主题模型可以帮助发现专利文本中潜在的语义信息,并且以概率分布的方式展现出来。其结果具备良好的数学性质,简单直观,不但可以帮助专利分析人员快速了解某领域专利语料库的概况,而且可以用于专利分类、专利信息抽取等进一步的专利挖掘任务中。近年来,国内外研究学者主要基于单词之间的共现关系来发现隐含主题。所生成的结果由单词依概率排序组成,缺乏深层次语义信息,可解释差。一方面,该类主题模型难以提取语义丰富的低频词,主题结果向高频词倾斜,导致主题表达能力减弱;另一方面,大量语义丰富的短语被拆分,导致主题结果难以解读。同时被切分的短语造成了额外的共现关系影响了主题结果。一般来说,短语比单词拥有更加丰富的语义信息且人类对于主题结果的解读往往依赖于短语。因此本文提出一种面向专利的主题短语提取方法,该方法在短语集合的基础上构建主题模型。主要工作如下:(1)根据专利文本的特点,本文提出一种面向专利的短语自动提取方法。首先,利用频繁短语挖掘算法生成候选短语集。然后利用词法规则进行过滤。其次选取候选短语的一致性、信息性、术语度、TermRank四个统计信息作为特征。最后利用随机森林分类算法进行训练,使用训练好的模型对候选集进行过滤。(2)本文提出一种基于短语的主题模型GW_PhraseLDA,该模型是在PhraseLDA的基础上进行改进。PhraseLDA在建模过程中考虑短语,一定情况下突出了短语的作用,但还是会受到短语共现关系稀疏问题的影响。且在专利文本中,不同的短语会表达相似的意思,但PhraseLDA不能有效识别该关系。本文将词向量和波利亚罐子模型引入到PhraseLDA中有效的解决了上述问题。在新能源汽车领域中文专利上的实验表明,本文所提出的模型能够有效的提高主题生成质量,相对比传统主题模型更具有可解释性和判别性。