CN111930897B - 专利检索方法、装置、电子设备及计算机可读存储介质 - Google Patents
专利检索方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111930897B CN111930897B CN202010958916.3A CN202010958916A CN111930897B CN 111930897 B CN111930897 B CN 111930897B CN 202010958916 A CN202010958916 A CN 202010958916A CN 111930897 B CN111930897 B CN 111930897B
- Authority
- CN
- China
- Prior art keywords
- knowledge graph
- relation
- similar
- text
- initial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012216 screening Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 95
- 239000013598 vector Substances 0.000 claims description 72
- 238000012545 processing Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 14
- 238000013136 deep learning model Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010183 spectrum analysis Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能，揭露一种专利检索方法，包括：根据基础数据构建初始知识图谱；对初始知识图谱进行分次模型补全，依次得到第一知识图谱、第二知识图谱；对第二知识图谱进行文本相似关系补全得到第三知识图谱；对第三知识图谱进行模型补全得到第四知识图谱；对第四知识图谱进行相似专利筛选，得到相似专利集；利用检索词在初始知识图谱中进行检索，得到初始检索专利集；根据相似专利集对初始检索专利集进行筛选得到目标检索专利集，将目标检索专利集推送至指定终端设备。本发明还涉及一种区块链技术，模型训练的数据可以存储在区块链中。本发明还提出一种专利检索装置、电子设备以及计算机可读存储介质。本发明可以提高专利检索的效率。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种专利检索方法、装置、电子设备及计算机可读存储介质。
背景技术
互联网时代，专利作为记录人类成果的载体，包含了大量的科技成果和创新技术。科学技术的快速发展使得每年的专利申请量急剧增加，专利检索的需求也相应增加，现有的检索方式中检索结果没有对相似专利进行筛选，而是直接显示了所有的专利，造成检索结果中存在大量的相似专利，影响专利检索的效率。
发明内容
本发明提供一种专利检索方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高专利检索的效率。
为实现上述目的，本发明提供的一种专利检索方法，包括：
获取基础数据，根据所述基础数据构建初始知识图谱；
利用预设的第一图谱分析模型对所述初始知识图谱进行第一分析补全处理，得到第一知识图谱；
利用预设的第二图谱分析模型对所述第一知识图谱进行第二分析补全处理，得到第二知识图谱；
对所述基础数据中包含的专利进行文本相似度计算与三元组构建，得到文本相似专利关系三元组集；
利用所述文本相似专利关系三元组集补全所述第二知识图谱，得到第三知识图谱；
利用预设的第三图谱分析模型对所述第三知识图谱进行第三分析补全处理，得到第四知识图谱；
对所述第四知识图谱进行相似专利筛选，得到相似专利集；
获取待检索词，以所述待检索词为索引在所述初始知识图谱中进行检索，得到初始检索专利集；
根据所述相似专利集对所述初始检索专利集进行筛选得到目标检索专利集，将所述目标检索专利集推送至指定终端设备。
可选地，所述获取基础数据，根据所述基础数据构建初始知识图谱，包括：
对所述基础数据进行结构化处理得到结构化数据；
对所述结构化数据进行实体抽取得到实体信息；
对所述结构化数据进行关系抽取得到关系信息；
对所述实体信息及所述关系信息进行信息融合处理，得到所述初始知识图谱。
可选地，所述对所述基础数据进行结构化处理得到结构化数据，包括：
对所述基础数据进行字段类别定义，得到所述结构化数据。
可选地，所述利用预设的第一图谱分析模型对所述初始知识图谱进行第一分析补全处理，得到第一知识图谱，包括：
从所述初始知识图谱中获取第一关系三元组，得到第一关系三元组集；
利用所述预设的第一图谱分析模型对所述第一关系三元组集进行分析，得到疑似相似专利的专利申请方关系三元组集；
利用所述疑似相似专利的专利申请方关系三元组集补全所述初始知识图谱，得到第一知识图谱。
可选地，所述对所述基础数据中包含的专利进行文本相似度计算与三元组构建，得到文本相似专利关系三元组集，包括：
从所述基础数据中获取专利及对应的专利文本，得到专利集及专利文本集；
对所述专利文本集中的每个专利文本进行向量化处理，得到专利文本向量集；
计算所述专利文本向量集中的每个专利文本向量与所述专利文本向量集中其他的专利文本向量的相似度，得到专利文本向量相似度集；
根据所述专利文本向量相似度集进行三元组关系构建，得到所述文本相似专利关系三元组集。
可选地，所述根据所述专利文本向量相似度集进行三元组关系构建，得到文本相似专利关系三元组集，包括：
筛选所述专利文本向量相似度集中达到预设阈值的相似度，得到目标专利文本向量相似度集；
