CN117764415A - 基于专利信息的战略性新兴产业链自动构建方法和装置 - Google Patents
基于专利信息的战略性新兴产业链自动构建方法和装置 Download PDFInfo
- Publication number
- CN117764415A CN117764415A CN202311786079.0A CN202311786079A CN117764415A CN 117764415 A CN117764415 A CN 117764415A CN 202311786079 A CN202311786079 A CN 202311786079A CN 117764415 A CN117764415 A CN 117764415A
- Authority
- CN
- China
- Prior art keywords
- industry
- enterprise
- library
- industries
- relationship
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 64
- 238000000034 method Methods 0.000 claims description 38
- 238000011144 upstream manufacturing Methods 0.000 claims description 13
- 238000013016 damping Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 16
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于专利信息的战略性新兴产业链自动构建方法和装置,涉及数据处理技术领域。本发明针对战略性新兴产业这一应用场景,将专利信息置于产业链构建的核心,更匹配战略性新兴产业的特性,且通过深度分析专利数据,有效识别和揭示了技术创新的趋势和路径,确保战略性新兴产业链分析的技术导向性和前瞻性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于专利信息的战略性新兴产业链自动构建方法和装置。
背景技术
传统产业的产业链分析方法主要依赖于市场报告和专家意见等传统信息源。而针对战略性新兴产业领域,这些传统方法在捕捉行业的技术演进和创新动态方面存在明显局限,数据分析的深度和准确性无法满足需求。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于专利信息的战略性新兴产业链自动构建方法和装置,解决了现有传统产业的产业链分析方法应用在战略性新兴产业时,分析效果不佳的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
第一方面,提供了一种基于专利信息的战略性新兴产业链自动构建方法,该方法包括:
获取战略性新兴产业的行业库和专利库;其中,所述行业库用于存储各个战略性新兴产业相关的行业信息;所述专利库用于存储各个战略性新兴产业相关的专利信息;
基于专利库中各个企业的专利文本摘要数据,获取各个企业的企业关键词向量;
获取行业库中各个行业的行业关键词向量;并基于企业关键词向量和行业关键词向量的相似度,确定企业与行业的关系;
基于企业与行业的关系以及专利库中专利之间的技术相关度,确定行业之间的上下游关系;
基于企业与行业的关系以及行业之间的上下游关系,构建产业链。
进一步的,所述获取各个企业关键词向量的方法,包括:
基于专利库中各个企业的专利文本摘要数据,获取各个企业的企业关键词向量,包括:
获取专利库中各个企业的专利摘要数据;
将企业的专利摘要数据作为训练好的企业词向量模型的输入,得到各个企业的企业词向量;
且企业词向量模型采用Word2Vec模型。
进一步的,所述基于企业与行业的关系以及专利库中专利之间的技术相关度,确定行业之间的上下游关系,包括:
基于专利库中专利之间的引用关系,构建专利引用知识图谱;
获取知识图谱中专利节点的重要程度;
基于专利节点的重要程度获取专利之间的技术相关度;
基于企业与行业的关系以及专利对应申请人信息,获取专利与行业的关系;
基于专利与行业的关系以及专利之间的技术相关度,获取两个行业间的上下游关系。
进一步的,所述专利节点的重要程度的计算方法为:
