双通道WPOS-GRU专利分类法提升文本自动分类精度

本文主要探讨了一种创新的专利文本自动分类方法——基于双通道特征融合的WPOS-GRU（word2vec and part of speech gated recurrent unit，即词向量和词性标注的门限递归单元）。这项方法旨在提高专利文本分类的效率和准确度，以应对日益增长的专利文献管理和检索需求。 首先，方法的实施流程包括专利摘要文本的获取和预处理，这是确保后续处理质量的基础。通过对专利文本进行清洗，去除无关信息，有助于提高后续处理的效率和准确性。接着，对文本进行词向量表示和词性标注。词向量（word2vec）是将词语转化为数学向量，捕捉词语之间的语义关系，而词性标注则帮助识别每个词在句子中的语法角色，这对于理解专利文本的含义至关重要。 然后，将专利文本映射为word2vec词向量序列和POS词性序列两个特征通道。这两个通道分别关注词汇的语义和语法信息，提供了丰富的特征维度。利用这些特征，研究人员构建了WPOS-GRU模型，这是一种特殊的循环神经网络（RNN）架构，结合了门控机制，能够有效地捕捉文本中的长期依赖关系。 训练过程中，双通道特征融合机制将这两个通道的信息整合，使得模型能更全面地理解专利文本的特性。通过对比传统的专利分类方法和单通道分类方法，WPOS-GRU模型展现出了显著的优势，提高了分类的准确性和效率。这种方法不仅节省了大量的人力成本，还适应了大规模专利文本分类任务对自动化和高效性的需求。 论文的研究背景还包括国家自然科学基金资助项目，这体现了该方法的学术价值和实际应用潜力。作者团队由两位研究者组成，分别在信息系统、知识管理和信息管理与信息系统等领域有着深厚的学术积累，他们的合作推动了专利文本处理技术的发展。 总结来说，这篇论文介绍了一种新颖的专利分类策略，通过融合词向量和词性标注信息，利用WPOS-GRU模型优化了专利文本的自动分类过程。这种方法在提高分类精度和效率方面表现出色，具有广阔的应用前景。