在这个知识创新的时代，专利采集与分析对企业有着重要的意义。专利分析可以帮助企业从已公开的专利中把握本领域内的发展动向、学习先进的技术、规避专利技术雷区和分配有限的资源到有意义、有价值的研究开发中。本书从专利文献基本概念入手，对比了国内外知名专利检索与分析系统，介绍了专利检索与分析的关键技术，然后介绍了专利分析中的常用编程语言Python，接着重点阐述了基于Python的专利数据采集方法，基于支持向量机的高质量专利预测，增量式的专利语义标注方法以及基于语义网的专利知识挖掘方法。最后，本书基于已经标注的专利数据，提出一种基于语义网的专利分析地图，展现了热点主题以及主题之间的关联，并用案例说明了分析的有效性，为企业的科技创新和战略决策提供支持。

陈旭，博士毕业于武汉大学计算机学院，现任中南财经政法大学信息与安全工程学院教师，研究生导师。主要研究方向为专利信息挖掘与分析，主要教授课程包括大数据分析导论、管理信息系统、网络数据挖掘、数据及其应用，曾发表SCI/EI检索论文十余篇，作为技术骨干参与过国家自然科学基金重点项目，曾在CIKM、WWW等国际顶级会议发表学术论文，授权一项国家发明专利，研发的专利分析系统曾获NDBC最佳系统演示奖。

第1章 专利文献概述
1.1 专利文献的价值
1.2 专利文献的组成
1.3 专利文献的特点
1.4 专利数据库的发展
第2章 现有专利检索与分析系统
2.1 国家知识产权局专利信息检索系统
2.2 Patentics专利信息检索与分析平台
2.3 SooPAT专利搜索引擎
2.4 其他国内外专利检索与分析平台
第3章 专利检索与分析关键技术
3.1 网络爬虫
3.2 信息抽取
3.3 机器学习
3.4 专利聚类
3.5 专利标注
3.6 网络舆情分析
3.7 专利地图
第4章 专利分析编程语言Python
4.1 Python 语言概述
4.2 Python 变量及数据的使用
4.3 Python程序的控制结构
4.4 专利文本分析
第5章 基于Python的专利数据采集
5.1 Python第三方requests库的安装
5.2 使用 requests库获取网页内容
5.3 网页源码HTML语言简介
5.4 BeautifulSoup使用基础
5.5 基于BeautifulSoup的专利信息抽取实现
5.6 基于XPath的专利信息抽取实现
第6章 增量式专利语义标注
6.1 专利语义标注概述
6.2 专利功效标注
6.3 专利技术标注
6.4 语义标注实验结果与分析
第7章 基于支持向量机的高质量专利预测
7.1 相关工作
7.2 基于多维特征的高质量专利预测
7.3 专利质量预测实验与分析
第8章 基于语义网的专利知识挖掘
8.1 专利知识挖掘概述
8.2 专利语义网概述
8.3 专利聚类
8.4 技术层次语义网
8.5 专利技术地图
8.6 专利功效地图
8.7 热点技术功效矩阵
第9章 专利分析与挖掘案例
9.1 无线通信领域分析案例
9.2 电话通信领域的专利热点分析案例
参考文献