劉曉英 文庭孝 孫玥瑩

（1.中南大學圖書館 長沙 410013；2.中南大學信息安全與大數(shù)據(jù)研究院 長沙 410083）

引言

技術挖掘（Technology Mining）是美國學者Porter提出的一種在已有科技文獻的基礎上分析當前技術現(xiàn)狀和將來技術走向的方法，用于技術演變分析、技術監(jiān)測、技術管理、技術評估、技術競爭情報分析等[1]。專利文獻是一種重要的技術文獻，蘊含豐富的專利技術信息，成為技術挖掘的重要對象。

對專利文獻和專利數(shù)據(jù)中的技術信息進行綜合挖掘和分析，宏觀上可應用于技術演變和預測研究等；中觀層面上可協(xié)助研究部門進行技術監(jiān)測與管理、競爭情報分析等；微觀上可以為特定領域的技術創(chuàng)新和研發(fā)提供知識服務，為專利改良或新專利發(fā)明創(chuàng)建基礎[1-2]。專利技術信息挖掘具有重要的應用價值，因此倍受國內外學者關注。

1 專利技術信息挖掘概述

專利信息挖掘，也稱為技術挖掘、專利挖掘、專利文本挖掘、專利數(shù)據(jù)挖掘等，是指在創(chuàng)意設計、技術研發(fā)、產品開發(fā)、技術貿易、專利訴訟等活動中，對所取得的專利技術成果從技術、法律、經濟和戰(zhàn)略層面進行剖析、整理、拆分和篩選，從而發(fā)現(xiàn)和獲得有價值的專利信息的過程，其核心是專利技術信息、法律信息、經濟信息和戰(zhàn)略信息挖掘[3-5]。專利信息挖掘的核心是專利技術信息挖掘。

廣義的專利信息挖掘包括專利檢索、專利分析、專利地圖、專利計量、專利數(shù)據(jù)挖掘和專利文本挖掘等內容，其本質都是有用專利信息的識別、發(fā)現(xiàn)、提取和利用，主要內容包括專利數(shù)據(jù)分析、專利信息挖掘、潛在規(guī)律發(fā)現(xiàn)、未來趨勢預測等方面。而狹義的專利信息挖掘則僅指專利數(shù)據(jù)挖掘和專利文本挖掘，是利用數(shù)據(jù)挖掘和文本挖掘方法對專利進行研究。專利數(shù)據(jù)挖掘是指利用數(shù)據(jù)挖掘方法直接處理專利元數(shù)據(jù)，得到專利共現(xiàn)、共引或共類、時間序列和網絡拓撲結構等方面的研究結果[6]。專利文本挖掘是指利用文本挖掘方法對專利文獻的題名、摘要和權利要求等字段進行研究，得到專利術語、分類和聚類等方面的研究結果[3]。專利信息挖掘的目的在于通過規(guī)范、有效的專利數(shù)據(jù)和文本挖掘方法，使隱含在專利文獻、專利數(shù)據(jù)庫和互聯(lián)網中的、有價值的專利信息顯性化，并以專利的形式進行保護，或以資源的形式加以利用。

專利信息挖掘有助于從主題和內容角度對專利文獻、數(shù)據(jù)庫和互聯(lián)網中包含的技術特征（術語、關鍵詞等）和法律信息（權利要求等）及其組合形成的衍生經濟信息（專利價值、同族專利等）和戰(zhàn)略信息（專利布局、技術趨勢等）等進行深層次分析，以測度專利文獻間的相似性，發(fā)現(xiàn)技術特征關聯(lián)、演變和規(guī)律等，從而有助于企業(yè)從宏觀層面把握技術發(fā)展趨勢，從微觀角度把握技術創(chuàng)新細節(jié)，輔助企業(yè)技術創(chuàng)新決策[3]。因此，專利信息挖掘可以起到梳理技術創(chuàng)新成果、提升專利申請質量、提前規(guī)避專利風險、發(fā)掘未來競爭優(yōu)勢等作用。

