CN113538178A - 知识产权价值评价方法、装置、电子设备及可读存储介质 - Google Patents
知识产权价值评价方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113538178A CN113538178A CN202110649122.3A CN202110649122A CN113538178A CN 113538178 A CN113538178 A CN 113538178A CN 202110649122 A CN202110649122 A CN 202110649122A CN 113538178 A CN113538178 A CN 113538178A
- Authority
- CN
- China
- Prior art keywords
- intellectual property
- node
- nodes
- global
- representation
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 216
- 238000012512 characterization method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000002776 aggregation Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 13
- 230000004931 aggregating effect Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 description 8
- 230000008520 organization Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000000644 propagated effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
- G06Q50/184—Intellectual property management
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Animal Behavior & Ethology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
Abstract
本公开提供一种知识产权价值评价方法,包括:建立知识产权图结构,知识产权图结构包括多个节点,节点表示知识产权或与知识产权相关的实体,节点之间通过边连接,边表示知识产权与实体之间的关联关系;获取节点的局部表征,包括:获取各个节点的特征向量,基于特征向量,获取各个节点的局部表征;获取节点的全局表征,包括:基于各个节点的局部表征以及各个节点相邻节点的局部表征,获取各个节点的全局表征;通过迭代训练更新节点的全局表征,获取各个节点的最终全局表征;以及基于节点的最终全局表征,获取知识产权评分。本公开还提供一种知识产权价值评价装置、电子设备以及可读存储介质。
Description
技术领域
本公开涉及一种知识产权价值评价方法、装置、电子设备及可读存储介质。
背景技术
现有的知识产权价值评估方法主要分为四种:基于统计特征、人工与数据分析结合、基于传统机器学习、基于图神经网络。
基于统计特征的方法,主要是根据常见的分析维度进行统计,包括技术维度、经济维度、法律维度等。其中,技术维度的指标包括创新性、成熟度等,经济维度包括市场竞争力、垄断程度、专利权属情况、投入费用、收入等,法律维度包括是否发生过诉讼等。
人工与数据分析结合的方法,在数据统计分析的基础上,引入一次或多次的人工评估。通过召集一批领域专家,对于每一篇专利,由多个专家组分别进行评估,综合给出评估结果。
基于传统机器学习的方法,主要是使用了专利中的图片和文本,通过图片的特征提取和文本的语义分析算法,根据专利之间的图片和文本之间的语义相关性,给出专利价值评估结果。
基于图神经网络的方法,主要是将专利及其统计特征,构造为图结构,其中的节点表示专利和特征种类,边表示专利与特征之间的从属关系,在这个网络上训练GAT模型。
现有的专利评价方法对专利价值评价维度相对单一,不能全面反映专利特性,人工评价也有一定的主观性,且效率不高。
发明内容
为了解决上述技术问题中的至少一个,本公开提供一种知识产权价值评价方法、装置、电子设备及可读存储介质。
根据本公开的一个方面,提供一种知识产权价值评价方法,包括:
建立知识产权图结构,所述知识产权图结构包括多个节点,所述节点表示知识产权或与知识产权相关的实体,所述节点之间通过边连接,所述边表示知识产权与实体之间的关联关系;
获取所述节点的局部表征,包括:获取各个所述节点的特征向量,基于所述特征向量,获取各个所述节点的局部表征;
获取所述节点的全局表征,包括:基于各个所述节点的局部表征以及各个所述节点相邻节点的局部表征,获取各个所述节点的全局表征;
通过迭代训练更新所述节点的全局表征,获取各个所述节点的最终全局表征;以及,
基于所述节点的最终全局表征,获取所述知识产权评分。
根据本公开至少一个实施方式的知识产权价值评价方法,所述知识产权包括知识产权族。
根据本公开至少一个实施方式的知识产权价值评价方法,所述获取所述节点的局部表征,包括:获取各个所述节点的特征向量,基于所述特征向量,获取各个所述节点的局部表征,包括:
获取表示各个知识产权的节点的文本特征向量和/或图像特征向量,包括:获取表示各个知识产权的节点的对应的知识产权的文本关键词,基于文本关键词获取文本特征向量,和/或获取表示各个知识产权的节点的对应的知识产权的图像,基于所述图像获取图像特征向量;
