在当今全球化经济的时代,专利技术已成为国家或地区竞争力的核心,专利知识产权越来越受到企业的重视。随着企业竞争越来越激烈,企业用于专利开发的力度不断加大。因此,近年来的专利申请量迅速增大,但是目前专利分类的方法是采用传统的手工分类方法,这种分类方法效率低下,存在许多弊端。专利申请量的激增一方面增加了对快速、自动文本分类的迫切需求,另一方面又为数据挖掘技术的文本分类方法准备了充分的资源。因此,计算机辅助专利分类成为大势之所趋。 中文文本分类技术已趋成熟,在相关领域有着很好的应用,这为专利自动分类系统的实现提供了有力的技术支持。虽然该技术目前还没有实际应用在专利信息上,但是专利信息与其他文本信息有着很多相同的特点,而且更加具有类别的可分性,因此本文提出了将该技术应用在专利文本上的新应用。 本文介绍并分析了文本分类的若干关键技术。结合专利数据的特点提出了一种基于后缀数组的领域词汇抽取方法,并在此基础上利用词典和统计相结合的方法来进行中文分词。本文基于向量空间模型,将文本表示为以特征项权重为项的向量集合,并在权重计算公式中加入了位置信息,使得计算出的特征项权重能够更好地表示文本内容。对于文本分类算法,在结合分类准确度最好的分类算法KNN算法和分类速度最快的分类算法Rocchio算法的基础上,设计了一个层次分类算法,并给出了面向专利文献数据的文本自动分类系统的框架模型。实验表明,该系统具有较好的分类精度与效率。