專利文本中包含著專利申請?zhí)枴⑸暾埲?、申請日、發(fā)明人、分類號等結構化信息以及專利摘要、技術背景及權力要求等非結構化信息，人工閱讀和分析這些文本信息十分耗時費力。而文本挖掘技術可以批量處理大量文本數(shù)據(jù)，從中提取有用的信息，從而發(fā)現(xiàn)潛在的知識或模式。專利文本挖掘涉及專利文本分類、文本聚類、技術主題識別、技術發(fā)展趨勢分析、合作伙伴尋找等。結構化專利信息提取與挖掘研究已趨成熟，而非結構化專利信息提取與挖掘還處于探索之中。

2 專利技術信息挖掘的方法與工具

2.1 專利技術信息挖掘方法

目前國內外常用的專利技術信息挖掘方法主要有四大類，即基于網絡、基于分類、基于聚類和基于信息抽取的專利技術信息挖掘方法。

（1）基于網絡的專利技術信息挖掘方法。專利文獻和專利信息在產生和形成過程中會形成各種網絡關系，這些網絡關系可以歸為兩類，即共現(xiàn)關系網絡（包括專利發(fā)明人和專利權人合作網絡、共類網絡、關鍵詞共現(xiàn)網絡等各種專利外部特征形成的關系網絡）和引證關系網絡（包括專利共被引和耦合網絡）。利用各類專利關系網絡可以有效進行專利技術信息挖掘，并可以揭示技術演進路徑[7-8]、挖掘關鍵技術子群[9]，預測技術發(fā)展趨勢[10]、分析技術發(fā)展態(tài)勢[11-12]、驗證技術創(chuàng)新網絡[13]、繪制產業(yè)技術路線圖[14]等。

（2）基于信息抽取的專利技術信息挖掘方法。專利文獻的信息抽取是指將體現(xiàn)專利技術信息的結構化信息從非結構化的專利文本中抽取出來以構建結構化語義模型的過程。信息抽取是技術信息挖掘的基礎，主要包括術語抽取和術語關系抽取兩個部分。專利技術術語及其關系抽取質量直接影響專利技術信息挖掘的效果。用于專利術語抽取的方法和算法很多，如基于分詞和詞性標注的抽取方法[15]、基于專利術語邊界標記集的抽取方法[16]、基于向量機（Support vector machine，SVM）的抽取方法[17]等。用于術語關系抽取的方法和算法較少，如基于維基百科特征關系模板、上下文向量相似度和向量機器學習識別上下位關系的抽取方法[18]，基于相對修飾度識別上下位關系的抽取方法[19]等。

（3）基于聚類的專利技術信息挖掘方法。專利聚類常用的方法有層次聚類[20]、K-means聚類[21]、神經網絡[22]、自組織映射[23]和多維尺度分析[24]等。另外，也可以利用專利特征信息共現(xiàn)、引用、共引和同被引關系等進行聚類[25-27]。其中關鍵詞共現(xiàn)常被用于技術主題聚類和識別，是專利技術信息挖掘的重要方法[28-31]。

（4）基于分類的專利技術信息挖掘方法。專利分類主要有分類器和基于TRIZ理論的分類兩種。分類器是一種專利自動分類工具，目前有基于KNN算法[32]、基于文本挖掘[33]、基于神經網絡（RBFNN）算法[34]、基于SCS和ACS及決策樹算法[35]、基于主動學習[36]、基于遺傳算法（HGA）等的專利自動分類器。TRIZ（Theory of Inventive Problem Solving）理論是一種解決發(fā)明問題的框架，目前有基于TRIZ理論及用戶與規(guī)則[37-38]、基于發(fā)明原理間相似性[39]、面向顯性發(fā)明原理的專利自動分類[40-41]等。

2.2 專利技術信息挖掘工具

常用的專利技信息挖掘工具主要包括兩大類：面向英文專利技術信息挖掘的工具，如TDA分析系統(tǒng)、Thomson Innovation（TI）分析系統(tǒng)、Innography、OpenRefine等；面向中國專利技術信息挖掘的工具，如專利信息分析系統(tǒng)（PIAS）、東方靈盾中外專利分析平臺、PatentEX、Patentool等。這些工具各有其優(yōu)缺點，如表1和表2所示。

