专利记录了发明创新的内容,包含了各学科的技术信息。专利作为技术发展的基石,不仅展现了最新的技术发展现状、还指导了各学科的技术未来发展方向。随着各学科科学技术的迅速发展并在不断加快的情况下,专利数据呈指数型增长,随着专利信息积累的不断增多,从数量巨大的专利信息库中得到有价值的专利信息对竞争情报具有重要价值。专利蕴含了很多有价值的信息,对专利数据的综合分析能获得很多有价值的科技进展情况,对掌控技术优势能力和计划技术将来的发展方向有巨大价值。从数量巨大的专利信息中,通过数据挖掘技术,挖掘专利中包含的有价值的信息,去除没有价值的专利信息,进而把相似的专利进行聚类分析对比,提取相关专利的关联信息、互补信息、引文引证信息、发展趋势信息。数据挖掘技术包含通过无监督聚类的方法进行分析、构建神经网络的方法进行分析、构建决策树的方法进行分析、利用模拟遗传的方法进行分析、构建粗糙集的方法分析、构建模糊集的方法进行分析、构建数据关联规则的方法法进行分析。k-means算法类属于聚类算法,应用k-means算法对专利数据进行聚类分析,针对k-means聚类算法对离群点非常敏感、获得初始中心点的不科学方式会导致实验结果的波动、很多学者提出的改进算法需要作者选取必要的相关参数,得到的结果依赖参数值的设置等问题,提出一种梯度跃迁改进算法,不需要设置参数,无监督获取初始聚类中心点,可有效去除噪声点,通过在UCI机器学习文本数据集上的仿真实验得到,算法稳定性、抗干扰性、准确性强,聚类结果波动性在5%左右,可去除96%的噪声点,可应用于文本聚类问题。通过以钢铁行业相关专利作为分析数据,应用自然语言处理方法把专利文本转换为权值,通过梯度跃迁优化的k-means改进算法对专利进行聚类,然后通过抽取相关特征找到关键词,进一步挖掘数据中的深层次信息,给相关专利数据集加上能反应其特点的标签,提高了对专利分析的能力和效率。