一种利用基于多层注意力的序列生成网络进行多罪名预测的方法
专利汇可以提供一种利用基于多层注意力的序列生成网络进行多罪名预测的方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种利用基于多层注意 力 的序列生成网络进行多罪名预测的方法，在融合神经网络与注意力机制 基础 上，更好地实现文本之间的上下文内容依赖，从而更准确地进行文本内容的多罪名提取。基于多层注意力机制(词级别和句子级别的attention机制嵌套)的多罪名 预测模型 对原始数据集进行改造，再通过刑法罪名之间的逻辑联系,从而将罪名间的关联信息融入到模型中。增加法条 抽取 器,法条文本 编码器 ,引入法条信息,又通过注意力操作,从原始文本中过滤掉对罪名罪名无关的文本信息,增强待预测罪名对应文本的信息表示,从而提升模型对待预测罪名的预测 精度 。，下面是一种利用基于多层注意力的序列生成网络进行多罪名预测的方法专利的具体信息内容。
1.一种利用基于多层注意力的序列生成网络进行多罪名预测的方法，其特征在于，包
括步骤如下：
(1)数据预处理：
对原始数据进行筛选，原始数据为裁判文书，将裁判文书中包含的犯罪事实描述部分
利用正则表达式匹配的方法抽取出来，做中文分词处理，得到裁判文书的全部数据集；将裁判文书的全部数据集打乱后，分成若干份，设定为N，N-1份做训练数据集，剩下1份做测试数据集；
(2)训练词向量，获取语义信息，语义信息是指词向量：
将上述步骤(1)得到的训练数据集输入skipgram神经网络模型或CBOW神经网络模型进
行训练，得到训练数据集中每一个词相应的词向量，构成词向量表；
(3)编码：
采用层级注意力网络进行编码，是指：将原始文本切分为句子级别，原始文本是指步骤
(1)抽取出来经过分词处理的犯罪事实描述部分；首先，对每个句子进行词级别的LSTM+注
意力操作，实现对每个句子的特征提取；然后，进行句子级别的LSTM+注意力操作，来获得整篇原始文本的特征表示；
(4)注意力操作：
通过注意力机制实现注意力操作，获取特征向量；
(5)解码：
采用LSTM作为基本解码单元；步骤(3)生成的特征向量送入LSTM，结合步骤(4)注意力
机制送来的特征向量，进行罪名的预测，并借鉴机器翻译，通过人为设置启动的罪名，将预测罪名的过程转化为罪名序列生成的过程，包括：
a、设置一个标识符“sos”，表示某一罪名的开始；
b、将标识符“sos”输入LSTM，LSTM作为基本解码单元的网络，得到第一个输出，第一个
输出作为第一个罪名特征向量；接着，第一个罪名特征向量作为网络的下一个输入，得到的输出作为第二个罪名特征向量，不断循环，直至当基本解码单元遇到“eos”标识符，得到网络最后输出的罪名；“eos”标识符表示最后输出的罪名标识。
2.根据权利要求1所述的一种利用基于多层注意力的序列生成网络进行多罪名预测的
方法，其特征在于，所述步骤(3)之后进行法条抽取，包括：首先，用法条抽取器选出前k个法条，然后，获取这k个法条的特征向量来表示语义信息，把特征向量送入注意力机制中。
3.根据权利要求1所述的一种利用基于多层注意力的序列生成网络进行多罪名预测的
方法，其特征在于，所述步骤(3)中，对每个句子进行词级别的LSTM+注意力操作，实现对每个句子的特征提取，包括步骤如下：
词编码：词编码器的特征抽取模块以双向LSTM作为基本的特征抽取器，输入原始文本
和前导罪名，词编码的实现公式如式(II)-(VIII)所示：
it＝σ(Wihht-1+Wixxt+bi) (II)
ft＝σ(Wfhht-1+Wfxxt+bf) (III)
ot＝σ(Wohht-1+Woxxt+bo) (IV)
gt＝tanh(Wghht-1+Wgxxt+bg) (V)
ct＝it⊙gt+ft⊙ct-1 (VI)
ht＝ot⊙tanh(ct) (VII)
式(II)-(VIII)中，ht-1表示当前时刻的前一时间步的隐藏状态表示向量，xt表示从步骤
