“十四五”规划强调了技术发展对于推动社会高质量发展的重要战略作用,而专利作为技术的有效载体,记录了当前我国技术发展的动态,技术演化分析可以揭示不同阶段重点研究领域的变化,更好地把握技术变化的趋势,为政府、企业、个人的技术研发策略提供借鉴。当前技术演化分析主要依赖于IPC号、引用关系等外部结构化数据,忽略了非结构化专利数据中蕴含的深层次技术信息,无法深入挖掘非结构化专利数据的知识流动情况。因此,本研究针对非结构化专利数据开展技术演化分析研究,从专利文本内部深入挖掘技术信息,实现高效准确的技术演化分析。本研究包含以下三个主要内容:第一,针对专利非结构化文本数据存在的高维稀疏等问题,在非结构化数据的特征提取环节使用词分布状态度量词对文本表征的强度,随后通过加权得到分布式文本表征方式,并使用清华大学语料库验证算法有效性,实现高效的文本数据特征提取。第二,K-means聚类算法的初始质心决定收敛速度和聚类效果,本研究根据非结构化数据无标签特点,设计了一种基于方差决策树改进的K-means聚类算法,以方差最大化策略选择最优划分属性,当最大叶结点数为K个时终止分裂,计算叶结点的均值作为最优质心,并通过UCI标准数据集验证了算法的有效性。第三,根据所获得的专利簇提取技术簇,通过词共现关系和引入时间轴构造时间-关键词二模矩阵分别获得技术内容和时序,分辨出核心技术、边缘技术以及技术的时序性变化,最后实现技术演化可视化。本研究在技术演化分析中以专利文本数据作为研究对象,提出了一种基于词分布状态改进的词向量特征提取算法,实现对文本的高效表征;提出一种基于方差决策树改进的Kmeans聚类算法,提升了聚类效果和收敛速度;通过专利簇聚类提取技术簇,对技术簇内的技术关联关系从内容、时序细粒度地研究得到技术演化路径。