根据所述目标专利文本向量相似度集，将所述专利集中对应的专利构建为文本相似专利关系三元组；
汇总所有的所述文本相似专利关系三元组，得到所述文本相似专利关系三元组集。
可选地，所述对所述第四知识图谱进行相似专利筛选，得到相似专利集，包括：
将所述第四知识图谱中具有相似专利关系的专利确定为相似专利；
筛选所述第四知识图谱中每个专利对应的相似专利得到相似专利子集；
汇总所有的所述相似专利子集得到所述相似专利集。
为了解决上述问题，本发明还提供一种专利检索装置，所述装置包括：
图谱构建模块，用于获取基础数据，根据所述基础数据构建初始知识图谱；
图谱补全模块，用于利用预设的第一图谱分析模型对所述初始知识图谱进行第一分析补全处理，得到第一知识图谱；利用预设的第二图谱分析模型对所述第一知识图谱进行第二分析补全处理，得到第二知识图谱；对所述基础数据中包含的专利进行文本相似度计算与三元组构建，得到文本相似专利关系三元组集；利用所述文本相似专利关系三元组集补全所述第二知识图谱，得到第三知识图谱；利用预设的第三图谱分析模型对所述第三知识图谱进行第三分析补全处理，得到第四知识图谱；
专利检索模块，用于对所述第四知识图谱进行相似专利筛选，得到相似专利集；获取待检索词，以所述待检索词为索引在所述初始知识图谱中进行检索，得到初始检索专利集；根据所述相似专利集对所述初始检索专利集进行筛选得到目标检索专利集，将所述目标检索专利集推送至指定终端设备。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的专利检索方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有计算机程序，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的专利检索方法。
本发明实施例中，根据所述基础数据构建初始知识图谱；利用预设的第一图谱分析模型对所述初始知识图谱进行第一分析补全处理，得到第一知识图谱，缩小了专利相似的查询范围；利用预设的第二图谱分析模型对所述第一知识图谱进行第二分析补全处理，得到第二知识图谱，进一步缩小图谱专利相似的查询范围，得到专利间的图谱相似关系；对所述基础数据中包含的专利进行文本相似度计算与三元组构建，得到文本相似专利关系三元组集，计算专利的文本相似关系，提高专利相似计算的准确度，利用所述文本相似专利关系三元组集补全所述第二知识图谱，得到第三知识图谱；利用预设的第三图谱分析模型对所述第三知识图谱进行第三分析补全处理，得到第四知识图谱，对所述第四知识图谱进行相似专利筛选，得到相似专利集，通过图谱相似关系和文本相似关系进行双重验证，相似专利计算更加准确；获取待检索词，以所述待检索词为索引在所述初始知识图谱中进行检索，得到初始检索专利集；根据所述相似专利集对所述初始检索专利集进行筛选得到目标检索专利集，将所述目标检索专利集推送至指定终端设备，对检索结果进行精简筛选，提高了专利检索的效率。
附图说明
图1为本发明一实施例提供的专利检索方法的流程示意图；
图2为本发明一实施例提供的专利检索方法中构建初始知识图谱详细实施流程示意图；
图3为本发明一实施例的专利检索方法中对所述第一知识图谱进行第二分析补全处理详细实施流程示意图；
图4为本发明一实施例提供的专利检索装置的模块示意图；
图5为本发明一实施例提供的实现专利检索方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种专利检索方法。参照图1所示，为本发明一实施例提供的专利检索方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，专利检索方法包括：
S1、获取基础数据，根据所述基础数据构建初始知识图谱；
本发明实施例中，所述基础数据为知识产权相关数据，包括：专利的数据、发明人的数据、专利申请方的数据，其中，较佳地，所述专利申请方为公司或者个人，所述基础数据可以从某专利检索网站的后台数据库中进行获取。
详细地，本发明实施例中，参照图2所示，根据所述基础数据构建初始知识图谱包括：
S11、对所述基础数据进行结构化处理得到结构化数据；
详细地，本发明实施例中所述结构化处理为将所述基础数据进行字段类别定义，得到结构化数据，例如：所述基础数据中字段15123456789只是普通的文本数据，对其进行字段类别定义，将其定义为手机号码，实现对该数据的结构化。
S12、对所述结构化数据进行实体抽取得到获取实体信息及对所述结构化数据进行关系抽取得到关系信息；
本发明实施例中，所述实体信息包括专利涉及的专利名、专利发明人、专利申请人、专利申请方的地理位置，所述关系信息包括专利、发明人、专利申请方中至少两者之间的关系，例如：专利申请方公司C与专利申请方公司D之间为竞争关系。
S13、对所述实体信息及所述关系信息进行信息融合处理，得到所述初始知识图谱。
本发明实施例中，所述实体信息、关系信息融合处理后得到多个三元组，所述初始知识图谱由多个三元组构成，所述三元组为“实体+关系=实体”的信息表现形式，例如：专利A的专利申请方为公司D，用三元组表示为“专利A+专利申请方=公司D”。
S2、利用预设的第一图谱分析模型对所述初始知识图谱进行第一分析补全处理，得到第一知识图谱；
详细地，本发明实施例中，为了寻找所述初始知识图谱中每个专利的疑似专利专利申请方，利用预设的第一图谱分析模型对所述初始知识图谱进行第一分析补全处理，例如：初始图谱中X和Y有关系，Y和Z有关系，利用模型根据已有实体关系进行预测，得到X和Z的关系，从而实现对初始图谱中实体关系的补全，包括：
步骤A、从所述初始知识图谱中获取第一关系三元组，得到第一关系三元组集；
详细地，本发明实施例中，所述第一关系三元组包括：专利申请方之间的竞争对手关系三元组，及专利与专利申请方之间的专利申请方关系三元组，例如：
公司C+竞争对手=公司D
专利A+专利申请方=公司C
