融合深度学习和链路预测的细粒度技术预测研究——以合成生物技术为例

来源：图书情报工作杂志2022年第24期北京时间：

作者：胡雅敏,吴晓燕,廖兴滨,钱杨舸,陈方

单位：1. 中国科学院成都文献情报中心 成都 610299;2. 中国科学院大学经济与管理学院图书情报与档案管理系 北京 100190;3. 中国科学院成都计算机应用研究所 成都 610299

摘要：[目的/意义]面向专利文本进行更细粒度的技术实体识别和技术预测,利于更详细地把握专利技术布局与趋势。[方法/过程]首先利用深度学习方法自动识别专利技术术语类实体,通过实验对比多组深度学习算法的优劣。其次,提出新的半监督标注和自定义标注方案,提高人工标注效率。最后,执行训练得到的最优模型,结合链路预测方法,对合成生物技术进行细粒度的技术预测。[结果/结论]实证结果表明RoBERTa-BiLSTM-CRF模型更适用于语义复杂的专利技术实体识别,F1值可达到86.8%,技术识别结果比传统IPC分析方法更精细。同时,细粒度的技术预测结果表明,合成生物学的合成方法在不断改进创新,合成物研究向合成燃料发展。

关键词：技术术语识别,深度学习,技术预测,合成生物,

基金资助：本文系中国科学院成都文献情报中心2021年创新基金青年项目\"基于知识基因的领域创新路径分析框架研究\"(项目编号:E1Z0000202)研究成果之一。