PR(pi)=(1-d)+d*sum[PR(pj)/L(pj)],pj∈M(pi)
其中,PR(pi)表示专利pi对应的节点的重要程度;
d表示阻尼因子;
sum表示求和函数;
PR(pj)表示专利pj对应的节点的重要程度;
L(pj)表示专利pj直接引用和间接引用的专利数量;
M(pi)表示直接引用和间接引用专利pi的专利集合;
pj表示直接引用或间接引用了专利pi的专利。
进一步的,专利pi和专利pj之间的技术相关度T的计算方法为:
T(pi,pj)=α*C(pi,pj)+β*(PR(pi)+PR(pj))
其中,T(pi,pj)表示专利pi和专利pj之间的技术相关度;
α和β表示调节参数;
C(pi,pj)表示专利pi和专利pj之间的直接引用次数。
第二方面,提供了一种基于专利信息的战略性新兴产业链自动构建装置,该装置包括:
数据库获取模块,用于获取战略性新兴产业的行业库和专利库;其中,所述行业库用于存储各个战略性新兴产业相关的行业信息;所述专利库用于存储各个战略性新兴产业相关的专利信息;
企业关键词向量获取模块,用于基于专利库中各个企业的专利文本摘要数据,获取各个企业的企业关键词向量;
企业与行业的关系确定模块,用于获取行业库中各个行业的行业关键词向量;并基于企业关键词向量和行业关键词向量的相似度,确定企业与行业的关系;
行业之间的上下游关系确定模块,基于企业与行业的关系以及专利库中专利之间的技术相关度,确定行业之间的上下游关系;
产业链构建模块,基于企业与行业的关系以及行业之间的上下游关系,构建产业链。
进一步的,所述获取各个企业关键词向量的方法,包括:
基于专利库中各个企业的专利文本摘要数据,获取各个企业的企业关键词向量,包括:
获取专利库中各个企业的专利摘要数据;
将企业的专利摘要数据作为训练好的企业词向量模型的输入,得到各个企业的企业词向量;
且企业词向量模型采用Word2Vec模型。
进一步的,所述基于企业与行业的关系以及专利库中专利之间的技术相关度,确定行业之间的上下游关系,包括:
基于专利库中专利之间的引用关系,构建专利引用知识图谱;
获取知识图谱中专利节点的重要程度;
基于专利节点的重要程度获取专利之间的技术相关度;
基于企业与行业的关系以及专利对应申请人信息,获取专利与行业的关系;
基于专利与行业的关系以及专利之间的技术相关度,获取两个行业间的上下游关系。
进一步的,所述所述专利节点的重要程度的计算方法为:
PR(pi)=(1-d)+d*sum[PR(pj)/L(pj)],pj∈M(pi)
其中,PR(pi)表示专利pi对应的节点的重要程度;
d表示阻尼因子;
sum表示求和函数;
PR(pj)表示专利pj对应的节点的重要程度;
L(pj)表示专利pj直接引用和间接引用的专利数量;
M(pi)表示直接引用和间接引用专利pi的专利集合;
pj表示直接引用或间接引用了专利pi的专利。
进一步的,专利pi和专利pj之间的技术相关度T的计算方法为:
T(pi,pj)=α*C(pi,pj)+β*(PR(pi)+PR(pj))
其中,T(pi,pj)表示专利pi和专利pj之间的技术相关度;
α和β表示调节参数;
C(pi,pj)表示专利pi和专利pj之间的直接引用次数。
(三)有益效果
本发明提供了一种基于专利信息的战略性新兴产业链自动构建方法和装置。与现有技术相比,具备以下有益效果:
本发明针对战略性新兴产业这一应用场景,将专利信息置于产业链构建的核心,更匹配战略性新兴产业的特性,且通过深度分析专利数据,有效识别和揭示了技术创新的趋势和路径,确保战略性新兴产业链分析的技术导向性和前瞻性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1的流程图;
图2为本发明实施例1中确定行业之间的上下游关系的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例通过提供一种基于专利信息的战略性新兴产业链自动构建方法和装置,解决了现有传统产业的产业链分析方法应用在战略性新兴产业时,分析效果不佳的问题。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例1:
如图1所示,本发明提供了一种基于专利信息的战略性新兴产业链自动构建方法,该方法由计算机执行,该方法包括:
获取战略性新兴产业的行业库和专利库;其中,所述行业库用于存储各个战略性新兴产业相关的行业信息;所述专利库用于存储各个战略性新兴产业相关的专利信息;
基于专利库中各个企业的专利文本摘要数据,获取各个企业的企业关键词向量;
获取行业库中各个行业的行业关键词向量;并基于企业关键词向量和行业关键词向量的相似度,确定企业与行业的关系;
基于企业与行业的关系以及专利库中专利之间的技术相关度,确定行业之间的上下游关系;
基于企业与行业的关系以及行业之间的上下游关系,构建产业链。
与现有技术相比,本实施例的有益效果为:
本发明实施例针对战略性新兴产业这一应用场景,将专利信息置于产业链构建的核心,更匹配战略性新兴产业的特性,且通过深度分析专利数据,有效识别和揭示了技术创新的趋势和路径,确保战略性新兴产业链分析的技术导向性和前瞻性。
下面对本实施例的具体实现过程进行详细说明:
S1、获取战略性新兴产业的行业库和专利库。
在具体实施时,所述战略性新兴产业的行业库用于存储各个战略性新兴产业相关的行业信息;构建所述行业库可基于最新的战略性新兴产业分类文件,例如《战略性新兴产业分类(2018)》,从中提取与目标产业相关的国民经济行业分类信息,进而构建一个与目标产业相关的国民经济行业数据库,作为行业库;构建好的行业库包含了各个战略性新兴产业相关的所有行业;例如在行业库中包含某个战略性新兴产业下的所有行业;
所述战略性新兴产业的专利库用于存储各个战略性新兴产业相关的专利信息;具体的,在构建所述专利库前,还需要先构建战略性新兴产业的专利分类代码库,
其中,战略性新兴产业的专利分类代码库用于存储各个战略性新兴产业相关的专利分类代码;构建战略性新兴产业的专利分类代码库可基于战略性新兴产业分类与专利分类关系对照文件,例如《战略性新兴产业分类与国际专利分类参照关系表(2021)》,从中提取出与目标产业相关的所有国际专利分类(IPC)代码,即可得到专利分类代码库;随后即可基于已构建的专利分类代码库和已公开的专利信息,通过搜集各个战略性新兴产业所属的分类号对应的专利公开文本,进而构建一个包含专利的标题、摘要、发明人等详细信息的专利数据库。
发明人经研究发现,现有的传统产业的产业链分析方法主要依赖于市场报告和专家意见等传统信息源,而专利数据虽然有所涉及,但并非作为主要信息源。这些传统方法在捕捉行业的技术演进和创新动态方面存在明显局限,此外,现有技术在处理专利数据时,往往侧重于基础的文本处理技术,如关键词提取、文本分类等,缺乏深入的技术视角和创新路径分析。这导致将现有技术运用在构建战略性新兴产业链时,无法充分挖掘和利用专利数据中蕴含的技术信息,进而影响战略性新兴产业链分析的深度和准确性。
S2、基于专利库中各个企业的专利文本摘要数据,获取各个企业的企业关键词向量。
在具体实施时,企业关键词向量可以反映企业的技术特征和创新方向,具体步骤如下:
S2.1、获取专利库中各个企业的专利摘要数据;
S2.2、将目标企业的专利摘要数据作为训练好的企业词向量模型的输入,得到各个企业的企业词向量;得到的企业词向量能够反映企业的技术特点。
其中,企业词向量模型的训练过程包括如下步骤:
步骤1、收集企业发表的专利集摘要,作为训练的原始语料;
步骤2、对专利摘要进行分词处理,并去除停用词,得到专利摘要语料。
步骤3、将专利摘要语料作为输入,应用Word2Vec模型进行词向量训练,通过学习词语的上下文关系,生成表征每个词语的高维向量,从而捕捉技术术语间的潜在语义联系。
S3、获取行业库中各个行业的行业关键词向量;并基于企业关键词向量和行业关键词向量的相似度,确定企业与行业的关系。
在具体实施时,行业关键词向量可以通过任意现有方法获取,例如现有传统产业的行业词向量相关专利中的行业词向量构建方法,在此不做限定;至此可以得到企业关键词向量和行业关键词向量,然后即可通过现有的向量相似度计算方法(如余弦相似度),确定企业和行业间的相似度;对于相似度高于预设阈值的企业和行业,被视为具有较强的关联关系,即该企业属于该行业。
S4、基于企业与行业的关系以及专利库中专利之间的技术相关度,确定行业之间的上下游关系。
在具体实施时,在对战略性新兴产业进行行业上下游关系的识别过程中,考虑到这些产业通常具有高知识密集度和技术密集度的特点,单纯依赖于传统的业务模式分析难以精确捕捉目标产业的复杂结构。因此,本实施例采取一种创新方法,来精准识别目标产业的行业上下游关系,如图2所示,具体包括如下步骤:
S4.1、基于专利库中专利之间的引用关系,构建专利引用知识图谱;
具体的,在专利引用知识图谱中,包括专利节点,且通过边来表示两个专利节点之间的引用关系;具体包括直接引用和间接引用。
例如,当存在一个从专利节点A指向专利节点B的边,可表示为专利A被专利B直接引用,或专利B直接引用了专利A,且在此基础上,若专利C直接引用了专利B,则表示专利C间接引用了专利A。
S4.2、获取知识图谱中专利节点的重要程度;
具体的,基于PageRank算法确定PageRank值,并将其用于表示专利节点的重要程度,则专利节点的重要程度计算方法为:
PR(pi)=(1-d)+d*sum[PR(pj)/L(pj)],pj∈M(pi)
其中,PR(pi)表示专利pi对应的节点的重要程度;
d表示阻尼因子,可设为0.85;
sum表示求和函数;
PR(pj)表示专利pj对应的节点的重要程度;
L(pj)表示专利pj直接引用和间接引用的专利数量;
M(pi)表示直接引用和间接引用专利pi的专利集合;
pj表示直接引用或间接引用了专利pi的专利。
S4.3、基于专利节点的重要程度获取专利之间的技术相关度;
具体的,技术相关度越大,表示两个专利之间技术上越相关;
专利pi和专利pj之间的技术相关度T的计算方法为:
T(pi,pj)=α*C(pi,pj)+β*(PR(pi)+PR(pj))
其中,T(pi,pj)表示专利pi和专利pj之间的技术相关度;
α和β表示调节参数,用于平衡引用次数和节点重要性的影响,可通过人工手动调节;
C(pi,pj)表示专利pi和专利pj之间的直接引用次数;
S4.4、基于企业与行业的关系以及专利对应申请人信息,获取专利与行业的关系;
具体的,在S4中获得了企业与行业的关系,而通过专利的申请人也可确定专利与企业的关系,因此可以获取各个专利与行业关系,即每个专利对应有一个行业。
S4.5、基于专利与行业的关系以及专利之间的技术相关度,确定行业之间的上下游关系。
具体的,专利pi对应的行业为上游行业,专利pj对应的行业为下游行业。
S5、基于企业与行业的关系以及行业之间的上下游关系,构建产业链。
在具体实施时,基于前面得到的企业与行业的关系、行业之间的上下游关系,将产业链的上下游行业和相应企业按照它们在产业链中的实际位置和作用进行排列和组织,即可得到完整的产业链结构。
实施例2:
一种基于专利信息的战略性新兴产业链自动构建装置,该装置包括:
数据库获取模块,用于获取战略性新兴产业的行业库和专利库;其中,所述行业库用于存储各个战略性新兴产业相关的行业信息;所述专利库用于存储各个战略性新兴产业相关的专利信息;
企业关键词向量获取模块,用于基于专利库中各个企业的专利文本摘要数据,获取各个企业的企业关键词向量;
企业与行业的关系确定模块,用于获取行业库中各个行业的行业关键词向量;并基于企业关键词向量和行业关键词向量的相似度,确定企业与行业的关系;
行业之间的上下游关系确定模块,基于企业与行业的关系以及专利库中专利之间的技术相关度,确定行业之间的上下游关系;
产业链构建模块,基于企业与行业的关系以及行业之间的上下游关系,构建产业链。
可理解的是,本发明实施例提供的基于专利信息的战略性新兴产业链自动构建装置与上述基于专利信息的战略性新兴产业链自动构建方法相对应,其有关内容的解释、举例、有益效果等部分可以参考基于专利信息的战略性新兴产业链自动构建方法中的相应内容,此处不再赘述。
综上所述,与现有技术相比,本发明具备以下有益效果:
(1)本发明将专利信息置于产业链构建的核心,通过深度分析专利数据,有效识别和揭示了技术创新的趋势和路径。这种技术驱动的产业链构建方法,确保战略性新兴产业链分析的技术导向性和前瞻性。
(2)本发明在分析过程中兼顾政策导向和技术发展,通过以政策文件为指引,结合先进人工智能技术的应用,本发明不仅提高了产业链分析的效率和准确性,还降低了由于主观判断带来的偏差。这种政策与技术的融合分析确保了产业链构建结果既符合国家战略方向,又紧跟技术发展的最新趋势。
需要说明的是,通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于专利信息的战略性新兴产业链自动构建方法,其特征在于,该方法包括:
获取战略性新兴产业的行业库和专利库;其中,所述行业库用于存储各个战略性新兴产业相关的行业信息;所述专利库用于存储各个战略性新兴产业相关的专利信息;
