基于正则表达式的专利信息提取方法研究.pdfVIP

中国机械工程第 18 卷第 19 期 2007 年 10 月上半月 基于正则表达式的专利信息提取方法研究 邱清盈 　郑国民　冯培恩 　武建伟 浙江大学 CAD C G 国家重点实验室 ,杭州 ,3 10027 摘要 :针对图像格式专利文献难以进行全文检索和深入分析利用的问题 ,根据专利文献的结构特 点 ,通过集成光学字符识别工具和建立具有容错性的专利信息提取正则表达式 ,提出了专利文献的数字 化和信息提取方法 。开发了相应的软件系统 ,实现了专利信息的批量提取 ,为后续高效率地对专利文献 进行自动分析和知识挖掘提供了数据基础 。 关键词 :专利分析 ;信息提取 ;正则表达式 ;设计知识 ( ) 中图分类号 : TP39 1 　　　文章编号 :1004 —132X 2007 19 —2326 —04 Extraction Approach of Patent Inf ormation Based on Regular Expression Qiu Qingying 　Zheng Guo min 　Fen g Pei ’en 　Wu J ianwei St at e Key L aboratory of CAD C G , Zhej ian g U niver sit y , Hangzhou , 3 10027 Abstract : Since cur rent p at ent document s are saved a s image - ba sed t yp e such a s . T IF , . PD F , an d so on , t hey are difficult for f ull - t ext search and f urt her analy si s. The app roach t hat adop ed t he op tical charact er reco gnition (OCR) tool and t he fault - tolerant regular exp re ssion s wa s p ropo sed for p at ent digitization and infor mation ext ractio n accor din g to t he st ruct ural f eat ure s of p at ent document s. The soft ware sy st em wa s develop ed to support t he bat ch ext raction of p at ent infor mation , w hich p ro vided t he dat a re source s for t he following auto matic p at ent analy si s and knowledge mining . Key words : p at ent analy si s ; infor mation ext ractio n ; regular exp re ssion ; de sign knowledge 0 　引言 国内 1998 年以后出版的三种专利文献 ,即发明专 从知识源的可靠性 、真实性和新颖性等方面 利 、实用新型专利 、外观设计专利 ,其专利申请号 比较 ,专利文献较百科全书 、手册 、教科书 、专著 、 都由8 位数字 、1 个小圆点和 1 个校验位组成[3 ] , 科技论文 、技术报告等具有更高的知识含量 ,并且 如 89 1032292 。申请号在专利文献 中表达为 更具启发性 、可靠性和准确性[ 1 ] 。同时 ,专利申请