主题模型能够挖掘文本中潜在的语义信息,实现对文本内容更好的表征。对专利文本进行主题提取,有利于专利分析人员更好地了解某领域的技术发展现状,并且能够提高文本分析的效果。近年来以LDA模型为代表的主题模型被广泛地应用在文本挖掘任务中,研究者们根据不同的需要对主题模型进行改进。通常情况下,短语比词含有更丰富的语义信息,将短语融入到主题模型中提高了主题的可解释性,但是短语造成的稀疏性导致能够表达主题的短语作用不突出。已有的将相似性约束的短语融入到主题模型中的方法,在对专利文本提取主题时,忽略了不同领域中短语的区别,导致提取的主题领域性不强。因此,本文针对专利文本构建领域短语表,在此基础上提出了融入领域短语知识的主题模型。主要工作如下:(1)根据专利文本特点,构建特定领域的领域短语表。将专利文本中的短语分为两种:表达特定领域技术信息的领域术语和能够表达技术所带来效果的功能短语。领域术语组成方式多变,并且随着技术的发展不断出现新的术语,本文通过构建融合字词特征的Bi-LSTM-CRF模型对领域术语进行提取。功能短语主要出现在摘要部分,并且功能短语的出现经常伴随着线索词的出现,本文采用句法分析与线索词相结合的方法对专利文本的摘要部分进行分析,提取功能短语。(2)本文提出了融入领域短语知识的主题模型。将领域短语表作为自定义词典,避免了领域短语被拆分而导致主题可解释性差的问题。利用相似度计算的方法对领域短语表进行扩展,将其作为先验知识融入到主题模型中,使用Generalized Pólya Urn模型强化领域短语在专利文本中的作用。当给一个词或短语分配主题时,以一定的概率增加其相关词或短语的概率,这样不仅缓解了短语带来的稀疏性,而且提高了主题一致性。本文以专利检索网站下载的专利文本为实验数据,以困惑度和主题一致性为评价指标,通过对比传统的LDA模型、基于短语的LDA模型和融入先验知识的LDA模型,结果表明本文提出的融入领域短语知识的主题模型有效地解决了领域短语被拆分、主题可解释性差的问题,提高了主题一致性。