(2)中得到的词向量，bi、bf、bo、bg为偏置向量，Wih、Wix、Wfh、Wfx、Woh、Wox、Wgh、Wgx表示权重矩阵，it，ft和ot分别代表LSTM的输入门，遗忘门和输出门；σ，tanh分别代表sigmoid激活函数和双曲正切函数 ⊙代表对应元素相乘；W，b分别代表LSTM
内部训练矩阵和偏置向量；ht-1，xt分别代表在时间步t-1时的隐藏层状态和时间步t时的输入；hbi代表前向隐藏层状态 和后向隐藏层状态 的级联向量；
词级别注意力操作：首先把词表示hit送入一个全连接层获得hit的隐藏表示uit，接着用
词级别的注意力权重向量Uw计算词的的重要性，并进行标准化处理，计算句子向量si作为基于权重的单词表示的加权和；实现公式如式(IX)-(XI)所示：
uit＝tanh(Wwhit+bw) (IX)
si＝∑tαithit (XI)
式(IX)-(XI)中，Ww和Uw代表注意力权重矩阵，bw代表偏置向量，hit表示第i个句子在时
序t时的隐藏状态，在注意力机制里，首先使用一个单层的神经网络对隐藏向量hit处理后得到一个隐藏表示uit，然后用这个隐藏表示uit经过softmax函数得到权重αit，最终一个句子的表示句子向量si就是权重αit与编码向量hit的和。
4.根据权利要求1所述的一种利用基于多层注意力的序列生成网络进行多罪名预测的
方法，其特征在于，所述步骤(3)，进行句子级别的LSTM+注意力操作，来获得整篇原始文本的特征表示，包括步骤如下：
句子编码：句子编码器的特征抽取模块以双向LSTM作为基本的特征抽取器，输入原始
文本和前导罪名，句子编码的实现公式如式(XII)-(XVIII)所示：
it，2＝σ(Wih，2ht-1，2+Wix，2xt，2+bi，2) (XII)
ft，2＝σ(Wfh，2ht-1，2+Wfx，2xt，2+bf，2) (XIII)
ot，2＝σ(Woh，2ht-1，2+Wox，2xt，2+bo，2) (XIV)
gt，2＝tanh(Wgh，2ht-1，2+Wgx，2xt，2+bg，2) (XV)
ct，2＝it，2⊙gt，2+ft，2⊙ct-1，2 (XVI)
ht，2＝ot，2⊙tanh(ct，2) (XVII)
式(XII)-(XVIII)中，ht-1，2表示当前时刻的前一时间步的隐藏状态表示向量，xt，2表示从词编码器中传送过来的表示向量，bi，2、bf，2、bo，2、bg，2为偏置向量，Wih，2、Wix，2、Wfh，2、Wfx，2、Woh，2、Wox，2、Wgh，2、Wgx，2表示权重矩阵，it，2，ft，2和ot，2分别代表LSTM的输入门，遗忘门和输出门；σ，tanh分别代表sigmoid激活函数 和双曲正切函数 ⊙
代表对应元素相乘；hbi，2代表前向隐藏层状态 和后向隐藏层状态 的级联向量；
句子级别的注意力操作：首先把词表示hi送入一个全连接层获得hi的隐藏表示ui，接
着，用词级别的注意力权重向量Us计算词的重要性，并进行标准化处理，计算句子向量v作为基于权重的单词注释的加权和，实现公式如式(XIX)-(XXI)所示：
ui＝tanh(Wshi+bs) (XIX)
v＝∑iαihi (XXI)
式(XIX)-(XXI)中，Ws和Us代表句子级别注意力权重矩阵，bs代表偏置向量，hi表示第i个
句子的隐藏状态，在注意力机制里，首先使用一个单层的神经网络对隐藏向量hi处理后得
到一个隐藏表示ui，然后用这个隐藏表示ui经过softmax函数得到权重αi，最终一个句子的表示子向量v就是权重αi与编码向量hi的和。
5.根据权利要求2所述的一种利用基于多层注意力的序列生成网络进行多罪名预测的
方法，其特征在于，所述步骤(4)中，通过注意力机制实现注意力操作，获取特征向量，实现公式如式(XXII)-(XXV)所示：
hj＝[ot，k] (XXII)
uj＝tanh(Wahj+ba) (XXIII)
