基于深度學(xué)習(xí)的專利知識推薦服務(wù)研究

　　摘要：專利作為一種包含大多數(shù)領(lǐng)域中最完整的設(shè)計信息，可以為設(shè)計者解決設(shè)計問題提供有價值的指導(dǎo)。針對現(xiàn)有的專利推薦方法難以有效地推薦跨領(lǐng)域?qū)＠�的問題，提出一種基于深度學(xué)習(xí)的跨領(lǐng)域?qū)＠�知識推薦方法，用于創(chuàng)新產(chǎn)品的概念設(shè)計。首先對產(chǎn)品功能和知識需求情境進行建模，將設(shè)計問題進行標(biāo)準(zhǔn)化表達，生成設(shè)計問題空間。其次，提出一種半監(jiān)督學(xué)習(xí)算法(TGTCI)將專利功能信息按照功能基自動分類和標(biāo)記，利用實體識別算法(BERTBiLSTMCRF)提取專利應(yīng)用場景術(shù)語、技術(shù)術(shù)語，結(jié)合國際專利分類(IPC)信息以表示專利的功能、情境、技術(shù)和領(lǐng)域?qū)傩�，從而生成專利知識空間。通過設(shè)計問題空間到專利知識空間的功能基和知識情境映射查找所需的跨領(lǐng)域?qū)＠�，根�?jù)技術(shù)和領(lǐng)域?qū)傩詫λ鼈冞M行聚類和評估，選出特定的專利以激發(fā)設(shè)計者的創(chuàng)造力。最后以一個實際案例進行分析驗證，證明了基于深度學(xué)習(xí)的專利知識推薦模型的可行性及有效性。

　　關(guān)鍵詞：產(chǎn)品創(chuàng)新;專利數(shù)據(jù);深度學(xué)習(xí);知識需求情境;知識資源推薦

　　隨著經(jīng)濟全球化的發(fā)展，市場環(huán)境動態(tài)多變，企業(yè)之間的競爭日益激烈。面對激烈的市場競爭，企業(yè)創(chuàng)新設(shè)計能力已成為決定企業(yè)競爭是否占優(yōu)的關(guān)鍵，企業(yè)需要不斷提高自己的創(chuàng)新能力來提升自身的核心競爭力。產(chǎn)品創(chuàng)新設(shè)計是一個創(chuàng)新密集型過程，需要大量的知識和設(shè)計經(jīng)驗[1]。在產(chǎn)品創(chuàng)新設(shè)計過程中，知識重用和重組已被證明是創(chuàng)新的主要來源[2]，但如今的知識重用研究主要集中在同一應(yīng)用領(lǐng)域設(shè)計知識的重用。然而其他應(yīng)用領(lǐng)域的知識往往更好解決產(chǎn)品創(chuàng)新中的問題，從各種各樣的領(lǐng)域汲取靈感進行創(chuàng)新設(shè)計正成為一種趨勢。

　　專利申請知識： 廢鐵壓塊設(shè)備實用新型專利申請時間多長

　　因此，研究如何利用多領(lǐng)域知識進行產(chǎn)品創(chuàng)新具有巨大的現(xiàn)實意義。專利知識包含了各個應(yīng)用領(lǐng)域最新的技術(shù)和研究成果，許多學(xué)者使用詞頻統(tǒng)計、機器學(xué)習(xí)、深度學(xué)習(xí)三種方法分析專利中的知識來輔助產(chǎn)品創(chuàng)新設(shè)計。其中基于詞頻統(tǒng)計和機器學(xué)習(xí)的研究有梁艷紅等人[3]基于發(fā)明問題解決理論(TRIZ)提取專利中產(chǎn)品創(chuàng)新知識。YOON等人[4]利用線性判別式分析算法提取專利主題，并根據(jù)協(xié)同過濾算法識別潛在競爭對手，以此輔助產(chǎn)品設(shè)計。