基于专利库中各个企业的专利文本摘要数据,获取各个企业的企业关键词向量;
获取行业库中各个行业的行业关键词向量;并基于企业关键词向量和行业关键词向量的相似度,确定企业与行业的关系;
基于企业与行业的关系以及专利库中专利之间的技术相关度,确定行业之间的上下游关系;
基于企业与行业的关系以及行业之间的上下游关系,构建产业链。
2.如权利要求1所述的一种基于专利信息的战略性新兴产业链自动构建方法,其特征在于,所述获取各个企业关键词向量的方法,包括:
基于专利库中各个企业的专利文本摘要数据,获取各个企业的企业关键词向量,包括:
获取专利库中各个企业的专利摘要数据;
将企业的专利摘要数据作为训练好的企业词向量模型的输入,得到各个企业的企业词向量;
且企业词向量模型采用Word2Vec模型。
3.如权利要求1所述的一种基于专利信息的战略性新兴产业链自动构建方法,其特征在于,所述基于企业与行业的关系以及专利库中专利之间的技术相关度,确定行业之间的上下游关系,包括:
基于专利库中专利之间的引用关系,构建专利引用知识图谱;
获取知识图谱中专利节点的重要程度;
基于专利节点的重要程度获取专利之间的技术相关度;
基于企业与行业的关系以及专利对应申请人信息,获取专利与行业的关系;
基于专利与行业的关系以及专利之间的技术相关度,获取两个行业间的上下游关系。
4.如权利要求3所述的一种基于专利信息的战略性新兴产业链自动构建方法,其特征在于,所述专利节点的重要程度的计算方法为:
PR(pi)=(1-d)+d*sum[PR(pj)/L(pj)],pj∈M(pi)
其中,PR(pi)表示专利pi对应的节点的重要程度;
d表示阻尼因子;
sum表示求和函数;
PR(pj)表示专利pj对应的节点的重要程度;
L(pj)表示专利pj直接引用和间接引用的专利数量;
M(pi)表示直接引用和间接引用专利pi的专利集合;
pj表示直接引用或间接引用了专利pi的专利。
5.如权利要求4所述的一种基于专利信息的战略性新兴产业链自动构建方法,其特征在于,专利pi和专利pj之间的技术相关度T的计算方法为:
T(pi,pj)=α*C(pi,pj)+β*(PR(pi)+PR(pj))
其中,T(pi,pj)表示专利pi和专利pj之间的技术相关度;
α和β表示调节参数;
C(pi,pj)表示专利pi和专利pj之间的直接引用次数。
6.一种基于专利信息的战略性新兴产业链自动构建装置,其特征在于,该装置包括:
数据库获取模块,用于获取战略性新兴产业的行业库和专利库;其中,所述行业库用于存储各个战略性新兴产业相关的行业信息;所述专利库用于存储各个战略性新兴产业相关的专利信息;
企业关键词向量获取模块,用于基于专利库中各个企业的专利文本摘要数据,获取各个企业的企业关键词向量;
企业与行业的关系确定模块,用于获取行业库中各个行业的行业关键词向量;并基于企业关键词向量和行业关键词向量的相似度,确定企业与行业的关系;
行业之间的上下游关系确定模块,基于企业与行业的关系以及专利库中专利之间的技术相关度,确定行业之间的上下游关系;
产业链构建模块,基于企业与行业的关系以及行业之间的上下游关系,构建产业链。
7.如权利要求6所述的一种基于专利信息的战略性新兴产业链自动构建装置,其特征在于,所述获取各个企业关键词向量的方法,包括:
基于专利库中各个企业的专利文本摘要数据,获取各个企业的企业关键词向量,包括:
获取专利库中各个企业的专利摘要数据;
将企业的专利摘要数据作为训练好的企业词向量模型的输入,得到各个企业的企业词向量;
且企业词向量模型采用Word2Vec模型。
8.如权利要求6所述的一种基于专利信息的战略性新兴产业链自动构建装置,其特征在于,所述基于企业与行业的关系以及专利库中专利之间的技术相关度,确定行业之间的上下游关系,包括:
基于专利库中专利之间的引用关系,构建专利引用知识图谱;
获取知识图谱中专利节点的重要程度;
基于专利节点的重要程度获取专利之间的技术相关度;
基于企业与行业的关系以及专利对应申请人信息,获取专利与行业的关系;
基于专利与行业的关系以及专利之间的技术相关度,获取两个行业间的上下游关系。
9.如权利要求8所述的一种基于专利信息的战略性新兴产业链自动构建装置,其特征在于,所述所述专利节点的重要程度的计算方法为:
PR(pi)=(1-d)+d*sum[PR(pj)/L(pj)],pj∈M(pi)
其中,PR(pi)表示专利pi对应的节点的重要程度;
