词向量的生成方法、装置、计算机设备和存储介质
阅读：888发布：2021-06-09
专利汇可以提供词向量的生成方法、装置、计算机设备和存储介质专利检索，专利查询，专利分析的服务。并且本 申请 涉及一种词向量的生成方法、装置、计算机设备和存储介质。所述方法包括：获取待生成词向量的目标词汇；获取所述目标词汇中各字的字向量；所述字向量为多维度向量；采用胶囊网络对所述目标词汇中各字的字向量进行语义聚类，得到所述目标词汇的目标词向量。通过本 发明 实施例 ，可以很好地整合字向量中的语义信息，使目标词向量具有更高维度的语义信息。，下面是词向量的生成方法、装置、计算机设备和存储介质专利的具体信息内容。
1.一种词向量的生成方法，其特征在于，所述方法包括：
获取待生成词向量的目标词汇；
获取所述目标词汇中各字的字向量；所述字向量为多维度向量；
采用胶囊网络对所述目标词汇中各字的字向量进行语义聚类，得到所述目标词汇的目标词向量。
2.根据权利要求1所述的方法，其特征在于，所述采用胶囊网络对所述目标词汇中各字的字向量进行语义聚类，得到所述目标词汇的目标词向量，包括：
获取所述目标词向量与所述字向量之间的关系表达式；所述关系表达式根据压缩函数构建得到；
采用动态路由算法对所述关系表达式进行迭代计算，得到所述目标词向量。
3.根据权利要求2所述的方法，其特征在于，所述关系表达式为：
其中， squash为所述压缩函数，yi为所述字向量，v为所述目标词向量，
4.根据权利要求3所述的方法，其特征在于，所述采用动态路由算法对所述关系表达式进行迭代计算，得到所述目标词向量，包括：
初始化bi＝0；
根据公式bi←
其中，Softmax为归一化指数函数。
5.根据权利要求1所述的方法，其特征在于，所述获取所述目标词汇中各字的字向量，包括：
采用分布式表述确定所述目标词汇中各字的字向量。
6.根据权利要求1所述的方法，其特征在于，所述获取待生成词向量的目标词汇，包括：
获取目标文本；
对所述目标文本进行分词处理，得到多个所述目标词汇。
7.根据权利要求1所述的方法，其特征在于，所述目标词向量的维度数与所述字向量的维度数相同。
8.一种词向量的生成装置，其特征在于，所述装置包括：
目标词汇获取模块，用于获取待生成词向量的目标词汇；
字向量获取模块，用于获取所述目标词汇中各字的字向量；所述字向量为多维度向量；
目标词向量获得模块，用于采用胶囊网络对所述目标词汇中各字的字向量进行语义聚类，得到所述目标词汇的目标词向量。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
词向量的生成方法、装置、计算机设备和存储介质
技术领域
背景技术
[0002] 近年来，深度学习的相关技术被越来越多的应用到自然语言处理(natural language processing，NLP)领域中。其中，词嵌入(Word Embedding)技术是NLP领域的上游任务，将字或词表示为一个向量，从而可以为NLP领域的下游任务提供额外的语义信息，并作为下游任务模型的网络初始化。
[0003] 相关技术中，大多数的中文词嵌入采用词作为最小语义单元，即采用词向量。目前，词向量只能得到字与字之间的字面联系，很难得到字与字之间更为内在的关联。因此，针对较为复杂的下游任务，难以获得深层的语义信息，从而正确理解语义。发明内容
[0004] 基于此，有必要针对上述技术问题，提供一种能够得到词汇深层语义信息的词向量的生成方法、装置、计算机设备和存储介质。
[0005] 第一方面，本发明实施例提供了一种词向量的生成方法，该方法包括：
[0006] 获取待生成词向量的目标词汇；
[0007] 获取目标词汇中各字的字向量；字向量为多维度向量；
[0008] 采用胶囊网络对目标词汇中各字的字向量进行语义聚类，得到目标词汇的目标词向量。
[0009] 在其中一个实施例中，上述采用胶囊网络对目标词汇中各字的字向量进行语义聚类，得到目标词汇的目标词向量，包括：
[0010] 获取目标词向量与字向量之间的关系表达式；关系表达式根据压缩函数构建得到；
[0012] 在其中一个实施例中，上述关系表达式为：
[0013]
[0014] 其中， squash为压缩函数，yi为字向量，v为目标词向量，为yi和v的内积，i为字向量在目标词汇中的序号，m为目标词汇中字向量的数量。
[0015] 在其中一个实施例中，上述采用动态路由算法对关系表达式进行迭代计算，得到目标词向量，包括：
