溫家凱 農(nóng)強(qiáng)

（廣西達(dá)譯商務(wù)服務(wù)有限責(zé)任公司，廣西 南寧 530007）

【摘 要】文章介紹了一個(gè)在線專利檢索分析系統(tǒng)，闡述了系統(tǒng)的體系結(jié)構(gòu)、各模塊的功能、關(guān)鍵技術(shù)。該系統(tǒng)在分布式大數(shù)據(jù)采集、基于Lucene與Mysql數(shù)據(jù)庫結(jié)合的全文索引、基于Mina框架的分布式在線分析架構(gòu)等基礎(chǔ)上實(shí)現(xiàn)的專利信息檢索和統(tǒng)計(jì)分析，在大規(guī)模數(shù)據(jù)方面體現(xiàn)出較好的效率，并提供檢索結(jié)果自動(dòng)翻譯、檢索詞智能擴(kuò)展和產(chǎn)業(yè)分類導(dǎo)航等特色功能，可以幫助普通用戶更便捷地利用專利信息。

【關(guān)鍵詞】專利檢索自動(dòng)翻譯；檢索擴(kuò)展；專利分析；分布式；全文檢索Lucene Mina

【中圖分類號(hào)】TP311 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】1674-0688（2016）06-0034-05

0 引言

隨著知識(shí)經(jīng)濟(jì)的深入發(fā)展，專利已成為企業(yè)市場競爭力的核心要素和最重要的資產(chǎn)構(gòu)成。進(jìn)入新世紀(jì)以來，許多企業(yè)特別是西方跨國公司通過“專利圈地”，壟斷高端技術(shù)領(lǐng)域，排擠競爭對手，攫取了巨大的市場利益?？梢哉f，對于后發(fā)展欠發(fā)達(dá)地區(qū)的企業(yè)而言，加強(qiáng)技術(shù)創(chuàng)新并及時(shí)將創(chuàng)新成果申請專利保護(hù)，既是保護(hù)自身利益的迫切需要，也是躋身市場競爭制高點(diǎn)的必然選擇，更是其發(fā)展和壯大的必由之路。本文開發(fā)了一個(gè)在線專利數(shù)據(jù)檢索分析系統(tǒng)PatentOnline，為廣西重點(diǎn)產(chǎn)業(yè)提供以產(chǎn)業(yè)細(xì)分為基礎(chǔ)的專利檢索及分析服務(wù)，幫助企業(yè)了解競爭對手的技術(shù)水平和跟蹤最新技術(shù)發(fā)展動(dòng)向，提高研發(fā)起點(diǎn)、加快產(chǎn)品升級(jí)和防范知識(shí)產(chǎn)權(quán)風(fēng)險(xiǎn)。

1 總體設(shè)計(jì)

系統(tǒng)采用MVC 3層結(jié)構(gòu)：展示層、邏輯層和數(shù)據(jù)服務(wù)層（如圖1所示）。展示層負(fù)責(zé)基于Web界面的用戶交互與展示；邏輯層負(fù)責(zé)對數(shù)據(jù)進(jìn)行處理，并與數(shù)據(jù)服務(wù)層進(jìn)行交互；數(shù)據(jù)服務(wù)層負(fù)責(zé)采集與專利相關(guān)的數(shù)據(jù)，進(jìn)行數(shù)據(jù)清洗、數(shù)據(jù)抽取轉(zhuǎn)換等操作，并為上層提供數(shù)據(jù)訪問的接口。

1.1 在線專利檢索子系統(tǒng)

1.1.1 快捷檢索模塊

快捷檢索模塊提供類似搜索引擎的簡潔界面（僅一個(gè)檢索框）給用戶進(jìn)行檢索?？旖輽z索功能提供2種檢索行為。

（1）專利號(hào)檢索。用戶輸入申請?zhí)柣蚬_公告號(hào)進(jìn)行檢索。

（2）關(guān)鍵詞檢索。用戶輸入關(guān)鍵詞，系統(tǒng)對發(fā)明名稱、摘要、發(fā)明人進(jìn)行全文檢索查詢，返回查詢結(jié)果?？梢暂斎攵鄠€(gè)關(guān)鍵詞，用空格隔開，默認(rèn)是“邏輯與”的關(guān)系。