　　陳憶群等人[5]利用支持向量機(SVM)算法將關(guān)鍵詞抽取轉(zhuǎn)化為分類問題提取關(guān)鍵詞。林園園等人[6]構(gòu)建功能原理結(jié)構(gòu)模型，使用K均值聚類算法(Kmeans)對專利進行聚類，實現(xiàn)推薦相關(guān)的專利組合方案給產(chǎn)品設(shè)計者。Chen等人[7]提出了一種結(jié)構(gòu)函數(shù)式知識抽取方法，識別包含結(jié)構(gòu)和功能的潛在知識。劉龍繁等人[8]提出一種使用樸素貝葉斯算法(NaiveBayes)，以功能基為分類標(biāo)準(zhǔn)的專利分類方法，為設(shè)計者提供相關(guān)專利知識。但基于統(tǒng)計詞頻以及共現(xiàn)的方法只能統(tǒng)計專利的顯性信息，對產(chǎn)品創(chuàng)新提供幫助較小，機器學(xué)習(xí)方法抽取知識較為片面且精度不高、效率較低。

　　而深度學(xué)習(xí)可以解決以上問題，可以抽取專利實現(xiàn)的功能效果，為產(chǎn)品創(chuàng)新設(shè)計提供類似的成功案例。例如董文斌等人[9]利用BERTBiLSTMCRF算法識別專利中的功能、原理、結(jié)構(gòu)三類實體，并提取實體之間的關(guān)系，構(gòu)建專利知識結(jié)構(gòu)模型。Xu等人[10]預(yù)先定義實體類型和語義關(guān)系庫，提出一種利用BiGRUHAN算法的專利知識提取框架。張盤龍[11]利用實體識別算法構(gòu)建專利知識圖譜進行專利推薦。但現(xiàn)有的深度學(xué)習(xí)研究大多缺乏對專利知識應(yīng)用情境和專利技術(shù)原理的深入分析，因而無法有效解決跨領(lǐng)域推薦專利的準(zhǔn)確性。

　　除此之外，專利數(shù)量呈指數(shù)級上漲，并非所有專利都具有同等重要的創(chuàng)新意義[12]，有必要為設(shè)計師評估檢索到的專利。劉勤等人[13]采用熵權(quán)法對專利特征、發(fā)明人特征及權(quán)力人特征進行賦權(quán)，構(gòu)建專利價值評估模型。Verhoeven[14]使用IPC分類號和引用信息來衡量技術(shù)的新穎性。李欣[15]選取專利技術(shù)、經(jīng)濟、法律和主體四大維度，運用機器學(xué)習(xí)方法對專利質(zhì)量進行評估。但大多數(shù)研究僅用一個指標(biāo)對專利進行評估，缺乏從多個角度評估專利創(chuàng)新價值。

　　基于以上問題，本文提出一種基于深度學(xué)習(xí)的專利知識推薦模型，從文本分類的角度提取專利的功能信息。其次，利用深度學(xué)習(xí)算法提取情境、技術(shù)屬性，結(jié)合IPC分類號信息，生成專利知識空間。為滿足設(shè)計者不同的知識需求，提出技術(shù)成熟性，新穎性和可擴展性三種評價指標(biāo)，以向設(shè)計者推薦其他領(lǐng)域?qū)＠�知識，激發(fā)設(shè)計者創(chuàng)造更多的創(chuàng)新設(shè)計理念�；�于深度學(xué)習(xí)的專利研究進展目前，由于出色的表示學(xué)習(xí)能力，深度學(xué)習(xí)在自然語言處理領(lǐng)域取得了巨大的成功，許多學(xué)者致力于利用深度學(xué)習(xí)提取專利中的隱形知識，主要分為專利知識提取、專利知識推薦、專利評估及演化三個方向。

　　文獻[10]、[16]利用實體識別算法提取專利中的技術(shù)術(shù)語，構(gòu)建了專利知識提取框架，方便使用者更快的理解專利。文獻[9]、[11]、[17]在專利知識提取框架的基礎(chǔ)上，提取專利的功能、技術(shù)等知識構(gòu)建專利知識圖譜,推薦合適的專利輔助產(chǎn)品創(chuàng)新。文獻[18]、[19]利用深度學(xué)習(xí)構(gòu)建專利相似性網(wǎng)絡(luò)，根據(jù)技術(shù)進行專利聚類，判斷專利技術(shù)的潛在價值，準(zhǔn)確地預(yù)測新興技術(shù)，為未來技術(shù)發(fā)展提供方向。 從現(xiàn)有研究成果來看，當(dāng)前的專利知識研究主要集中在當(dāng)前領(lǐng)域知識推薦的準(zhǔn)確性，忽略了知識的多樣性，既其他領(lǐng)域的專利知識。而其他領(lǐng)域的知識往往更好的解決當(dāng)前的設(shè)計問題。因此本文對專利知識情境進行深入分析，解決產(chǎn)品創(chuàng)新設(shè)計的多樣性知識需求，提高專利知識推送質(zhì)量、增強企業(yè)創(chuàng)新能力和競爭能力。