a＝∑jαjhj (XXV)
式(XXII)-(XXV)中，Ot是指LSTM在t时刻的输出，k是指法条抽取器抽取的前k个法条的
特征向量；Wa和Ua代表注意力机制中的注意力权重矩阵，ba代表偏置向量，hj表示预测第j个罪名时的隐藏状态；首先，把词表示hj送入一个全连接层获得hj的隐藏表示uj，接着用注意力权重向量Ua计算文本篇章向量在预测这个罪名时篇章向量每一部分的各自权重αi，并进行标准化处理，计算特征向量向量a作为基于权重的向量注释的加权和； 是指隐藏表示uj
的向量转置。
6.根据权利要求1所述的一种利用基于多层注意力的序列生成网络进行多罪名预测的
方法，其特征在于，所述步骤(5)中，采用LSTM作为基本解码单元进行解码，包括：
LSTM操作，如式(XXVI)-(XXXII)所示：
it，3＝σ(Wih，3ht-1，3+Wix，3xt，3+bi，3) (XXVI)
ft，3＝σ(Wfh，3ht-1，3+Wfx，3xt，3+bf，3) (XXVII)
ot，3＝σ(Woh，3ht-1，3+Wox，3xt，3+bo，3) (XXVIII)
gt，3＝tanh(Wgh，3ht-1，3+Wgx，3xt，3+bg，3) (XXIX)
ct，3＝it，3⊙gt，3+ft，3⊙ct-1，3 (XXX)
ht，3＝ot，3⊙tanh(ct，3) (XXXI)
式(XXVI)-(XXXII)中，ht-1，3表示当前时刻的前一时间步的隐藏状态表示向量，xt，3表示当前时间步从注意力机制传来的表示向量，bi，3、bf，3、bo，3、bg，3为偏置向量，Wih，3、Wix，3、Wfh，3、Wfx，3、Woh，3、Wox，3、Wgh，3、Wgx，3表示权重矩阵，it，3，ft，3和ot，3分别代表LSTM的输入门，遗忘门和输出门；σ，tanh分别代表sigmoid激活函数 和双曲正切函数
⊙代表对应元素相乘；hbi，3代表前向隐藏层状态 和后向隐藏层状态
的级联向量；
输出部分融合后得到的特征输入到全连接层，实现公式如式(XXXIII)所示：
x＝f(WvA) (XXXIII)
式(XXXIII)中，W全连接层的待训练矩阵，vA代表decoder中的输出向量，f()表示全连
接层只对特征向量vA做了恒等映射，x为特征经过恒等映射后得到的特征输出；
全连接层得到的向量输入到softmax层，实现公式如式(XXXIV)所示：
式(XXXIV)中，xi代表全连接层对应第i个罪名的输出值，K代表罪名数量，pi表示预测第
i个罪名的概率。
7.根据权利要求1所述的一种利用基于多层注意力的序列生成网络进行多罪名预测的
方法，其特征在于，所述步骤(1)中，所述原始数据包括CJO数据集和CAIL数据集。
8.根据权利要求1所述的一种利用基于多层注意力的序列生成网络进行多罪名预测的
方法，其特征在于，所述步骤(2)中，skipgram神经网络模型中，训练窗口大小为8，每个词的向量维度可以自行指定，词的向量维度是200，迭代次数是15次。
9.根据权利要求1-8任一所述的一种利用基于多层注意力的序列生成网络进行多罪名
预测的方法，其特征在于，所述步骤(2)中，训练模型中，构造损失函数即交叉熵函数，交叉熵是指两个概率分布之间的距离，通过概率分布q来表达概率分布p的困难程度，p代表正确答案，q代表的是预测值，交叉熵越小，两个概率的分布越接近。
10.根据权利要求9所述的一种利用基于多层注意力的序列生成网络进行多罪名预测
的方法，其特征在于，预测值和真实罪名之间的交叉熵损失作为损失函数，损失函数如式
(I)所示：
式(I)中，yi代表真实罪名，pi代表模型对应第i个罪名的预测概率。
一种利用基于多层注意力的序列生成网络进行多罪名预测的
方法
技术领域
背景技术
市场规模巨大的法律数据库市场。2014年《，最高人民法院关于人民法院在互联网公布裁判
文书的规定》正式实施，最高法在互联网设立中国裁判文书网，统一公布各级人民法院的生
效裁判文书。
