刘硕 马建红

摘要 在对专利文本进行提取主题时，存在大量语义丰富的短语被拆分的问题，导致生成的主题难以理解。已有的将相似性约束的短语融入主题模型中的方法，没有考虑不同领域间短语的区别。因此，根据专利文本的特点，提出了一种融入领域短语知识的主题模型，通过序列化标注的方式抽取专业术语，句法分析的方法抽取功能短语，构建领域短语表。用语义相似度计算的方法对领域短语表进行扩展，将其作为先验知识融入到主题模型中，使用GPU模型（Generalized Pólya urn）强化领域短语，同时缓解领域短语带来的稀疏性，提高主题质量。在中文专利文本上的实验结果表明，融入领域短语知识的主题模型有效地解决了领域短语被拆分和主题可解释性差的问题。

关 键 词 专利文本;专业术语;功能短语;主题模型;Generalized Pólya urn模型

中图分类号 TP391.1     文献标志码 A

Abstract In the process of topic extraction of patent texts， a large number of semantically rich phrases are segmented， which makes the generated topic difficult to understand. The method of incorporating similarity-constrained phrases into the topic model ignores the differences in phrases in different fields. To solve the problem， according to the characteristics of patent texts， a topic model of fusion domain phrase knowledge is proposed. Technical terms are extracted by serialization annotation model， functional phrases are extracted by parsing method， and domain phrase table is constructed. The domain phrase table is extended by using the method of semantic similarity calculation. The Generalized Pólya urn model is used to enhance the domain-related phrase， alleviate the sparsity brought by the phrase， and improve the quality of the topic. The experimental results on Chinese Patent Texts show that the model effectively solves the problem of domain phrase segmentation and poor interpretability of topics.

Key words patent texts; technical terms; functional phrases; topic model; Generalized Pólya urn model

0 引言

随着时代的快速发展和科学技术的不断革新，专利的数量迅速上升，对专利文本进行分析变得越来越重要。对大规模的专利文本进行分析研究，归纳出专利语料库中所蕴含的语义信息，有助于专利分析人员在海量专利中快速了解某领域的概况。研究者们将LDA（Latent Dirichlet Distribution）主题模型应用在专利文本的研究中。

传统的主题模型是基于“词语袋”的模型，没有考虑单词的顺序，但是在文本挖掘任务中，语序和短语往往是分析文章的关键，短语相比于单个的词更容易让人们理解。最早的基于短语的主题模型是Wallach等[1]提出的BTM模型，它将双语模型和基于主题的方法相结合。……