专利信息由发明名称、摘要、背景技术等信息构成,其中的背景技术文本着重描述了专利解决了什么问题,对什么技术进行改进,十分契合发明创造就是为了解决问题的本质。对专利背景技术进行挖掘能够更加快速、准确的帮助技术人员定位当前技术的核心问题,所以对专利的背景技术进行分析有着重要的研究意义。而目前针对专利内容的分析大部分都是基于标题和摘要信息,对背景技术相关的研究较为匮乏,并且研究内容缺乏针对性,无法罗列专利多元化的信息。本文开创性的从专利背景技术中分析出专利问题信息,并完成了包含专利问题信息的问题句定位、自定义问题三元组抽取工作,并在此基础上提出了一种融合专利多元问题特征的聚类方法,本研究将专利分析内容的粒度进行细化,进一步扩展了专利研究领域,本文主要贡献如下:（1）针对专利背景技术句子,本文分别定义了问题句与非问题句,对当前常规分类模型特征表示能力弱、对复杂句式分类不准确的现象,提出了融合注意力机制的ATT-C-L问题句定位模型。将文本特征拆分为卷积特征、将来和过去的上下文特征三类,并针对不同特征在实际的文本分类中,并不是平均的对文本分类起到作用的现象,引入了注意力机制捕捉对问题句定位最有效信息。（2）针对专利背景技术问题特征,本文提出了以<问题源-<问题对象-问题词>>三元组的形式进行表达,对问题源提出了融合相对位置语义特征的3种自定义规则提取,而针对<问题对象、问题词>关联性强的特点,提出了融合相对语义语法特征的5种自定义语法规则进行联合提取,最后使用改进的ATT规则对问题对象进行边界修正。（3）针对目前聚类信息单一的问题,本文提出了一种融合多元问题特征的聚类方法。将专利的背景技术信息表示成背景技术原文和问题元组的二元形式,又进一步融合了专利标题信息,形成了“专利标题-专利背景技术文本-专利问题元组”的表示方法,最后采用谱聚类方法进行了有效的融合聚类,并取得了较好的实验结果。对聚类结果本文认为“专利标题-专利背景技术文本-专利问题元组”这三者在的权重对聚类的影响必然不同,本文通过设计的4个试验探寻了三者的权重关系,通过引入背景技术使聚类效果提升了1.02%,通过引入专利问题元组在前者基础上又一次提升了2.91%,充分证明了本文所提出的融合多元问题特征的专利聚类方法的有效性。