基于M~3-DGMF的专利数据聚类方法研究.docx

该【基于M~3-DGMF的专利数据聚类方法研究 】是由【niuww】上传分享，文档一共【2】页，该文档可以免费在线阅读，需要了解更多关于【基于M~3-DGMF的专利数据聚类方法研究 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。基于M~3-DGMF的专利数据聚类方法研究
基于M~3-DGMF的专利数据聚类方法研究
摘要：
随着专利数量的不断增加，对专利数据进行管理和分析的需求日益迫切。专利数据的聚类可以帮助我们发现专利之间的关联性和相似性，从而提供决策支持和创新引领。本文提出了一种基于M~3-DGMF的专利数据聚类方法，该方法综合考虑了专利的文本信息、市场信息和引证信息，并通过图模型和矩阵分解相结合的方式实现了专利数据的聚类。实验证明，该方法可以有效地挖掘出专利之间的潜在关联性和相似性，为专利数据的管理和分析提供了有效手段。
1. 引言
专利数据是创新活动的重要组成部分，对于企业和政府决策具有重要的作用。然而，随着专利数量的不断增加，如何管理和分析大量的专利数据成为了一项颇具挑战性的任务。专利数据聚类可以帮助我们发现专利之间的关联性和相似性，从而为创新引领和决策支持提供依据。因此，开发一种高效且准确的专利数据聚类方法对于专利数据的管理和分析至关重要。
2. M~3-DGMF模型
M~3-DGMF是一种综合考虑文本信息、市场信息和引证信息的专利数据模型。该模型通过将专利数据抽象为多个维度的图模型，并利用矩阵分解来发现图模型中的隐含关系，实现了专利数据的聚类。
3. 基于M~3-DGMF的专利数据聚类方法
基于M~3-DGMF的专利数据聚类方法主要包括以下几个步骤：1) 数据预处理，包括去除噪声、归一化和特征选择；2) 构建专利数据的多维图模型，考虑专利的文本信息、市场信息和引证信息；3) 利用矩阵分解方法发现图模型中的隐含关系，并得到专利数据的低维表征；4) 利用聚类算法对低维表征进行聚类，发现专利数据的关联性和相似性。
4. 实验设计与结果分析
本文基于真实的专利数据集进行了实验验证。实验结果表明，基于M~3-DGMF的专利数据聚类方法可以有效地挖掘出专利之间的潜在关联性和相似性。对比实验结果进一步验证了该方法的有效性和准确性。
5. 结论与展望
本文提出了一种基于M~3-DGMF的专利数据聚类方法，该方法综合考虑了专利的文本信息、市场信息和引证信息，并通过图模型和矩阵分解相结合的方式实现了专利数据的聚类。实验证明，该方法可以有效地挖掘出专利之间的潜在关联性和相似性。未来的研究可以进一步优化该方法，提高聚类的准确性和效率。
参考文献：
[1] Kim, J., Truong, K., Chandrasekaran, S., ... & Shen, S. (2020). A survey on patent analysis and data mining. World Patent Information, 61, 101994.
[2] Trappey, A. J., Trappey, C. V., & Lee, W. B. (2018). Bibliometric analysis for technology innovation from patents using hierarchical clustering. PloS one, 13(1), e0190547.
[3] Zhang, W., Wang, C., Xu, S., ... & Tian, X. (2021). A Tripartite Multi-Dimension Graph Matrix Factorization Model for Patent Analysis. IEEE Transactions on Systems, Man, and Cybernetics: Systems.