分布式机器学习可视化装置
阅读：778发布：2020-05-08
专利汇可以提供分布式机器学习可视化装置专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种分布式 机器学习 可视化 装置，包括：组件模 块 、机器学习工作模块、配置模块、日志模块和报告模块，其中，组件模块用于提供拖拽组件以及报告的可查看编辑组件；机器学习工作模块用于为机器学习提供工作区域，允许将拖拽组件拖拽进入本模块，并进行 流程图 式连接；配置模块用于提供组件配置内容，并根据当前配置动态更新；日志模块，用于提供当前运行状态；报告模块用于在生成报告时，提供当前工作区域内各 节点 的详情以及运行结果的可视化内容。该装置可以为非机器学习专业人员提供一个 门 槛 低、可视化程度高的一个分布式机器学习平台，并可以有效应对海量数据以及高 精度 机器学习的问题，简单易实现。，下面是分布式机器学习可视化装置专利的具体信息内容。
1.一种分布式机器学习可视化装置，其特征在于，包括：
组件模块，用于提供拖拽组件以及报告的可查看编辑组件，其中，所述拖拽组件包括数据源组件、算法组件、模型组件和项目组件；
机器学习工作模块，用于为机器学习提供工作区域，允许将所述拖拽组件拖拽进入本模块，并进行流程图式连接，并包含：配置组件参数、查看当前节点结果、由当前节点开始运行后续机器学习流程、保存模型及生成报告的功能；
配置模块，用于提供组件配置内容，并根据当前配置动态更新；
日志模块，用于提供当前运行状态；
报告模块，用于在生成报告时，提供当前工作区域内各节点的详情以及运行结果的可视化内容，并支持可编辑，查看报告时，支持报告再编辑。
2.根据权利要求1所述的装置，其特征在于，
所述数据源组件支持导入csv、excel数据，连接数据库导入数据，及已有数据；
所述算法组件包括数据探索、数据预处理、特征工程、数据分析、模型评估等模块，同时每一模块含各自的算法，同时对每一个算法有其预设的配置以及操作逻辑；
所述模型组件包括用户已保存的模型；
所述项目组件包括新建项目和已有项目。
3.根据权利要求1所述的装置，其特征在于，所述机器学习工作模块具体用于机器学习建模pipeline流程构建、机器学习建模pipeline流程监测、机器学习建模pipeline流程翻译、机器学习建模pipeline流程运行、机器学习建模pipeline流程保存、机器学习建模pipeline流程报告和分布式机器学习pipeline流程化。
4.根据权利要求2所述的装置，其特征在于，将pipeline流程中的节点id作为数据对象中的key值，将起始节点放在startNode中，以作为机器学习流程执行的起点，其中，通过对每个节点的pre和next字段来判断当前节点类型，pre代表的是当前节点的前向节点，next代表的是当前节点的后向节点。
5.根据权利要求4所述的装置，其特征在于，
当pre的长度大于1时，则当前节点为聚合型节点，需要等待pre中的所有节点的上游流程执行完毕之后才可以执行当前节点；
当next的长度大于1时，则所述当前节点为分离型节点，执行完所述当前节点之后，对于next中的所有节点并行执行；
当pre与next的长度皆为1时，则所述当前节点为直线型，等待pre中的唯一节点执行完毕，执行所述当前节点，所述当前节点执行完毕，顺序执行next中的唯一节点；
当pre长度为0时，表示所述当前节点为开始节点，当next长度为0时，表示当前节点为结束节点。
分布式机器学习可视化装置
技术领域
背景技术
[0002] 当下的机器学习可视化系统多为逐步配置，逐步推进的建模技术，即对机器建模的每一步进行配置、运行，得到结果再推进下一步的过程。仅有较少的平台在机器学习可视化过程中推进了建模一体化技术，在机器学习可视化技术上取得了进展。例如，一种可视化机器学习训练模型的建模方法，包括实现可视化的流程设计、可视化的模型验证、可视化的查看中间结果，可以让数据分析师在不进行编码的情况下进行机器学习的训练。其中流程设计可以拖拽图形化算法组来建立图形化算法组件中的算法之间的数据流向，并生成流程描述语言；继而通过流程解析器，对流程设计器生成的流程描述语言进行解析，创建相应的学习组件和Spark学习管道；再由流程调度器将Spark学习管道提交到Spark集群上进行模型训练。从而实现了高质量机器学习建模。
[0003] 不难发现，在现有的技术中大多数还是将机器学习可视化进行逐步处理，很少以管道化的流程式技术处理。而在为数不多的流程式处理技术中，也是侧重于数据分析方法的建模以及模型评估，而对于能为数据分析提供策略和数据保障的数据探索、数据预处理、特征工程等部分则未能完整的加入到一体化建模流程中。再者，当数据量巨大时，机器学习算法运行耗时也会更久，因此当流程运行中出现问题时，再次从起点运行则会带来重复耗时的问题。同时，对建模以及模型评估之后的总结部分也没有一个完善的获取渠道，只能凭借用户自己的反复查看和观察，未能提供一份易于编辑、易于提取信息的可视化报告，因此带来了建模过程以及模型结果等内容未能得到良好的总结提升和复用问题。
发明内容
[0004] 本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005] 为此，本发明的目的在于提出一种分布式机器学习可视化装置，该装置可以为非机器学习专业人员提供一个门槛低、可视化程度高的一个分布式机器学习平台，并可以有效应对海量数据以及高精度机器学习的问题，简单易实现。
[0006] 为达到上述目的，本发明实施例提出了一种分布式机器学习可视化装置，包括：组件模块，用于提供拖拽组件以及报告的可查看编辑组件，其中，所述拖拽组件包括数据源组件、算法组件、模型组件和项目组件；机器学习工作模块，用于为机器学习提供工作区域，允许将所述拖拽组件拖拽进入本模块，并进行流程图式连接，并包含：配置组件参数、查看当前节点结果、由当前节点开始运行后续机器学习流程、保存模型及生成报告的功能；配置模块，用于提供组件配置内容，并根据当前配置动态更新；日志模块，用于提供当前运行状态；报告模块，用于在生成报告时，提供当前工作区域内各节点的详情以及运行结果的可视化内容，并支持可编辑，查看报告时，支持报告再编辑。
[0007] 本发明实施例的分布式机器学习可视化装置，将数据探索，数据预处理，特征工程，机器学习算法，生成模型，模型评估的建模过程pipeline一体化；对机器学习过程结合验证执行和全量数据执行两阶段来实现分布式机器学习pipeline一体化；对建模过程、建模结果等内容动态生成可编辑的可视化报告；从而为非机器学习专业人员提供一个门槛低、可视化程度高的一个分布式机器学习平台，并可以有效应对海量数据以及高精度机器学习的问题，简单易实现。
[0008] 另外，根据本发明上述实施例的分布式机器学习可视化装置还可以具有以下附加的技术特征：
[0009] 进一步地，在本发明的一个实施例中，所述数据源组件支持导入csv、eexcel数据，连接数据库导入数据，及已有数据；所述算法组件包括数据探索、数据预处理、特征工程、数据分析、模型评估等模块，同时每一模块含各自的算法，同时对每一个算法有其预设的配置以及操作逻辑；所述模型组件包括用户已保存的模型；所述项目组件包括新建项目和已有项目。
[0010] 进一步地，在本发明的一个实施例中，所述机器学习工作模块具体用于机器学习建模pipeline流程构建、机器学习建模pipeline流程监测、机器学习建模pipeline流程翻译、机器学习建模pipeline流程运行、机器学习建模pipeline流程保存、机器学习建模pipeline流程报告和分布式机器学习pipeline流程化。
[0011] 进一步地，在本发明的一个实施例中，将pipeline流程中的节点id作为数据对象中的key值，将起始节点放在startNode中，以作为机器学习流程执行的起点，其中，通过对每个节点的pre和next字段来判断当前节点类型，pre代表的是当前节点的前向节点，next代表的是当前节点的后向节点。
[0012] 进一步地，在本发明的一个实施例中，当pre的长度大于1时，则当前节点为聚合型节点，需要等待pre中的所有节点的上游流程执行完毕之后才可以执行当前节点；当next的长度大于1时，则所述当前节点为分离型节点，执行完所述当前节点之后，对于next中的所有节点并行执行；当pre与next的长度皆为1时，则所述当前节点为直线型，等待pre中的唯一节点执行完毕，执行所述当前节点，所述当前节点执行完毕，顺序执行next中的唯一节点；当pre长度为0时，表示所述当前节点为开始节点，当next长度为0时，表示当前节点为结束节点。
[0014] 本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0015] 图1为根据本发明实施例的分布式机器学习可视化装置的结构示意图；
[0016] 图2为根据本发明实施例的分布式机器学习可视化装置的处理流程图；
[0017] 图3为根据本发明实施例的机器学习pipeline流程简单示例示意图；
[0018] 图4为根据本发明实施例的数据流向示意图。
具体实施方式
[0019] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0021] 在互联网应用技术飞速发展的大背景之下，人类社会越发地活跃在互联网上，并且在各种网站、社交应用上创造了海量的数据，也因此带来了机器学习技术的蓬勃发展。然而从工作性能来看，面对数据的量级的不断增大，以及对机器学习算法的精准度要求提升，单机的机器学习性能无法满足计算速度和存储容量的需求。从实际操作来看，机器学习技术的操作复杂，起点较高，用户难以掌握；同时机器学习产生的结果也较为生涩，用户难以理解。为了解决上述问题，许多将分布式机器学习与可视化结合的技术开始兴起。
[0022] 在这些机器学习可视化技术中依然存在一些问题：第一、由于机器学习的模型构建包含数据探索，数据预处理，特征工程，数据分析，生成模型，模型评估，模型调优，数据预测等多个步骤，在这个过程中，用户必然有调整参数，重构模型等需求，这将导致用户需要多次推翻模型，从零开始重新搭建的繁琐操作；第二、当用户完成模型构建时，呈现给用户的只是一份模型参数结果，对于模型体系化、模型评估以及多个模型的对比无法呈现完整的高可视化的展示。
[0023] 针对上述问题，本发明实施例意在解决：一、单机系统难以应对海量数据以及高精度机器学习的问题，二、机器学习门槛高，操作复杂，结果抽象的问题。因此本发明实施例提出了一种分布式机器学习的可视化技术，提出了机器学习模型构建过程：数据探索，数据预处理，特征工程，机器学习算法，生成模型，模型评估的pipeline一体化技术；提出了高度可编辑和高度可视化的报告生成技术；提出了基于spark的分布式机器学习技术。旨在为非机器学习专业人员提供一个门槛低，可视化程度高的一个分布式机器学习平台。
[0024] 下面参照附图描述根据本发明实施例提出的分布式机器学习可视化装置。
[0025] 图1是本发明一个实施例的分布式机器学习可视化装置的结构示意图。
[0026] 如图1所示，该分布式机器学习可视化装置10包括：组件模块100、机器学习工作模块200、配置模块300、日志模块400和报告模块500。
[0027] 其中，组件模块100用于提供拖拽组件以及报告的可查看编辑组件，其中，拖拽组件包括数据源组件、算法组件、模型组件和项目组件。机器学习工作模块200用于为机器学习提供工作区域，允许将拖拽组件拖拽进入本模块，并进行流程图式连接，并包含：配置组件参数、查看当前节点结果、由当前节点开始运行后续机器学习流程、保存模型及生成报告的功能。配置模块300用于提供组件配置内容，并根据当前配置动态更新。日志模块400用于提供当前运行状态。报告模块500用于在生成报告时，提供当前工作区域内各节点的详情以及运行结果的可视化内容，并支持可编辑，查看报告时，支持报告再编辑。本发明实施例的装置10可以为非机器学习专业人员提供一个门槛低、可视化程度高的一个分布式机器学习平台，并可以有效应对海量数据以及高精度机器学习的问题，简单易实现。
[0028] 可以理解的是，本发明实施例的装置10的处理流程如图2所示，其中，组件模块100：提供数据源(可上传新数据，以及已有数据)，算法(数据探索，数据预处理，特征工程，数据分析)，模型，项目(可新建项目，以及已有项目)等4类拖拽组件以及报告的可查看编辑组件。机器学习工作模块200：为机器学习提供工作区域，允许将组件拖拽进入本模块，并进行流程图式连接，并包含：配置组件参数，查看当前节点结果，由当前节点开始运行后续机器学习流程，保存模型，生成报告等功能。配置模块300：提供组件配置内容，并根据当前配置动态更新。日志模块400：提供当前运行状态。报告模块500：生成报告时，提供当前工作区域内各节点的详情以及运行结果的可视化内容，并支持可编辑，查看报告时，支持报告再编辑。
[0029] 本发明实施例将分布式机器学习技术与可视化技术相结合，一共分为五个模块，下面将分别对每个模块进行详细阐述。
[0030] (一)组件模块
[0031] 组件模块100提供数据源、算法、模型、项目、报告五部分组件。其中，报告模块可点击查看已有报告，并对报告进行再编辑，其余四部分组件皆可拖拽至机器学习工作模组模块参与机器学习建模过程。所有组件都由数据库读取数据动态更新组件内容。
[0032] 其中，(1)数据源组件支持导入csv、excel数据，连接数据库导入数据，以及已有数据。(2)算法组件包括数据探索、数据预处理、特征工程、数据分析、模型评估等部分，同时每一部分包含其各自的算法，例如数据探索的全局统计、频率分析，数据分析的K均值聚类、关联分析等，同时对每一个算法有其预设的配置以及操作逻辑。(3)模型组件包括用户已保存的模型。(4)项目组件包括新建项目和已有项目，用户可以新建全新的项目，也可以对已有项目进行复用，在机器学习工作模块再现项目流程图，对项目进行再编辑，减少重复建模的繁琐操作。
[0033] (二)机器学习工作模块
[0034] 机器学习工作模块200为机器学习提供工作区域，是本发明实施例的核心模块。组件模块100中的数据源、算法、模型、项目组件都可以拖拽进入工作区域，并在本区域完成流程化的建模和对各组件节点的操作。
[0035] 机器学习工作模块200采用了拖拽技术和JSPlumb技术完成了对机器学习建模的流程化构建。工作过程如下：
[0036] 1、机器学习建模pipeline流程构建：拖拽进入工作区域的组件(当组件为数据、模型、算法时)节点生成唯一的节点id作为标识，此节点可以通过单击进行配置，右键点击进行删除节点、查看节点数据(结果)、由当前节点开始运行等操作；通过JSPlumb组件拖拽节点底部端点至另一节点顶部端点来生成连线，对连线点击则可删除连线。由点和线构成机器学习pipeline，并显示数据流向。(以图3所示为例)
[0037] 1.1、机器学习建模pipeline流程复现：拖拽项目组件进入工作区域时，将项目保存时工作区域的pipeline流程在工作区域重新绘制，并且可直接查看各节点运行结果与配置参数、可再次编辑运行。
[0039] 3、机器学习建模pipeline流程翻译：根据数据流向对机器学习流程图进行翻译，得到可理解、可判断执行顺序的数据结构。
[0040] 4、机器学习建模pipeline流程运行：运行区域内构建的机器学习模型，在日志模块显示运行状态，如果出现失败情况，则在日志中显示失败原因，调整之后则可以选择由失败节点开始重新运行。运行过程中，可以随时查看已完成节点的运行结果，并采用echarts技术结合图表对运行结果进行了可视化展示。
[0041] 5、机器学习建模pipeline流程保存：可以将pipeline流程保存模型，同时也对本项目进行保存，保存内容包括工作区域pipeline流程图、节点配置、节点运行结果等内容。
[0042] 6、机器学习建模pipeline流程报告：根据当前建模过程以及各结果动态生成报告模块。
[0043] 7、分布式机器学习pipeline流程化：基于上述的验证执行之后，将pipeline流程提交到spark集群上全量运行。
[0044] 进一步地，对于上述提到的机器学习流程中根据数据流向对pipeline流程进行翻译，此处进行详细说明。本发明实施例将流程的节点分为三种类型：直线型、聚合型、分离型，三种类型的数据流向如图4所示。直线型即为该节点仅包含一个输入与一个输出，聚合型则为该节点包含多个输入，分离型意为该节点包含多个输出。
[0045] 一个完整的机器学习pipeline流程的节点类型必然在这三种数据流向之中，因此可以定义数据结构来判断数据流向，进而将pipeline流程翻译为可用于判断执行顺序的数据结构。由图3生成的数据结构如下所示：
[0046]
[0047]
[0048]
[0049]
[0050] 在上述数据结构中，将pipeline流程中的节点id作为数据对象中的key值，将起始节点放在startNode中，以此作为机器学习流程执行的起点。通过对每个节点的pre和next字段来判断当前节点类型，pre代表的是当前节点的前向节点(也可以理解为树结构中的父节点)，next代表的是当前节点的后向节点(也可以理解为树结构中的子节点)。判断方法为：
[0051] (1)当pre的长度大于1时，则当前节点为聚合型节点，需要等待pre中的所有节点的上游流程执行完毕之后才可以执行当前节点。
[0052] (2)当next的长度大于1时，则当前节点为分离型节点，执行完当前节点之后，对于next中的所有节点应该并行执行。
[0053] (3)当pre与next的长度皆为1时，则当前节点为直线型，只需等待pre中的唯一节点执行完毕，便可执行当前节点，当前节点执行完毕，只需顺序执行next中的唯一节点。
[0054] (4)当pre长度为0时，表示此节点为开始节点，当next长度为0时，表示此节点为结束节点。
[0055] 以图3为例，data1节点会存在startNode中，由data1开始执行。根据其翻译得到的数据结构可知，data为分离型节点，因此并行执行全表统计和频率统计。之后的全表统计为直线型节点只需向下执行数据列拆分，同时并行的频率统计则为分离型节点其之后，则并行执行填充空值和过滤两个算法节点。而数据集成则为聚合型节点，需要等待数据列拆分和填充空值完成之后再执行，之后剩余节点均为直线型节点，顺序执行即可。
[0056] 此外在机器学习工作模块200中也涉及到与组件模块100、配置模块300、日志模块400、报告模块500的数据交互。本发明实施例基于Vue.js实现，因此在系统中使用了vuex来对系统中复杂的数据进行管理和交互。
[0057] (三)配置模块
[0058] 对于机器学习pipeline流程化中的每一个节点来说，首先其有自己的基本配置模式，其次，其上游流程中的每一个节点的配置内容都可能会对其配置内容产生影响，再者其配置之后又会对它下游流程中的节点产生影响。例如在图3中，对data1进行数据列拆分，根据配置分隔符产生新的数据字段[“year”,”month”,”day”]，那么在其之后的算法节点进行配置时，配置内容中的数据字段就要增加数据列拆分方法生成的3个新字段，而如果之后拆分节点被删除，则其后续配置中有使用拆分生成数据字段的节点则需要重新配置。因此本模块对每个节点配置采用的策略是：
[0059] 1、根据预设的配置模式获取当前节点的默认配置内容。
[0060] 2、根据机器学习工作模块中pipeline流程翻译得到的数据结构进行追溯，即由当前节点向上寻找至起始节点，从而获取由起始节点到当前节点的全部路径；再由起始节点向下对路径上的节点配置读取进而生成最新的配置内容。
[0061] 3、配置完成后，对其下游流程中产生影响的已有节点配置做出提示并更新配置内容。
[0062] 以图3为例，配置归一化内容，需要向上查找所有路径：归一化->数据列拆分->全表统计->data1；归一化->填充空值->频率统计->data1。然后对两条路径由开始节点向下逐步合并配置，更新配置内容。同时，当归一化的配置内容发生改变时，也要对其后面的节点关联分析和模型评估节点的配置内容进行更新，如果有产生已有配置的影响也要做出提示。
[0063] (四)日志模块
[0064] 日志模块400通过轮询来追踪机器学习流程运行的状态，并且将运行状态转化为友好型文字内容展示在日志部分。尤其当模型运行出现问题时，通过日志模块可以为用户提供错误信息，引导用户完成修改。用户则可以在修改之后由失败节点继续运行。本模块获取以及展示日志的具体功能实现为：
[0065] 1、当机器学习工作模块提交运行后，使用轮询技术获取当前的运行状态，当前运行节点，在上次查询之后产生的新的运行结果。
[0066] 2、将状态、节点、执行时间等内容在日志部分呈现，如果运行失败，则在日志部分展示失败原因以及错误定位。
[0067] 3、根据当前运行状态来改变机器学习工作区域的显示内容，将已成功运行、正在运行、运行失败、尚未运行四种不同状态展示为不同的可视化效果。
[0068] (五)报告模块
[0069] 报告模块500为用户提供了一个高度可编辑、可视化的报告生成工具。针对机器学习pipeline流程中的每个节点，平台根据其配置内容，运行结果等项生成基本的报告模块，在报告模块中结合图表等多种形式来可视化运行结果。从而生成极具说明性、总结性、可学习性的机器学习报告。本模块生成报告的具体功能实现为：
[0070] 1、为各个不同的组件预设报告模板，在报告模板中应用echarts技术结合图表等多种形式来进行可视化。
[0071] 2、获取机器学习工作模块的所有节点、节点配置、节点运行结果等信息。根据节点的类型选择正确的报告模板生成报告模块。将所有模块按序组成初版报告。
[0072] 3、用户根据自己的需求对报告中的模块进行增删，同时也可以增加总结性文字、图表等内容，进而生成最终的报告进行保存。
[0073] 4、对于已保存的报告，再次编辑时则可以对已有的模块内容进行增删，同时依然对用户自主增加的图表和文字进行修改。
[0074] 根据本发明实施例提出的分布式机器学习可视化装置，将数据探索，数据预处理，特征工程，机器学习算法，生成模型，模型评估的建模过程pipeline一体化；对机器学习过程结合验证执行和全量数据执行两阶段来实现分布式机器学习pipeline一体化；对建模过程、建模结果等内容动态生成可编辑的可视化报告；从而为非机器学习专业人员提供一个门槛低、可视化程度高的一个分布式机器学习平台，并可以有效应对海量数据以及高精度机器学习的问题，简单易实现。
[0075] 此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0076] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0077] 尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 对冷站机房的暖通逻辑流程进行编辑的方法和装置 | 2020-05-08 | 361 |
| 进程建模和界面 | 2020-05-11 | 204 |
| 一种PE文件地址定位系统 | 2020-05-12 | 973 |
| 一种复合材料雷击烧蚀损伤仿真分析的新方法 | 2020-05-08 | 478 |
| 一种控制模拟盘的设计方法及控制模拟盘 | 2020-05-08 | 344 |
| 基于高精度车载激光移动测量系统铁路工程限界检测方法 | 2020-05-12 | 930 |
| 一种流量切换方法、装置、及计算机设备 | 2020-05-12 | 526 |
| 一种大数据智能控制布袋除尘器优化控制方法及系统 | 2020-05-08 | 450 |
| 一种零编码的应用软件快速构建系统 | 2020-05-11 | 44 |
| 一种投资理财流程图的挂板结构 | 2020-05-12 | 456 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