步骤B、利用所述预设的第一图谱分析模型对所述第一关系三元组集进行分析，得到所述疑似相似专利的专利申请方关系三元组集；
本发明实施例中对预构建的深度学习模型进行训练，得到所述预设的第一图谱分析模型，较佳地，所述深度学习模型为TransE模型。
详细地，本发明实施例中对预构建的深度学习模型进行训练，得到所述预设的第一图谱分析模型，包括：
步骤a、获取历史第一关系三元组集；
本发明实施例中，所述历史第一关系三元组集为与所述第一关系三元组集不同的专利申请方之间的竞争对手关系三元组及专利与专利申请方之间的专利申请方关系三元组的集合。
步骤b、利用疑似相似专利的专利申请方关系对所述历史第一关系三元组集进行实体关系标注；
步骤c、利用标注过的所述历史第一关系三元组集对预构建的深度学习模型进行训练，得到所述预设的第一图谱分析模型。
本发明的另一实施例中，所述预构建的深度学习模型训练的数据可以存储在区块链中。
进一步地，所述疑似相似专利的专利申请方关系三元组集中包含的疑似相似专利的专利申请方关系三元组如：
专利A+疑似相似专利专利申请方=公司D
步骤C、将所述疑似相似专利的专利申请方关系三元组集补全至所述第一知识图谱，得到所述第一知识图谱。
S3、利用预设的第二图谱分析模型对所述第一知识图谱进行第二分析补全处理，得到第二知识图谱；
本发明实施例中，较佳地，所述预设的第二图谱分析模型为TransE模型。
详细地，本发明实施例中，为了寻找不同专利的疑似相似专利，参照图3所示，利用预设的第二图谱分析模型对所述第一知识图谱进行第二分析补全处理，包括：
S31、从所述第一知识图谱中获取第二关系三元组，得到第二关系三元组集。
详细地，本发明实施例中，所述第二关系三元组包括：专利与专利申请方之间的疑似相似专利专利申请方关系三元组，及专利申请方与专利之间的拥有关系三元组，例如：
专利A+疑似相似专利专利申请方=公司D
公司D+拥有=专利B
S32、利用所述第二图谱分析模型对所述第二关系三元组集进行分析，得到疑似相似专利关系三元组集。
详细地，本发明实施例中，所述疑似相似专利关系三元组集包含的疑似相似专利关系三元组为：
专利A+疑似相似专利=专利B
S33、将所述疑似相似专利关系三元组集补全至所述第一知识图谱，得到所述第二知识图谱。
S4、对所述基础数据中包含的专利进行文本相似度计算与三元组构建，得到文本相似专利关系三元组集；
本发明实施例中，为了更加准确地计算专利之间的相似度，对所述基础数据中包含的专利进行文本相似度计算筛选，包括：
步骤Ⅰ、从所述基础数据中获取专利及对应的专利文本，得到专利集及专利文本集；
步骤Ⅱ、对所述专利文本集中的每个专利文本进行向量化处理，得到专利文本向量集；
步骤Ⅲ、计算所述专利文本向量集中的每个专利文本向量与所述专利文本向量集中其他的专利文本向量的相似度，得到专利文本向量相似度集；
例如：所述专利文本向量集中共有a、b、c三个专利文本向量，计算a和b、a和c、c和b的相似度，得到专利文本向量相似度集；
步骤Ⅳ、根据所述专利文本向量相似度集进行三元组构建，得到文本相似专利关系三元组集；
详细地，本发明实施例中，筛选所述专利文本向量相似度集达到预设值的相似度，得到目标专利文本向量相似度集，例如：所述专利文本向量相似度集专利文本向量a和b的相似度为0.9、专利文本向量a和c的相似度为0.7、专利文本向量c和b的相似度为0.95，预设值为0.85，则筛选出的为专利文本向量a和b的相似度、专利文本向量c和b的相似度。
进一步地，本发明实施例中，根据所述目标专利文本向量相似度集，将所述专利集中对应的专利构建为专利文本相似关系三元组，得到专利文本相似关系三元组，例如：所述专利文本向量相似度集专利文本向量a和b的相似度0.9、专利文本向量c和b的相似度0.95，专利文本向量a对应所述专利集中的专利A，专利文本向量b对应所述专利集中的专利B，专利文本向量c对应所述专利集中的专利C，则构建的文本相似专利关系三元组为：
专利A+文本相似专利=专利B;
专利C+文本相似专利=专利B；
进一步地，汇总所有的文本相似专利关系三元组，得到所述文本相似专利关系三元组集。
S5、利用所述文本相似专利关系三元组集补全所述第二知识图谱，得到第三知识图谱；
S6、利用预设的第三图谱分析模型对所述第三知识图谱进行第三分析补全处理，得到第四知识图谱；
本发明实施例中，较佳地，所述预设的第三图谱分析模型为TransE模型。
详细地，本发明实施例中，为了寻找不同专利的相似专利，利用预设的第三图谱分析模型对所述第三知识图谱进行第三分析补全处理，包括：
步骤X、从所述第三知识图谱中获取第三关系三元组，得到第三关系三元组集；
详细地，本发明实施例中，所述第三关系三元组包括：专利与专利之间的疑似相似专利关系三元组，及专利与专利之间的文本相似专利关系三元组，例如：
专利A+疑似相似专利=专利B
专利A+文本相似专利=专利B
步骤Y、利用所述第三图谱分析模型对所述第三关系三元组集进行分析，得到相似专利关系三元组集；
详细地，本发明实施例中所述相似专利关系三元组集中包括的相似专利关系三元组如：
专利A+相似专利=专利B
步骤Z、将所述相似专利关系三元组集补全到所述第三知识图谱，得到第四知识图谱。
S7、对所述第四知识图谱进行相似专利筛选，得到相似专利集；
本发明实施例中，将所述第四知识图谱中具有相似专利关系的专利确定为相似专利，筛选所述第四知识图谱中每个专利对应的相似专利得到相似专利子集，汇总所有的所述相似专利子集得到所述相似专利集。
S8、获取待检索词，以所述待检索词为索引在所述初始知识图谱中进行检索，得到初始检索专利集；
本发明实施例中，所述待检索词为专利检索关键词，所述待检索词可通过网页输入模块进行获取。
详细地，本发明实施例中，以所述待检索词为索引在所述初始知识图谱中进行检索，得到初始检索专利集，例如：待检索词为5G，得到初始检索专利集共有专利M和专利N两个专利。