名的训练样本，然后用传统的多分类方法去训练。这种方法会导致训练样本的损失，所以不
推荐使用。还可以将训练样本按每个罪名构造一个训练集，每个样本属于或不属于这个罪
名，对每个罪名单独训练一个分类器，然后将多个分类器的结果合成。还有将每个多罪名单
独看做一个新罪名，在一个更多的罪名集上做多分类。当多罪名样本比较少时，这个方法就
比较受限。还有对每个有多个罪名的样本，复制该样本，每个样本具有不同的罪名，加入训
练集后使用覆盖分类法。二是调整现有的算法来适应多罪名的分类。调整的算法也比较多，
比如通过调整kNN、SVM等实现多分类，这些调整通常也会用到上面的转换。其中调整kNN实
现的多罪名分类可以加入先验概率，并能对输出罪名排序。基于SVM的算法中，有人在训练
集中加入了L个二分类的训练结果，然后再进行一次分类，这个方法考虑到了不同罪名之间
的依赖，也是应用栈(Stacking多个分类器的叠加)的一个特殊情况。还有人利用了相关规
则挖掘的方法。
点讲就是,多罪名分类是找到一个模型将输入映射到二值向量中.可以将多罪名问题转化
成一系列的二元分类问题,然后可以使用多个单罪名分类器进行处理。
罪名分类预测方法虽然克服了传统算法的特征表征性能差、对噪声敏感、任务层次低等缺
点，在基本的罪名分类中取得了不错的结果。但是，目前深度学习进行罪名分类的方式局限
于先采用递归神经神经网络提取信息再利用双向LSTM进行高维信息提取。此类方法存在以
下严重问题：
speak fluent”可以知道，下一个单词应该是一种语言，但是是哪种语言必须从更前面的语
句“I grew up in France“得到更多的信息，而相关信息与需要信息的位置之间的距离非
常大，当距离增加，RNN变得无法连接相关信息，丢失了大量关键信息。因此，如果能有效利
用较长距离间的上下文关系为神经网络模型的训练提供有效的监督，在实际应用中，能够
更加精确地对罪名内容进行合理检测。
关性。比方说，一名罪犯犯走私、贩卖毒品罪，那么他同时犯容留他人吸毒罪的可能性就很
高，但是犯贪污受贿罪的可能性就非常小。有效的挖掘罪名之间的相关性，是多罪名学习成
功的关键。
发明内容
的相关专业领域知识辅助有机地结合文本之间的上下文内容依赖，从而更准确地进行裁判
文书文本内容的多罪名提取。
learning high qualitydistributed vector”，上下文大小取值为4，特定的这个词是"
Learning"，也就是需要的输出词向量,上下文对应的词有8个，前后各4个，这8个词是模型
的输入。由于CBOW使用的是词袋模型，因此，这8个词都是平等的，也就是不考虑他们和我们
关注的词之间的距离大小，只要在我们上下文之内即可。在这个CBOW的例子里，我们的输入
是8个词向量，输出是所有词的softmax概率(训练的目标是期望训练样本特定词对应的
softmax概率最大)，对应的CBOW神经网络模型输入层有8个神经元，输出层有词汇表大小个
神经元。隐藏层的神经元个数我们可以自己指定。通过反向传播算法，我们可以求出模型的
参数，同时得到所有的词对应的词向量。这样当我们有新的需求，要求出某8个词对应的最
可能的输出中心词时，我们可以通过一次前向传播算法并通过softmax激活函数找到概率
最大的词对应的神经元即可。
efficient method for learning high quality distributed vector”，我们的上下文大
小取值为4，特定的这个词"Learning"是我们的输入，而这8个上下文词是我们的输出。
神经元。隐藏层的神经元个数我们可以自己指定。通过反向传播算法，我们可以求出模型的
参数，同时得到所有的词对应的词向量。这样当我们有新的需求，要求出某1个词对应的最
可能的8个上下文词时，我们可以通过一次前向传播算法得到概率大小排前8的softmax概
率对应的神经元所对应的词即可。
后对于映射得到的一组序列向量，我们再通过一层双向RNN结合“注意力”机制实现对文本