TDA、TI、Innography屬于商業(yè)性專利技術信息挖掘工具，無論是在統(tǒng)計分析和引證分析方面，還是在文本挖掘和數(shù)據(jù)挖掘方面都比較成熟。此外， OpenRefine、BibExcel、Node XL、VOSviewer等面向英文的專利技術信息挖掘工具還可以解決專利數(shù)據(jù)清洗問題[42]。

我國的專利技術信息挖掘工具主要是基于專利特征信息統(tǒng)計分析的挖掘工具，在引證分析、文本挖掘和數(shù)據(jù)挖掘等方面都還存在欠缺。

3 專利技術信息挖掘實證研究

3.1 數(shù)據(jù)來源與挖掘工具

文章的專利數(shù)據(jù)來源于中國知網的專利數(shù)據(jù)庫，在專利名稱字段中輸入“行李箱”，IPC分類號限定為“A45C”，將專利申請日期設定為1987年1月1日至2016年12月31日，去掉“外觀設計”專利，獲得行李箱相關專利1 737條。將1 737條專利數(shù)據(jù)按5年一個時間段從數(shù)據(jù)庫中分別用Refworks格式、Endnote格式和引文格式導出，便于專利分析和文本挖掘。

表1 國外專利技術挖掘工具

表2 國內專利技術信息挖掘工具

目前，國內外具有代表性的開源專利技術信息挖掘工具主要有Weka、LingPipe、 LIBSVM和ROST CM等。其中ROST CM6是由武漢大學ROST團隊開發(fā)，并對中文專利技術信息挖掘支持性最好的工具[43]。因此，文章以ROST CM6為基礎，結合Citespace對中文專利技術信息進行深度挖掘和實證分析。

3.2 專利申請趨勢分析

1990—2016我國行李箱專利申請趨勢如圖1所示。由圖1可知，從1990年到2016年26年間我國行李箱專利申請總量不大，2010年以前各年專利申請量都很小，處于平穩(wěn)發(fā)展期。這主要是因為：一是我國行李箱市場需求不大，二是專利申請意識不強。2000年到2002年專利申請量有小幅增長，隨后又回落到之前的水平，這說明傳統(tǒng)的行李箱市場已經飽和，原有的行李箱技術已趨成熟，尚未出現(xiàn)新的技術增長點。直到2010年，行李箱專利申請量開始出現(xiàn)持續(xù)快速增長趨勢，進入高速發(fā)展期。這主要是因為用戶需求變化和新技術突破所致。

圖1 我國行李箱專利申請趨勢

3.3 專利申請類別分析

將1987—2016年我國行李箱專利申請類別按5年一個時間段進行統(tǒng)計分析，如表3所示。為了更清晰地反映我國行李箱專利技術發(fā)展趨勢，除了統(tǒng)計發(fā)明專利和實用新型專利外，還設計了實用新型與發(fā)明專利比這一指標，用于體現(xiàn)技術生長和技術成熟度。

從表3可以看出，行李箱實用新型專利申請量遠遠多于發(fā)明專利，實用新型專利從第一個5年到第三個5年都處于持續(xù)增長期，說明該領域技術改進占據(jù)主導。第四個5年實用新型專利申請所有下降，表明行李箱技術趨于成熟，尚未找到新的突破點。之后，實用新型專利申請量出現(xiàn)持續(xù)高速增長態(tài)勢。而發(fā)明專利在前四個5年期都處于平穩(wěn)發(fā)展狀態(tài)，之后也開始持續(xù)快速增長，說明我國行李箱技術適應市場需求找到了新的突破口，行業(yè)發(fā)展也進入到了一個新的發(fā)展時期。實用新型專利申請量增長速度高于發(fā)明專利申請量，表明該技術、市場和產業(yè)成熟度不斷提升。