S9、根据所述相似专利集对所述初始检索专利集进行筛选得到目标检索专利集，将所述目标检索专利集推送至指定终端设备。
详细地，本发明实施例中，所述根据所述相似专利集对所述初始检索专利集进行筛选得到目标检索专利集，将所述目标检索专利集推送至指定终端设备，包括：
步骤Q、根据所述相似专利集对所述初始检索专利集进行分类得到所述初始检索专利集中每个初始检索专利的初始检索专利相似集；
例如：所述初始检索专利集中共有专利E、专利F、专利G、专利H、专利I、专利J、专利K，所述相似专利集中E专利的相似专利子集中的相似专利依次为F、G、J、O，那么得到所述初始检索专利集中E专利的初始检索专利相似集为专利F、专利G、专利J，以此类推，得到所述初始检索专利集中每个初始检索专利的初始检索专利相似集。
步骤R、利用所述初始检索专利相似集对所述初始检索专利集进行筛选得到目标检索专利集；
本发明实施例中，相似的检索专利全部显示会影响检索体验，如果几个检索专利相似，那么只保留一个即可，所述初始检索专利集中共有专利E、专利F、专利G、专利H、专利I、专利J、专利K，所述初始检索专利集中只有E专利有相似检索专利，所述初始检索专利集中与E专利相似的专利为专利F、专利G、专利J；因此删除专利F、G、J，得到目标专利集为专利E、H、I、J、K。
S93、将所述目标检索专利集推送至指定终端设备。
本发明实施例，所述终端设备为检索人使用的终端设备，包括：手机、电脑、平板等。
如图4所示，是本发明专利检索装置的功能模块图。
本发明所述专利检索装置100可以安装于电子设备中。根据实现的功能，所述专利检索装置可以包括图谱构建模块101、图谱补全模块102、专利检索模块103。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图谱构建模块101用于获取基础数据，根据所述基础数据构建初始知识图谱。
本发明实施例中，所述基础数据为知识产权相关数据，包括：专利的数据、发明人的数据、专利申请方的数据，其中，较佳地，所述专利申请方为公司或者个人，所述基础数据可以从某专利检索网站的后台数据库中进行获取。
详细地，本发明实施例中，所述图谱构建模块101利用如下手段根据所述基础数据构建初始知识图谱包括：
对所述基础数据进行结构化处理得到结构化数据；
详细地，本发明实施例中所述结构化处理为将所述基础数据进行字段类别定义，得到结构化数据，例如：所述基础数据中字段15123456789只是普通的文本数据，对其进行字段类别定义，将其定义为手机号码，实现对该数据的结构化。
对所述结构化数据进行实体抽取得到获取实体信息及对所述结构化数据进行关系抽取得到关系信息；
本发明实施例中，所述实体信息包括专利涉及的专利名、专利发明人、专利申请人、专利申请方的地理位置，所述关系信息包括专利、发明人、专利申请方中至少两者之间的关系，例如：专利申请方公司C与专利申请方公司D之间为竞争关系。
对所述实体信息及所述关系信息进行信息融合处理，得到初始知识图谱。
本发明实施例中，所述实体信息、关系信息融合处理后得到多个三元组，所述初始知识图谱由多个三元组构成，所述三元组为“实体+关系=实体”的信息表现形式，例如：专利A的专利申请方为公司D，用三元组表示为“专利A+专利申请方=公司D”。
所述图谱补全模块102用于利用预设的第一图谱分析模型对所述初始知识图谱进行第一分析补全处理，得到第一知识图谱；利用预设的第二图谱分析模型对所述第一知识图谱进行第二分析补全处理，得到第二知识图谱；对所述基础数据中包含的专利进行文本相似度计算与三元组构建，得到文本相似专利关系三元组集；利用所述文本相似专利关系三元组集补全所述第二知识图谱，得到第三知识图谱；利用预设的第三图谱分析模型对所述第三知识图谱进行第三分析补全处理，得到第四知识图谱。
详细地，本发明实施例中，为了寻找所述初始知识图谱中每个专利的疑似专利专利申请方，所述图谱补全模块102利用如下手段对所述初始知识图谱进行第一分析补全处理，包括：
从所述初始知识图谱中获取第一关系三元组，得到第一关系三元组集；
详细地，本发明实施例中，所述第一关系三元组包括：专利申请方之间的竞争对手关系三元组，及专利与专利申请方之间的专利申请方关系三元组，例如：
公司C+竞争对手=公司D
专利A+专利申请方=公司C
利用所述预设的第一图谱分析模型对所述第一关系三元组集进行分析，得到所述疑似相似专利的专利申请方关系三元组集；
本发明实施例中对预构建的深度学习模型进行训练，得到所述预设的第一图谱分析模型，较佳地，所述深度学习模型为TransE模型。
详细地，本发明实施例中所述图谱补全模块102利用如下手段对预构建的深度学习模型进行训练，得到所述预设的第一图谱分析模型，包括：
获取历史第一关系三元组集；
本发明实施例中，所述历史第一关系三元组集为与所述所述第一关系三元组集不同的专利申请方之间的竞争对手关系三元组及专利与专利申请方之间的专利申请方关系三元组的集合。
利用疑似相似专利的专利申请方关系对所述历史第一关系三元组集进行实体关系标注；
利用标注过的所述所述历史第一关系三元组集对预构建的深度学习模型进行训练，得到所述预设的第一图谱分析模型。
本发明的另一实施例中，所述预构建的深度学习模型训练的数据可以存储在区块链中。
进一步地，所述疑似相似专利的专利申请方关系三元组集中包含的疑似相似专利的专利申请方关系三元组如：
专利A+疑似相似专利专利申请方=公司D
将所述疑似相似专利的专利申请方关系三元组集补全至所述第一知识图谱，得到所述第一知识图谱。
本发明实施例中，较佳地，所述预设的第二图谱分析模型为TransE模型。
详细地，本发明实施例中，为了寻找不同专利的疑似相似专利，所述图谱补全模块102利用如下手段对所述第一知识图谱进行第二分析补全处理，包括：
从所述第一知识图谱中获取第二关系三元组，得到第二关系三元组集。
详细地，本发明实施例中，所述第二关系三元组包括：专利与专利申请方之间的疑似相似专利专利申请方关系三元组，及专利申请方与专利之间的拥有关系三元组，例如：