d表示阻尼因子;
sum表示求和函数;
PR(pj)表示专利pj对应的节点的重要程度;
L(pj)表示专利pj直接引用和间接引用的专利数量;
M(pi)表示直接引用和间接引用专利pi的专利集合;
pj表示直接引用或间接引用了专利pi的专利。
10.如权利要求9所述的一种基于专利信息的战略性新兴产业链自动构建装置,其特征在于,专利pi和专利pj之间的技术相关度T的计算方法为:
T(pi,pj)=α*C(pi,pj)+β*(PR(pi)+PR(pj))
其中,T(pi,pj)表示专利pi和专利pj之间的技术相关度;
α和β表示调节参数;
C(pi,pj)表示专利pi和专利pj之间的直接引用次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311786079.0A CN117764415A (zh) | 2023-12-22 | 2023-12-22 | 基于专利信息的战略性新兴产业链自动构建方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311786079.0A CN117764415A (zh) | 2023-12-22 | 2023-12-22 | 基于专利信息的战略性新兴产业链自动构建方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117764415A true CN117764415A (zh) | 2024-03-26 |
Family
ID=90311993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311786079.0A Pending CN117764415A (zh) | 2023-12-22 | 2023-12-22 | 基于专利信息的战略性新兴产业链自动构建方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117764415A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219089A (zh) * | 2021-11-11 | 2022-03-22 | 山东人才发展集团信息技术有限公司 | 一种新一代信息技术产业知识图谱的构建方法及设备 |
CN114443842A (zh) * | 2022-01-07 | 2022-05-06 | 智慧芽信息科技(苏州)有限公司 | 战略性新兴产业分类方法及装置、存储介质和电子设备 |
WO2023093116A1 (zh) * | 2021-11-25 | 2023-06-01 | 上海帜讯信息技术股份有限公司 | 企业的产业链节点确定方法、装置、终端及存储介质 |
CN116881430A (zh) * | 2023-09-07 | 2023-10-13 | 北京上奇数字科技有限公司 | 一种产业链识别方法、装置、电子设备及可读存储介质 |
CN116933130A (zh) * | 2023-07-14 | 2023-10-24 | 企知道科技有限公司 | 一种基于大数据的企业行业分类方法、系统、设备及介质 |
-
2023
- 2023-12-22 CN CN202311786079.0A patent/CN117764415A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219089A (zh) * | 2021-11-11 | 2022-03-22 | 山东人才发展集团信息技术有限公司 | 一种新一代信息技术产业知识图谱的构建方法及设备 |
WO2023093116A1 (zh) * | 2021-11-25 | 2023-06-01 | 上海帜讯信息技术股份有限公司 | 企业的产业链节点确定方法、装置、终端及存储介质 |
CN114443842A (zh) * | 2022-01-07 | 2022-05-06 | 智慧芽信息科技(苏州)有限公司 | 战略性新兴产业分类方法及装置、存储介质和电子设备 |
CN116933130A (zh) * | 2023-07-14 | 2023-10-24 | 企知道科技有限公司 | 一种基于大数据的企业行业分类方法、系统、设备及介质 |