[0016] 初始化bi＝0；
[0017] 根据公式bi←；ci←softmax(bi)；s←∑iPiyi； v←squash(s)进行迭代计算；迭代r次后得到目标词向量；
[0018] 其中，Softmax为归一化指数函数。
[0019] 在其中一个实施例中，上述获取目标词汇中各字的字向量，包括：
[0020] 采用分布式表述确定目标词汇中各字的字向量。
[0021] 在其中一个实施例中，上述获取待生成词向量的目标词汇，包括：
[0022] 获取目标文本；
[0023] 对目标文本进行分词处理，得到多个目标词汇。
[0024] 在其中一个实施例中，上述目标词向量的维度数与字向量的维度数相同。
[0025] 第二方面，本发明实施例提供了一种词向量的生成装置，该装置包括：
[0026] 目标词汇获取模块，用于获取待生成词向量的目标词汇；
[0027] 字向量获取模块，用于获取所述目标词汇中各字的字向量；所述字向量为多维度向量；
[0028] 目标词向量获得模块，用于采用胶囊网络对所述目标词汇中各字的字向量进行语义聚类，得到所述目标词汇的目标词向量。
[0029] 在其中一个实施例中，上述目标词向量获得模块，包括：
[0030] 关系表达式获取子模块，用于获取目标词向量与字向量之间的关系表达式；关系表达式根据压缩函数构建得到；
[0031] 目标词向量获得子模块，用于采用动态路由算法对关系表达式进行迭代计算，得到目标词向量。
[0032] 在其中一个实施例中，上述关系表达式为：
[0033]
[0034] 其中， squash为压缩函数，yi为字向量，v为目标词向量，为yi和v的内积，i为字向量在目标词汇中的序号，m为目标词汇中字向量的数量。
[0035] 在其中一个实施例中，上述目标词向量获得子模块，用于初始化bi＝0；根据公式bi←；ci←softmax(bi)；s←∑iPiyi； v←squash(s)进行迭代计算；迭代r次后得到目标词向量；其中，Softmax为归一化指数函数。
[0036] 在其中一个实施例中，上述字向量获取模块，具体用于采用分布式表述确定目标词汇中各字的字向量。
[0037] 在其中一个实施例中，上述目标词汇获取模块，具体用于获取目标文本；对目标文本进行分词处理，得到多个目标词汇。
[0038] 在其中一个实施例中，上述目标词向量的维度数与字向量的维度数相同。
[0040] 第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法中的步骤。
[0041] 上述词向量的生成方法、装置、计算机设备和存储介质，获取待生成词向量的目标词汇；获取目标词汇中各字的字向量；字向量为多维度向量；采用胶囊网络对目标词汇中各字的字向量进行语义聚类，得到目标词汇的目标词向量。通过本发明实施例，将目标词汇中的各字表述为多维度向量，因而可以采用胶囊网络对各字的字向量进行语义聚类，从而可以很好地整合字向量中的语义信息，进而使目标词向量具有更高维度的语义信息。附图说明
[0042] 图1为一个实施例中词向量的生成方法的应用环境图；
[0043] 图2为一个实施例中词向量的生成方法的流程示意图；
[0044] 图3为一个实施例中采用胶囊网络对目标词汇中各字的字向量进行语义聚类，得到目标词汇的目标词向量步骤的流程示意图；
[0045] 图4为一个实施例中词向量的生成装置的结构框图；
[0046] 图5为一个实施例中计算机设备的内部结构图。
具体实施方式
[0047] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0048] 本申请提供的词向量的生成方法，可以应用于如图1所示的应用环境中。该应用环境包括终端102和服务器104，终端102通过网络与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0049] 在一个实施例中，如图2所示，提供了一种词向量的生成方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
[0050] 步骤201，获取待生成词向量的目标词汇。
[0051] 本实施例中，服务器可以从终端获取待生成词向量的目标词汇。例如，用户在终端输入目标词汇A，则服务器可以从终端获取到目标词汇A。
