[发明专利]基于机器学习的高校前沿科研团队探测系统

说明书

本发明公开了一种基于机器学习的高校前沿科研团队探测系统，包括：数据采集及存储模块，用于从专利数据库进行数据抓取并将数据存储；数据检索模块，用于从存储数据中进行检索，对题目和摘要字段进行全词匹配，构成匹配数据集；数据处理模块，用于对匹配数据集进行自然语言处理全过程；主题建模及文本聚类模块，采用LDA模型对专利文本进行主题提取；根据初始聚类中心的计算过程，利用D‑T矩阵确定初始聚类中心，进而利用K‑means算法实现专利文本聚类；结果分析及可视化展示模块，用于对科研大咖的个人资料、合作网络、科技成果进行展示。本发明系统从细粒度层面实现精准的校企合作提供技术支撑，保证系统分析结果的合理性，为企业提供全景化的分析结果。

技术领域

本发明涉及知识产权大数据分析技术，尤其涉及一种基于机器学习的高校前沿科研团队探测系统。

背景技术

LDA模型是一种无监督机器学习技术。本发明采用LDA模型对专利文本进行主题提取。模型假设词是由一个主题混合产生，同时每个主题是在固定词表上的一个多项式分布，这些主题被集合中的所有文档所共享，每个文档有一个特定的主题比例，从Dirichlet分布中抽样产生。作为一种产生式模型，其结构模型完整清晰，采用高效的概率推断算法处理大规模数据，是目前研究和使用非常广泛的一种主题识别模型。

K-means聚类算法是一种无监督学习算法，是数据挖掘十大经典算法之一。本发明采用K-means算法实现对专利文本的划分。考虑到一件专利进行技术探讨时，技术主题具有专一性、深入化的特征，所以在进行聚类时将一件专利仅划入到一个主题类团中。聚类分析是知识发现中的一项重要研究内容，旨在将数据集合划分为若干个类，使得类内差异小，类间差异大。作为一种基于划分的算法，其具有思想简单、容易实施、时间复杂度接近线性的优点，且对大规模数据挖掘具有高效性和可伸缩性，被广泛应用于文本聚类的研究中。

共现分析是将各种信息载体中的共现信息定量化的分析方法，以揭示信息的内容关联和特征项所隐含的寓意。专利文献中专利发明人之间的共现频次体现了其关联程度，依据发明人共现分析构建合作网络，为企业探寻高校核心研究团队和科研大咖提供指引，从更加微观的层面为企业明确合作对象、提高校企合作效率提供支持。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于机器学习的高校前沿科研团队探测系统。

本发明解决其技术问题所采用的技术方案是：一种基于机器学习的高校前沿科研团队探测系统，包括：

数据采集及存储模块，用于从专利数据库进行数据抓取并将数据存储；所述数据存储的格式为：{专利名称、发明人、摘要、申请人、申请号、申请日}；

数据检索模块，用于根据需求以检索的技术领域作为关键词对数据库进行模糊匹配，构成匹配数据集；

数据处理模块，用于对匹配数据集进行自然语言处理全过程，将文本向量进行分词、去停用词、以及TF*IDF词权重计算，将文本数据转换成词向量的形式；

主题建模及文本聚类模块，采用LDA模型对自然语言处理后的匹配数据集进行主题提取；利用余弦相似度计算结果确定最优主题数目，得到主题结构最优的对应模型，生成文档-主题概率矩阵(D-T矩阵)；

根据初始聚类中心的计算过程，利用D-T矩阵确定初始聚类中心，进而利用K-means算法实现专利文本聚类；

结果分析及可视化展示模块，用于以相似专利密度作为排名指标，对子技术主题下的高校相关专利进行统计，确定企业选择的对应高校后，将进一步对该高校的专利进行更微观的分析：首先针对发明人进行共现分析，构建合作网络展示核心研究团队；进而以相似专利密度为指标，对发明人进行排名，凸显科研大咖，并对科研大咖的个人资料、合作网络、科技成果进行展示。