基于LDA主题模型的专利内容分析方法
主题模型是一种有效提取大规模文本隐含主题的建模方法。本文将Latent Dirichlet Allocation(LDA)主题模型引入专利内容分析领域,实现专利主题划分,解决以往专利主题分类过于粗泛、时效性差、缺乏科学性等问题。并在原有模型基础上构建LDA机构-主题模型,对专利知识主体和客体联合建模,实现专利主题和机构之间内在关系分析。最后,以通信产业LTE技术领域为例,验证该模型可以有效用于专利主题划分,实现各主题下专利知识主体竞争态势测度。...
Gespeichert in:
Veröffentlicht in: | 科研管理 2015, Vol.36 (3), p.111-117 |
---|---|
1. Verfasser: | |
Format: | Artikel |
Sprache: | chi |
Schlagworte: | |
Online-Zugang: | Volltext |
Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
container_end_page | 117 |
---|---|
container_issue | 3 |
container_start_page | 111 |
container_title | 科研管理 |
container_volume | 36 |
creator | 王博 刘盛博 丁堃 刘则渊 |
description | 主题模型是一种有效提取大规模文本隐含主题的建模方法。本文将Latent Dirichlet Allocation(LDA)主题模型引入专利内容分析领域,实现专利主题划分,解决以往专利主题分类过于粗泛、时效性差、缺乏科学性等问题。并在原有模型基础上构建LDA机构-主题模型,对专利知识主体和客体联合建模,实现专利主题和机构之间内在关系分析。最后,以通信产业LTE技术领域为例,验证该模型可以有效用于专利主题划分,实现各主题下专利知识主体竞争态势测度。 |
format | Article |
fullrecord | <record><control><sourceid>chongqing</sourceid><recordid>TN_cdi_chongqing_primary_665067676</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><cqvip_id>665067676</cqvip_id><sourcerecordid>665067676</sourcerecordid><originalsourceid>FETCH-chongqing_primary_6650676763</originalsourceid><addsrcrecordid>eNpjYeA0NDAw0DWytDTlYOAtLs5MMjAwNDQwMTO15GQweDp_15NdfT4ujk927H65aMazFQufzut-PqvlyY7JTztWPm1rfbpu59OOtmfzJjybtvPZ5qk8DKxpiTnFqbxQmptByc01xNlDNzkjPy-9MDMvPb6gKDM3sagy3szM1MDMHAiNiVIEAK2PQWk</addsrcrecordid><sourcetype>Publisher</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于LDA主题模型的专利内容分析方法</title><source>国家哲学社会科学学术期刊数据库 (National Social Sciences Database)</source><creator>王博 刘盛博 丁堃 刘则渊</creator><creatorcontrib>王博 刘盛博 丁堃 刘则渊</creatorcontrib><description>主题模型是一种有效提取大规模文本隐含主题的建模方法。本文将Latent Dirichlet Allocation(LDA)主题模型引入专利内容分析领域,实现专利主题划分,解决以往专利主题分类过于粗泛、时效性差、缺乏科学性等问题。并在原有模型基础上构建LDA机构-主题模型,对专利知识主体和客体联合建模,实现专利主题和机构之间内在关系分析。最后,以通信产业LTE技术领域为例,验证该模型可以有效用于专利主题划分,实现各主题下专利知识主体竞争态势测度。</description><identifier>ISSN: 1000-2995</identifier><language>chi</language><subject>LDA机构-主题模型 ; LTE ; 专利内容分析 ; 主题模型(LDA)</subject><ispartof>科研管理, 2015, Vol.36 (3), p.111-117</ispartof><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://image.cqvip.com/vip1000/qk/95604X/95604X.jpg</thumbnail><link.rule.ids>314,780,784,4024</link.rule.ids></links><search><creatorcontrib>王博 刘盛博 丁堃 刘则渊</creatorcontrib><title>基于LDA主题模型的专利内容分析方法</title><title>科研管理</title><addtitle>Science Research Management</addtitle><description>主题模型是一种有效提取大规模文本隐含主题的建模方法。本文将Latent Dirichlet Allocation(LDA)主题模型引入专利内容分析领域,实现专利主题划分,解决以往专利主题分类过于粗泛、时效性差、缺乏科学性等问题。并在原有模型基础上构建LDA机构-主题模型,对专利知识主体和客体联合建模,实现专利主题和机构之间内在关系分析。最后,以通信产业LTE技术领域为例,验证该模型可以有效用于专利主题划分,实现各主题下专利知识主体竞争态势测度。