文件大小：1.26M
摘要：[目的]考虑消费者需求和技术专利之间的数据多源性和非结构性，本文旨在解决现有研究中需求和专利文档的文本挖掘不充分问题以及需求-技术匹配不准确问题。 [方法]本研究结合需求多任务学习框架TDAM和F-term专利识别方法，旨在设计出一种更为精确有效的需求-技术匹配流程框架，并以新能源汽车领域为例应用本文的方法，验证其有效性。 [结果]从模型匹配性能上，本文模型的需求-技术匹配精确度为0.819，比S-LDA模型精确度高了将近10%，比BiLSTM模型高了将近20%。召回率为0.796，F1值为0.801。 [局限]本研究存在以下不足：实验中仅收集了日本专利，数据来源不够全面。 [结论]应用本文所研究的内容可生成与用户需求匹配度较高的专利技术，促进企业制定针对特定消费者需求的技术解决方案，从而引导相关企业确定技术研发方向。
文章目录
1 引言
2 相关研究
2.1 基于用户生成内容的需求分析
2.2 基于专利信息的技术机会识别
2.3 用户-需求技术匹配
3 方法框架
3.1 基于TDAM模型的需求主题提取与情感挖掘
3.2 基于F-term代码的专利识别与收集
3.3 基于SAO结构语义分析的需求-专利技术匹配算法
4 基于新能源汽车领域的实验过程
4.1 用户评论收集和意见挖掘
4.2 新能源汽车技术领域的F-term专利识别
4.3 通过SAO语义相似度计算进行需求-技术匹配
5 结果分析与验证
5.1 结果分析
5.2 与现有神经网络模型的对比
6 结语