[0052] 在其中一个实施例中，获取待生成词向量的目标词汇可以采用如下方式：获取目标文本；对目标文本进行分词处理，得到多个目标词汇。具体地，服务器获取到一段待进行语义识别的目标文本。其中，目标文本可以是一句话，也可以是一段话，本发明实施例对此不作详细限定，可以根据实际情况进行设置。
[0053] 获取到目标文本后，对目标文本进行分词处理，得到目标文本中包含的多个目标词汇。例如，获取到目标文本“今天天气晴朗”，则对目标文本进行分词处理，得到“今天”、“天气”和“晴朗”，即“今天”、“天气”和“晴朗”为目标词汇。
[0054] 对目标文本进行分词处理可以采用jieba分词方法。进一步地，采用jieba分词方法中的精确模式进行分词处理。采用jieba进行分词处理的原因在于：jieba分词具有Tire树结构，这种Tire树结构是一种高效的词图扫描算法，能够生成句子中汉字所有可能成词情况所组成的有向无环图。并且，jieba分词还采用了动态规划查找最大概率路径的算法，能够自动找出并选择基于词频的最大切分组合。
[0055] 步骤202，获取目标词汇中各字的字向量；字向量为多维度向量。
[0056] 本实施例中，在获取到目标词汇后，确定目标词汇中各字的字向量，其中，各字的字向量为多维度向量。例如，目标词汇A由m个字组成，每个字通过一个长度为n维的向量来表示：yi＝[xi1,xi2……xin]，其中，i为该汉字在目标词汇中的序号，xi1、xi2……xin为字向量的n个维度的语义信息。
[0057] 在其中一个实施例中，采用分布式表述确定目标词汇中各字的字向量。分布式(distributed)表述的是把信息分布式地存储在向量的各个维度中。采用分布式表述确定各字的字向量，每个字向量都包含了丰富的语法及语义信息。分布式表述解决了现有技术中独热表述(one-hot representation)在高维向量中只有一个维度描述语义的缺陷，不但可以使词向量的长度不依赖于词库的大小，而且还可以反映出不同字向量之间的关联性。
[0058] 步骤203，采用胶囊网络对目标词汇中各字的字向量进行语义聚类，得到目标词汇的目标词向量。
[0059] 本实施例中，在获取到目标词汇中各字的字向量之后，对字向量的语义进行整合。现有技术中，对字向量进行语义整合通常采用如下方式：取字向量的平均值、取字向量中向量模的最大值或最小值、将字向量直接拼接，以及将字向量进行加权表示等。但是，这些方式都只能利用字向量低维度的语义信息。而本实施例中，采用胶囊网络Capsule对目标词汇中各字的字向量进行语义聚类。胶囊网络具有良好的特征整合能力，将字向量输入至胶囊网络中，胶囊网络对各字的字向量进行语义聚类并输出目标词向量。
[0060] 在其中一个实施例中，目标词向量的维度数与字向量的维度数相同。
[0061] 上述词向量的生成方法中，获取待生成词向量的目标词汇；获取目标词汇中各字的字向量；字向量为多维度向量；采用胶囊网络对目标词汇中各字的字向量进行语义聚类，得到目标词汇的目标词向量。通过本发明实施例，将目标词汇中的各字表述为多维度向量，因而可以采用胶囊网络对各字的字向量进行语义聚类，从而可以很好地整合字向量中的语义信息，进而使目标词向量具有更高维度的语义信息。
[0062] 在另一个实施例中，如图3所示，本实施例涉及的是采用胶囊网络对目标词汇中各字的字向量进行语义聚类，得到目标词汇的目标词向量步骤的一种可选的过程。在上述图2所示实施例的基础上，上述步骤203具体可以包括以下步骤：
[0063] 步骤301，获取目标词向量与字向量之间的关系表达式；关系表达式根据压缩函数构建得到。
[0064] 本实施例中，胶囊网络采用压缩函数构建目标词向量和字向量之间的关系表达式。具体地，关系表达式如下：
[0065]
[0066] 在表达式(1)中， squash为压缩函数，yi为字向量，v为目标词向量，为yi和v的内积，i为字向量在目标词汇中的序号，m为目标词汇中字向量的数量。
[0067] 在胶囊网络中，胶囊的模长代表特征的概率，即特征的“显著程度”。可以理解地，模长越大特征越显著。对模长进行压缩，可以衡量这个“显著程度”。squash函数的原理如下：
[0068]
[0069] 在表达式(2)中， 将x的模长变为1， 起缩放x的模长的作用，x模长越大，越趋近于1； 时， 则v＝squash(x)的效果为：x的模长越大，v的模长越接近于1。
[0070] 步骤302，采用动态路由算法对关系表达式进行迭代计算，得到目标词向量。