</description><subject>LDA机构-主题模型</subject><subject>LTE</subject><subject>专利内容分析</subject><subject>主题模型(LDA)</subject><issn>1000-2995</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2015</creationdate><recordtype>article</recordtype><recordid>eNpjYeA0NDAw0DWytDTlYOAtLs5MMjAwNDQwMTO15GQweDp_15NdfT4ujk927H65aMazFQufzut-PqvlyY7JTztWPm1rfbpu59OOtmfzJjybtvPZ5qk8DKxpiTnFqbxQmptByc01xNlDNzkjPy-9MDMvPb6gKDM3sagy3szM1MDMHAiNiVIEAK2PQWk</recordid><startdate>2015</startdate><enddate>2015</enddate><creator>王博 刘盛博 丁堃 刘则渊</creator><scope>2RA</scope><scope>92L</scope><scope>CQIGP</scope><scope>~WA</scope></search><sort><creationdate>2015</creationdate><title>基于LDA主题模型的专利内容分析方法</title><author>王博 刘盛博 丁堃 刘则渊</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-chongqing_primary_6650676763</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2015</creationdate><topic>LDA机构-主题模型</topic><topic>LTE</topic><topic>专利内容分析</topic><topic>主题模型(LDA)</topic><toplevel>online_resources</toplevel><creatorcontrib>王博 刘盛博 丁堃 刘则渊</creatorcontrib><collection>中文科技期刊数据库</collection><collection>中文科技期刊数据库-CALIS站点</collection><collection>中文科技期刊数据库-7.0平台</collection><collection>中文科技期刊数据库- 镜像站点</collection><jtitle>科研管理</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>王博 刘盛博 丁堃 刘则渊</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于LDA主题模型的专利内容分析方法</atitle><jtitle>科研管理</jtitle><addtitle>Science Research Management</addtitle><date>2015</date><risdate>2015</risdate><volume>36</volume><issue>3</issue><spage>111</spage><epage>117</epage><pages>111-117</pages><issn>1000-2995</issn><abstract>主题模型是一种有效提取大规模文本隐含主题的建模方法。本文将Latent Dirichlet Allocation(LDA)主题模型引入专利内容分析领域,实现专利主题划分,解决以往专利主题分类过于粗泛、时效性差、缺乏科学性等问题。并在原有模型基础上构建LDA机构-主题模型,对专利知识主体和客体联合建模,实现专利主题和机构之间内在关系分析。最后,以通信产业LTE技术领域为例,验证该模型可以有效用于专利主题划分,实现各主题下专利知识主体竞争态势测度。</abstract></addata></record> |
fulltext | fulltext |
identifier | ISSN: 1000-2995 |
ispartof | 科研管理, 2015, Vol.36 (3), p.111-117 |
issn | 1000-2995 |
language | chi |
recordid | cdi_chongqing_primary_665067676 |
source | 国家哲学社会科学学术期刊数据库 (National Social Sciences Database) |
subjects | LDA机构-主题模型 LTE 专利内容分析 主题模型(LDA) |
title | 基于LDA主题模型的专利内容分析方法 |
url | https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-25T14%3A23%3A31IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-chongqing&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8ELDA%E4%B8%BB%E9%A2%98%E6%A8%A1%E5%9E%8B%E7%9A%84%E4%B8%93%E5%88%A9%E5%86%85%E5%AE%B9%E5%88%86%E6%9E%90%E6%96%B9%E6%B3%95&rft.jtitle=%E7%A7%91%E7%A0%94%E7%AE%A1%E7%90%86&rft.au=%E7%8E%8B%E5%8D%9A%20%E5%88%98%E7%9B%9B%E5%8D%9A%20%E4%B8%81%E5%A0%83%20%E5%88%98%E5%88%99%E6%B8%8A&rft.date=2015&rft.volume=36&rft.issue=3&rft.spage=111&rft.epage=117&rft.pages=111-117&rft.issn=1000-2995&rft_id=info:doi/&rft_dat=%3Cchongqing%3E665067676%3C/chongqing%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_cqvip_id=665067676&rfr_iscdi=true |