|
★本講座は2/8講座【OSS（オープンソース）を使った自分でできる特許情報解析】の
基礎編の位置づけとなります。実践や応用を目標とする方は同時受講がおすすめです。
Ⅰ.はじめに
・講師自己紹介
・アジア特許情報研究会紹介
Ⅱ.特許調査とテキストマイニングの基礎
・調査対象と調査範囲の特定・明確化
・マッチングと適合
・特許調査における再現率（網羅性）と適合率（効率）
・先行技術調査と侵害防止調査の検索モデルの違い
・「完全一致」⇔「最良一致」検索モデルの比較
・検索・分類とテキストマイニングの違い
・テキストマイニングの基本的な仕組み
Ⅲ.テキストマイニングの概要と特許調査への応用
・テキストマイニングとは
・形態素解析と分かち書き
・特徴抽出（BoW,TF-IDF,BM25,単語N-gram）
・抽出語の頻度分析
・共起語のネットワーク分析
・ネットワーク分析の応用（発明者、引用-被引用）
・「文書×抽出語」行列作成と解析・可視化
・文書の類似度行列作成と解析/可視化
Ⅳ.各種ツールのテキストマイニング関連機能活用事例
・KH Coder（フリー版）の活用事例
・Text Mining Studio（商用）の活用事例
・パテントマップEXZのキーワード抽出、類似特許抽出
・Patentfieldの類似語、AIセマンティック検索
・THE調査力AI(Deskbee５)の専門用語抽出、サーチ／ノイズ確率
・RとPythonによるテキストマイニング
・生成系AI（ChatGPT）等のテキストマイニングへの応用（基礎）
Ⅴ.オープンソースを用いた機械学習の特許調査への応用
・機械学習の概要と特許調査への応用
・特許調査分野における人工知能（AI）技術の活用動向
・機械学習概要（分類、回帰、クラスタリング、次元圧縮）
・特許分野における自然言語処理導入のメリット
・特許調査用学習済モデルの作成とその評価方法
・先行技術調査の流れ（進め方）
・分散表現（単語埋め込み）とは
・分布仮説に基づいた文脈中の単語の重み学習(word2vec)
・doc2vecによる公報（文書）単位の類似度計算
・doc2vecによる発明の要素（文）単位の類似度計算
Ⅵ.機械学習のクラス分類の応用事例
・ディープラーニングの基礎検討
・文書のベクトル化検討
・one hotベクトル（BoW、TF-IDF等）
・分散表現ベクトル（word2vec、doc2vec、fastText等）
・機械学習による文書分類
・SDI調査、動向調査への応用
Ⅶ.教師無し機械学習(クラスタリング、次元圧縮)の応用
・単語/文書のクラスタリングによる動向調査への応用
・文書ベクトルの次元圧縮による特許公報の俯瞰可視化
・文書分類との組み合わせによるパテントマップの自動作成
【付録】 自分でできる特許情報解析ツール紹介
１．キーワード抽出関係
●word2vec,doc2vecによる単語・文書の類似度計算と類似単語・文書抽出
●termextractによる専門用語（キーワード）自動抽出
●Cytoscapeによる文脈語のネットワーク分析
２．pythonで始める機械学習
●python環境構築の概要
●doc2vecによる文書・単語の類似度計算と類似文書・単語抽出の解説
|
