买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉首都经济贸易大学申请的专利一种新兴技术演化分析方法、装置及存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120543328B 。

龙图腾网通过国家知识产权局官网在2025-12-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510538837.X，技术领域涉及：G06Q50/18；该发明授权一种新兴技术演化分析方法、装置及存储介质是由张丽玮;王明;赵方霞;乔剑锋;王雨晴;南晓榕设计研发完成，并于2025-04-27向国家知识产权局提交的专利申请。

本一种新兴技术演化分析方法、装置及存储介质在说明书摘要公布了：本申请公开了一种新兴技术演化分析方法、装置及存储介质。本申请首先通过获取目标技术的专利数据，并按照时间段进行划分，以观察技术在不同时间节点上的发展状态。然后对专利数据进行预处理和文本向量转换，通过降维处理和聚类分析，提取出每个时间段内的主要技术主题。其次将每个主题的摘要文本进行拼接得到目标摘要文本，并通过计算词向量与文档向量之间的余弦相似度，从目标摘要文本中提取关键词，从而确定每个主题的主题名称。最后根据主题之间的余弦相似度确定关联关系，确定目标技术的演化路径。从而能够高效、准确地捕捉目标技术的演化路径，提高了技术演化分析的准确性，解决了现有技术中存在的技术演化分析的准确性低的技术问题。

本发明授权一种新兴技术演化分析方法、装置及存储介质在权利要求书中公布了：1.一种新兴技术演化分析方法，其特征在于，包括： 获取进行演化分析的目标技术的专利数据，将所述专利数据按照时间段划分为S个时间段； 对每个时间段的专利数据进行预处理，将每篇专利的摘要文本转换为第一预设维度的第一文本向量； 对所述第一文本向量进行降维处理，得到第二预设维度的第二文本向量，并对所述第二文本向量进行聚类，得到每个时间段的M个主题； 对每个时间段，将每个主题中所有专利数据的摘要文本进行拼接，获得每个主题的目标摘要文本； 将每个时间段的每个主题的所述目标摘要文本中的每个词转换为所述第一预设维度的词向量，并将每个时间段的每个主题的每篇专利的整个文档转换为所述第一预设维度的文档向量； 计算所述词向量与所述文档向量之间的余弦相似度，并根据所述余弦相似度最高的N个结果，从所述目标摘要文本中提取N个词作为关键词，得到每个时间段的每个主题的N个关键词； 根据所述N个关键词，确定每个时间段的每个主题的主题名称，根据所述主题名称，计算前后两个时间段的所有主题之间的余弦相似度，根据所述主题之间的余弦相似度确定各个主题之间的关联关系； 根据所述关联关系，确定所述目标技术的演化路径； 其中，所述S是大于等于3的整数，所述M是大于等于2的整数，所述N是大于等于2的整数； 所述第一预设维度和所述第二预设维度是预先设定的，且所述第一预设维度大于所述第二预设维度； 所述将每篇专利的摘要文本转换为第一预设维度的第一文本向量包括： 使用所述专利数据对Distilbert-base-nli-mean-tokens模型进行微调； 采用微调后的Distilbert-base-nli-mean-tokens模型将所述摘要文本转化为向量化表示； 其中，所述Distilbert-base-nli-mean-tokens模型是预训练Distilbert-base模型在NLI数据集上进行微调的SentenceBERT模型； 所述使用所述专利数据对Distilbert-base-nli-mean-tokens模型进行微调包括： 步骤一：获取历史数据集，所述历史数据集中的每条历史数据包括所述新兴技术在各个时间段的所有主题、每个主题的主题名称、每个主题下所有专利的专利文档、每个主题对应的主题摘要文本； 步骤二：对每个主题对应的主题摘要文本进行分词处理，提取出所有候选词，并记录每个候选词在句子中的位置； 步骤三：对于每个候选词，截取其所在句子作为上下文句子，并根据人工标注或伪标签，为每个候选词分配重要性得分；其中，所述重要性得分用于指示该候选词对主题名称的贡献值； 步骤四：将主题摘要文本数据和所述主题之下的专利文档作为一组训练样本，其中，所述主题摘要文本数据为所有候选词的特征信息，所述特征信息包括上下文句子，候选词位置及对应的标签； 步骤五：将所述主题摘要文本数据中的上下文句子和候选词位置输入待训练的BERT模型，将所述主题之下的专利文档输入已训练好的Distilbert-base-nli-mean-tokens模型，BERT模型输出所有候选词的词向量，Distilbert-base-nli-mean-tokens模型输出该专利文档的文档向量； 步骤六：通过余弦相似度计算所述词向量与文档向量的余弦相似度； 步骤七：冻结Distilbert-base-nli-mean-tokens模型的全部参数，并根据以下损失函数对BERT模型的模型参数进行反向传播： 其中，m为候选词的数量，Si为第i个候选词与文档向量的余弦相似度，为第i个候选词的重要性得分，i为候选词编号； 步骤八：按照上述步骤一到步骤七进行迭代训练，直至损失函数收敛或者达到预设的迭代次数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人首都经济贸易大学，其通讯地址为：100070 北京市丰台区花乡张家路口121号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。