基于深度学习的中文专利自动分类方法研究

[目的/意义] 面向当前国内专利审查和专利情报分析工作中对于海量专利分类的客观需求，设计了7种基于深度学习的专利自动分类方法，对比各种方法的分类效果，从而助力专利分类效率和效果的提升。[方法/过程] 针对传统机器学习方法存在的缺陷，基于Word2Vec、CNN、RNN、Attention机制等深度学习技术，考虑专利文本语序特征、上下文特征以及分类关键特征，设计Word2Vec+TextCNN、Word2Vec+GRU、Word2Vec+BiGRU、Word2Vec+BiGRU+TextCNN等7种深度学习模型，以中国专利为例，选取IPC主分类号的"部"作为分类依据，对比这7种模型与3种传统分类模型在中文专利分类任务中的效果。[结果/结论] 实证研究效果显示，采用考虑语序特征、上下文特征及强化关键特征的深度学习方法进行中文专利分类具有更优的分类效果。     

基于二模复杂网络的隐性知识发现方法研究——以潜在药物靶点挖掘为例

[目的/意义] 通过构建二模复杂网络模型，揭示隐藏在海量文献中的隐性知识。[方法/过程] 通过NetworkX复杂网络工具包，依据任意两个节点的共现关系构建二模复杂网络模型；对网络模型中节点的共现关系进行加权，计算网络的拓扑信息并进行AP聚类，提取节点间的直接关系；采用AUC方法对AA、JC、加权改进的wAA和wJC等4种链路预测算法进行评价，遴选出最合适的预测算法，并对复杂网络的隐性关系进行预测分析。[结果/结论] 以潜在药物靶点挖掘为例进行的实证研究结果表明，wAA链路预测算法为最优的链路预测算法；二模复杂网络模型、指标和方法体系在美国化学文摘社数据库中的药物靶点挖掘中具有一定的有效性。下一步计划在其他数据库中或其他研究领域中进行尝试，以进一步验证该模型的通用性和有效性。     

政府数据开放中的公众参与模式:理论构建与案例实证

[目的/意义] 探讨政府数据开放中公众参与的理论模式，旨在指导政府部门有效实现公众参与数据开放的政策目标，以及推进政府数据开放中公众参与议题的研究进展。[方法/过程] 采用文献分析法、逻辑分析法和案例分析法，同时以公众参与阶梯理论作为分析工具，构建并实证政府数据开放中的公众参与模式。[结果/结论] 政府数据开放中的公众参与可从理论层面构建为告知型参与、咨询型参与、合作型参与和授权型参与4种模式，其核心涵义分别是政府向公众传达信息、政府咨询公众意见、政府与公众平等合作、政府与公众共同治理。这4种政府数据开放公众参与理论模式一方面在政府意图、主导力量、信息流动、公众信息知晓度和公众自治程度方面存在明显的特征差异，另一方面从国内外政府数据开放公众参与实践案例中获得良好的经验支持。     

同一视角下外交部省区市全球推介短片字幕英译分析

本文基于肯尼斯·伯克的"同一"理论视角,以外交部省区市全球推介短片字幕的英译文为语料,从弥补文化缺省、使语义清晰和寻找中外语言的公约数三个方面,探讨译文是如何与海外受众达成"同一"的。