表3 我國行李箱專利申請類別統(tǒng)計表

3.4 專利申請區(qū)域分析

利用Excel的分類、匯總、統(tǒng)計功能將省區(qū)地理字段抽出，得到我國行李箱專利申請主要省區(qū)分表，如表4所示。

從表4可以發(fā)現(xiàn)，1992—2011年間，臺灣、廣東和北京三地行李箱專利申請最多，重點是行李箱結構和功能。而近10年來，沿海省份，如江蘇、廣東、浙江、上海、福建等，成為行李箱研發(fā)的主力軍，發(fā)展最為迅速。沿海地區(qū)在技術、市場、人力、資源等方面有得天獨厚的區(qū)域優(yōu)勢。

表4 我國行李箱專利申請主要省區(qū)分布

3.5 專利發(fā)明人合作網絡分析

將從中國知網專利數(shù)據(jù)庫中導出的Refworks格式專利數(shù)據(jù)導入Citespace，抽取“Author（作者）”字段（分析前務必將“FD”字段替換為“YR”字段），生成專利發(fā)明人合作網絡圖譜。如圖2所示。觀察各時間段的專利發(fā)明人合作網絡，都比較松散，沒有形成規(guī)模較大且有影響的發(fā)明合作群體。只有2012—2016年的發(fā)明人合作網絡中出現(xiàn)了5個較為明顯的專利發(fā)明人合作群體，最大的發(fā)明人合作群體是以黃定為代表的7人研發(fā)團隊，重點技術研發(fā)領域是智能行李箱及包含移動平臺的行李箱。第二大合作群體是以徐靜為代表的6人研發(fā)團體，研發(fā)重心是自動控制和智能行李箱。其他3個合作群體都比較小?？梢姡覈男欣钕浼夹g創(chuàng)新以個體獨立研發(fā)為主，這可能與行李箱產品的結構簡單、功能單一等特征有關。隨著科學技術的發(fā)展以及人民需求的多樣化，智能、多功能行李箱技術將成為技術創(chuàng)新和研發(fā)的重點，個人研發(fā)、獨立作戰(zhàn)將難以適應，團隊合作、集體攻關將成為常態(tài)。

圖2 2012—2016年行李箱專利發(fā)明人合作網絡

3.6 專利申請主題分析

用ROST CM6在進行專利申請主題分析之前，必須進行分詞和抽詞，否則顯示的結果為亂碼。

（1）分詞。將導出的Endnote格式的專利文本數(shù)據(jù)進行“取消自動換行”設置，保證每個字段一行，確保專利名稱、摘要等字段按行抽取。為了節(jié)省時間同時又能保證準確率，先用在線隨機數(shù)生成器抽取200條專利申請數(shù)據(jù)構建語料庫，然后再用200條專利申請數(shù)據(jù)進行測試，并補充語料庫；最后對所有專利申請文本中的摘要進行分詞。分詞后，將六個5年的單個文檔合并，復制粘貼到Word文檔中，用“查找替換”功能對分詞結果進行修改，主要是修改結構、技術、功能等方面的術語。

（2）抽詞。在ROST CM中選用“輔助詞群抽取”，對專利申請摘要中的術語進行抽取。先建立名為“%AB”的文本文檔（TXT格式）作為詞群文檔，正文為“% AB”,是摘要字段分詞后的結果。

（3）主題分析。修正分詞并抽取摘要后，對每個時間段的摘要進行詞頻統(tǒng)計，然后使用“標簽云”構建語義網絡并進行可視化展示。如圖3、圖4、圖5、圖6和圖7所示。在使用“標簽云”時，可通過系統(tǒng)自帶的、可編輯的“highfreinvalid”文本文檔過濾掉無實際意義的詞，以利于語義網構建和可視化展示。建議將“highfreinvalid”文本文檔復制一份并另命名，如“highfreinvalid-1”，用于存放在任何領域均無實際意義的詞，如“雖然”“但是”等，作為停用詞。而“highfreinvalid”用于存放該技術領域有意義的詞，如“行李箱”等。在進行語義網絡構建時會自動使用“highfreinvalid”的文檔，可以避免修改。備份文檔可用于其他領域分析時補充擴展。

