文本挖掘软件.ppt

* 将字段拆开 例如abstract 拆开 * Use 这个发明在不同技术领域中的应用状况 * * 比较不同国家专利量 * * 绝对值是有意义的 正负数是相关的方向 * * 互相关系数矩阵（Cross-Correlation Matrix) 互相关系数矩阵显示某一数据表中各项目基于另外一张数据表的相关. 例如，作者的基于叙词的互相关系数矩阵可以显示有哪些团体在写作相同的作品. 再如：一个基于叙词的机构互相关系数矩阵可以显示那些在写作相同作品的机构. 创建互相关系数矩阵需选择两个字段，第一个字段是显示为矩阵中的行与列- 通常为一个字段或者自己定义的一小组数据，选择的第二个字段是分析行与列中项目相关关系的基础. 总体技术发展趋势宏观分析 地区覆盖范围 (国家、地区） 创新性活动进展 – 时间序列分析 （优先权年,最近15年） 专利权人趋势 （专利权人名称） 排名靠前的专利申请者的地区分布 （Top30） 排名靠前的专利申请者其专利申请活动的时间分布(最近15年) 技术发展趋势（时间分布、地区分布、专利权人分布）（Manual Code、NLP words、 热点技术（时间分布、地区分布、专利权人分布） 排名靠前的专利申请者的地区分布 （Top30） 排名靠前的专利申请者其专利申请活动的时间分布(最近15年) 技术发展趋势（不同公司的技术发展侧重点) 技术发展趋势（随年代的变化） 热点技术（时间分布、地区分布、专利权人分布） Map类型： 自相关系数地图（Auto-Correlation Map) 在相同的字段中，寻找关系密切的项目。如寻找合作密切的公司、发明人、国家。 互相关系数地图（Cross-Correlation Map) 在不同字段中，寻找关系密切的项目。如寻找哪些公司在相同的研发领域关系密切。 主成分地图 （Factor Map) 寻找经常共同出现在相同专利文献的项目，比如经常相伴出现的词（NLP);经常相伴出现的发明人；IPC；Manual Code，聚成词簇。 Auto-Correlation Maps 自相关关系图显示一张数据表中各个条目的相互关系。例如：一个作者自相关关系图可以显示在一起写作的团队成员。一个叙词的自相关关系图将可以因在同一记录中被使用显示它们之间的高度相关性。 注意: 对于自相关地图而言, 您应该选择那些在绝大多数记录中都含有多个数据的字段.例如, 作者或者叙词等都是好的选择. 出版日期则不应选择,因为每条记录只有一个出版日期. 提纲 Thomson Data Analyzer概况 数据导入与数据管理 数据清理/数据结构化 数据分析 生成报告 Clean：Combine Author Networks（发明人聚组） Clean：DWPI Clean Up ( DWPI Only) Export: Fro Aureka.vpm（生成可以导入Aureka的数据文件，记录之间以***TDA***） Export: Groups to Excel（将“组”导出到Excel) Export: Groups to Text (将“组”导出到Text) Export: Records to Excel （DWPI Only，将记录中预选好的字段导入Excel) Export: Records to Word (DWPI Only,将记录中预选好的字段导入Word) Export: Records to Word,将记录导出到Word) Report: Basic Report (DWPI Only，专利数位居前十位的专利权属人报告） Report: Company Comparison（2个或5个公司间的相互比较报告，相互间比较项目可以选择） Report: Company Report（报告：公司/发明人/年代/国家/技术，分析数据只来自一个机构） Report: IPC based Analysis ( DWPI Only,前10位专利权属人相关IPC相对Basic Patent Year的分析报告） Report: Make Pivot Chart in Excel（生成二维矩阵分析相应的数据透视表） Report: Plot List in Excel（将List中选定的数据复制到表格中，并自动生成柱形图） Report: Plot Matrix In Excel（将选定的二维矩阵分析复制到表格中，并自动生成三维图、柱形图、折线图） Report: Sum of Matrix Columns （将选定的二维矩阵分析表格中分析元素的列数与行数进行统计） Report: Technology Report（以技术/机构/发明人为参照点考量