近年来,知识产权、技术创新成为国家、企业竞争的重要因素。越来越多的国家意识到掌握技术核心就能在科技竞争中立于不败之地。随着世界范围内对专利知识产权重视程度的逐步提升,中国的专利申请量也呈现迅速增长趋势,稳居世界第一[1]。然而,中国专利现阶段存在量多而质不精的问题,与此同时,目前我国的专利质量主要依靠领域内专家进行人工评估,为了避免大量人力物力的耗费,课题结合时下最先进的深度学习及自然语言处理技术对专利质量等级的自动预测展开进一步研究。近年来,通过构建技术功效矩阵进行专利布局、核心专利挖掘、技术主题关联分析等内容成为专利方向的热点话题,本文旨在将专利技术功效矩阵作为知识信息维度的一项评估指标用于专利质量等级预测的模型研究,为此还对构成功效矩阵的功效词抽取和技术主题抽取等前序工作展开研究,具体研究工作如下:（1）提出一种多特征融合的专利功效短语抽取模型:为保障后续研究工作的高质量进行,实验对专利功效短语抽取的准确率和召回率提出了更高的要求。文章基于Bert+Bi LSTM+CRF的整体框架,利用Bert模型对文本进行向量化,融合偏旁部首、五笔、词长+词性等特征,接着输入到Bi LSTM或Transformer进行编码,最后使用CRF解码得到对应输入的标签序列,从而得到专利功效短语。实验采用新能源汽车领域的专利文本作为训练数据,尝试组合不同的特征进行实验,实验结果表明,提出的偏旁部首、五笔、词长+词性等特征与神经网络结合抽取专利功效短语的模型在准确率、召回率、F1值上均取得了明显提升,其最优结果F1值达到91.44%,相较于使用主流抽取模型Bert+Bi LSTM+CRF提升了2.34%,证明了多特征融合在功效短语抽取任务上的有效性。（2）提出基于改进版Albert预训练模型的主题词抽取模型:专利市场中包含的巨大价值和核心竞争力推动着各种数据分析技术的发展。其中,技术主题词的提炼与抽取作为专利研究的基础工作,其抽取效果直接影响到专利战略的分析与制定,对后续研究起到至关重要的作用。文章致力于在前人研究的基础上,结合各项先进技术及模型,寻找能够提升专利主题词抽取效果的研究方法。首先利用自建新能源专利语料构建主题词词库作为实验数据,再基于Albert预训练语言模型,Bert中文预训练模型嵌入字向量,融合Bi LSTM进行主题词抽取,其抽取效果得到了显著的提升,最优抽取效果达到81%。（3）提出融合知识信息的领域专利质量等级预测模型:文章将抽取的技术主题与功效短语通过K-Means算法进行聚类,根据其聚类结果进一步构建专利技术功效矩阵。技术功效矩阵表示该技术主题下具有不同功效成果的专利规模,一定程度上反映了专利技术的创新点和空白点。文章通过增加知识信息（包括知识挖掘和领域知识）维度,将技术功效规模作为一项新的评价指标,在一定理论研究的基础上,结合其他维度（包括时间维度、技术维度、法律维度等）进行专利质量的预测。也就是说对于一篇专利,会将文本信息和数字量化指标以及技术功效矩阵进行向量的拼接后利用迁移学习模型对专利进行等级预测。实验表明,融入知识信息的专利质量等级的分类效果得到了进一步提升,其F1值达到75%。综上所述,本课题利用自然语言处理技术和深度学习中最先进的模型,融合专利领域内知识信息特征,从多个维度构建专利质量等级预测模型。该模型可以对海量的专利文献进行质量等级的自动预测,为国家、企业及高校等机构对于专利技术方向的把握提供了有力支撑,为后续专利质量的研究工作开创了崭新的思路。