获取表示各个知识产权实体的节点的实体特征向量,包括:获取表示各个知识产权实体的节点的知识产权实体关键词,以及基于知识产权实体关键词获取实体特征向量;以及,
基于所述文本特征向量和/或图像特征向量,以及所述实体特征向量,获取各个所述节点的局部表征。
根据本公开至少一个实施方式的知识产权价值评价方法,基于所述文本特征向量和/或图像特征向量,以及所述实体特征向量,获取各个节点的局部表征,包括:
将所述文本特征向量、和/或图像特征向量以及各个实体的实体特征向量按预定的顺序排列并按权重拼接,形成所述各个节点的局部表征。
根据本公开至少一个实施方式的知识产权价值评价方法,获取所述节点的全局表征,包括:基于各个所述节点的局部表征以及各个所述节点相邻节点的局部表征,获取各个所述节点的全局表征,包括;
通过聚合函数将各个所述节点相邻节点的局部表征聚合为中间特征向量;以及,
将所述中间特征向量和各个所述节点的局部表征通过神经网络算法获得各个所述节点的全局表征。
根据本公开至少一个实施方式的知识产权价值评价方法,通过迭代训练更新所述节点的全局表征,获取各个所述节点的最终全局表征,包括:
构造损失函数,所述损失函数表示所述节点的局部表征和全局表征的语义差异;
通过聚合函数将各个所述节点相邻节点的全局表征聚合为中间特征向量;
将所述中间特征向量和各个所述节点的全局表征通过神经网络算法获得各个所述节点的新的全局表征,并计算损失函数;以及
重复上述新的全局表征的获取,迭代训练至损失函数最小化、或损失函数小于或小于等于阈值时,将所述节点的全局表征记做最终全局表征。
根据本公开至少一个实施方式的知识产权价值评价方法,基于所述节点的最终全局表征,获取所述知识产权评分,包括:
对于最终全局表征的各个组成向量,通过PCA算法获得新向量,计算所述新向量的最大值占新向量的所有数值的比例值;以及,
计算各个比例值的平均值,将所述平均值作为知识产权评分。
根据本公开的又一个方面,提供一种知识产权价值评价装置,包括:
知识产权图结构建立模块,所述知识产权图结构包括多个节点,所述节点表示知识产权或与知识产权相关的实体,所述节点之间通过边连接,所述边表示知识产权与实体之间的关联关系;
节点的局部表征获取模块,包括:获取各个所述节点的特征向量,基于所述特征向量,获取各个所述节点的局部表征;
节点的全局表征获取模块,包括:基于所述节点的局部表征以及所述节点相邻节点的局部表征,获取所述节点的全局表征;
节点的全局表征更新模块,通过迭代训练更新所述节点的全局表征,获取各个所述节点的最终全局表征;以及,
知识产权评分获取模块,基于所述节点的最终全局表征,获取所述知识产权评分。
根据本公开至少一个实施方式的知识产权价值评价装置,所述知识产权包括知识产权族。
根据本公开至少一个实施方式的知识产权价值评价装置,获取各个所述节点的特征向量,基于所述特征向量,获取各个所述节点的局部表征,包括:
获取表示各个知识产权的节点的文本特征向量和/或图像特征向量,包括:获取表示各个知识产权的节点的对应的知识产权的文本关键词,基于文本关键词获取文本特征向量,和/或获取表示各个知识产权的节点的对应的知识产权的图像,基于所述图像获取图像特征向量;
获取表示各个知识产权实体的节点的实体特征向量,包括:获取表示各个知识产权实体的节点的知识产权实体关键词,以及基于知识产权实体关键词获取实体特征向量;以及,
基于所述文本特征向量和/或图像特征向量,以及所述实体特征向量,获取各个所述节点的局部表征。
根据本公开至少一个实施方式的知识产权价值评价装置,基于所述文本特征向量和/或图像特征向量,以及所述实体特征向量,获取各个节点的局部表征,包括:
将所述文本特征向量、和/或图像特征向量以及各个实体的实体特征向量按预定的顺序排列并按权重拼接,形成所述各个节点的局部表征。
根据本公开至少一个实施方式的知识产权价值评价装置,获取所述节点的全局表征,包括:基于各个所述节点的局部表征以及各个所述节点相邻节点的局部表征,获取各个所述节点的全局表征,包括;
通过聚合函数将各个所述节点相邻节点的局部表征聚合为中间特征向量;以及,
将所述中间特征向量和各个所述节点的局部表征通过神经网络算法获得各个所述节点的全局表征。
根据本公开至少一个实施方式的知识产权价值评价装置,通过迭代训练更新所述节点的全局表征,获取各个所述节点的最终全局表征,包括:
构造损失函数,所述损失函数表示所述节点的局部表征和全局表征的语义差异;
通过聚合函数将各个所述节点相邻节点的全局表征聚合为中间特征向量;
将所述中间特征向量和各个所述节点的全局表征通过神经网络算法获得各个所述节点的新的全局表征,并计算损失函数;以及
重复上述新的全局表征的获取,迭代训练至损失函数最小化、或损失函数小于或小于等于阈值时,将所述节点的全局表征记做最终全局表征。
根据本公开至少一个实施方式的知识产权价值评价装置,基于所述节点的最终全局表征,获取所述知识产权评分,包括:
对于最终全局表征的各个组成向量,通过PCA算法获得新向量,计算所述新向量的最大值占新向量的所有数值的比例值;以及,
计算各个比例值的平均值,将所述平均值作为知识产权评分。
根据本公开的又一个方面,提供一种电子设备,包括:
存储器,所述存储器存储执行指令;以及,
处理器,所述处理器执行所述存储器存储的执行指令,使得所述处理器执行上述任一项所述的知识产权价值评价方法。
根据本公开的又一个方面,提供一种可读存储介质,所述可读存储介质中存储有执行指令,所述执行指令被处理器执行时用于实现上述任一项所述的知识产权价值评价方法。
附图说明
附图示出了本公开的示例性实施方式,并与其说明一起用于解释本公开的原理,其中包括了这些附图以提供对本公开的进一步理解,并且附图包括在本说明书中并构成本说明书的一部分。
图1是根据本公开的一个实施方式的知识产权价值评价方法的流程示意图。
图2是根据本公开的一个实施方式的知识产权图结构示意图。
图3是根据本公式的一个实施方式的节点局部表征示意图。