1.1.2 表格檢索模塊

表格檢索模塊提供給用戶同時(shí)對多個(gè)檢索字段進(jìn)行檢索的功能，檢索字段包括申請?zhí)?、發(fā)明名稱、公開（公告）號(hào)、公開（公告）日、IPC分類號(hào)、申請人、申請日、發(fā)明人、主題詞、摘要、主權(quán)利要求、優(yōu)先權(quán)項(xiàng)、國別省市代碼、代理機(jī)構(gòu)代碼、申請人地址。字段內(nèi)支持檢索詞使用“and”和“or”運(yùn)算。

1.1.3 自定義表達(dá)式檢索模塊

用戶可根據(jù)自己定義的表達(dá)式來進(jìn)行檢索。支持“and”“or”“not”“xor”等多條件查詢。單擊“》”顯示更多的邏輯關(guān)系。鼠標(biāo)移至“？”顯示幫助說明文檔。對每個(gè)查詢條件的字段名稱有相應(yīng)的字母對應(yīng)，點(diǎn)擊“字段名稱”可查看。單擊某個(gè)字段名稱，自動(dòng)在自定義表達(dá)式輸入框中填充，用戶輸入自己想要查詢的表達(dá)式，點(diǎn)擊“檢索”按鈕，就會(huì)檢索到相應(yīng)的數(shù)據(jù)。單擊“檢索歷史”，顯示之前檢索的歷史記錄。在檢索歷史記錄中點(diǎn)擊某條檢索表達(dá)式，會(huì)自動(dòng)填充在自定義表達(dá)式的輸入框中，方便操作。

1.1.4 主題檢索模塊

主題檢索模塊是根據(jù)中國分類主題詞表實(shí)現(xiàn)的關(guān)聯(lián)性搜索功能。用戶可以通過“主題檢索”-“查看主題內(nèi)容”來查看所輸入檢索詞的主題詞信息。信息包括主要類目相關(guān)內(nèi)容和次要類目相關(guān)內(nèi)容。通過點(diǎn)擊“主題檢索”—“生成主題表達(dá)式”來生成專利檢索表達(dá)式。主題檢索模塊提供了3種專利檢索方式：{1}根據(jù)檢索詞的正式和非正式主題詞來進(jìn)行專利搜索的“精準(zhǔn)檢索”。{2}根據(jù)檢索詞的正式主題詞、非正式主題詞、下位詞來進(jìn)行專利搜索的“模糊檢索”。{3}將檢索詞的正式主題詞、非正式主題詞翻譯成英文的“英文檢索”。

1.1.5 同義詞檢索模塊

同義檢索模塊是根據(jù)同義詞詞庫來實(shí)現(xiàn)的相關(guān)搜索功能。用戶可以通過“同義檢索”—“查看同義詞內(nèi)容”來查看所輸入檢索詞的同義詞信息。通過點(diǎn)擊“同義檢索”—“生成同義詞表達(dá)式”來生成專利檢索表達(dá)式。同義檢索模塊提供了3種專利檢索方式：{1}根據(jù)檢索詞的同義詞進(jìn)行專利搜索的“同義檢索”。{2}根據(jù)同義詞的相關(guān)主題詞進(jìn)行專利檢索的“同義擴(kuò)展檢索”。{3}將檢索詞的同義詞翻譯成英文的“英文檢索”。

1.1.6 自動(dòng)翻譯模塊

該模塊提供對檢索結(jié)果的自動(dòng)翻譯。系統(tǒng)調(diào)用外部專利機(jī)器翻譯系統(tǒng)接口，將英文檢索結(jié)果中的專利信息（標(biāo)題和摘要）自動(dòng)翻譯成中文，以幫助用戶快速地了解檢索結(jié)果信息。