的分类(在本发明中使用的是LSTM结合“注意力”机制)。层级注意力网络结构如图3所示。首
先，通过一个线性层对双向LSTM的输出进行变换，然后通过softmax公式计算出每个单词的
重要性，最后通过对双向LSTM的输出进行加权平均得到每个句子的表示。
softmax函数后映射为(0，1)区间内的值，这些值的累计和为1(满足概率性质，我们可以把
它理解为概率)，最后选取输出结点的时候选取概率最大的结点作为分类预测目标。
以实现文书内容的多罪名分类。
下一个输入，得到的输出作为第二个罪名，不断循环，通过这种方式来得到最后网络输出的
罪名标识。
达式匹配的方法抽取出来，做中文分词处理，得到裁判文书的全部数据集；将裁判文书的全
部数据集打乱后，分成若干份，设定为N，N-1份做训练数据集，剩下1份做测试数据集；
使得我们在保留重要内容的同时筛除掉对罪名预测无用的信息。将原始文本切分为句子级
别，原始文本是指步骤(1)抽取出来经过分词处理的犯罪事实描述部分；首先，对每个句子
进行词级别的LSTM+注意力操作，实现对每个句子的特征提取；然后，进行句子级别的LSTM+
注意力操作，来获得整篇原始文本的特征表示；
名的过程转化为罪名序列生成的过程，包括：
到的输出作为第二个罪名特征向量，不断循环，直至当基本解码单元遇到“eos”标识符，得
到网络最后输出的罪名；“eos”标识符表示最后输出的罪名标识。
名预测过程中对应关键词关键句信息整合，从而完成最终的多罪名预测。
制中。
升罪名预测效果。
200，迭代次数是15次。
确答案，q代表的是预测值，交叉熵越小，两个概率的分布越接近。
LSTM内部训练矩阵和偏置向量；ht-1,xt分别代表在时间步t-1时的隐藏层状态和时间步t时
的输入；hbi代表前向隐藏层状态 和后向隐藏层状态 的级联向量；
为基于权重的单词表示的加权和；实现公式如式(IX)-(Ⅺ)所示：
后得到一个隐藏表示uit，然后用这个隐藏表示uit经过softmax函数(公式(X))得到权重αit，
最终一个句子的表示句子向量si就是权重αit与编码向量hit的和；
⊙代表对应元素相乘；hbi,2代表前向隐藏层状态 和后向隐藏层状态 的级联向量；
作为基于权重的单词注释的加权和，实现公式如式(XIX)-(XXI)所示：
后得到一个隐藏表示ui，然后用这个隐藏表示ui经过softmax函数得到权重αi，最终一个句
子的表示子向量v就是权重αi与编码向量hi的和。
注意力”操作来获得整篇文章的特征表示，通过这种层级注意力操作的组合,可以得到犯罪
事实文本中的关键字词和关键句信息,从而提高模型的建模能力和预测效果。这样既解决
了长文本的建模问题，又可以得到关键句子关键词的表征，提升模型的信息表征能力。
第j个罪名时的隐藏状态；首先，把词表示hj送入一个全连接层获得hj的隐藏表示uj，接着用
注意力权重向量Ua计算文本篇章向量在预测这个罪名时篇章向量每一部分的各自权重αi，
并进行标准化处理,计算特征向量向量a作为基于权重的向量注释的加权和； 是指隐藏表
示uj的向量转置。
的级联向量；
问题
的问题。
具体实施方式
达式匹配的方法抽取出来，做中文分词处理，得到裁判文书的全部数据集；将裁判文书的全
部数据集打乱后，分成若干份，设定为N，N-1份做训练数据集，剩下1份做测试数据集；
力降维操作，使得我们在保留重要内容的同时筛除掉对罪名预测无用的信息。将原始文本
切分为句子级别，原始文本是指步骤(1)抽取出来经过分词处理的犯罪事实描述部分；首
先，对每个句子进行词级别的LSTM+注意力操作，实现对每个句子的特征提取；然后，进行句
子级别的LSTM+注意力操作，来获得整篇原始文本的特征表示；
名，将预测罪名的过程转化为罪名序列生成的过程，包括：
到的输出作为第二个罪名特征向量，不断循环，直至当基本解码单元遇到“eos”标识符，得
到网络最后输出的罪名；“eos”标识符表示最后输出的罪名标识。