CN116881430A (zh) * | 2023-09-07 | 2023-10-13 | 北京上奇数字科技有限公司 | 一种产业链识别方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Stock prediction using convolutional neural network | |
Day et al. | Deep learning for financial sentiment analysis on finance news providers | |
Bucur | Using opinion mining techniques in tourism | |
CN108021582B (zh) | 互联网舆情监控方法及装置 | |
Song et al. | One-class conditional random fields for sequential anomaly detection | |
CN115794798B (zh) | 一种市场监管信息化标准管理与动态维护系统及方法 | |
Endres et al. | Synthetic data generation: A comparative study | |
CN115759071A (zh) | 基于大数据的政务敏感信息识别系统和方法 | |
Kovalchuk et al. | Text mining for the analysis of legal texts | |
Kiyak et al. | Comparison of image-based and text-based source code classification using deep learning | |
CN111709225A (zh) | 一种事件因果关系判别方法、装置和计算机可读存储介质 | |
Kim et al. | Predicting emotion in movie scripts using deep learning | |
Bhardwaj | Sentiment Analysis and Text Classification for Social Media Contents Using Machine Learning Techniques | |
CN117764415A (zh) | 基于专利信息的战略性新兴产业链自动构建方法和装置 | |
Hegde et al. | Employee sentiment analysis towards remote work during COVID-19 using Twitter data | |
CN113742495B (zh) | 基于预测模型的评级特征权重确定方法及装置、电子设备 | |
Bucur | Opinion Mining platform for Intelligence in business | |
CN116151235A (zh) | 文章生成方法、文章生成模型训练方法及相关设备 | |
CN114265931A (zh) | 基于大数据文本挖掘的消费者政策感知分析方法及系统 | |
CN114328903A (zh) | 基于文本聚类的客服日志回流方法及装置 | |
Barrows et al. | Sentiment and Objectivity in Iranian State-Sponsored Propaganda on Twitter | |
CN115080732A (zh) | 投诉工单处理方法、装置、电子设备和存储介质 | |
Ram et al. | Exploiting token and path-based representations of code for identifying security-relevant commits | |
Tokdemir | Using text mining for research trends in empirical software engineering | |
CN117573803B (zh) | 基于知识图谱的新客识别方法和装置 |
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 |