图4是根据本公开的一个实施方式的节点的全局表征更新方法示意图。
图5是根据本公开的一个实施方式的节点转换数值示意图。
图6是根据本公开的一个实施方式的知识产权价值评价装置结构示意图。
附图标记说明
1000 知识产权价值评价装置
1002 知识产权图结构建立模块
1004 局部表征获取模块
1006 全局表征获取模块
1008 全局表征更新模块
1010 知识产权评分获取模块
1100 总线
1200 处理器
1300 存储器
1400 其他电路。
具体实施方式
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施方式仅用于解释相关内容,而非对本公开的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本公开相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开的技术方案。
除非另有说明,否则示出的示例性实施方式/实施例将被理解为提供可以在实践中实施本公开的技术构思的一些方式的各种细节的示例性特征。因此,除非另有说明,否则在不脱离本公开的技术构思的情况下,各种实施方式/实施例的特征可以另外地组合、分离、互换和/或重新布置。
在附图中使用交叉影线和/或阴影通常用于使相邻部件之间的边界变得清晰。如此,除非说明,否则交叉影线或阴影的存在与否均不传达或表示对部件的具体材料、材料性质、尺寸、比例、示出的部件之间的共性和/或部件的任何其它特性、属性、性质等的任何偏好或者要求。此外,在附图中,为了清楚和/或描述性的目的,可以夸大部件的尺寸和相对尺寸。当可以不同地实施示例性实施例时,可以以不同于所描述的顺序来执行具体的工艺顺序。例如,可以基本同时执行或者以与所描述的顺序相反的顺序执行两个连续描述的工艺。此外,同样的附图标记表示同样的部件。
当一个部件被称作“在”另一部件“上”或“之上”、“连接到”或“结合到”另一部件时,该部件可以直接在所述另一部件上、直接连接到或直接结合到所述另一部件,或者可以存在中间部件。然而,当部件被称作“直接在”另一部件“上“、“直接连接到”或“直接结合到”另一部件时,不存在中间部件。为此,术语“连接”可以指物理连接、电气连接等,并且具有或不具有中间部件。
本文使用的术语是为了描述具体实施例的目的,而不意图是限制性的。如这里所使用的,除非上下文另外清楚地指出,否则单数形式“一个(种、者)”和“所述(该)”也意图包括复数形式。此外,当在本说明书中使用术语“包含”和/或“包括”以及它们的变型时,说明存在所陈述的特征、整体、步骤、操作、部件、组件和/或它们的组,但不排除存在或附加一个或更多个其它特征、整体、步骤、操作、部件、组件和/或它们的组。还要注意的是,如这里使用的,术语“基本上”、“大约”和其它类似的术语被用作近似术语而不用作程度术语,如此,它们被用来解释本领域普通技术人员将认识到的测量值、计算值和/或提供的值的固有偏差。
图1是根据本公开的一个实施方式的知识产权价值评价方法的流程示意图。
如图1所示,知识产权价值评价方法S100,包括:
S102:建立知识产权图结构,知识产权图结构包括多个节点,节点表示知识产权或与知识产权相关的实体,节点之间通过边连接,边表示知识产权与实体之间的关联关系;
S104:获取节点的局部表征,包括:获取各个节点的特征向量,基于特征向量,获取各个节点的局部表征;
S106:获取节点的全局表征,包括:基于各个节点的局部表征以及各个节点相邻节点的局部表征,获取各个节点的全局表征;
S108:通过迭代训练更新节点的全局表征,获取各个节点的最终全局表征;以及,
S110:基于节点的最终全局表征,获取知识产权评分。
其中,知识产权优选为专利,知识产权包括知识产权族。
其中,知识产权相关的实体包括发明人、发明机构、申请人、所属行业中的一个或多个,其中,所属行业可以包括多个级别划分。
其中,获取节点的局部表征,包括:获取各个节点的特征向量,基于特征向量,获取各个节点的局部表征,包括:
获取表示各个知识产权的节点的文本特征向量和/或图像特征向量,包括:获取表示各个知识产权的节点的对应的知识产权的文本关键词,基于文本关键词获取文本特征向量,和/或获取表示各个知识产权的节点的对应的知识产权的图像,基于图像获取图像特征向量;
获取表示各个知识产权实体的节点的实体特征向量,包括:获取表示各个知识产权实体的节点的知识产权实体关键词,以及基于知识产权实体关键词获取实体特征向量;以及,
基于文本特征向量和/或图像特征向量,以及实体特征向量,获取各个节点的局部表征。
其中,知识产权的图像为专利的说明书第一个附图。
其中,图像特征向量为LBP特征向量。
其中,知识产权的文本关键词获取方法为,通过LDA模型训练得到的关键词,取其中权重最高的几个关键词,优选权重最高的前5个,关键词数量可以调整。
其中,通过word2vec算法将文本关键词转换为文本特征向量。
其中,基于文本特征向量和/或图像特征向量,以及实体特征向量,获取各个节点的局部表征,包括:
将文本特征向量、和/或图像特征向量以及各个实体的实体特征向量按预定的顺序排列并按权重拼接,形成各个节点的局部表征。
其中,获取节点的全局表征,包括:基于各个节点的局部表征以及各个节点相邻节点的局部表征,获取各个节点的全局表征,包括;
通过聚合函数将各个节点相邻节点的局部表征聚合为中间特征向量;以及,
将中间特征向量和各个节点的局部表征通过神经网络算法获得各个节点的全局表征。
其中,神经网络算法包括GRU算法。
其中,通过聚合函数将各个节点相邻节点的局部表征聚合为中间特征向量,再由中间特征向量和各个节点的局部表征通过算法获取节点的全局表征,可以将相邻节点的特征与节点特征进行结合,即:通过相邻节点传播消息(关联关系的特征)给节点,对节点产生影响。
其中,通过迭代训练更新节点的全局表征,获取各个节点的最终全局表征,包括:
构造损失函数,损失函数表示节点的局部表征和全局表征的语义差异;
通过聚合函数将各个节点相邻节点的全局表征聚合为中间特征向量;
将中间特征向量和各个节点的全局表征通过神经网络算法获得各个节点的新的全局表征,并计算损失函数;以及,
重复上述新的全局表征的获取,迭代训练至损失函数最小化、或损失函数小于或小于等于阈值时,将节点的全局表征记做最终全局表征。
其中,损失函数可以为交叉熵损失函数。
其中,迭代训练使用的模型可以为Gated Graph Neural Network模型,损失函数的构造是将模型看做分类问题,各个节点有一个类别标签(知识产权、发表机构、发明人、产业链),模型训练的目标是交叉熵损失函数的最小化。
其中,基于节点的最终全局表征,获取知识产权评分,包括:
对于最终全局表征的各个组成向量,通过PCA算法获得新向量,计算新向量的最大值占新向量的所有数值的比例值;以及,
计算各个比例值的平均值,将平均值作为知识产权评分。
本公开提供的知识产权价值评价方法,将知识产权自身特性,例如表示知识产权信息的文本、图像等基础特征,以及知识产权相关的实体特性,例如表示知识产权所属产业链、以及表示知识产权发明人/发明机构、申请人等相结合,最终获取的知识产权评分,能够综合反映知识产权与产业链中的实体之间关系,例如专利所在产业、发表专利的机构、专利之间的引用/同族关系、发表专利的机构之间的竞争合作关系、产业之间的层级关系等。本公开提供的知识产权价值评价方法,提高了知识产权价值评价的效率,同时,也在一定程度上避免或减少了因人为主观因素不确定性造成的评价不准确的影响。
图2是根据本公开的一个实施方式的知识产权图结构示意图。
如图2所示,知识产权图结构,图中包含产业、知识产权/知识产权族、发明人、发明机构4种节点。其中,产业包括一级产业、二级产业和三级产业,二级产业是一级产业的细分产业,三级产业是二级产业的细分产业。从一级产业指向二级产业、二级产业指向三级产业的边表示产业的划分。知识产权节点指向三级产业的边表示其所属的产业。知识产权3指向知识产权2的边表示引用关系。知识产权2、3节点指向知识产权族1的边表示知识产权2、3是同族关系。知识产权1、2或3节点指向发明人、发明机构的边表示发明关系。
图3是根据本公式的一个实施方式的节点局部表征示意图。
如图3所示,节点局部表征。每个节点的局部表征由四部分构成:产业特征向量、发明人/发明机构特征向量、知识产权文本特征向量、知识产权图像特征向量。其中,产业和发明人/发明机构为知识产权相关联的实体,产业特征向量和发明人/发明机构特征向量为知识产权相关联的实体对应的特征向量。每个节点的局部表征由这四部分向量按顺序对应拼接而成,所有节点的向量长度相等。
各个特征的拼接顺序可以调整,假设拼接顺序为:产业特征向量、发明人/发明机构特征向量、知识产权文本特征向量、知识产权图像特征向量,则各个类型的节点的局部特征表示如下:
产业节点的局部表征表示为:[产业名称的embedding向量,零向量,零向量,零向量]。
发明人/发明机构节点的局部表征表示为:[零向量,发明人名称/发明机构名称的embedding向量,零向量,零向量]。
知识产权节点的局部表征表示为:[零向量,零向量,知识产权文本embedding向量,知识产权图像LBP向量]。
其中,各个节点的局部表征中,包括了知识产权及知识产权相关的若干实体多个维度,其中,知识产权又包括文本特征和图像特征,在初始化各个节点的局部表征时,除了与节点对应的维度的向量组成为节点自身的特征向量外,其他维度的向量初始化为零向量,即节点自身的特征向量权重取值为1,其余维度的向量的权重取值为0。例如,产业节点的局部表征为除了第一部分为产业名称向量外,其余几个部分的特征向量,分别对应发明人/发明机构、知识产权文本或知识产权图像,均被初始化为零向量。
其中,知识产权文本embedding向量为使用LDA模型训练得到的主题关键词当中的权重最高的N个关键词的embedding向量拼接而成,其中N的取值为大于等于1的自然数,优选地N取值为5。
其中,知识产权节点的图像特征向量表示为其说明书第一个附图的LBP特征。
其中,上述embedding向量是通过word2vec算法得到的,即通过word2vec算法,将产业名称、发明人名称/发明机构名称或知识产权文本关键词转换为向量。
图4是根据本公开的一个实施方式的节点的全局表征更新方法示意图。
如图4所示,节点的全局表征更新方法。节点1、2、3都与节点4相邻,即节点1、2、3分别与节点4有关联关系,在各个节点均形成局部表征的基础上,进行多轮全局表征更新,在每一轮迭代中:
首先,节点1、2、3都将自己的消息,即节点1、2、3各自的全局表征,传播给节点4;
其次,节点4通过一个聚合函数来整合这3个全局表征,并结合节点4自己的全局表征,生成节点4的新的全局表征。
其中,每一轮迭代中,对于任一节点,具体的计算方法如下:
在第k次迭代中,节点v首先将它的相邻节点的局部表征相加得到向量m,可以通过GRU算法计算,获得GRU向量m,即:再将GRU向量m与其自身的全局表征h输入GRU算法,得到的结果即为节点v的新的特征向量,新的特征向量作为节点的全局表征,即:
其中,上述表达式中各个参数表示的含义如下:
h:表示特征向量;
u:表示相邻节点;
k-1:表示上一次迭代;
N(v):表示节点v的邻居节点集合。
其中,迭代次数根据产业链的深度有关,即从产业链最高层级到最低层级之间的层数,产业链深度越大,迭代次数可能越大。
由此可见,通过节点之间的邻接关系,通过上述迭代,可以将各个节点包含的特征进行传播,每一轮传播时,各个节点(包括知识产权节点及其他所有节点),将接收到的相邻节点的消息(特征)与自身的特征相结合,形成一批新的特征,即通过消息传播多次更新节点全局表征。经过多轮迭代,各个节点都对距离较远的节点产生了影响,直至迭代终止,将迭代终止状态时节点全局表征作为节点的最终全局表征。