名预测过程中对应关键词关键句信息整合，从而完成最终的多罪名预测。
取部分；
升罪名预测效果。
值，交叉熵越小，两个概率的分布越接近。预测值和真实罪名之间的交叉熵损失作为损失函
数，损失函数如式(Ⅰ)所示：
LSTM内部训练矩阵和偏置向量；ht-1，xt分别代表在时间步t-1时的隐藏层状态和时间步t时
的输入；hbi代表前向隐藏层状态 和后向隐藏层状态 的级联向量；
为基于权重的单词表示的加权和；实现公式如式(IX)-(XI)所示：
后得到一个隐藏表示uit，然后用这个隐藏表示uit经过softmax函数(公式(X))得到权重αit，
最终一个句子的表示句子向量si就是权重αit与编码向量hit的和；
⊙代表对应元素相乘；hbi,2代表前向隐藏层状态 和后向隐藏层状态
的级联向量；
作为基于权重的单词注释的加权和，实现公式如式(XIX)-(XXI)所示：
后得到一个隐藏表示ui，然后用这个隐藏表示ui经过softmax函数得到权重αi，最终一个句
子的表示子向量v就是权重αi与编码向量hi的和。
注意力”操作来获得整篇文章的特征表示，通过这种层级注意力操作的组合,可以得到犯罪
事实文本中的关键字词和关键句信息,从而提高模型的建模能力和预测效果。这样既解决
了长文本的建模问题，又可以得到关键句子关键词的表征，提升模型的信息表征能力。
时刻的反向隐藏表示，o1表示双向LSTM在第1时刻的输出表示，uw代表“词级别注意力”权重
矩阵；
隐藏表示，o1表示双向LSTM在第1时刻的输出表示，us代表“句子级别注意力”权重矩阵，
第j个罪名时的隐藏状态；首先，把词表示hj送入一个全连接层获得hj的隐藏表示uj，接着用
注意力权重向量Ua计算文本篇章向量在预测这个罪名时篇章向量每一部分的各自权重αi，
并进行标准化处理,计算特征向量向量a作为基于权重的向量注释的加权和； 是指隐藏
表示uj的向量转置。
的级联向量；
并以Binary Relevance(BR)、Classifier Chains(CC)、Label Powerset(LP)、
Hierarchical Attention Networks多罪名分类算法和Predict Charges for Criminal
Cases with Legal Basis论文中的模型为对比，数据集CJO的实验结果如表1所示，数据集
CAIL的实验结果如表2所示，本发明提出的利用基于多层注意力的序列生成网络进行多罪
名预测的方法在CAIL和CJO两个数据集中的效果要优于其他几个模型。
没有添加法条抽取模块。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 神经机器翻译模型的构建方法及装置、翻译方法及装置 | 2020-05-08 | 803 |
| 针对头衔标准化的与语言无关的机器学习模型 | 2020-05-08 | 911 |
| 一种基于神经网络的古文翻译方法 | 2020-05-08 | 494 |
| 一种利用基于多层注意力的序列生成网络进行多罪名预测的方法 | 2020-05-08 | 322 |
| 一种机器翻译方法、装置及系统 | 2020-05-12 | 453 |
| 一种新词发现和词性预测及标注的方法 | 2020-05-12 | 319 |
| 基于神经网络对文本编码的方法、装置、设备及存储介质 | 2020-05-12 | 387 |
| 一种基于张量分解技术的神经语言模型的压缩方法 | 2020-05-08 | 975 |
| 文本翻译方法及装置 | 2020-05-13 | 1033 |
| 留学文书智能自动创作系统 | 2020-05-08 | 707 |
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。
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。
