基于融合指标的电力专利可信数据挖掘方法研究

电力专利信息不断增长,已超过传统挖掘方法处理的极限,挖掘效果明显下降,因此提出一种基于融合指标的电力专利可信数据挖掘方法。构建电力专利信息关联模型,经过排序获取最佳专利可信信息。采用表示学习模型提取词性特征与组合特征,设计深层表示学习模型。利用TF-IDF算法,求取各命名实体所对应的词向量,依据余弦相似度度量专利信息的语义相似度,实现信息语义融合。最后通过机器学习的支持向量机分类方法,实现电力专利信息挖掘。仿真实验表明,所提方法不仅可以有效挖掘专利信息,而且效率与精准度较为理想。

基于态势感知的电力专利数据自动分类方法研究

传统的电力专利数据多是利用人工进行分类的,分类结果准确率低,尤其是面对复杂的电力专利数据群时,传统方法的弊端更为明显,提出基于态势感知的电力专利数据自动分类方法。利用态势感知理念提取电力专利数据,通过多维设计将电力数据划分到不同单元组中,根据处理结果制定自动分类计划,实现专利数据自动分类。实验结果表明,基于态势感知的电力专利数据自动分类方法具有很强的自动分类能力,相较于传统分类方法,该分类方法面对复杂的电力专利数据群时仍然可以确保分类准确率。