专利A+疑似相似专利专利申请方=公司D
公司D+拥有=专利B
利用所述第二图谱分析模型对所述第二关系三元组集进行分析，得到疑似相似专利关系三元组集。
详细地，本发明实施例中，所述疑似相似专利关系三元组集包含的疑似相似专利关系三元组为：
专利A+疑似相似专利=专利B
将所述疑似相似专利关系三元组集补全至所述第一知识图谱，得到所述第二知识图谱。
本发明实施例中，为了更加准确地计算专利之间的相似度，所述图谱补全模块102利用如下手段对所述基础数据中包含的专利进行文本相似度计算筛选，包括：
从所述基础数据中获取专利及对应的专利文本，得到专利集及专利文本集；
对所述专利文本集中每个专利文本进行向量化处理，得到专利文本向量集；
计算所述专利文本向量集中每个专利文本向量与其它的专利文本向量的相似度，得到专利文本向量相似度集；
例如：所述专利文本向量集中共有a、b、c三个专利文本向量，计算a和b、a和c、c和b的相似度，得到专利文本向量相似度集；
根据所述专利文本向量相似度集进行三元组构建，得到文本相似专利关系三元组集；
详细地，本发明实施例中，所述图谱补全模块102筛选所述专利文本向量相似度集达到预设值的相似度，得到目标专利文本向量相似度集，例如：所述专利文本向量相似度集专利文本向量a和b的相似度为0.9、专利文本向量a和c的相似度为0.7、专利文本向量c和b的相似度为0.95，预设值为0.85，则筛选出的为所述专利文本向量相似度集中专利文本向量a和b的相似度、专利文本向量c和b的相似度。
进一步地，本发明实施例中，所述图谱补全模块102根据所述目标专利文本向量相似度集，将所述专利集中对应的专利构建为专利文本相似关系三元组，得到专利文本相似关系三元组，例如：所述专利文本向量相似度集专利文本向量a和b的相似度0.9、专利文本向量c和b的相似度0.95，专利文本向量a对应所述专利集中的专利A，专利文本向量b对应所述专利集中的专利B，专利文本向量c对应所述专利集中的专利C，则构建的文本相似专利关系三元组为：
专利A+文本相似专利=专利B;
专利C+文本相似专利=专利B；
进一步地，所述图谱补全模块102汇总所有的文本相似专利关系三元组，得到文本相似专利关系三元组集。
本发明实施例中，较佳地，所述预设的第三图谱分析模型为TransE模型。
详细地，本发明实施例中，为了寻找不同专利的相似专利，所述图谱补全模块102利用如下手段对所述第三知识图谱进行第三分析补全处理，包括：
从所述第三知识图谱中获取第三关系三元组，得到第三关系三元组集；
详细地，本发明实施例中，所述第三关系三元组包括：专利与专利之间的疑似相似专利关系三元组，及专利与专利之间的文本相似专利关系三元组，例如：
专利A+疑似相似专利=专利B
专利A+文本相似专利=专利B
利用所述第三图谱分析模型对所述第三关系三元组集进行分析，得到相似专利关系三元组集；
详细地，本发明实施例中所述相似专利关系三元组集中包括的相似专利关系三元组如：
专利A+相似专利=专利B
将所述相似专利关系三元组集补全到所述第三知识图谱，得到第四知识图谱。
所述专利检索模块103用于对所述第四知识图谱进行相似专利筛选，得到相似专利集；获取待检索词，以所述待检索词为索引在所述初始知识图谱中进行检索，得到初始检索专利集；根据所述相似专利集对所述初始检索专利集进行筛选得到目标检索专利集，将所述目标检索专利集推送至指定终端设备。
本发明实施例中，所述专利检索模块103将所述第四知识图谱中具有相似专利关系的两个专利确定为相似专利，筛选所述第四知识图谱中每个专利对应的相似专利得到相似专利子集，汇总所有的所述相似专利子集得到相似专利集。
本发明实施例中，所述待检索词为专利检索关键词，所述待检索词可通过网页输入模块进行获取。
详细地，本发明实施例中，所述专利检索模块103以所述待检索词为索引在所述初始知识图谱中进行检索，得到初始检索专利集，例如：待检索词为5G，得到初始检索专利集共有专利M和专利N两个专利。
详细地，本发明实施例中，所述所述专利检索模块103利用如下手段根据所述相似专利集对所述初始检索专利集进行筛选得到目标检索专利集，将所述目标检索专利集推送至指定终端设备，包括：
根据所述相似专利集对所述初始检索专利集进行分类得到所述初始检索专利集中每个初始检索专利的初始检索专利相似集；
例如：所述初始检索专利集中共有专利E、专利F、专利G、专利H、专利I、专利J、专利K，所述相似专利集中E专利的相似专利子集中的相似专利依次为F、G、J、O，那么得到所述初始检索专利集中E专利的初始检索专利相似集为专利F、专利G、专利J，以此类推，得到所述初始检索专利集中每个初始检索专利的初始检索专利相似集。
利用所述初始检索专利相似集对所述初始检索专利集进行筛选得到目标检索专利集；
本发明实施例中，相似的检索专利全部显示会影响检索体验，如果几个检索专利相似，那么只保留一个即可，所述初始检索专利集中共有专利E、专利F、专利G、专利H、专利I、专利J、专利K，所述初始检索专利集中只有E专利有相似检索专利，所述初始检索专利集中与E专利相似的专利为专利F、专利G、专利J；因此删除专利F、G、J，得到目标专利集为专利E、H、I、J、K。
将所述目标检索专利集推送至指定终端设备。
本发明实施例，所述终端设备为检索人使用的终端设备，包括：手机、电脑、平板等。
本发明实施例中，根据所述基础数据构建初始知识图谱；利用预设的第一图谱分析模型对所述初始知识图谱进行第一分析补全处理，得到第一知识图谱，缩小了专利相似的查询范围；利用预设的第二图谱分析模型对所述第一知识图谱进行第二分析补全处理，得到第二知识图谱，进一步缩小图谱专利相似的查询范围，得到专利间的图谱相似关系；对所述基础数据中包含的专利进行文本相似度计算与三元组构建，得到文本相似专利关系三元组集，计算专利的文本相似关系，提高专利相似计算的准确度，利用所述文本相似专利关系三元组集补全所述第二知识图谱，得到第三知识图谱；利用预设的第三图谱分析模型对所述第三知识图谱进行第三分析补全处理，得到第四知识图谱，对所述第四知识图谱进行相似专利筛选，得到相似专利集，通过图谱相似关系和文本相似关系进行双重验证，相似专利计算更加准确；获取待检索词，以所述待检索词为索引在所述初始知识图谱中进行检索，得到初始检索专利集；根据所述相似专利集对所述初始检索专利集进行筛选得到目标检索专利集，将所述目标检索专利集推送至指定终端设备，对检索结果进行精简筛选，提高了专利检索的效率。