　　基于深度學(xué)習(xí)的專利知識推薦模型框架在產(chǎn)品設(shè)計中，設(shè)計者通過知識重用和重組來解決設(shè)計問題。專利作為包含大多數(shù)應(yīng)用領(lǐng)域知識的重要知識資源，可以幫助設(shè)計者完成各種設(shè)計任務(wù)。其中產(chǎn)品是由功能和功能承載結(jié)構(gòu)所組成的系統(tǒng)，功能分析貫穿產(chǎn)品設(shè)計的整個過程。

　　將設(shè)計問題抽象解釋為功能需求問題可以在任何領(lǐng)域中使用，但通過功能檢索到的專利通常大量重復(fù)或者相似，設(shè)計者仍需要花費大量時間去尋找和理解檢索到的所有專利，最終找到合適的專利。不同的知識具有不同的應(yīng)用情境[20]，在特定情境下其他領(lǐng)域知識才可以發(fā)揮效用。此外，不同的專利文本具有不同的技術(shù)成熟性和新穎性，這對不同的設(shè)計者有著不同的啟發(fā)性影響。因此，本文提出一種基于深度學(xué)習(xí)的專利知識推薦模型，它可以推薦其他應(yīng)用領(lǐng)域的專利知識，實現(xiàn)了跨領(lǐng)域的知識遷移。

　　設(shè)計問題經(jīng)過問題表征被描述為功能需求，并描述當(dāng)前知識需求情境，對功能進行建模并分解為三層功能結(jié)構(gòu)，根據(jù)功能基和需求情境將其解釋為設(shè)計問題空間。由于專利文獻為半結(jié)構(gòu)化數(shù)據(jù)，閱讀專利全文獲取知識需要花費高昂的時間成本、人力成本等。于是本文提出一種TGTCI(TwoGranularityThreeClassifierIntegration)半監(jiān)督文本分類算法從文本分類的角度提取專利的功能信息，分別從字符級(BERT)和詞語級(Word2vec)對專利文本進行特征向量表示，可以有效解決專利文本中一詞多義、歧義等現(xiàn)象。

　　并集成支持向量機(SVM)、貝葉斯(NaiveBayes)、K近鄰分類(KNN)三種不同基分類器的優(yōu)點，提高專利功能分類的準(zhǔn)確性。采用BERTBiLSTMCRF實體識別算法從專利說明書中自動提取專利的知識應(yīng)用情境、技術(shù)術(shù)語，實現(xiàn)使用計算機自動提取專利知識，降低人力成本和研發(fā)時間。結(jié)合IPC分類號信息分別代表專利的功能、情境、技術(shù)、領(lǐng)域?qū)傩�，�?gòu)成專利知識空間。

　　首先根據(jù)功能基和知識情境實現(xiàn)設(shè)計問題空間到專利知識空間的映射，搜索相關(guān)專利。其次，檢索后的專利通過技術(shù)術(shù)語將實現(xiàn)同一功能并技術(shù)手段相似的專利采用Kmeans算法進行聚類，形成專利技術(shù)集群，之后設(shè)計者根據(jù)設(shè)計需求選擇相應(yīng)的評估指標(biāo)通過IPC信息對專利技術(shù)集群進行評估和排序。最后，向設(shè)計者推薦三層呈現(xiàn)的專利知識信息，以激發(fā)設(shè)計者的創(chuàng)新思維，進行新產(chǎn)品概念設(shè)計中的知識轉(zhuǎn)移。必要的是，需要定時從專利網(wǎng)站中搜尋專利文本，通過上述知識抽取過程，將這些專利文本存儲在本地專利數(shù)據(jù)庫中，以便可以實時更新專利知識空間。

　　3基于功能基和知識情境的專利知識推薦方法

　　3.1研究思路

　　當(dāng)前設(shè)計者搜尋專利由于受到自身知識經(jīng)驗和專利的分類體系(IPC)的約束，只能找到本專業(yè)或本領(lǐng)域的專利文獻。從產(chǎn)品創(chuàng)新角度來說，其他領(lǐng)域知識往往更好激發(fā)設(shè)計者的創(chuàng)新思維，因為不同領(lǐng)域的產(chǎn)品設(shè)計問題，可能會采用相似的技術(shù)方案。因此，本文將功能基和知識情境引入產(chǎn)品設(shè)計流程中，來為設(shè)計者提供跨領(lǐng)域?qū)＠�知識，輔助產(chǎn)品創(chuàng)新設(shè)計。