圖3 1987—1991年行李箱專利語義網

圖3表明，1987—1991年共申請了4件行李箱專利，早期的行李箱技術主要集中在行李箱構造以及穩(wěn)固上，骨架、外殼和展開是行李箱構造的三個重要方面，而其中行李箱中央位置的剛性最受關注。

圖4表明，1997—2001年間行李箱技術快速發(fā)展，出現(xiàn)了更多的行李箱專利術語，重點集中在“拉桿”“把手”“上鎖”“伸縮”等方面的設計，以及“定位”“控制”“容量”等功能的改良方面，且術語在之后的15年中始終有較高的頻次。

圖4 1997—2001年行李箱專利語義網

圖5表明，2002—2006年間行李箱技術重點在對行李箱功能進行改進方面。如果過濾掉一些如“行李箱” 等常見的高頻詞（分辨度小的詞匯）后生成專利術語標簽云可視化圖，可以顯示出一些新的行李箱技術領域。黑色框中的術語是這一時間段行李箱技術領域重點關注的專利申請動向，如“剎車”“彈簧”“減震”“折疊”“組裝”“省力”“連接”等。而行李箱結構方面的技術已經成熟，這些詞成為常用詞出現(xiàn)，沒有了分辨意義，因此可以過濾掉。

圖5 2002—2006年行李箱專利術語的標簽云

圖6 2007—2011年行李箱專利術語的標簽云

圖6表明，2007—2011年間行李箱技術領域掀起“多功能”行李箱熱潮，各種創(chuàng)新的功能組合涌現(xiàn)。黑色框中的“休息”和“座椅”，“樓梯”和“臺階”，“重量”和“防水”等功能，甚至出現(xiàn)了趣味性的“滑板”功能。市場需求表現(xiàn)多樣化趨勢，行李箱專利申請量也明顯增加，實用新型專利申請量從第四個5年的90件激增至234件。與此同時，對行李箱 “拉鏈”等結構，以及“折疊”“支撐”“控制”等功能仍受到一定程度的關注。此外，“電動機”“充電”等一些新詞匯出現(xiàn)，預計這些術語可能成為下一個5年的技術熱點。

在知識經濟時代，技術創(chuàng)新已成為企業(yè)發(fā)展的核心競爭。圖7表明，如果去掉一些結構和功能方面的、常見的、高頻且無分辨意義的術語后發(fā)現(xiàn)，2012—2016年間行李箱專利技術主要集中在電動、智能、安全、多功能等方面（用長方形直角框標注）。其中電動方面術語有“電機”“電源”“充電”等，智能方面的術語有“無線”“智能”“傳感器”“信號”“電子”等。在當今信息技術高度發(fā)達的信息時代，智能化是行李箱技術發(fā)展的必然趨勢。安全方面的術語有“防盜”“安全”“密碼鎖”“報警”等。安全功能貫穿整個行李箱的技術生命周期，在各個階段都受到重點關注。因為消費者的安全需求對行李箱技術的發(fā)展起著決定性作用，可以預見，將來結合新技術的行李箱的安全設計仍會是專利申請的重點。多功能方面的術語有“滑板”、“重量”顯示、爬“樓梯”等，但重要性下降，居于次要地位。此外，還出現(xiàn)一些新的術語，如“材料”“芯片”“手機”（用橢圓標出）等，會成為下一階段行李箱技術創(chuàng)新的核心。將來行李箱可能會內置智能芯片或與“手機”等移動設備緊密結合，產生更加智能化、便捷、安全的多功能行李箱。隨著國際市場競爭的加劇和新技術的挑戰(zhàn)，我國的行李箱技術領域還有廣闊的拓展空間。