如图5所示，是本发明实现专利检索方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如专利检索程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如专利检索程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如专利检索程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的专利检索程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取基础数据，根据所述基础数据构建初始知识图谱；
利用预设的第一图谱分析模型对所述初始知识图谱进行第一分析补全处理，得到第一知识图谱；
利用预设的第二图谱分析模型对所述第一知识图谱进行第二分析补全处理，得到第二知识图谱；
对所述基础数据中包含的专利进行文本相似度计算与三元组构建，得到文本相似专利关系三元组集；
利用所述文本相似专利关系三元组集补全所述第二知识图谱，得到第三知识图谱；
利用预设的第三图谱分析模型对所述第三知识图谱进行第三分析补全处理，得到第四知识图谱；
对所述第四知识图谱进行相似专利筛选，得到相似专利集；
获取待检索词，以所述待检索词为索引在所述初始知识图谱中进行检索，得到初始检索专利集；
根据所述相似专利集对所述初始检索专利集进行筛选得到目标检索专利集，将所述目标检索专利集推送至指定终端设备。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种专利检索方法，其特征在于，所述方法包括：
获取基础数据，根据所述基础数据构建初始知识图谱；
利用预设的第一图谱分析模型对所述初始知识图谱进行第一分析补全处理，得到第一知识图谱；
利用预设的第二图谱分析模型对所述第一知识图谱进行第二分析补全处理，得到第二知识图谱；
对所述基础数据中包含的专利进行文本相似度计算与三元组构建，得到文本相似专利关系三元组集；
利用所述文本相似专利关系三元组集补全所述第二知识图谱，得到第三知识图谱；
利用预设的第三图谱分析模型对所述第三知识图谱进行第三分析补全处理，得到第四知识图谱；
对所述第四知识图谱进行相似专利筛选，得到相似专利集；
获取待检索词，以所述待检索词为索引在所述初始知识图谱中进行检索，得到初始检索专利集；
根据所述相似专利集对所述初始检索专利集进行筛选得到目标检索专利集，将所述目标检索专利集推送至指定终端设备；
所述利用预设的第一图谱分析模型对所述初始知识图谱进行第一分析补全处理，得到第一知识图谱，包括：
从所述初始知识图谱中获取第一关系三元组，得到第一关系三元组集；
利用所述预设的第一图谱分析模型对所述第一关系三元组集进行分析，得到疑似相似专利的专利申请方关系三元组集；
利用所述疑似相似专利的专利申请方关系三元组集补全所述初始知识图谱，得到第一知识图谱；
所述利用预设的第一图谱分析模型对所述初始知识图谱进行第一分析补全处理，得到第一知识图谱，包括：
从所述初始知识图谱中获取第一关系三元组，得到第一关系三元组集；
利用所述预设的第一图谱分析模型对所述第一关系三元组集进行分析，得到疑似相似专利的专利申请方关系三元组集；
利用所述疑似相似专利的专利申请方关系三元组集补全所述初始知识图谱，得到第一知识图谱；
其中，所述第一关系三元组包括：专利申请方之间的竞争对手关系三元组，及专利与专利申请方之间的专利申请方关系三元组，所述预设的第一图谱分析模型的训练过程包括：获取历史第一关系三元组集；利用疑似相似专利的专利申请方关系对所述历史第一关系三元组集进行实体关系标注；利用标注过的所述历史第一关系三元组集对预构建的深度学习模型进行训练，得到所述预设的第一图谱分析模型。
2.如权利要求1所述的专利检索方法，其特征在于，所述获取基础数据，根据所述基础数据构建初始知识图谱，包括：
对所述基础数据进行结构化处理得到结构化数据；
对所述结构化数据进行实体抽取得到实体信息；
对所述结构化数据进行关系抽取得到关系信息；
对所述实体信息及所述关系信息进行信息融合处理，得到所述初始知识图谱。
3.如权利要求2所述的专利检索方法，其特征在于，所述对所述基础数据进行结构化处理得到结构化数据，包括：
对所述基础数据进行字段类别定义，得到所述结构化数据。
4.如权利要求1所述的专利检索方法，其特征在于，所述对所述基础数据中包含的专利进行文本相似度计算与三元组构建，得到文本相似专利关系三元组集，包括：
从所述基础数据中获取专利及对应的专利文本，得到专利集及专利文本集；
对所述专利文本集中的每个专利文本进行向量化处理，得到专利文本向量集；
计算所述专利文本向量集中的每个专利文本向量与所述专利文本向量集中其他的专利文本向量的相似度，得到专利文本向量相似度集；
根据所述专利文本向量相似度集进行三元组关系构建，得到所述文本相似专利关系三元组集。
5.如权利要求4所述的专利检索方法，其特征在于，所述根据所述专利文本向量相似度集进行三元组关系构建，得到文本相似专利关系三元组集，包括：
筛选所述专利文本向量相似度集中达到预设阈值的相似度，得到目标专利文本向量相似度集；
根据所述目标专利文本向量相似度集，将所述专利集中对应的专利构建为文本相似专利关系三元组；
汇总所有的所述文本相似专利关系三元组，得到所述文本相似专利关系三元组集。