图5是根据本公开的一个实施方式的节点转换数值示意图。
如图5所示,节点转换数值,将各个节点的最终全局表征分成四个部分,即产业参数向量、发明人/发明机构参数向量、知识产权文本参数向量、知识产权图像参数向量,分别计算。具体计算方法如下:对于每一部分向量,即产业参数向量、发明人/发明机构参数、知识产权文本参数向量或知识产权图像参数向量,分别使用PCA算法,得到一个新的向量,新的向量中的最大值占其数值之和的比例作为这部分的编码值,将这四部分的编码值取平均值,得到该节点的编码值,作为该节点的最终结果。
具体计算过程如下:
假设“向量Part1”为[10,5];
经过PCA算法得到第二行中的“PCA计算结果1”为[0.8,0.2];
计算得到第三行中的“PCA最大元素占比1”为0.8;
类似的,第三行中的“PCA最大元素占比2、3、4”三项可能为0.7,0.6,0.9;
取四项平均值,(0.8+0.7+0.6+0.9)/4=0.75;
此时平均值的取值范围为从0到1,用平均值乘以100,得到最终分值75为知识产权评分。
图6是根据本公开的一个实施方式的知识产权价值评价装置结构示意图。
如图6所示,知识产权价值评价装置1000,包括:
知识产权图结构建立模块1002,知识产权图结构包括多个节点,节点表示知识产权或与知识产权相关的实体,节点之间通过边连接,边表示知识产权与实体之间的关联关系;
节点的局部表征获取模块1004,包括:获取各个节点的特征向量,基于特征向量,获取各个节点的局部表征;
节点的全局表征获取模块1006,包括:基于节点的局部表征以及节点相邻节点的局部表征,获取节点的全局表征;
节点的全局表征更新模块1008,通过迭代训练更新节点的全局表征,获取各个节点的最终全局表征;以及,
知识产权评分获取模块1010,基于节点的最终全局表征,获取知识产权评分。
其中,知识产权优选为专利,知识产权包括知识产权族。
其中,知识产权相关的实体包括发明人、发明机构、申请人、所属行业中的一个或多个,其中,所属行业可以包括多个级别划分。
其中,获取各个节点的特征向量,基于特征向量,获取各个节点的局部表征,包括:
获取表示各个知识产权的节点的文本特征向量和/或图像特征向量,包括:获取表示各个知识产权的节点的对应的知识产权的文本关键词,基于文本关键词获取文本特征向量,和/或获取表示各个知识产权的节点的对应的知识产权的图像,基于图像获取图像特征向量;
获取表示各个知识产权实体的节点的实体特征向量,包括:获取表示各个知识产权实体的节点的知识产权实体关键词,以及基于知识产权实体关键词获取实体特征向量;以及,
基于文本特征向量和/或图像特征向量,以及实体特征向量,获取各个节点的局部表征。
其中,知识产权的图像为专利的说明书第一个附图。
其中,图像特征向量为LBP特征向量。
其中,知识产权的文本关键词获取方法为,通过LDA模型训练得到的关键词,取其中权重最高的几个关键词,优选权重最高的前5个,关键词数量可以调整。
其中,通过word2vec算法将文本关键词转换为文本特征向量。
其中,基于文本特征向量和/或图像特征向量,以及实体特征向量,获取各个节点的局部表征,包括:
将文本特征向量、和/或图像特征向量以及各个实体的实体特征向量按预定的顺序排列并按权重拼接,形成各个节点的局部表征。
其中,获取节点的全局表征,包括:基于各个节点的局部表征以及各个节点相邻节点的局部表征,获取各个节点的全局表征,包括;
通过聚合函数将各个节点相邻节点的局部表征聚合为中间特征向量;以及,
将中间特征向量和各个节点的局部表征通过神经网络算法获得各个节点的全局表征。
其中,神经网络算法包括GRU算法。
其中,通过聚合函数将各个节点相邻节点的局部表征聚合为中间特征向量,再由中间特征向量和各个节点的局部表征通过算法获取节点的全局表征,可以将相邻节点的特征与节点特征进行结合,即:通过相邻节点传播消息(关联关系的特征)给节点,对节点产生影响。
其中,通过迭代训练更新节点的全局表征,获取各个节点的最终全局表征,包括:
构造损失函数,损失函数表示节点的局部表征和全局表征的语义差异;
通过聚合函数将各个节点相邻节点的全局表征聚合为中间特征向量;
将中间特征向量和各个节点的全局表征通过神经网络算法获得各个节点的新的全局表征,并计算损失函数;以及,
重复上述新的全局表征的获取,迭代训练至损失函数最小化、或损失函数小于或小于等于阈值时,将节点的全局表征记做最终全局表征。
其中,基于节点的最终全局表征,获取知识产权评分,包括:
对于最终全局表征的各个组成向量,通过PCA算法获得新向量,计算新向量的最大值占新向量的所有数值的比例值;以及,
计算各个比例值的平均值,将平均值作为知识产权评分。
根据本公开的又一个方面,提供一种电子设备,包括:
存储器,存储器存储执行指令;以及,
处理器,处理器执行存储器存储的执行指令,使得处理器执行上述任一项知识产权价值评价方法。
根据本公开的又一个方面,提供一种可读存储介质,可读存储介质中存储有执行指令,执行指令被处理器执行时用于实现上述任一项知识产权价值评价方法。
上述知识产权价值评价装置可以包括执行上述流程图中各个或几个步骤的相应模块。因此,可以由相应模块执行上述流程图中的每个步骤或几个步骤,并且该装置可以包括这些模块中的一个或多个模块。模块可以是专门被配置为执行相应步骤的一个或多个硬件模块、或者由被配置为执行相应步骤的处理器来实现、或者存储在计算机可读介质内用于由处理器来实现、或者通过某种组合来实现。
该硬件结构可以利用总线架构来实现。总线架构可以包括任何数量的互连总线和桥接器,这取决于硬件的特定应用和总体设计约束。总线1100将包括一个或多个处理器1200、存储器1300和/或硬件模块的各种电路连接到一起。总线1100还可以将诸如外围设备、电压调节器、功率管理电路、外部天线等的各种其它电路1400连接。
