作为科技载体的专利文本中蕴含了丰富的背景、技术、功能、效应等知识。采用功能-效应-专利的检索方式,就可以借鉴不同领域专利中的原理和方法,从而打破思维惯性,为产品设计者提供类似的专利进行参考。目前挖掘专利与效应对应关系的方法以概念图匹配为主,存在匹配容错性差、实用性差的问题。近两年来,用深度学习模型解决文本分类问题变得很受关注,它被证明在特征提取和文本表示方面有着很大的优势。目前基于循环神经网络的分类方法存在梯度消失和语义信息丢失的问题,而注意力机制能够给文本中的关键部分分配更多的注意力,突出其重要性。本文提出一种包含多个基于注意力机制的双向LSTM模型(Bi_LSTM_ATT)的专利效应分类算法。通过分析效应在专利中的位置,本文算法将专利文本的摘要、权利要求说明书、发明内容、具体实施方式四部分内容分别作为Bi_LSTM_ATT的原始输入,学习得到的四部分特征以不同的权重融合作为专利文本特征。将功能作为LSTM模型的原始输入,训练得到功能特征。然后,将专利文本特征与功能特征进行融合作为专利效应分类的总体特征,达到预测分类的目的。最终的输出即是专利所属的效应类别。本文将提出的算法在机械物理领域的专利语料上进行了大量实验,实验结果表明,其准确率可以达到70%以上,说明该算法对判定专利所属效应具有一定的有效性。经工程应用验证,该算法能够有效拓展设计者的创新思维,促进新方案的产生。