1. 专利文本分析的挑战与机遇
中国发明专利数据蕴含着巨大的商业和技术价值,但传统的关键词统计方法往往难以捕捉专利文本中复杂的语义关系。专利文献通常包含专业术语、技术概念之间的多层次关联,这些信息在简单的词频统计中会丢失。这正是我们需要引入异构图谱和深度学习技术的原因。
我处理过大量专利分析项目,发现传统方法存在三个主要痛点:
- 同义词和近义词问题(如"电动汽车"和"新能源车")
- 技术概念的多层级关系(如"锂电池"属于"储能技术"下的子类)
- 跨领域技术的隐性关联(如某项材料技术在电子和医疗领域的应用)
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 构建专利语义异构图谱
2.1 数据预处理与TF-IDF特征提取
专利文本需要特殊的清洗流程:
python复制import jieba
from sklearn.feature_extraction.text import TfidfVectorizer
def preprocess_patent(text):
# 专利特有的停用词处理
patent_stopwords = ['本发明', '其特征在于', '所述']
words = [w for w in jieba.cut(text)
if w not in patent_stopwords and len(w) > 1]
return ' '.join(words)
# 示例专利摘要
patent_abstracts = ["一种基于深度学习的图像识别方法...",
"新能源汽车电池管理系统..."]
tfidf = TfidfVectorizer(tokenizer=preprocess_patent)
tfidf_matrix = tfidf.fit_transform(patent_abstracts)
注意:专利文本中的法律术语(如"其特征在于")需要特殊处理,它们虽然高频但不携带技术语义。
2.2 异构图的节点与边定义
在我们的专利图谱中,设计了四种节点类型:
- 技术术语节点(如"卷积神经网络")
- 发明人节点
- 申请人节点(公司/机构)
- IPC分类号节点