总线1100可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,Peripheral Component)总线或扩展工业标准体系结构(EISA,Extended Industry Standard Component)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,该图中仅用一条连接线表示,但并不表示仅有一根总线或一种类型的总线。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施方式所属技术领域的技术人员所理解。处理器执行上文所描述的各个方法和处理。例如,本公开中的方法实施方式可以被实现为软件程序,其被有形地包含于机器可读介质,例如存储器。在一些实施方式中,软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当软件程序加载到存储器并由处理器执行时,可以执行上文描述的方法中的一个或多个步骤。备选地,在其他实施方式中,处理器可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述方法之一。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,可以具体实现在任何可读存储介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
就本说明书而言,“可读存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。可读存储介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在存储器中。
应当理解,本公开的各部分可以用硬件、软件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施方式方法的全部或部分步骤是可以通过程序来指令相关的硬件完成,的程序可以存储于一种可读存储介质中,该程序在执行时,包括方法实施方式的步骤之一或其组合。
此外,在本公开各个实施方式中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个可读存储介质中。存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施方式/方式”、“一些实施方式/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式/方式或示例中。在本说明书中,对上述术语的示意性表述不必须的是相同的实施方式/方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施方式/方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施方式/方式或示例以及不同实施方式/方式或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本领域的技术人员应当理解,上述实施方式仅仅是为了清楚地说明本公开,而并非是对本公开的范围进行限定。对于所属领域的技术人员而言,在上述公开的基础上还可以做出其它变化或变型,并且这些变化或变型仍处于本公开的范围内。
Claims (10)
1.一种知识产权价值评价方法,其特征在于,包括:
建立知识产权图结构,所述知识产权图结构包括多个节点,所述节点表示知识产权或与知识产权相关的实体,所述节点之间通过边连接,所述边表示知识产权与实体之间的关联关系;
获取所述节点的局部表征,包括:获取各个所述节点的特征向量,基于所述特征向量,获取各个所述节点的局部表征;
获取所述节点的全局表征,包括:基于各个所述节点的局部表征以及各个所述节点相邻节点的局部表征,获取各个所述节点的全局表征;
通过迭代训练更新所述节点的全局表征,获取各个所述节点的最终全局表征;以及
基于所述节点的最终全局表征,获取所述知识产权评分。
2.根据权利要求1所述的知识产权价值评价方法,其特征在于,所述知识产权包括知识产权族。
3.根据权利要求1所述的知识产权价值评价方法,其特征在于,所述获取所述节点的局部表征,包括:获取各个所述节点的特征向量,基于所述特征向量,获取各个所述节点的局部表征,包括:
获取表示各个知识产权的节点的文本特征向量和/或图像特征向量,包括:获取表示各个知识产权的节点的对应的知识产权的文本关键词,基于文本关键词获取文本特征向量,和/或获取表示各个知识产权的节点的对应的知识产权的图像,基于所述图像获取图像特征向量;
获取表示各个知识产权实体的节点的实体特征向量,包括:获取表示各个知识产权实体的节点的知识产权实体关键词,以及基于知识产权实体关键词获取实体特征向量;以及
基于所述文本特征向量和/或图像特征向量,以及所述实体特征向量,获取各个所述节点的局部表征。
4.根据权利要求3所述的知识产权价值评价方法,其特征在于,基于所述文本特征向量和/或图像特征向量,以及所述实体特征向量,获取各个节点的局部表征,包括:
将所述文本特征向量、和/或图像特征向量以及各个实体的实体特征向量按预定的顺序排列并按权重拼接,形成所述各个节点的局部表征。
5.根据权利要求1所述的知识产权价值评价方法,其特征在于,获取所述节点的全局表征,包括:基于各个所述节点的局部表征以及各个所述节点相邻节点的局部表征,获取各个所述节点的全局表征,包括;
通过聚合函数将各个所述节点相邻节点的局部表征聚合为中间特征向量;以及
将所述中间特征向量和各个所述节点的局部表征通过神经网络算法获得各个所述节点的全局表征。
6.根据权利要求1所述的知识产权价值评价方法,其特征在于,通过迭代训练更新所述节点的全局表征,获取各个所述节点的最终全局表征,包括:
构造损失函数,所述损失函数表示所述节点的局部表征和全局表征的语义差异;