1.1.7 IPC分類導(dǎo)航模塊

IPC分類導(dǎo)航顯示各IPC分析的信息，可點(diǎn)擊展開節(jié)點(diǎn)來查看各分類節(jié)點(diǎn)的子項(xiàng)信息，包含有中國專利和外國專利的選擇，點(diǎn)擊某項(xiàng)可進(jìn)行查看信息。用戶可以選擇對指定分類的專利集合進(jìn)行檢索（有數(shù)量限制）。

1.1.8 行業(yè)分類導(dǎo)航模塊

行業(yè)分類導(dǎo)航功能和IPC分類導(dǎo)航功能相同，只是分類不同?？牲c(diǎn)擊展開節(jié)點(diǎn)來查看各分類節(jié)點(diǎn)的子項(xiàng)信息，包含有中國專利和外國專利的選擇，點(diǎn)擊某項(xiàng)可進(jìn)行查看信息。對選擇的某個(gè)分類專利集合進(jìn)行檢索。

1.1.9 專利管理模塊

該模塊由“表達(dá)式”“標(biāo)引”“專題庫”和“模板”4個(gè)部分組成。該模塊可幫助用戶在日常使用中積累自己的專利檢索表達(dá)式，對感興趣的專利進(jìn)行標(biāo)引，建立自己的專利專題庫。

1.1.10 用戶管理模塊

用戶分為普通用戶和高級(jí)用戶。系統(tǒng)對不同用戶賦予不同的使用和管理權(quán)限。例如，高級(jí)用戶可放寬進(jìn)行專利分析的數(shù)量限制。

1.2 在線專利分析子系統(tǒng)

對專利數(shù)據(jù)進(jìn)行多元統(tǒng)計(jì)和指標(biāo)分析是指對專利文獻(xiàn)的有關(guān)特征進(jìn)行統(tǒng)計(jì)或按照指標(biāo)算法進(jìn)行分析。該子系統(tǒng)能夠?qū)崟r(shí)對用戶選擇的專利集合（專利檢索結(jié)果集或是專利專題庫）進(jìn)行各種專利分析操作，并顯示分析結(jié)果。

1.2.1 總體趨勢分析

總體趨勢分析按專利申請日期或?qū)＠_日期統(tǒng)計(jì)專利數(shù)量。

1.2.2 國省分析

通過專利信息的國省分析，可以了解行業(yè)發(fā)展的重點(diǎn)區(qū)域及不同區(qū)域內(nèi)專利研發(fā)的重點(diǎn)方向和各區(qū)域之間技術(shù)的差異性、不同區(qū)域內(nèi)專利技術(shù)的主要競爭者（申請人）和發(fā)明人。國省分析包括國省分布狀況、國省申請人分析、國省發(fā)明人分析及國省技術(shù)分類分析。

1.2.3 申請人分析

申請人分析包括申請人趨勢分析、申請人構(gòu)成分析、申請人國省分析、申請人技術(shù)分類構(gòu)成、申請人綜合比較、合作申請人分析及申請人區(qū)域構(gòu)成。

1.2.4 發(fā)明人分析

發(fā)明人分析包括發(fā)明人趨勢分析、發(fā)明人構(gòu)成分析、發(fā)明人國省分析、合作發(fā)明人分析。

1.2.5 技術(shù)分類分析

技術(shù)分類分析包括技術(shù)分類趨勢分析、技術(shù)分類構(gòu)成分析、技術(shù)分類國省分析、技術(shù)分類申請人構(gòu)成、技術(shù)關(guān)聯(lián)度分析及技術(shù)分類區(qū)域構(gòu)成。