　　在引入功能基和知識情境之前，設(shè)計者由于自身知識的不足影響了功能層與原理解層的映射，從而限制了產(chǎn)品概念方案的生成。通過引入功能基和知識情境方便設(shè)計過程信息的表達，建立了統(tǒng)一的表達標(biāo)準(zhǔn)。由于功能基高度抽象，可以突破功能應(yīng)用領(lǐng)域的限制，并根據(jù)知識應(yīng)用情境的匹配程度對其他領(lǐng)域知識進行篩選，獲得更多創(chuàng)新解決方案。

　　3.2基于功能需求和知識需求情境的設(shè)計問題空間

　　產(chǎn)品創(chuàng)新設(shè)計是復(fù)雜的思維活動，設(shè)計問題求解可以理解為“發(fā)掘設(shè)計問題與已有知識之間的相關(guān)性，并進行知識的遷移和組合”的過程[21]。功能是產(chǎn)品的核心要素，而產(chǎn)品創(chuàng)新設(shè)計的核心是知識從一種情境轉(zhuǎn)換到另一種情境[21]。通過對設(shè)計問題的功能需求和知識需求情境的問題表征，將設(shè)計問題進行標(biāo)準(zhǔn)化表達，可以得到產(chǎn)品的功能結(jié)構(gòu)模型和知識情境模型，同時形成設(shè)計問題空間。設(shè)計者利用功能基和知識情境檢索專利知識庫中已有的解決方案和知識，并將其與當(dāng)前的設(shè)計問題進行類比，以生成新的設(shè)計方案。

　　3.2.1功能建模

　　產(chǎn)品設(shè)計的本質(zhì)是設(shè)計具有特定功能、滿足特定設(shè)計要求的產(chǎn)品。產(chǎn)品建模是產(chǎn)品設(shè)計的基礎(chǔ)，功能建模是產(chǎn)品設(shè)計的首要任務(wù)。為了對功能進行統(tǒng)一的表達，Stone等[22]提出了功能基(Functionalbase)的概念，采用“元功能+流”的表示形式。Hirtz[23]整合并統(tǒng)一了元功能和流的分類，建立了功能基的標(biāo)準(zhǔn)詞典。但該詞典創(chuàng)建距今已經(jīng)十多年時間，不能很好的適用于當(dāng)前的設(shè)計活動。

　　為此，本文根據(jù)TRIZ功能分析理論，提出一種采用“動作+對象”描述功能，“動作”描述了功能的作用方式，“對象”描述工作的對象。其中動作包括導(dǎo)向、聚集、轉(zhuǎn)換、連接、感知、調(diào)節(jié)、分離、供應(yīng)、支持九個一級功能類別，結(jié)合Hirtz對流的分析進一步細化為39個二級功能類別與234個三級功能類別。顯示了一個功能基的實例，設(shè)計者可以選擇合適的功能基來定義任何產(chǎn)品的功能。由于功能基高度抽象，使用功能基表示設(shè)計問題的功能需求可以在任何領(lǐng)域中使用。

　　3.2.2知識情境建模

　　基于功能基向設(shè)計者推薦其他領(lǐng)域?qū)＠�知識時，大量跨領(lǐng)域?qū)＠麧M足當(dāng)前功能需求，檢索結(jié)果冗余度高，無法滿足知識推薦的準(zhǔn)確性。然而知識的產(chǎn)生和應(yīng)用都具有特定的背景和環(huán)境[20]，知識情境可以視為知識應(yīng)用的限定條件，是知識共享和知識重用的重要基礎(chǔ)，能夠有效解決基于功能基檢索后的專利知識過載問題[24]。通過對設(shè)計問題和知識主體之間的情境匹配度計算將極大的提高設(shè)計者知識檢索的效率，進而縮短產(chǎn)品創(chuàng)新設(shè)計的開發(fā)周期，提高創(chuàng)新質(zhì)量。

　　為此，本文建立一個可擴展的知識情境模型，用以判斷其他領(lǐng)域知識解決當(dāng)前設(shè)計問題的可行性。在產(chǎn)品設(shè)計過程中，根據(jù)5W1H分析法可得知識情境就是描述當(dāng)前的設(shè)計者的5W1H信息(Who、What、Where、When、Why、How)，即設(shè)計者在某一時間某一地點用某種方法從事當(dāng)前的設(shè)計活動。但僅這六個維度可能造成設(shè)計需求識別不完整，降低工作效率。