6.如权利要求1所述的专利检索方法，其特征在于，所述对所述第四知识图谱进行相似专利筛选，得到相似专利集，包括：
将所述第四知识图谱中具有相似专利关系的专利确定为相似专利；
筛选所述第四知识图谱中每个专利对应的相似专利得到相似专利子集；
汇总所有的所述相似专利子集得到所述相似专利集。
7.一种专利检索装置，其特征在于，所述装置包括：
图谱构建模块，用于获取基础数据，根据所述基础数据构建初始知识图谱；
图谱补全模块，用于利用预设的第一图谱分析模型对所述初始知识图谱进行第一分析补全处理，得到第一知识图谱；利用预设的第二图谱分析模型对所述第一知识图谱进行第二分析补全处理，得到第二知识图谱；对所述基础数据中包含的专利进行文本相似度计算与三元组构建，得到文本相似专利关系三元组集；利用所述文本相似专利关系三元组集补全所述第二知识图谱，得到第三知识图谱；利用预设的第三图谱分析模型对所述第三知识图谱进行第三分析补全处理，得到第四知识图谱；
专利检索模块，用于对所述第四知识图谱进行相似专利筛选，得到相似专利集；获取待检索词，以所述待检索词为索引在所述初始知识图谱中进行检索，得到初始检索专利集；根据所述相似专利集对所述初始检索专利集进行筛选得到目标检索专利集，将所述目标检索专利集推送至指定终端设备；
所述利用预设的第一图谱分析模型对所述初始知识图谱进行第一分析补全处理，得到第一知识图谱，包括：
从所述初始知识图谱中获取第一关系三元组，得到第一关系三元组集；
利用所述预设的第一图谱分析模型对所述第一关系三元组集进行分析，得到疑似相似专利的专利申请方关系三元组集；
利用所述疑似相似专利的专利申请方关系三元组集补全所述初始知识图谱，得到第一知识图谱；
所述利用预设的第一图谱分析模型对所述初始知识图谱进行第一分析补全处理，得到第一知识图谱，包括：
从所述初始知识图谱中获取第一关系三元组，得到第一关系三元组集；
利用所述预设的第一图谱分析模型对所述第一关系三元组集进行分析，得到疑似相似专利的专利申请方关系三元组集；
利用所述疑似相似专利的专利申请方关系三元组集补全所述初始知识图谱，得到第一知识图谱；
其中，所述第一关系三元组包括：专利申请方之间的竞争对手关系三元组，及专利与专利申请方之间的专利申请方关系三元组，所述预设的第一图谱分析模型的训练过程包括：获取历史第一关系三元组集；利用疑似相似专利的专利申请方关系对所述历史第一关系三元组集进行实体关系标注；利用标注过的所述历史第一关系三元组集对预构建的深度学习模型进行训练，得到所述预设的第一图谱分析模型。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的专利检索方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的专利检索方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010958916.3A CN111930897B (zh) | 2020-09-14 | 2020-09-14 | 专利检索方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010958916.3A CN111930897B (zh) | 2020-09-14 | 2020-09-14 | 专利检索方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111930897A CN111930897A (zh) | 2020-11-13 |
| CN111930897B true CN111930897B (zh) | 2021-04-27 |
Family
ID=73333429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010958916.3A Active CN111930897B (zh) | 2020-09-14 | 2020-09-14 | 专利检索方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111930897B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112699250A (zh) * | 2021-01-13 | 2021-04-23 | 北京创安恒宇科技有限公司 | 知识图谱的构建方法、装置、可读存储介质及电子设备 |
| US20220245746A1 (en) * | 2021-02-01 | 2022-08-04 | Sony Interactive Entertainment LLC | Networked computer system for rapid identification of related assets and comment generation therefor |
| CN117648444B (zh) * | 2024-01-30 | 2024-04-30 | 广东省华南技术转移中心有限公司 | 基于图卷积属性聚合的专利聚类方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108595683A (zh) * | 2018-05-03 | 2018-09-28 | 合肥工业大学 | 基于医学知识图谱的医嘱合理性监测方法 |
| CN109885691A (zh) * | 2019-01-08 | 2019-06-14 | 平安科技（深圳）有限公司 | 知识图谱补全方法、装置、计算机设备及存储介质 |
| CN110738049A (zh) * | 2019-10-12 | 2020-01-31 | 招商局金融科技有限公司 | 相似文本的处理方法、装置及计算机可读存储介质 |