1.2.6 中國專項(xiàng)分析

針對于中國的專利數(shù)據(jù)進(jìn)行的分析，它主要包括專利類型分析、國省分布狀況。

1.2.7 區(qū)域分析

區(qū)域是指專利的受理國信息，包括國家、組織，比如美國、德國、WIPO等。區(qū)域分析用于了解不同區(qū)域產(chǎn)業(yè)產(chǎn)品及其技術(shù)的特點(diǎn)和差異，包括區(qū)域趨勢分析、區(qū)域構(gòu)成分析、區(qū)域技術(shù)領(lǐng)域構(gòu)成（IPC構(gòu)成）、區(qū)域申請人構(gòu)成。

1.2.8 自動(dòng)生成分析報(bào)告

將上述分析結(jié)果形成報(bào)告，可導(dǎo)出成Word格式。分析報(bào)告模板可以自定義，并可以定制分析報(bào)告模板。

2 關(guān)鍵技術(shù)

2.1 分布式專利大數(shù)據(jù)采集

本系統(tǒng)平臺(tái)的專利數(shù)據(jù)來源于互聯(lián)網(wǎng)的多個(gè)國內(nèi)外數(shù)據(jù)源，數(shù)據(jù)格式多樣，數(shù)據(jù)總量龐大，需要用程序自動(dòng)化進(jìn)行持續(xù)性的長期采集抽取。以下為系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)的要點(diǎn)。

2.1.1 編程語言

使用Perl或Python這種腳本語言來實(shí)現(xiàn)。Perl和python都擅長處理文本，無需編譯，修改方便，入門容易，擁有強(qiáng)大、豐富的模塊擴(kuò)展。

2.1.2 增量式采集

由于專利數(shù)據(jù)量極其龐大，全世界中英文專利共約1億份，所以將其全部采集是個(gè)長期的過程。因此，整個(gè)流程中每個(gè)步驟都是以增量的方式來處理，每個(gè)步驟都要識(shí)別上一步驟傳遞來的增量數(shù)據(jù)包進(jìn)行轉(zhuǎn)換處理，并記錄處理日志，以便以后能夠根據(jù)日志恢復(fù)全部數(shù)據(jù)。系統(tǒng)以定時(shí)或不定時(shí)方式生成增量采集到數(shù)據(jù)包，導(dǎo)入平臺(tái)。

2.1.3 并行采集方式

為提高采集的帶寬利用率和采集效率，系統(tǒng)以并行進(jìn)程或多線程的方式進(jìn)行采集。為了避免對數(shù)據(jù)源服務(wù)器造成壓力，需要限制訪問的頻率，同時(shí)使用多個(gè)IP出口輪換。

2.1.4 魯棒性

系統(tǒng)核心進(jìn)程可以任意中斷，不影響后繼重啟后采集。

2.1.5 自動(dòng)化

整個(gè)系統(tǒng)要求有較高的自動(dòng)化程度，不需要專門安排人員來監(jiān)控，失敗操作能夠自動(dòng)重啟，并有較完善的日志記錄，以便發(fā)現(xiàn)和修復(fù)問題。

2.2 基于Lucene與Mysql數(shù)據(jù)庫結(jié)合的中文專利信息全文檢索

本系統(tǒng)平臺(tái)的數(shù)據(jù)庫是使用Mysql管理的，雖然能夠較方便地對專利數(shù)據(jù)進(jìn)行組織和操作，但是用戶無法控制其信息索引的方式。由于是針對西文字符開發(fā)的，Mysql在對中文信息進(jìn)行全文索引時(shí)問題較大，因此本系統(tǒng)平臺(tái)采用了目前流行的Lucene技術(shù)，并與Mysql結(jié)合使用一起管理專利數(shù)據(jù)庫。通過Lucene為專利數(shù)據(jù)庫中的海量專利信息建立索引，實(shí)現(xiàn)全文檢索，可以較好地解決海量專利信息在檢索方面的效率問題。