[0071] 本实施例中，对在表达式(1)进行迭代计算，可以得到目标词向量。具体地，初始化bi＝0；根据公式bi←；ci←softmax(bi)；s←∑iPiyi； v←squash(s)进行迭代计算；迭代r次后得到所述目标词向量。
[0072] 其中，Softmax为归一化指数函数，它能将一个含任意实数的K维向量“压缩”到另一个K维实向量中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1。在第一步的迭代过程，取各个字向量的平均值来进行初始化，然后迭代计算r次。其中，迭代次数r是一个超参数，可以预先设定，比如设为3次。但是，r的取值不能太大，以避免产生过拟合。在迭代r次后得到的词向量即为目标词向量v，目标词向量v可以看作是字向量yi的聚类中心。
[0073] 上述采用胶囊网络对目标词汇中各字的字向量进行语义聚类，得到目标词汇的目标词向量步骤中，获取目标词向量与字向量之间的关系表达式；关系表达式根据压缩函数构建得到；采用动态路由算法对关系表达式进行迭代计算，得到目标词向量。通过本发明实施例，采用胶囊网络得到目标词向量，由于胶囊网络可以很好地整合字向量中的语义信息，因此可以使得目标词向量具有更高维度的语义信息，进而可以在NLP领域的下游任务中获得深层的语义信息，从而正确理解语义。
[0074] 应该理解的是，虽然图2-图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0075] 在一个实施例中，如图4所示，提供了一种词向量的生成装置，包括：
[0076] 目标词汇获取模块401，用于获取待生成词向量的目标词汇；
[0077] 字向量获取模块402，用于获取所述目标词汇中各字的字向量；所述字向量为多维度向量；
[0078] 目标词向量获得模块403，用于采用胶囊网络对所述目标词汇中各字的字向量进行语义聚类，得到所述目标词汇的目标词向量。
[0079] 在其中一个实施例中，上述目标词向量获得模块403，包括：
[0080] 关系表达式获取子模块，用于获取目标词向量与字向量之间的关系表达式；关系表达式根据压缩函数构建得到；
[0081] 目标词向量获得子模块，用于采用动态路由算法对关系表达式进行迭代计算，得到目标词向量。
[0082] 在其中一个实施例中，上述关系表达式为：
[0083]
[0084] 其中， squash为压缩函数，yi为字向量，v为目标词向量，为yi和v的内积，i为字向量在目标词汇中的序号，m为目标词汇中字向量的数量。
[0085] 在其中一个实施例中，上述目标词向量获得子模块，用于初始化bi＝0；根据公式bi←；ci←softmax(bi)；s←∑iPiyi； v←squash(s)进行迭代计算；迭代r次后得到目标词向量；其中，Softmax为归一化指数函数。
[0086] 在其中一个实施例中，上述字向量获取模块402，具体用于采用分布式表述确定目标词汇中各字的字向量。
[0087] 在其中一个实施例中，上述目标词汇获取模块401，具体用于获取目标文本；对目标文本进行分词处理，得到多个目标词汇。
[0088] 在其中一个实施例中，上述目标词向量的维度数与字向量的维度数相同。
[0089] 关于词向量的生成装置的具体限定可以参见上文中对于词向量的生成方法的限定，在此不再赘述。上述词向量的生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0090] 在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储词向量的生成数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种词向量的生成方法。
[0091] 本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0092] 在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0093] 获取待生成词向量的目标词汇；
[0094] 获取目标词汇中各字的字向量；字向量为多维度向量；
[0095] 采用胶囊网络对目标词汇中各字的字向量进行语义聚类，得到目标词汇的目标词向量。
[0096] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0097] 获取目标词向量与字向量之间的关系表达式；关系表达式根据压缩函数构建得到；
