[发明专利]一种基于关键词抽取和词移距离的知识产权匹配技术

权利要求书

1.一种基于关键词抽取和词移距离的知识产权匹配技术，其特征在于：包括专利文本中标记部分文本、专利标题和内容的关键词特征工程、LightGBM训练模型、通过关键词LightGBM模型抽取关键词和关键词权重，用WMD计算两个专利文本之间关键词和权重结合在一起的距离值，将距离值转化为相似度排序与推荐；

具体包含以下步骤：

S1、首先在专利文本中标记部分文本，标记专利文本的二元组可以表示为<T+C，K>；

S2、专利标题和内容的关键词特征工程：对文本分词，然后通过TF-IDF值选取TopK的词作为候选关键词，然后针对关键词做特征工程；

S3、LightGBM训练模型，提取训练数据的特征，然后根据前TOP-K的关键词是否在训练集中，打上标签0或1，最后用LightGBM训练候选关键词的特征，得到抽取关键词以及权重的LightGBM模型；

S4、用WMD计算文本相似度：用训练好的LightGBM抽取要比对的专利文本的标题加内容的关键词和权重，然后关键词用Bert模型转化为词向量，用WMD将两篇专利的关键词向量和权重做计算，得到两篇文章的距离值；

S5、距离值转化为相似度排序与推荐：距离值越短表示文本越相似，所以距离值从小到大排序，取固定数量的结果做推荐。

2.根据权利要求1所述的一种基于关键词抽取和词移距离的知识产权匹配技术，其特征在于，所述步骤S1中T表示标题，C表示文本内容，K表示关键词，T+C表示标题插入到文本的第一句，标记数据作为训练集，标记数量越多，训练模型越精确。

3.根据权利要求1所述的一种基于关键词抽取和词移距离的知识产权匹配技术，其特征在于，所述步骤S2中分词主要用到结巴分词库，TF-IDF用来做词频和文档逆词频统计，通过TF-IDF值的排序得到前K的关键词。

4.根据权利要求1所述的一种基于关键词抽取和词移距离的知识产权匹配技术，其特征在于，所述步骤S3中LightGBM为一种传统机器学习的决策树算法；

其中特征工程中的特征包括：词性、是否出现在标题、是否在文章第一句话、是否在文章最后一句话、tf值、最早出现位置、textrank值，关机词所在位置，ske共现矩阵偏度。

5.根据权利要求1所述的一种基于关键词抽取和词移距离的知识产权匹配技术，其特征在于，所述步骤S1中中文Bert模型为Bert-as-service模型，无需训练，直接加载，Bert已经在多个中文库做过预训练，较其它模型的优势是可以做句子级向量。

6.根据权利要求1所述的一种基于关键词抽取和词移距离的知识产权匹配技术，其特征在于，所述步骤S4中WMD是一种计算句子之间距离的方法，距离越小，相似度越高，通过计算词之间的移动距离来得到文档的距离。