| CN111370127A (zh) * | 2020-01-14 | 2020-07-03 | 之江实验室 | 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190317776A1 (en) * | 2018-04-12 | 2019-10-17 | Pearson Management Services Limited | Systems and methods for automated customized microservice creation |
| US10614086B2 (en) * | 2018-07-06 | 2020-04-07 | Accenture Global Solutions Limited | Orchestrated hydration of a knowledge graph |
| CN110147450B (zh) * | 2019-05-06 | 2021-08-03 | 北京科技大学 | 一种知识图谱的知识补全方法及装置 |
| CN111026875A (zh) * | 2019-11-26 | 2020-04-17 | 中国人民大学 | 一种基于实体描述和关系路径的知识图谱补全方法 |
| CN111506719B (zh) * | 2020-04-20 | 2023-09-12 | 深圳追一科技有限公司 | 一种关联问句推荐方法、装置、设备及可读存储介质 |
-
2020
- 2020-09-14 CN CN202010958916.3A patent/CN111930897B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108595683A (zh) * | 2018-05-03 | 2018-09-28 | 合肥工业大学 | 基于医学知识图谱的医嘱合理性监测方法 |
| CN109885691A (zh) * | 2019-01-08 | 2019-06-14 | 平安科技（深圳）有限公司 | 知识图谱补全方法、装置、计算机设备及存储介质 |
| CN110738049A (zh) * | 2019-10-12 | 2020-01-31 | 招商局金融科技有限公司 | 相似文本的处理方法、装置及计算机可读存储介质 |
| CN111370127A (zh) * | 2020-01-14 | 2020-07-03 | 之江实验室 | 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于知识图谱和协同过滤的电影推荐算法研究;袁泉 等;《计算机工程与科学》;20200430;第42卷(第4期);第714-721页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111930897A (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111930897B (zh) | 专利检索方法、装置、电子设备及计算机可读存储介质 | |
| CN113449187A (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
| CN112528616B (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
| CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
| CN113656690A (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN112860905A (zh) | 文本信息抽取方法、装置、设备及可读存储介质 | |
| CN112632264A (zh) | 智能问答方法、装置、电子设备及存储介质 | |
| CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
| CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
| CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
| CN114840631A (zh) | 空间文本查询方法、装置、电子设备及存储介质 | |
| CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
| CN113449002A (zh) | 车辆推荐方法、装置、电子设备及存储介质 | |
| CN113343102A (zh) | 基于特征筛选的数据推荐方法、装置、电子设备及介质 | |
| CN113486238A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
| CN113590856B (zh) | 标签查询方法、装置、电子设备及可读存储介质 | |
| CN115238179A (zh) | 项目推送方法、装置、电子设备及计算机可读存储介质 | |
| CN112561500B (zh) | 基于用户数据的薪酬数据生成方法、装置、设备及介质 | |
| CN115186188A (zh) | 基于行为分析的产品推荐方法、装置、设备及存储介质 | |
| CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
| CN114707067A (zh) | 旅游产品推荐方法、装置、电子设备及存储介质 | |
| CN113656703A (zh) | 基于新上线课程的智能推荐方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |