一种汽车口碑语义情感分析系统
阅读：2发布：2020-09-06
专利汇可以提供一种汽车口碑语义情感分析系统专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种 汽车 口碑语义 情感分析 系统，包括：实时监控模 块 、语义挖掘模块和系统展示模块；实时监控模块用于根据爬虫技术实时全网获取汽车用户评论数据；语义挖掘模块用于对评论数据进行挖掘出汽车相关的主题关键词，并对主题关键词进行情感倾向分析得到情感分析数据；系统展示模块根据情感分析数据对车型整体、关键属性以及产品竞争 力 细节进行统计分析，形成 可视化 图表；本发明利用 人工智能 算法 对用户的相关评论语料进行分析，解决 现有技术 中没有系统专 门 针对用户对汽车的评价进行分析，无法快速了解用户对汽车的评价技术问题，快速了解用户对汽车的评价，可以在竞争中处于知己知彼的有利地位，可广泛应用于汽车行业中。，下面是一种汽车口碑语义情感分析系统专利的具体信息内容。
1.一种汽车口碑语义情感分析系统，其特征在于，包括：实时监控模块、语义挖掘模块和系统展示模块；
所述实时监控模块用于根据爬虫技术实时全网获取汽车用户评论数据；
所述语义挖掘模块用于对所述评论数据进行挖掘出汽车相关的主题关键词，并对所述主题关键词进行情感倾向分析，得到情感分析数据；
所述系统展示模块根据所述情感分析数据对车型整体、关键属性以及产品竞争力细节进行统计分析，形成可视化图表，辅助管理决策。
2.如权利要求1所述的汽车口碑语义情感分析系统，其特征在于，所述语义挖掘模块包括词库单元、语义主题挖掘单元和情感倾向分析单元；
所述词库单元用于储存所述评论数据，并对所述评论数据进行分词处理；
所述语义主题挖掘单元用于对分词处理后的所述评论数据进行识别分词主题，所述主题包括一级主题和二级主题；
所述情感倾向分析单元用于对所述主题进行褒义和贬义情感的有效识别。
3.如权利要求2所述的汽车口碑语义情感分析系统，其特征在于，所述一级主题包括外观、内饰、动力、操控以及油耗；所述二级主题包括车头、漆面以及座椅。
4.如权利要求3所述的汽车口碑语义情感分析系统，其特征在于，所述词库单元包括汽车词库、形容词词库、一级主题关键词映射库、二级主题关键词映射库和分词子模块；
所述汽车词库用于储存所述评论数据；所述分词子模块用于通过分词技术对所述汽车词库中的评论数据进行分词得到相关形容词并储存到所述形容词词库；所述一级主题关键词映射库对所述形容词词库中的数据进行一级主题关键词映射；所述二级主题关键词映射库对所述形容词词库中的数据进行一级主题关键词映射。
5.如权利要求4所述的汽车口碑语义情感分析系统，其特征在于，所述对一级主题的识别，包括：
结合分词结果和所述一级主题关键词映射库，提取句子中能够指向一级主题的关键词，为其确定上下文语境；
对于输入的关键词及其语境，根据语言模型计算结果判断该关键词指向的一级主题；
根据句中全部关键词判断句子的一级主题。
6.如权利要求4所述的汽车口碑语义情感分析系统，其特征在于，所述对二级主题的识别，包括：
根据所述二级主题关键词映射库，设置决策树形式的二级主题识别规则，对于单主题的关键词直接指向所述的二级主题；
对于多主题的关键词，在该关键词的上下文语境窗口内寻找到其他二级关键词，增大关键词指向所属二级主题的概率，确定其二级主题。
7.如权利要求4所述的汽车口碑语义情感分析系统，其特征在于，所述情感倾向分析单元对所述主题进行褒义和贬义情感的有效识别，包括：
针对不同的主题分别建立回归模型；
基于所述形容词词库，使用梯度下降法训练确认各个形容词权重，得到优化的回归模型；
针对新的评论语句，代入优化后的所述回归模型中根据函数值判断测试样本的褒贬。
8.如权利要求1所述的汽车口碑语义情感分析系统，其特征在于，所述对车型整体、关键属性以及产品竞争力细节进行统计分析，包括：
针对不同车型展示客观分析指标；
针对每个车型分析消费者口碑的优劣势，并结合评价的广度，区分优势口碑点、劣势口碑点、争议口碑点和次劣势口碑点；
深度挖掘每个主题下的口碑细节，以及对特定配置的评价结果。
9.如权利要求8所述的汽车口碑语义情感分析系统，其特征在于，所述客观分析指标包括好评率、差评率以及情感指数。
10.如权利要求8所述的汽车口碑语义情感分析系统，其特征在于，所述口碑细节包括外观主题下的整体风格、前脸、侧身、尾部的差评率和好评率。
一种汽车口碑语义情感分析系统
技术领域
背景技术
[0002] 经过多年的发展，汽车市场慢慢趋向成熟和稳定，同时，伴随着近年经济环境的影响，汽车厂商及经销商之间竞争加剧；再者，消费者的个性化需求意识增强，其购买习惯及喜好需要被更加重视，能否在竞争中取得优势取决于能否把握住消费者的消费偏好。基于以上背景，广泛而客观的聆听消费者的声音至关重要，本项目的目的就是要根据互联网上消费者大量的评论等文本形式的语言，建立起从中挖取有指导意义内容的一套方法及系统。
发明内容
[0004] 本发明提供了一种汽车口碑语义情感分析系统，以解决现有技术中没有任何一套系统专门针对用户对汽车的评价进行分析，无法快速了解用户对汽车的评价技术问题，从而利用人工智能算法对用户的相关评论语料进行分析，进而实现快速了解用户对汽车的评价，可以在竞争中处于知己知彼的有利地位。
[0005] 消费者评论汽车安全、运动、简单大气等等，或者更详细比如“线条动感”、“大灯漂亮”等，反映了汽车的整体或某部分给人的感受，构成了汽车形象特征。将对品牌建设很有帮助，可以据此进行品牌定位分析，判断是否一致。另外，还可以进行情感倾向的判断。
[0007] 所述实时监控模块用于根据爬虫技术实时全网获取汽车用户评论数据；
[0008] 所述语义挖掘模块用于对所述评论数据进行挖掘出汽车相关的主题关键词，并对所述主题关键词进行情感倾向分析，得到情感分析数据；
[0010] 作为优选方案，所述语义挖掘模块包括词库单元、语义主题挖掘单元和情感倾向分析单元；
[0011] 所述词库单元用于储存所述评论数据，并对所述评论数据进行分词处理；
[0012] 所述语义主题挖掘单元用于对分词处理后的所述评论数据进行识别分词主题，所述主题包括一级主题和二级主题；
[0013] 所述情感倾向分析单元用于对所述主题进行褒义和贬义情感的有效识别。
[0014] 作为优选方案，所述一级主题包括外观、内饰、动力、操控以及油耗；所述二级主题包括车头、漆面以及座椅。
[0015] 作为优选方案，所述词库单元包括汽车词库、形容词词库、一级主题关键词映射库、二级主题关键词映射库和分词子模块；
[0016] 所述汽车词库用于储存所述评论数据；所述分词子模块用于通过分词技术对所述汽车词库中的评论数据进行分词得到相关形容词并储存到所述形容词词库；所述一级主题关键词映射库对所述形容词词库中的数据进行一级主题关键词映射；所述二级主题关键词映射库对所述形容词词库中的数据进行一级主题关键词映射。
[0017] 作为优选方案，所述对一级主题的识别，包括：
[0018] 结合分词结果和所述一级主题关键词映射库，提取句子中能够指向一级主题的关键词，为其确定上下文语境；
[0019] 对于输入的关键词及其语境，根据语言模型计算结果判断该关键词指向的一级主题；
[0020] 根据句中全部关键词判断句子的一级主题。
[0021] 作为优选方案，所述对二级主题的识别，包括：
[0022] 根据所述二级主题关键词映射库，设置决策树形式的二级主题识别规则，对于单主题的关键词直接指向所述的二级主题；
[0023] 对于多主题的关键词，在该关键词的上下文语境窗口内寻找到其他二级关键词，增大关键词指向所属二级主题的概率，确定其二级主题。
[0024] 作为优选方案，所述情感倾向分析单元对所述主题进行褒义和贬义情感的有效识别，包括：
[0025] 针对不同的主题分别建立回归模型；
[0026] 基于所述形容词词库，使用梯度下降法训练确认各个形容词权重，得到优化的回归模型；
[0027] 针对新的评论语句，代入优化后的所述回归模型中根据函数值判断测试样本的褒贬。
[0028] 作为优选方案，所述对车型整体、关键属性以及产品竞争力细节进行统计分析，包括：
[0029] 针对不同车型展示客观分析指标；
[0030] 针对每个车型分析消费者口碑的优劣势，并结合评价的广度，区分优势口碑点、劣势口碑点、争议口碑点和次劣势口碑点；
[0031] 深度挖掘每个主题下的口碑细节，以及对特定配置的评价结果。
[0032] 作为优选方案，所述客观分析指标包括好评率、差评率以及情感指数。
[0034] 相比于现有技术，本发明实施例具有如下有益效果：
[0035] 本发明利用人工智能算法对用户的相关评论语料进行分析，解决现有技术中没有任何一套系统专门针对用户对汽车的评价进行分析，无法快速了解用户对汽车的评价技术问题，从而快速了解用户对汽车的评价，可以在竞争中处于知己知彼的有利地位。附图说明
[0036] 图1：为本发明实施例中的系统结构示意图；
[0038] 图3：为本发明实施例中的二级主题运行规则逻辑时序图；
[0039] 图4：为本发明实施例中的情感分析模型的线性回归示意图。
具体实施方式
[0040] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0041] 请参照图1和图2，本发明优选实施例提供了一种汽车口碑语义情感分析系统，包括：实时监控模块、语义挖掘模块和系统展示模块；
[0042] 所述实时监控模块用于根据爬虫技术实时全网获取汽车用户评论数据，包括车主口碑、论坛评论和社交媒体等内容，为语义挖掘分析提供基础数据素材。
[0043] 所述语义挖掘模块用于对所述评论数据进行挖掘出汽车相关的主题关键词，并对所述主题关键词进行情感倾向分析，得到情感分析数据；语义挖掘模块由一级主题识别模、二级主题识别模、情感分析模型组成。定义了描述汽车的一级主题和二级主题，建立汽车相关词库。基于网上超过200万条口碑数据，运用逻辑回归、马尔柯夫链语言模型、决策树等算法训练模型，语义主题挖掘子模型可以识别9个一级主题和73个二级主题，识别准确率达到81％；情感倾向分析子模型可在不同主题下有效识别褒义和贬义情感，识别准确率达到
83％以上。
83％以上。
[0044] 语料标注定义了描述汽车的9个一级主题和一级主题下的73个二级主题，对各主题给出严格定义，并制定各主题的人工判断方法，形成标准。据此对抓取的评论语料进行标注，人工为语句打上一级主题、二级主题标签，并判断各主题情感倾向，作为训练样本。
[0045] 在本实施例中，所述语义挖掘模块包括词库单元、语义主题挖掘单元和情感倾向分析单元；所述词库单元用于储存所述评论数据，并对所述评论数据进行分词处理；所述语义主题挖掘单元用于对分词处理后的所述评论数据进行识别分词主题，所述主题包括一级主题和二级主题；所述情感倾向分析单元用于对所述主题进行褒义和贬义情感的有效识别。
[0046] 所述词库单元分析大量评论语料，紧密结合汽车行业经验，参考语料的TF-IDF值，建立汽车特征名词词库、形容词词库、一级主题关键词主题映射库、二级主题关键词主题映射库等重要数据库。
[0047] 在本实施例中，所述词库单元包括汽车词库、形容词词库、一级主题关键词映射库、二级主题关键词映射库和分词子模块；所述汽车词库用于储存所述评论数据；所述分词子模块用于通过分词技术对所述汽车词库中的评论数据进行分词得到相关形容词并储存到所述形容词词库；所述一级主题关键词映射库对所述形容词词库中的数据进行一级主题关键词映射；所述二级主题关键词映射库对所述形容词词库中的数据进行一级主题关键词映射。
[0048] 在本实施例中，所述一级主题包括外观、内饰、动力、操控以及油耗；所述二级主题包括车头、漆面以及座椅。
[0049] 在本实施例中，所述对一级主题的识别，包括：结合分词结果和所述一级主题关键词映射库，提取句子中能够指向一级主题的关键词，为其确定上下文语境；对于输入的关键词及其语境，根据语言模型计算结果判断该关键词指向的一级主题；根据句中全部关键词判断句子的一级主题。
[0050] 一级主题是指描述了对汽车的主要关注点，包括外观、内饰、空间、动力、操控、舒适性、油耗、性价比、配置等九个主题。一级主题识别方法是基于关键词位置系数的贝叶斯方法，采用产生式模型。主要步骤为：
[0051] (1)将句子分词、去停用词处理；
[0052] (2)找到句子中指向一级主题的关键词；
[0053] (3)根据上下文语境判断每个关键词指向的一级主题；
[0054] (4)综合句子中的全部关键词来判断句子所属一级主题。
[0055] 建立了四个一级主题相关词库，分别是：words_1ec、words_ecs、words_adj、words_super，其中：关键词只指向一个一级主题，存储在words_1ec中；不止指向一个一级主题的关键词存储在words_ecs；非名词性的关键词，比如具有一定指向性的形容词，存储在words_adj；为了避免误伤，保留指向性非常强的词不会被过滤，存储在words_super中。
[0056] 指向多个一级主题的关键词需要通过概率模型来计算其对应的一级主题。
[0057] 1，使用Unigram一元模型
[0058] Unigram模型属于N-gram模型中的一元模型，unigram model假设文本中的词服从多项分布，语境中每个词出现的概率互相独立，句子和句子之间互相独立。依据关键词附近单个词组成的语境来判断该语境属于一级主题ecp还是ecq。
[0059] 2，引入语境词的位置系数，改进的马尔柯夫链语言模型：
[0060] p(Wc,ecp)＝p(ecp)p(WL|ecp)αp(WR|ecp)βp(WT|ecp)γ
[0061] 3，一级主题的比较与判断，则需要满足：
[0062] p(Wc,ecp)>p(Wc,ecq)
[0063] ecp是正确的类别，ecq是错误的类别
[0064] 4，训练过程
[0065] 使用正确类别概率与错误类别概率之差定义Loss函数，进行参数优化使Loss函数达到最小，得到α,β,γ。α,β,γ遵循如下约束：
[0066] 0≤α≤1
[0067] 0≤β≤1
[0068] 0≤γ≤1
[0069] 将α,β,γ结果代回p(Wc,ecp)中进行主题判断。
[0070] 5，一级主题识别实现
[0071] 主要分为两部分，第一部分训练程序确定函数的参数值；第二部分使用参数结果，求解输入语句的函数值，并输出一级主题。
[0072] 训练程序主要使用的模块有分词模块jieba,数学计算模块numpy和scipy，自然语言处理常用模块nltk，还有python内置的pickle、json模块。
[0073] 1)读取初始的评论数据文件生成按主题分类的样本文件，然后按7：3划分训练集、测试集。
[0074] 2)对样本数据分词并存储。
[0075] 3)统计分词后样本数据中所有词的出现率。
[0076] 4)基于样本的词频数据和建立的一级主题关键词库，对所有关键词进行参数优化，将loss函数优化到最小，输出为关键词的[α向量，γ值，β向量]，存储训练结果。
[0077] 在应用中判断一个句子的一级主题，是将句中所有关键词所对应的一级主题综合起来作为整句的一级主题。
[0078] 二级主题是相对于一级主题而言，颗粒度更细的主题划分，二级主题依赖于一级主题而存在，例如将外观进一步细化为整体外观、车头、车身、车尾、车身尺寸、漆面等类别。在9个一级主题下，共定义了73个二级主题。
[0079] 二级主题主要通过设计类似决策树的逻辑规则来判断，主要依赖于关键词对二级主题的映射。二级主题的关键词逻辑与一级主题类似，分为单主题的关键词与多主题的关键词。
[0080] 二级主题主要通过所设计的规则来判断，运行规则逻辑如图3所示。
[0081] 二级主题的判断需要关键词表的支持，采用参考TF-IDF值的方法来获取二级主题关键词。TF-IDF是评价某个词对于某个主题重要程度的基础方法。TF-IDF值计算的公式：
[0082]
[0083]
[0084] TF-IDF＝TF*IDF
[0085] 算出所有词的TF-IDF值之后，提取所有值在0.04以上的词，保存下来再进行一轮人工校验，根据测试结果需要数次校验会得到较好结果。
[0086] 二级主题词库从提取出的二级主题关键词中产生。建立二级主题所用词库，分为单主题词库和多主题词库：
[0087] sec_words(单主题的词，形式为{词：{一级主题编号：二级主题})})；
[0088] sec_words_2(多主题，形式为{词：{一级主题编号：[二级主题1，二级主题2…]}})[0089] 针对每个关键词，为其划分语境范围，划分的语境为最大包含关键词在内的前后共8个词，划分范围不能超过前后的标点；逐个判断句中的关键词是否属于二级主题关键词库，若不属于词库，则丢弃，直接开始判断下一个关键词。
[0090] 在本实施例中，所述对二级主题的识别，包括：根据所述二级主题关键词映射库，设置决策树形式的二级主题识别规则，对于单主题的关键词直接指向所述的二级主题；对于多主题的关键词，在该关键词的上下文语境窗口内寻找到其他二级关键词，增大关键词指向所属二级主题的概率，确定其二级主题。
[0091] 情感分析即根据评论语句判断语句的情感倾向，目的是判断用户对汽车各个部分的满意程度。在本实施例中，使用的是由用户情感词来判断褒贬的方法，基于logistic回归建模，使用梯度下降法确认权重，再代回logistic回归的sigmoid函数中，根据函数值判断测试样本的褒贬。
[0092] 由于在不同主题下同一个词可能有不同的情感倾向，如“油耗高”和“性价比高”中的形容词“高”是相反的情感，因此情感分析模型建立不同的主题进行训练。
[0093] 情感分析模型以情感词向量作为输入，以情感倾向正向、负向、中立等作为输出，本质上是多分类的问题，逻辑回归是其有效的解决方法。如图4所示，Logistic回归是一种广义的线性回归模型，依靠sigmoid函数来进行分类。
[0094]
[0095] 其中，z＝ω0x0+ω1x1+ω2x2+…+ωnxn
[0096] 令向量ω＝(ω0,ω1,ω2,…,ωn)，x＝(x0,x1,x2,…,xn)
[0097] 则有z＝ω·x
[0098] ω是线性方程的系数，对应各个情感词的权重，x是句子的形容词存在向量，逻辑回归是通过训练出ω来计算所输入词向量的类别。
[0099] 在向量x中，元素顺序与形容词表中的索引一致，如果一个形容词存在于句子里，则对应的x值为1，不存在为0，而表示这个形容词的否定如“不XX”则为-1。如句子“大气但不精致”，向量如表1所示：
[0100]
[0101] 表1：向量示例列表
[0102] 将此向量代入sigmoid函数，即可计算出所述类别。
[0103] 1，读取用户评论数据作为样本，按三比七的比例划分测试集和训练集；
[0104] 2，训练程序
[0105] 形容词表准备。形容词向量的产生需要依赖于语料中的所有形容词，在本实施例中所有一级主题、二级主题使用统一的形容词表。
[0106] 形容词向量生成。将类似“很好看”、“真好看”、“好看的”等形式的形容词统一成“好看”的词表，以便分词后充分提取。每个形容词生成一整套各种表达方式，制作成替换词表。
[0107] 读取形容词表将所有形容词及其否定形式合并成完整词表adj，对于输入的句子，首先使用分词工具进行分词；然后通过正则表达式，利用替换词表将句中所有形式的形容词统一形式；然后通过正则表达式匹配否定形式的词语；最后综合得到的句中统一形式的形容词及匹配到的形容词否定形式，按形容词表adj顺序依次确认adj中的形容词是否在句中存在：不存在为0，存在为1，如果句中有“不/不太/没+形容词”等等否定的表达则为-1，由此生成一个形容词的存在向量，每一个句子都生成这样一个向量。
[0108] 使用样本进行分主题训练。首先得到每一个训练样本句子的情感词存在向量，形成一个情感词存在矩阵。建立情感词的权重向量，与情感词表长度相等，取情感词的初始值全部为1，即：
[0109] ω0＝(1,1,1,…,1)
[0110] 使用梯度下降法对ω向量进行更新，取步长为0.001，迭代500次。
[0111] 最终训练的结果以[形容词表，权重表]的形式存储，形容词表和权重表里词的顺序要对应。
[0112] 在本实施例中，所述情感倾向分析单元对所述主题进行褒义和贬义情感的有效识别，包括：针对不同的主题分别建立回归模型；基于所述形容词词库，使用梯度下降法训练确认各个形容词权重，得到优化的回归模型；针对新的评论语句，代入优化后的所述回归模型中根据函数值判断测试样本的褒贬。
[0113] 针对不同的主题建立logistic回归模型，基于形容词库，使用梯度下降法训练确认各个形容词权重，得到logistic回归模型，针对新的评论语句，代入logistic回归的sigmoid函数中根据函数值判断测试样本的褒贬。
[0114] logistic回归模型：
[0115]
[0116] 所述系统展示模块根据所述情感分析数据对车型整体、关键属性以及产品竞争力细节进行统计分析，形成可视化图表，辅助管理决策。系统展示模块将针对车型整体、关键属性以及产品竞争力细节进行统计分析，形成可视化图表，辅助管理决策。包括但不限于：针对不同车型展示好评率、差评率、情感指数等客观分析指标；针对每个车型分析消费者口碑的优劣势，并结合评价的广度，区分优势口碑点、劣势口碑点、争议口碑点和次劣势口碑点；深度挖掘每个一级主题下的口碑细节，如比外观主题下的整体风格、前脸、侧身、尾部的差评率和好评率；以及对特定配置的评价结果。
[0117] 在本实施例中，所述对车型整体、关键属性以及产品竞争力细节进行统计分析，包括：针对不同车型展示客观分析指标；针对每个车型分析消费者口碑的优劣势，并结合评价的广度，区分优势口碑点、劣势口碑点、争议口碑点和次劣势口碑点；深度挖掘每个主题下的口碑细节，以及对特定配置的评价结果。
[0118] 在本实施例中，所述客观分析指标包括好评率、差评率以及情感指数。
[0119] 在本实施例中，所述口碑细节包括外观主题下的整体风格、前脸、侧身、尾部的差评率和好评率。
[0120] 利用人工智能算法实现汽车口碑语义情感分析，是结合大量汽车相关评论语料、汽车行业经验及人工智能算法三个方面所实现的一种汽车相关评论的语义情感分析方法。基于汽车相关评论语料及行业经验，定义了描述汽车的9个一级主题和一级主题下的73个二级主题，并建立了多种词库，针对消费者对汽车相关的口碑评论文本，结合自然语言处理技术和词库，分析消费者对所评论的汽车在一级主题(如外观、内饰、动力、操控、油耗等)、二级主题(如车头、漆面、座椅等)各个方面的认可度和情感倾向。
[0121] 实时监控的汽车口碑语义情感分析，在产品开发、市场营销、产品定价等方面都大有帮助。(1)提供新车上市前产品策划建议。根据车主评论，及时调整产品的不利因素，例如产品设计缺陷、定位模糊等问题。(2)对已有车型进行有针对性地改善产品线，实现配置增减优化，例如，年款更换时的配置调整、内饰设计等。(3)及时发现质量隐患，提前防范和对应重大的事故的可能，例如，发动机漏油、变速箱易坏等。(4)用于营销推广，获取车型在消费者心中的形象，扬长避短，引导关注产品优势和核心卖点，实时监听营销效果。(5)产品预售价格的舆情分析。
[0122] 以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于图标的多尺度乒乓球战术分析可视化系统 | 2020-05-30 | 2 |
| 一种基于大数据的工业机器人预测性状态监控方法 | 2020-06-10 | 0 |
| 一种可视化的多联络点配电网故障区段关联方法 | 2020-07-09 | 0 |
| 一种大气气溶胶有机碳(OC)/元素碳(EC)可视化分离制备装置 | 2022-10-22 | 1 |
| 低温流体凝结可视化的实验装置 | 2022-11-24 | 2 |
| 一种办公楼宇内控系统智能化模拟系统 | 2022-11-30 | 1 |
| 一种基于BIM技术的异形金属屋面参数化设计施工方法 | 2021-02-08 | 1 |
| POI设备及系统 | 2020-12-08 | 1 |
| 一种可视化美容仪 | 2020-05-23 | 0 |
| 一种无人机综合图像采集系统 | 2021-10-11 | 1 |
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。
可视化热门专利
QQ群二维码
意见反馈
意见反馈