基于树距离规范化专利聚类方法.pdfVIP

情 报 学 报 ISSN1000—0135 JOURNALOFTHECHINA SOCIETYFOR SCIENTIFIC AND TECHNICAL INFORMATION ISSN lOoo一0135 第 31卷 第 11期 1187—1193，2012年 11月 Vo1．31 No．11，l187—1193 November 2012 doi：10．3772／j．issn．1000—0135．2012．11．008 基于树距离规范化的专利聚类方法 胡 侠 林 晔 汪 亮 盛 夏 王 灿 (1．杭州市科技信息研究院，杭州 310001；2．浙江大学计算机学院，杭州 310027) 摘要 专利数据包含了各种丰富的信息。通过对专利数据聚类，可以将它们划分为语义或结构上相似的子集 ， 从而为发现数据 中所蕴含 的有用模式和知识提供更为深入 的洞察力 。传统的专利数据聚类方法通常只是利用 专 利数据的某项属性实现聚类 ，没有充分利用专利数据所包含的多种丰富信息。本文针对现有专利数据聚类方法 的 不足 ，提 出了一种综合利用专利摘要文本和 IPC分类号 的专利聚类方法 PDICluster。该方法通过解析 IPC分类号中 包含的树型结构信息，利用树距离度量专利数据之间的相似性，并综合专利摘要文本相似性和 IPC分类号相似性 信息来实现专利数据聚类 。实际专利数据上 的聚类实验结果验证 了PDICluster方法 的有效性 。 关键词 专利聚类 专利分析 IPC 树距离 PatentDataClusteringBased on Tree·distanceRegularized HuXia ，LinYe ，WangLiang ，ShengXia andWangCan (1．HangzhouScienceandTechnologyInformationResearchInstitute，Hangzhou310001 2．CollegeofComputerSconce，ZhejiangUnwe~i@，Hangzhou310027) Abstract Patentdatainvolvesrichinformation．Byclusteringpatentdataintosubsetsthataresimilarinsemanticsor structure，wecan betterdiscoverusefulpatternsand knowledge in them．Traditionalpatentclusteringmethodsusually clusterpatentdatabyonesingleattributesuchaspatenttextandfailtoexploitrichinformationinpatentdata．Toaddress thisissue，thispaperproposesanovelpatentclusteringalgorithm PDIClusterthatincorporatesbothpatentabstracttextand IPC term tobettergrouppatentdata intosemantically related clusters．By parsing the hierarchicalstructurein 1PC term， PDIClustermeasurespairwise similaritybetweenpatentdatausingtree—distance．Itthen incorporatesbothtextualsimilarity andhierarchicalsimilarityinclusteringbyprojectingthepatentdataintoalow—d