俞琰，尚明杰，赵乃瑄

（1.南京工业大学信息管理与技术研究所，南京 210009；2.东南大学成贤学院电子与计算机学院，南京 211816）

1 引言

专利关键词是表明专利文献主题内容的一组词或者短语，被广泛应用于专利文献自动文摘、分类、检索、翻译、聚类等专利分析之中。而专利文献通常不包含关键词，需要人工标引。由于专利文献篇幅较长、内容专业，且近年来专利文献的数量急剧增长，使得人工标引专利关键词的方法已无法满足专利分析的需要。因此，如何利用计算机自动、高效、准确地抽取专利关键词成为一个重要的研究课题。

词频-逆文档频率（term frequency-inverse document frequency，TF-ⅠDF）[1]是目前使用较为广泛的关键词抽取方法之一。该方法首先通过词性规则匹配选取候选关键词，然后利用候选关键词在文档中的词频和数据集中的逆文档频率对候选关键词重要性进行评估，选择权重最大的若干候选关键词作为关键词。研究表明，该方法在专利关键词抽取方法中具有有效性[2]。

然而，目前的专利关键词抽取主要依据通用文本的关键词抽取方法，没有考虑专利文献自身的特征，关键词抽取结果仍有较大提升空间。具体来说，TF-ⅠDF方法在专利关键词抽取中主要存在两个问题。

问题1：基于人工制定的词性规则匹配方法费时、费力，且选取的候选关键词遗漏较多。例如，最常使用的词性匹配规则为依据形容词（a）和名词（n）的词性组合选取候选关键词[3]，这可能漏选包含动词（v）的“前馈/v神经网络/n”“命名/n实体/n识别/v”“自由基/n引发/v剂/n”，包含语素（g）“最大/a熵/g”，包含数词（m）的“二/m羟基/n乙基/n二甲基/n乙烯/n”“喹赛/n多/m”等关键词。……