2.2.1 Lucene介紹

Lucene[1]是Apache軟件基金會(huì)jakarta項(xiàng)目組的一個(gè)子項(xiàng)目，是一個(gè)開放源代碼的全文檢索引擎工具包。它不是一個(gè)完整的全文檢索引擎，而是一個(gè)全文檢索引擎的架構(gòu)，提供了完整的查詢引擎和索引引擎，部分文本分析引擎（英文與德文2種西方語言）。Lucene的目的是為軟件開發(fā)人員提供一個(gè)簡單易用的工具包，以方便在目標(biāo)系統(tǒng)中實(shí)現(xiàn)全文檢索的功能，或者是以此為基礎(chǔ)建立起完整的全文檢索引擎。

2.2.2 倒排索引

Lucene像其他主流Web搜索引擎一樣，采用的是倒排索引技術(shù)。倒排索引在實(shí)際應(yīng)用中需要根據(jù)屬性的值來查找記錄。這種索引表中的每一項(xiàng)都包括一個(gè)屬性值和具有該屬性值的各記錄的地址。由于不是由記錄來確定屬性值，而是由屬性值來確定記錄的位置，因此稱為倒排索引（inverted index）。帶有倒排索引的文件我們稱為倒排索引文件，簡稱倒排文件（inverted file）。

搜索引擎的關(guān)鍵步驟就是建立倒排索引，倒排索引一般表示為一個(gè)關(guān)鍵詞，然后是它的頻度（出現(xiàn)的次數(shù)）、位置（出現(xiàn)在哪一篇文章或網(wǎng)頁中，及有關(guān)的日期、作者等信息），它相當(dāng)于為互聯(lián)網(wǎng)上幾千億頁網(wǎng)頁做了一個(gè)索引，好比一本書的目錄、標(biāo)簽一般。在本系統(tǒng)中，我們以字段文本分詞并過濾掉停用詞后得到詞語作為關(guān)鍵詞，為需要全文檢索的專利信息字段建立倒排索引。專利檢索時(shí)就能夠快速查找到關(guān)鍵詞所在的專利。

2.2.3 中文分詞

分詞就是將連續(xù)的字序列按照一定的規(guī)范重新組合成詞序列的過程。漢語的句子不同于英文句子，英文單詞之間有間隔，漢語文本中詞與詞之間沒有明確的分隔標(biāo)記，而是連續(xù)的漢字串。詞是構(gòu)成句子的基本單位。若要計(jì)算機(jī)智能地理解漢語中的每一句話，則必須讓計(jì)算機(jī)明白該句子的各個(gè)詞的含義。也就是說，需要計(jì)算機(jī)智能地把每一句話都正確地切分出來，才不會(huì)造成理解上的偏差。以詞為單位作為搜索引擎索引的Key值，會(huì)大大提高搜索引擎結(jié)果的準(zhǔn)確性。

目前，現(xiàn)有的分詞算法主要可分為三大類：基于字符串匹配的分詞方法、基于理解的分詞方法和基于統(tǒng)計(jì)的分詞方法?？紤]到技術(shù)的可行性，我們選擇易于實(shí)現(xiàn)的基于字符串匹配的分詞方法。

為了提高分詞的正確率，我們將主題詞表及各行業(yè)的專業(yè)詞加入分詞詞典中。

2.3 基于Mina框架的分布式專利在線分析架構(gòu)

考慮到專利數(shù)據(jù)庫沉重的存儲(chǔ)壓力，以及實(shí)現(xiàn)分析算法的SQL語句復(fù)雜度，本系統(tǒng)主要設(shè)計(jì)思路是將分析算法主要實(shí)現(xiàn)在應(yīng)用層，數(shù)據(jù)庫只是單純作為存儲(chǔ)。并且，將該部分功能實(shí)現(xiàn)成獨(dú)立服務(wù)，支持任意擴(kuò)展。

上層分析系統(tǒng)使用Apache Mina[2]遠(yuǎn)程服務(wù)調(diào)用分析服務(wù)，傳遞參數(shù)和分析結(jié)果。Apache Mina是一個(gè)能夠幫助用戶開發(fā)高性能和高伸縮性網(wǎng)絡(luò)應(yīng)用程序的框架。它通過Java nio技術(shù)基于TCP/IP和UDP/IP協(xié)議提供了抽象的、事件驅(qū)動(dòng)的、異步的API。

