分专利与专利类别间的相似度加权和，对加权和排序后，将待分专利划分为值最大的那个类中。