Ключевые слова: тренд, классификация, патент, рекуррентная нейронная сеть, исключающий слой, анализ оптимизаторов, размер партии
ЭКСПЕРИМЕНТАЛЬНОЕ ОПРЕДЕЛЕНИЕ ОПТИМАЛЬНЫХ ПАРАМЕТРОВ РЕКУРРЕНТНОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ЗАДАЧ КЛАССИФИКАЦИИ ПАТЕНТОВ
УДК 004.032.26
DOI: 10.26102/2310-6018/2019.25.2.027
Показатели патентной активности в настоящее время нередко используются при технологическом прогнозировании и в конкурентной разведке. Важную роль приобретает прогнозирование развития патентных трендов в отдельно взятых странах и во всем мире, позволяющее выявить основные приоритетные направления развития технологий. Одной из основных операций анализа уровня техники для патентной заявки является поиск патентов аналогов. Международная патентная классификация устарела, большинство исследований носит междисциплинарный характер. Появляется необходимость в выделении и создании новых классов. Цель данного исследования – анализ параметров, влияющих на результаты работы рекуррентной нейронной сети, предназначенной для тематической классификации патентного массива. Проведение анализа выявленных параметров, влияющих на качество работы нейросети и подбор оптимальных значений. Были определены оптимальные параметры нейронной сети: количество слоев, размер слоёв, значение исключающего параметра, размер партии для обучения сети, осуществлен выбор оптимизатора библиотеки Keras. Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 19-07-01200.
1. Methods of Statistical and Semantic Patent Analysis / Д.М. Коробкин, С.А. Фоменков, А.Г. Кравец, С.Г. Колесников // Creativity in Intelligent Technologies and Data Science. Second Conference, CIT&DS 2017 (Volgograd, Russia, September 12-14, 2017) : Proceedings / ed. by A. Kravets, M. Shcherbakov, M. Kultsova, Peter Groumpos ; Volgograd State Technical University [et al.]. – [Germany] : Springer International Publishing AG, 2017. – P. 48-61. – (Ser. Communications in Computer and Information Science ; Vol. 754).
2. Определение патента и организация прав патентообладателя [Электронный ресурс]. – Режим доступа: http://economicdefinition.com/Economic_and_legal_terminology/Patent_Patent__eto.html (дата обращения 01.06.2019).
3. Кондратьева Т.Н., Прогнозирование тенденции финансовых временных рядов с помощью нейронной сети LSTM // Интернет-журнал Науковедение. 2017. Т. 9. № 4. С. 61.
4. Кравец, А.Г. Patents Images Retrieval and Convolutional Neural Network Training Dataset Quality Improvement [Электронный ресурс] / А.Г. Кравец, Н.С. Лебедев, М.С. Легенченко // Proceedings of the IV International research conference «Information technologies in Science, Management, Social sphere and Medicine» (ITSMSSM 2017) / ed. by O.G. Berestneva [et al.]. – [Published by Atlantis Press], 2017. – P. 287-293. – (Ser. Advances in Computer Science Research (ACSR) ; Vol. 72). – URL : https://www.atlantis-press.com/proceedings/itsmssm-17.
5. Kline, D. M., Revisiting squared-error and cross-entropy functions for training neural network classifiers. [Электронный ресурс]. – 2005. – Режим доступа: https://link.springer.com/article/10.1007/s00521-005-0467-y (Дата обращения: 04.05.2019).
6. Lance G. N., Willams W. T. A general theory of classification sorting strategies. 1. hierarchical systems // Comp. J. — 1967. — no. 9. — Pp. 373– 380.
7. Jain A., Murty M., Flynn P. Data clustering: A review // ACM Computing Surveys. — 1999. — Vol. 31, no. 3. — Pp. 264–323.
8. Eck, D., Schmidhuber, J. A First Look at Music Composition using LSTM Recurrent Neural Networks. – Manno, Switzerland: Instituto Dalle Molle di studi sull’ intelligenza artificiale. [Электронный ресурс]. – 2002. – Режим доступа: http://people.idsia.ch/~juergen/blues/IDSIA-07-02.pdf (Дата обращения: 04.05.2019).
9. The Python Deep Learning library [Электронный ресурс]. – Режим доступа: https://keras.io/ (дата обращения 10.05.2019)
10. «Smart Queue» Approach for New Technical Solutions Discovery in Patent Applications / А.Г. Кравец, Н. Шумейко, B. Lempert, N. Salnikova, Н.Л. Щербакова // Creativity in Intelligent Technologies and Data Science. Second Conference, CIT&DS 2017 (Volgograd, Russia, September 12-14, 2017) : Proceedings / ed. by A. Kravets, M. Shcherbakov, M. Kultsova, Peter Groumpos ; Volgograd State Technical University [et al.]. – [Germany] : Springer International Publishing AG, 2017. – P. 37-47. – (Ser. Communications in Computer and Information Science ; Vol. 754).
Ключевые слова: тренд, классификация, патент, рекуррентная нейронная сеть, исключающий слой, анализ оптимизаторов, размер партии
Для цитирования: Задорожный П.А., Кравец А.Г., Бурмистров А.С. ЭКСПЕРИМЕНТАЛЬНОЕ ОПРЕДЕЛЕНИЕ ОПТИМАЛЬНЫХ ПАРАМЕТРОВ РЕКУРРЕНТНОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ЗАДАЧ КЛАССИФИКАЦИИ ПАТЕНТОВ. Моделирование, оптимизация и информационные технологии. 2019;7(2). URL: https://moit.vivt.ru/wp-content/uploads/2019/05/KravetsSoavtors_2_19_1.pdf DOI: 10.26102/2310-6018/2019.25.2.027
Опубликована 30.06.2019