专利是一种发明创造也是一种知识产权并且受到法律的保护,包含了大量的科技成果和创新技术。对已有专利中包含的知识资源进行深层次的挖掘和分析,是科技创新的前提。本文拟通过构建新能源汽车领域的专利知识图谱来实现对该领域专利知识的表示、分析以及挖掘,从而更加有效的分析专利之间的联系,优化专利的检索。知识图谱是通过符号的形式来描述物理世界中的概念及其概念之间的关系,是结构化的语义知识库,不仅能以更接近人类认知的方式表达海量信息,而且为海量信息提供了更好的组织和管理形式。知识图谱是由实体-关系-实体三元组,以及实体及其相关属性-值对组成,构成网状的知识结构。在构建新能源汽车领域专利知识图谱的过程中,本文重点研究了专利术语抽取方法、专利术语关系抽取方法以及专利属性值抽取方法。主要内容可以概括为以下几个方面:提出了基于多特征融合及BiLSTM-CRF模型的专利术语抽取方法。为提高中文专利领域术语抽取结果的准确率和召回率,从深度学习的角度出发,并选取词性和依存关系作为特征,提出一种基于多特征融合及双向长短时记忆网络(BiLSTM)与条件随机场(CRF)相结合的专利领域术语抽取模型(BiLSTM-CRF),在词性和依存关系两个显性特征的基础上,使用双层双向LSTM神经网络挖掘专利数据中的语义信息及其时序信息,解决了传统方法中存在的通用性不强以及无法捕捉上下文中隐含信息的缺点,同时又能够通过CRF层考虑输出标签之间前后的依赖关系。实验结果表明,该深度学习方法在领域术语抽取方面是行之有效的,并获得89.79%的准确率和85.35%的召回率。提出了一种基于注意力机制的BiLSTM和关键词策略的专利术语关系抽取方法。在专利文本信息向量化中加入通过改进的关键词抽取算法(TextRank)获得的每个句子中的类别关键词特征,然后使用BiLSTM神经网络及注意力机制挖掘数据中的时序信息以及句子级别的整体特征信息,同时使用池化层获得文本的局部特征,最后将得到的文本信息的整体特征和局部特征进行融合,并通过分类器输出最终的分类结果。类别关键词的加入提高了类别的区分度。实验结果表明,该深度学习方法在专利术语关系抽取方面是行之有效的,并获得90.85%的准确率和90.64%的召回率。提出了一种基于BERT-BiGRU-CRF模型的专利属性值抽取方法,该方法首先使用BERT模型将专利文本按字训练成为低维向量矩阵,由BiGRU模型结合数据中的时序信息以及语义信息计算出属于每个标签的概率,最后由条件随机场CRF根据标签之间的前后依赖关系求解出最优的标签序列。通过反向传播算法对模型进行优化,辅以Dropout使模型更加健壮。实验结果表明,BERT-BiGRU-CRF模型在专利属性值抽取方面是行之有效的,并获得85.09%的准确率和80.03%的召回率。