通过聚合函数将各个所述节点相邻节点的全局表征聚合为中间特征向量;
将所述中间特征向量和各个所述节点的全局表征通过神经网络算法获得各个所述节点的新的全局表征,并计算损失函数;以及
重复上述新的全局表征的获取,迭代训练至损失函数最小化、或损失函数小于或小于等于阈值时,将所述节点的全局表征记做最终全局表征。
7.根据权利要求1所述的知识产权价值评价方法,其特征在于,基于所述节点的最终全局表征,获取所述知识产权评分,包括:
对于最终全局表征的各个组成向量,通过PCA算法获得新向量,计算所述新向量的最大值占新向量的所有数值的比例值;以及
计算各个比例值的平均值,将所述平均值作为知识产权评分。
8.一种知识产权价值评价装置,其特征在于,包括:
知识产权图结构建立模块,所述知识产权图结构包括多个节点,所述节点表示知识产权或与知识产权相关的实体,所述节点之间通过边连接,所述边表示知识产权与实体之间的关联关系;
节点的局部表征获取模块,包括:获取各个所述节点的特征向量,基于所述特征向量,获取各个所述节点的局部表征;
节点的全局表征获取模块,包括:基于所述节点的局部表征以及所述节点相邻节点的局部表征,获取所述节点的全局表征;
节点的全局表征更新模块,通过迭代训练更新所述节点的全局表征,获取各个所述节点的最终全局表征;以及
知识产权评分获取模块,基于所述节点的最终全局表征,获取所述知识产权评分。
9.一种电子设备,其特征在于,包括:
存储器,所述存储器存储执行指令;以及
处理器,所述处理器执行所述存储器存储的执行指令,使得所述处理器执行如权利要求1至7中任一项所述的方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有执行指令,所述执行指令被处理器执行时用于实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649122.3A CN113538178A (zh) | 2021-06-10 | 2021-06-10 | 知识产权价值评价方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649122.3A CN113538178A (zh) | 2021-06-10 | 2021-06-10 | 知识产权价值评价方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113538178A true CN113538178A (zh) | 2021-10-22 |
Family
ID=78095829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110649122.3A Pending CN113538178A (zh) | 2021-06-10 | 2021-06-10 | 知识产权价值评价方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538178A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116682574A (zh) * | 2023-08-03 | 2023-09-01 | 深圳市震有智联科技有限公司 | 一种针对关联人群的健康管理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013117921A (ja) * | 2011-12-05 | 2013-06-13 | Nippon Telegr & Teleph Corp <Ntt> | ランキング関数学習装置、方法、及びプログラム |
CN107665252A (zh) * | 2017-09-27 | 2018-02-06 | 深圳证券信息有限公司 | 一种创建知识图谱的方法及装置 |
CN110298545A (zh) * | 2019-05-23 | 2019-10-01 | 中国科学院计算技术研究所 | 一种基于神经网络的专利评价方法、系统和介质 |
CN111930962A (zh) * | 2020-09-02 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 文献数据价值评估方法、装置、电子设备及存储介质 |
WO2020248391A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 案由分类方法、装置、计算机设备和存储介质 |
CN112233736A (zh) * | 2019-01-15 | 2021-01-15 | 合肥工业大学 | 一种知识库的构建方法和系统 |
CN112434151A (zh) * | 2020-11-26 | 2021-03-02 | 重庆知识产权大数据研究院有限公司 | 一种专利推荐方法、装置、计算机设备及存储介质 |
CN112905891A (zh) * | 2021-03-05 | 2021-06-04 | 中国科学院计算机网络信息中心 | 基于图神经网络的科研知识图谱人才推荐方法及装置 |
-
2021
- 2021-06-10 CN CN202110649122.3A patent/CN113538178A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013117921A (ja) * | 2011-12-05 | 2013-06-13 | Nippon Telegr & Teleph Corp <Ntt> | ランキング関数学習装置、方法、及びプログラム |
CN107665252A (zh) * | 2017-09-27 | 2018-02-06 | 深圳证券信息有限公司 | 一种创建知识图谱的方法及装置 |