圖7 2012—2016年行李箱專利術語的標簽云

4 結語

目前專利技術信息挖掘的方法主要有專利特征元素統(tǒng)計分析、專利文本挖掘、專利數(shù)據(jù)挖掘（關聯(lián)規(guī)則挖掘）、專利地圖挖掘等，并涌現(xiàn)出大量成熟的專利數(shù)據(jù)庫和專利分析工具，如德溫特專利數(shù)據(jù)庫（DII）及分析工具TDA，但這些分析工具不能分析中國的專利數(shù)據(jù)。我國國內也產生了一些專利分析工具，可以完成結構化的基本專利信息分析并提供可視化結果，但不能提供精確的專利分類分析以及從非結構化專利摘要和權利說明書中進行文本分析、關鍵詞分析等功能。因此無法開展深入有效的專利技術信息挖掘。因此，找到一套合適的可以對中文專利摘要和權利說明書進行文本分析的方法與工具，并挖掘其中潛藏的技術信息具有重要的應用價值。

使用ROST CM6對專利文獻中的技術信息進行挖掘，可以直接深入分析專利文本中的名稱、摘要、權利要求書等內容信息，明確專利技術研發(fā)的重點。但ROST CM6也存在一些缺陷，如由于專利摘要中的信息過于細致，從而導致信息雜亂而分散，影響分析和判斷的精確性，如果在分詞過程中有類似于Mesh詞表這樣的專利技術術語表進行規(guī)范的話，會大大提升分析精度。

（來稿時間：2017年7月）

參考文獻：

1. Alan L. Porter, Cunninggham S. Tech mining： exploiting new technologies for competitive advantage [J].John Wiley & Sons,2005：17-23.

2.呂詳惠，仇寶艷，喬鴻，等.基于本體的專利知識發(fā)現(xiàn)體系研究[J].計算機與信息技術，2008（7）：43-46.

3.馬天旗.專利分析方法、圖表解讀與情報挖掘[M].北京：知識產權出版社，2015 .

4.楊鐵軍.企業(yè)專利工作實務手冊[M].北京：知識產權出版社，2013 .

5.董新蕊，朱振宇.專利分析運用實務[M].北京：國防工業(yè)出版社，2016.

6.文庭孝.專利信息計量研究綜述[J].圖書情報知識，2014（5）：72-80.

7.范維熙,費鐘琳.基于德溫特專利引文網絡的技術演進路徑研究——以太陽能電池技術為例[J].情報雜志，2014（11）：62-66.

8.劉小玲,譚宗穎.基于專利網絡的技術演進研究方法探索[J].科學學研究，2013（5）：651-656, 731.

9.周磊,楊威.基于專利IPC的技術知識流網絡挖掘[J].現(xiàn)代情報，2016（1）：45-50.

10.張昕,姜馬.基于專利技術共現(xiàn)網絡的產業(yè)共性技術遴選研究——以我國生物產業(yè)為例[J]. 中國科技論壇，2015（1）：73-77.

11.翟東，孫武，張杰，等.基于動態(tài)網絡分析的LTE TDD技術專利分析[J].情報雜志，2014（7）： 63-69, 43.

12.李登杰，崔東升，馮秀珍，等.基于動態(tài)網絡的石墨烯專利技術分析[J].情報雜志，2015（10）：52-58, 33.

13.劉曉燕,阮平南,李非凡.基于專利的技術創(chuàng)新網絡演化動力挖掘[J].中國科技論壇，2014（3）：136-141.

14.劉彤,侯元元,吳晨生.多重關系專利網絡分析方法在產業(yè)技術路線圖的應用[J].情報雜志，2015（3）：65-70, 76.

15.曾鎮(zhèn)，呂學強，李卓.一種面向專利摘要的領域術語抽取方法[J].計算機應用與軟件，2016（3）：48-51.

16.丁杰,呂學強,劉克會.基于邊界標記集的專利文獻術語抽取方法[J].計算機工程與科學，2015（8）：1591-1598.

17.陳憶群，周如旗，朱蔚恒，等.挖掘專利知識實現(xiàn)關鍵詞自動抽取[J].計算機研究與發(fā)展，2016（8）：1740-1752.

18.曾鎮(zhèn).專利本體中術語及術語間關系抽取研究[D].北京：北京信息科技大學碩士論文，2015.