　　因此，本文以設(shè)計過程為線索，結(jié)合5W1H分析法將知識情境維度進行提煉，構(gòu)建知識情境模型，形式化表達為：知識情境={問題、任務(wù)、設(shè)計過程、設(shè)計執(zhí)行者、設(shè)計活動、設(shè)計對象、知識資源、地點、時間}，其中設(shè)計執(zhí)行的時間和地理位置和在設(shè)計活動中沒有實際意義，本文將產(chǎn)品的業(yè)務(wù)周期作為時間維度，產(chǎn)品工作時的應(yīng)用地點作為地點維度。知識情境各維度之間存在著緊密的聯(lián)系，知識情境交互關(guān)系模型。

　　問題維度、任務(wù)維度、知識執(zhí)行者維度以及設(shè)計活動維度之間存在相互傳遞轉(zhuǎn)換關(guān)系：設(shè)計問題分解成多個任務(wù)目標(biāo);任務(wù)目標(biāo)由設(shè)計活動實現(xiàn);設(shè)計活動由相關(guān)部門和組織組成的設(shè)計執(zhí)行者全權(quán)負(fù)責(zé);并且在設(shè)計活動維度中，時間和地點兩個維度是設(shè)計活動執(zhí)行的條件限制，設(shè)計活動使用相應(yīng)的知識資源驅(qū)動設(shè)計過程的執(zhí)行。在知識執(zhí)行者維度中，知識員工存在于各個業(yè)務(wù)執(zhí)行組織，在特定的設(shè)計活動中具備一定的求解技能、求解經(jīng)驗以及對應(yīng)的執(zhí)行職位。需要說明的一點是，本文列出了知識情境的主要維度，企業(yè)在實際應(yīng)用時需根據(jù)自身的業(yè)務(wù)特點和業(yè)務(wù)數(shù)據(jù)進行維度的擴展和細化。

　　3.3專利知識空間的知識表示

　　專利知識是創(chuàng)新的重要資源，有效地整合產(chǎn)品創(chuàng)新所需的專利知識資源方便企業(yè)創(chuàng)新人員對相關(guān)專利知識的檢索和利用[25]。密阮建馳等人[26]提出知識應(yīng)與情境相結(jié)合，以方便設(shè)計者更全面的理解知識，促進知識之間的共享和重用。為此，本文將情境化設(shè)計引入FBS模型，構(gòu)建功能描述層、技術(shù)描述層、詳細描述層三層知識表示結(jié)構(gòu)，形成專利知識空間。

　　功能描述層體現(xiàn)了專利發(fā)明人的主觀意愿，是產(chǎn)品的最終目的。技術(shù)描述層包括情境屬性、技術(shù)屬性、領(lǐng)域?qū)傩裕�分別由專利應(yīng)用情境、技術(shù)術(shù)詞、IPC分類號信息組成，方便設(shè)計者更快速理解專利的應(yīng)用場景和所使用的技術(shù)。詳細描述層包含專利中的具體實施方式和專利顯性信息。該專利知識空間模型從左到右的知識抽象程度逐漸減少，較高抽象的知識更容易進行知識轉(zhuǎn)移，利于設(shè)計者從多個角度理解專利知識。

　　4實例驗證

　　為了驗證本文提出的專利知識推薦模型的可行性，以橋梁冰雪清除裝置設(shè)計進行實例驗證。通過將傳統(tǒng)的基于關(guān)鍵詞檢索和本文提出的方法進行對比，并根據(jù)專利技術(shù)集群生成四種清除積雪的設(shè)計方案，驗證本文提出的專利知識推薦模型在跨應(yīng)用領(lǐng)域推薦專利知識方面的有效性和可行性。

　　4.1專利數(shù)據(jù)獲取及處理本文在專利商業(yè)網(wǎng)站(incopat)中下載50000條發(fā)明專利數(shù)據(jù)。本文使用的專利數(shù)據(jù)包括標(biāo)題、摘要、說明書和權(quán)力要求等，我們采用jieba分詞對專利數(shù)據(jù)進行分詞，去除停用詞，以便進行更深入的信息分析。

