[发明专利]一种专利文献关键短语自动提取方法

权利要求书

1.一种专利文献关键短语自动提取方法，包括：

步骤1：进行文本域的预处理；

步骤2：识别专利发明的主题类型；

步骤3：提取候选关键短语并进行短语过滤；

步骤4：对过滤后的候选关键短语进行权重计算并选出关键短语；

其中，步骤1包括：

步骤11、识别专利文献各文本域，包括识别权利要求书、说明书、说明书摘要、附图说明或者发明内容的文本域；

步骤12、对专利全文进行分句，根据需要进行分词处理，分词后进行词性标注；

步骤13、对于各文本域中的特殊位置进行识别；

其中，步骤4中，权重计算方法为：

短语权重＝(词频权重+IPC权重)/2*文本域因子*位置因子，

其中，位置因子是短语首次出现的位置带来的权重影响，文本域因子是指短语位于专利文献不同文本域对其权重的影响。

2.根据权利要求1所述的方法，其中，步骤2包括：

步骤21、对于技术主题类型进行分类训练，获取分类器；

步骤22、获取发明名称、分词、词性标注信息、核心词；

步骤23、基于经过训练后的分类器，通过特征词表、核心词概率和核心词文档概率以及核心词本身作为特征，标注技术主题类型。

3.根据权利要求2所述的方法，其中，步骤21包括：

步骤211、选取1万篇以上专利文档作为训练语料，从著录项目中获取发明名称和独立权利要求的主题名称及其分词、词性标注信息；

步骤212、获取核心词；

步骤213、对上述训练人工标注其技术主题类型；

步骤214、根据技术主题类型的标注结果，分别建立上述技术主题类型的特征词表；

步骤215、使用自动分类方法作为技术类型分类方法，对待分类的专利文档主题名称进行分类，获取分类器。

4.根据权利要求1所述的方法，其中，步骤3包括：

步骤31、使用词表法、规则方法、模板方法或者前后指示词方法来提取候选关键短语；

步骤32、提取后对停用短语和低信息度短语进行过滤。

5.根据权利要求1所述的方法，其中，步骤4中，计算频率权重包括统计与短语频率相关的权重，计算方法包括TF-IDF、TFC、ITC或者TF-IWF法。

6.根据权利要求1所述的方法，其中，步骤4中，位置因子分为文本位置因子和专利位置因子，文本位置因子是指因关键短语出现在文档的不同位置带来的对权重的影响，专利位置因子是指由于专利特殊撰写格式带来的对权重的影响。

7.根据权利要求1所述的方法，其中，步骤4还包括：

提取出关键词后，将关键词-文本域信息进行关联显示；或者

提取出关键短语后，根据技术领域-近义词表，显示与提取出来的关键短语相似的技术术语，作为近似检索词推荐给查询者。

8.根据权利要求7所述的方法，其中，显示与提取出来的关键短语相似的技术术语的步骤包括：

根据待标引文档的IPC分类号，定位到所属技术领域-近义词表的相关技术领域，如果该技术领域中仅存在一个词义，同时显示出该关键词的相关技术领域共使用者参考；或者

如果存在多个词义，则根据现有方法使用技术领域-近义词表分别对每个词义与其他关键短语以短语为元素构建词汇链，计算词的集聚特征值，计算后取集聚特征值最大的词义。