[0098] 采用动态路由算法对关系表达式进行迭代计算，得到目标词向量。
[0099] 在一个实施例中，上述关系表达式为：
[0100]
[0101] 其中， squash为压缩函数，yi为字向量，v为目标词向量，为yi和v的内积，i为字向量在目标词汇中的序号，m为目标词汇中字向量的数量。
[0102] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0103] 初始化bi＝0；
[0104] 根据公式bi←；ci←softmax(bi)；s←∑iPiyi； v←squash(s)进行迭代计算；迭代r次后得到目标词向量；
[0105] 其中，Softmax为归一化指数函数。
[0106] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0107] 采用分布式表述确定目标词汇中各字的字向量。
[0108] 在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0109] 获取目标文本；
[0110] 对目标文本进行分词处理，得到多个目标词汇。
[0111] 在一个实施例中，上述目标词向量的维度数与字向量的维度数相同。
[0112] 在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0113] 获取待生成词向量的目标词汇；
[0114] 获取目标词汇中各字的字向量；字向量为多维度向量；
[0115] 采用胶囊网络对目标词汇中各字的字向量进行语义聚类，得到目标词汇的目标词向量。
[0116] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0117] 获取目标词向量与字向量之间的关系表达式；关系表达式根据压缩函数构建得到；
[0118] 采用动态路由算法对关系表达式进行迭代计算，得到目标词向量。
[0119] 在一个实施例中，上述关系表达式为：
[0120]
[0121] 其中， squash为压缩函数，yi为字向量，v为目标词向量，为yi和v的内积，i为字向量在目标词汇中的序号，m为目标词汇中字向量的数量。
[0122] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0123] 初始化bi＝0；
[0124] 根据公式bi←；ci←softmax(bi)；s←∑iPiyi； v←squash(s)进行迭代计算；迭代r次后得到目标词向量；
[0125] 其中，Softmax为归一化指数函数。
[0126] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0127] 采用分布式表述确定目标词汇中各字的字向量。
[0128] 在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0129] 获取目标文本；
[0130] 对目标文本进行分词处理，得到多个目标词汇。
[0131] 在一个实施例中，上述目标词向量的维度数与字向量的维度数相同。
[0132] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于贪婪算法的游戏资源打包方法及系统 | 2020-05-08 | 988 |
| 以时序和加密为基础的分布链式数据共享授权方法 | 2020-05-11 | 909 |
| 一种基于区块链和竞拍博弈的网络资源安全共享方法 | 2020-05-08 | 20 |
| 一种移动用户位置预测方法与系统 | 2020-05-08 | 638 |
| 用于智能客服的外呼预测方法及装置 | 2020-05-08 | 228 |
| 一种均衡长期能效和网络稳定性的C-RAN系统资源分配方法 | 2020-05-08 | 975 |
| 带宽压缩中的预测方法 | 2020-05-08 | 246 |
| 一种联盟链的性能维持方法、系统及存储介质 | 2020-05-08 | 416 |
| 直播间弹幕显示方法、存储介质、设备及系统 | 2020-05-08 | 690 |
| 一种VNF实例化方法、装置、设备及存储介质 | 2020-05-11 | 461 |
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