為了提高性能，在Mysql存儲(chǔ)層與應(yīng)用層間可使用memcache、redis等作為緩存，如取專利數(shù)據(jù)、緩存分析計(jì)算結(jié)果等。

3 系統(tǒng)運(yùn)行效果

在對上述技術(shù)研究的基礎(chǔ)上，本文設(shè)計(jì)和實(shí)現(xiàn)了一個(gè)在線專利檢索分析系統(tǒng)。以下簡單展示一下特色功能。

3.1 高級(jí)檢索

用戶可根據(jù)自己定義的表達(dá)式來進(jìn)行檢索。支持“and”“or”“not”“xor”等多條件查詢（如圖2所示）。

3.2 檢索詞智能擴(kuò)展

用戶單擊高級(jí)檢索頁面右側(cè)的“檢索詞智能擴(kuò)展”（如圖3所示），可展開檢索詞智能擴(kuò)展功能區(qū)，在“檢索詞”文本框中輸入關(guān)鍵字，如“電腦”，然后可在右側(cè)選擇“主題檢索”或“同義檢索”。

3.3 自動(dòng)翻譯英文專利

在使用英文關(guān)鍵詞檢索得到的英文專利檢索結(jié)果頁的上方，用戶點(diǎn)擊“自動(dòng)翻譯”鏈接，系統(tǒng)會(huì)自動(dòng)將結(jié)果頁中的專利標(biāo)題和摘要信息翻譯成中文，以便用戶閱讀理解（如圖4所示）。

3.4 產(chǎn)業(yè)分類導(dǎo)航和IPC分類導(dǎo)航

產(chǎn)業(yè)分類導(dǎo)航和IPC分類導(dǎo)航分別如圖5、圖6所示。

3.5 在線分析

申請人分析圖如圖7所示；專利趨勢分析圖如圖8所示。

4 結(jié)語

本文開發(fā)了一個(gè)在線專利檢索分析系統(tǒng)，闡述了系統(tǒng)的體系結(jié)構(gòu)、各模塊的功能、關(guān)鍵技術(shù)。系統(tǒng)在系統(tǒng)架構(gòu)、全文索引等基礎(chǔ)上實(shí)現(xiàn)的專利信息檢索和統(tǒng)計(jì)分析在大規(guī)模數(shù)據(jù)方面體現(xiàn)出較好的效率；系統(tǒng)提供自動(dòng)翻譯檢索結(jié)果、產(chǎn)業(yè)分類導(dǎo)航、檢索詞智能擴(kuò)展等具有特色能夠有效幫助普通用戶使用的功能，在用戶體驗(yàn)、可視化界面和交互性等方面取得較好的效果。系統(tǒng)具有較大的使用價(jià)值，未來將應(yīng)用在自然語言處理和語義分析等技術(shù)領(lǐng)域，從而進(jìn)一步提升系統(tǒng)的性能。

參 考 文 獻(xiàn)

[1]Lucene.Welcome to Apache Lucene[EB/OL].http：//lucene.apache.org，2016-03-17.

[2]Mina.Welcome to Apache MINA[EB/OL].http：//mina.apache.org，2016-03-12.

[責(zé)任編輯：鐘聲賢]

【作者簡介】溫家凱，男，任職于廣西達(dá)譯商務(wù)服務(wù)有限責(zé)任公司，研究方向：自然語言處理（深度學(xué)習(xí)、機(jī)器翻譯、輔助翻譯、垂直搜索、跨語言搜索等）和互聯(lián)網(wǎng)應(yīng)用；農(nóng)強(qiáng)，男，任職于廣西達(dá)譯商務(wù)服務(wù)有限責(zé)任公司，研究方向：自然語言處理（深度學(xué)習(xí)、機(jī)器翻譯、輔助翻譯、垂直搜索、跨語言搜索等）和互聯(lián)網(wǎng)應(yīng)用。