CN112233736A (zh) * | 2019-01-15 | 2021-01-15 | 合肥工业大学 | 一种知识库的构建方法和系统 |
CN110298545A (zh) * | 2019-05-23 | 2019-10-01 | 中国科学院计算技术研究所 | 一种基于神经网络的专利评价方法、系统和介质 |
WO2020248391A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技(深圳)有限公司 | 案由分类方法、装置、计算机设备和存储介质 |
CN111930962A (zh) * | 2020-09-02 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 文献数据价值评估方法、装置、电子设备及存储介质 |
CN112434151A (zh) * | 2020-11-26 | 2021-03-02 | 重庆知识产权大数据研究院有限公司 | 一种专利推荐方法、装置、计算机设备及存储介质 |
CN112905891A (zh) * | 2021-03-05 | 2021-06-04 | 中国科学院计算机网络信息中心 | 基于图神经网络的科研知识图谱人才推荐方法及装置 |
Non-Patent Citations (3)
Title |
---|
吕霁;: "BP神经网络在专利价值评估中的应用", 黑龙江科学, vol. 01, no. 02, pages 112 - 118 * |
康宇航;: "基于多维标度的专利组合图谱绘制及应用", 科学学研究, vol. 01, no. 01, pages 115 * |
戴少杰;: "从战略高度统筹国家重大专项知识产权保护", 国防科技工业, vol. 15, no. 02, pages 1 - 5 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116682574A (zh) * | 2023-08-03 | 2023-09-01 | 深圳市震有智联科技有限公司 | 一种针对关联人群的健康管理方法及系统 |
CN116682574B (zh) * | 2023-08-03 | 2023-11-24 | 深圳市震有智联科技有限公司 | 一种针对关联人群的健康管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Veitch et al. | The class of random graphs arising from exchangeable random measures | |
AU2014344497A1 (en) | Image object category recognition method and device | |
CN109657891B (zh) | 一种基于自适应k-means++算法的负荷特性分析方法 | |
CN105740651A (zh) | 一种特定癌症差异表达基因调控网络的构建方法 | |
CN112308115A (zh) | 一种多标签图像深度学习分类方法及设备 | |
CN113538178A (zh) | 知识产权价值评价方法、装置、电子设备及可读存储介质 | |
CN115546525A (zh) | 多视图聚类方法、装置、电子设备及存储介质 | |
Dinu | On the classification and aggregation of hierarchies with ifferent constitutive elements | |
CN116385773A (zh) | 小目标的检测方法、存储介质及电子设备 | |
CN114880538A (zh) | 基于自监督的属性图社团检测方法 | |
CN114936307A (zh) | 一种范式化图模型构建方法 | |
CN116522988B (zh) | 基于图结构学习的联邦学习方法、系统、终端及介质 | |
CN112905906A (zh) | 一种融合局部协同与特征交叉的推荐方法及系统 | |
Shimoji et al. | Data clustering with entropical scheduling | |
CN115169501A (zh) | 基于公共邻居节点聚类熵紧密相似性的社区检测方法 | |
CN112861692B (zh) | 一种房间分类模型构建方法及装置、房间分类方法及装置 | |
CN114723791A (zh) | 特征点匹配方法、装置、电子设备和存储介质 | |
CN113139577A (zh) | 一种基于可变形卷积网络的深度学习图像分类方法及系统 | |
CN114997360A (zh) | 神经架构搜索算法的演化参数优化方法、系统及存储介质 | |
CN114461619A (zh) | 能源互联网多源数据融合方法、装置、终端及存储介质 | |
CN114529096A (zh) | 基于三元闭包图嵌入的社交网络链路预测方法及系统 | |
US20200134434A1 (en) | Arithmetic processing device, learning program, and learning method | |
CN115631388B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN109255722B (zh) | 一种基于邻居拓扑的复杂网络层次分析系统及方法 | |
CN116340577A (zh) | 面向高阶关联的超图数据库构建方法及装置 |
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 |