　　4.2設(shè)計問題空間的構(gòu)建在寒冷地區(qū)，大雪和低氣溫的情況比較普遍。積雪在道路橋梁上會造成堆積和結(jié)冰影響行車安全的問題。目前除冰方式主要是人工灑融雪劑或借助機械設(shè)備完成。但由于人工清理有被車撞到的危險，且融雪劑會污染環(huán)境、清雪車的清雪結(jié)構(gòu)簡單清雪不徹底，對于冰面和已經(jīng)壓實的雪清理效果不好。因此，有必要設(shè)計一種有效、安全的除冰設(shè)備。

　　5結(jié)束語

　　為了更好的滿足設(shè)計者知識多樣性的需求，本文提出了一種基于深度學(xué)習(xí)的專利知識推薦模型框架。主要貢獻總結(jié)為三點：

　　(1)基于功能基和知識情境的設(shè)計問題表征。本文對產(chǎn)品功能和知識情境分別建模，在產(chǎn)品設(shè)計流程中引入功能基和知識情境對設(shè)計問題進行標(biāo)準(zhǔn)化表達，對比實驗證明本文方法可以在更大范圍找到更多的解決方案。(2)自動提取專利知識并構(gòu)建表示模型。本文提出TGTCI算法根據(jù)功能基從本文分類角度提取專利功能信息，利用實體識別方法提取專利情境、技術(shù)術(shù)詞構(gòu)建專利知識空間，便于設(shè)計者快速理解當(dāng)前專利。(3)多指標(biāo)專利評估方法。本文利用Kmeans算法對相似專利進行聚類，并提出成熟性、新穎性、擴展性三種指標(biāo)對專利聚類進行評價，方便設(shè)計者選擇合適的評價指標(biāo)滿足自己的設(shè)計需求，提高設(shè)計知識重用率。 但仍存在一些問題需要解決。

　　首先本文的領(lǐng)域?qū)傩允歉鶕?jù)專利的IPC分類來定義，具有局限性。其次，本文僅對專利一級功能進行分類提取，之后需要根據(jù)二級類別、三級類別進行進一步分類。最后專利知識表示需要行更深入的分析，專業(yè)技術(shù)術(shù)語和知識情境專業(yè)性較強，需要更高的知識背景。今后我們將進一步深入研究領(lǐng)域之間的知識轉(zhuǎn)移，完善功能詞典，改善專利功能分類的準(zhǔn)確性，并且進一步完善專利內(nèi)容研究，需要更深入地開發(fā)專利知識，更全面地發(fā)現(xiàn)潛在的領(lǐng)域知識，進而更智能化的實現(xiàn)設(shè)計者的知識需求。

　　參考文獻：

　　[1]王克勤,毋鳳君.面向產(chǎn)品設(shè)計改進的在線評論挖掘[J].計算機工程與應(yīng)用,2019,55(19):235245+252.WANGKQ,WUFJ.Onlinecommentminingforproductdesignimprovement[J].ComputerEngineeringandApplications,2019,55(19):235245+252.

　　[2]JianChengGuan,YanYan.Technologicalproximityandrecombinativeinnovationinthealternativeenergyfield[J].ResearchPolicy,2016,45(7).

　　[3]梁艷紅,檀潤華,馬建紅.面向產(chǎn)品創(chuàng)新設(shè)計的專利文本分類研究[J].計算機集成制造系統(tǒng),2013,19(02):382390.LIANGYH,TANRH,MAJH.ResearchonPatentTextClassificationforProductInnovationDesign[J].ComputerIntegratedManufacturingSystem,2013,19(02):382390.

　　[4]JanghyeokYoon,WonchulSeo,ByoungYoulCoh,InseokSong,JaeMinLee.Identifyingproductopportunitiesusingcollaborativefilteringbasedpatentanalysis[J].Computers&IndustrialEngineering,2016:

　　[5]陳憶群,周如旗,朱蔚恒,李夢婷,印鑒.挖掘?qū)＠�知識實現(xiàn)關(guān)鍵詞自動抽取[J].計算機研究與發(fā)展,2016,53(08):17401752.CHENYQ,ZHOURQ,ZHUWH,LIMT,YINJ.Miningpatentknowledgetorealizeautomatickeywordextraction[J].ComputerResearchandDevelopment,2016,53(08):17401752.

　　作者：李振宇1，戰(zhàn)洪飛1，余軍合1，王瑞1，鄧慧君2

轉(zhuǎn)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///nylw/28904.html