19.李軍鋒.專利領域本體學習方法研究[D].北京：北京信息科技大學碩士論文，2015.

20.蔡爽,黃魯成.基于聚類分析的專利申請組合研究[J].科技管理研究，2009（4）：269-271.

21. Kejzar N, Korenjak Cerne S, Batagelj V. Clustering of distributions： A case of patent citations[J]. Journal of Classification,2011, 28（2）：156-183.

22.田冬陽.基于M3-DGMF的專利數(shù)據(jù)聚類方法研究[J].計算機應用與軟件，2013, 30（3）：297-303.

23. Huang Suhsien, Ke Haoren, Yang Wei pang. Structure clustering for Chinese patent documents[J].Expert Systems with Applications，2008, 34（4）：2290-2297.

24.郝智勇，賀明科，譚文堂，等.基于多維標度法的專利文本可視化聚類研究[J].計算機應用研究，2010, 27（12）：4606-4607.

25. Chang Shann bin, Lai Kuei kuei, Chang Shu min.Exploring technology diffusion and classification of business methods： Using the patent citation network[J].Technological Forecasting &Social Change, 2009, 76（1）：107-117.

26. Lai Kuei kuei, Wu Shiao jun. Using the patent co-citation approach to establish a new patent classification system[J].Information Processing and Management，2005, 41（2）：313-330.

27.李睿， 張玲玲，郭世月.專利同被引聚類與專利引用耦合聚類的對比分析[J].圖書情報工作，2012, 56（8）：91-95.

28. Kang I S,Na S H, Kim J. Cluster-based Patent Retrieval[J].Information Processing& Management, 2007, 43（5）：1173-1182.

29. Kim Y G, Suh J H, Park S C. Visualization of Patent Analysis for Emerging Technology[J]. Expert Systems with Applications, 2008,34（3）：1804-1812.

30. Wang M Y, Chang D S, Kao C H. Identifying Technology Trends for R&D Planning Using TRIZ and Text Mining[J].R&D Management, 2010, 40（5）：491-509.

31. Yoon J, Kim K. Detecting Signals of New Technological Opportunities Using Semantic Patent Analysis and Outlier Detection[J].Scientometrics, 2012, 90（2）：445-461.

32. 苑迪文.基于KNN的專利文本分類算法研究[D].焦作：河南理工大學碩士論文，2012.

33.馬芳.基于神經網絡的文本挖掘在專利自動分類中的研究與應用[D].淄博：山東理工大學碩士論文，2009.

34.梁靜，徐亮，程文堂.機器學習算法在藥物專利分類中的應用研究[J].計算機與應用化學，2007, 24（10）：1341-1344.

35.葉志飛.并行化最小最大模塊化支持向量機及其在專利分類中的應用[D].上海：上海交通大學碩士論文，2009.

36. Zhang Xiao yu. Interactive patent classification based on multi-classifier fusion and active learning[J].Neuro computing，2014, 127（1）：200-205.

37. Loh H, He Cong, Shen Li xiang. Automatic classification of patent documents for TRIZ users[J]. World Patent Information,2006, 28（1）：6-13.

38. He Cong, Loh H. Pattern-oriented associative rule-based patent classification[J]. Expert Systems with Applications, 2010, 37（3）：2395-2404.

39. He C, Loh H T. Grouping of TRIZ Inventive Principles to Facilitate Automatic Patent Classification[J]. Expert Systems with Applications, 2008, 34（1）：788-795.

40.翟繼強,王克奇. 依據(jù)TRIZ發(fā)明原理的中文專利自動分類[J].哈爾濱理工大學學報，2013, 18（3）：1-5.

41.袁力,陳陽,趙勇.面向TRIZ理論使用者的多標簽專利分類[J].計算機科學，2013（11）：255-258, 266.

42.彭茂祥,李浩.基于大數(shù)據(jù)視角的專利分析方法與模式研究[J].情報理論與實踐，2016（7）：108-113.

43.張雯雯,許鑫.文本挖掘工具述評[J].圖書情報工作，2012（8）：26-31, 55.