典型文献
融合深度学习和链路预测的细粒度技术预测研究——以合成生物技术为例
文献摘要：
[目的/意义]面向专利文本进行更细粒度的技术实体识别和技术预测,利于更详细地把握专利技术布局与趋势.[方法/过程]首先利用深度学习方法自动识别专利技术术语类实体,通过实验对比多组深度学习算法的优劣.其次,提出新的半监督标注和自定义标注方案,提高人工标注效率.最后,执行训练得到的最优模型,结合链路预测方法,对合成生物技术进行细粒度的技术预测.[结果/结论]实证结果表明RoBERTa-BiLSTM-CRF模型更适用于语义复杂的专利技术实体识别,Fl值可达到86.8％,技术识别结果比传统IPC分析方法更精细.同时,细粒度的技术预测结果表明,合成生物学的合成方法在不断改进创新,合成物研究向合成燃料发展.
文献关键词：
技术术语识别;深度学习;技术预测;合成生物
中图分类号：
作者姓名：
胡雅敏;吴晓燕;廖兴滨;钱杨舸;陈方
作者机构：
中国科学院成都文献情报中心 成都610299;中国科学院大学经济与管理学院图书情报与档案管理系 北京100190;中国科学院成都计算机应用研究所 成都610299
文献出处：
引用格式：
[1]胡雅敏;吴晓燕;廖兴滨;钱杨舸;陈方-.融合深度学习和链路预测的细粒度技术预测研究——以合成生物技术为例)[J].图书情报工作,2022(24):92-103
A类：
技术术语识别
B类：
链路预测,细粒度,技术预测,预测研究,合成生物技术,利文,技术实体,实体识别,专利技术,技术布局,深度学习方法,自动识别,语类,实验对比,深度学习算法,半监督,自定义,练得,最优模型,RoBERTa,BiLSTM,CRF,Fl,技术识别,IPC,合成生物学,合成方法,不断改进,改进创新,合成物,合成燃料
AB值：
0.375997
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
