TRIZ-RAGNER: A Retrieval-Augmented Large Language Model for TRIZ-Aware Named Entity Recognition in Patent-Based Contradiction Mining

Resumen Técnico: TRIZ-RAGNER

1. Planteamiento del Problema

La minería de contradicciones basada en TRIZ (Teoría para la Resolución de Problemas de Inventiva) es fundamental para el análisis de patentes y la innovación sistemática. Su objetivo es identificar pares de parámetros técnicos donde la mejora de uno conduce al deterioro de otro. Sin embargo, la extracción automática de estos parámetros enfrenta desafíos significativos:

• Ambigüedad Semántica: El lenguaje de las patentes es complejo, implícito y altamente especializado.
• Limitaciones de Métodos Previos: Los enfoques basados en reglas o modelos de aprendizaje automático tradicionales (como etiquetado de secuencias) sufren de poca generalización, dependencia de características superficiales y dificultad para captar entidades abstractas que no aparecen explícitamente como fragmentos de texto.
• Alucinaciones en LLMs: Aunque los Grandes Modelos de Lenguaje (LLMs) tienen una fuerte comprensión semántica, su aplicación directa a la extracción de parámetros TRIZ es problemática debido a la falta de anclaje en conocimientos estructurados, lo que genera predicciones inconsistentes o alucinadas.

2. Metodología Propuesta: TRIZ-RAGNER

El artículo propone TRIZ-RAGNER, un marco de trabajo que integra la Generación Aumentada por Recuperación (RAG) con un LLM para realizar un Reconocimiento de Entidades Nombradas (NER) consciente de TRIZ. El enfoque reformula la minería de contradicciones como una tarea de NER a nivel semántico en lugar de un simple etiquetado de tokens.

La arquitectura consta de tres etapas principales:

1. Construcción de la Base de Conocimiento TRIZ:

   • Se crea una base de conocimientos externa ($K$) que incluye los 39 parámetros de ingeniería estándar de TRIZ, sus definiciones, sinónimos y ejemplos anotados del conjunto de datos PaTRIZ.
   • Cada entrada se codifica en vectores densos utilizando un modelo de incrustación preentrenado.

2. Recuperación y Reordenamiento (Retrieval & Reranking):

   • Recuperación Densa: La oración de la patente de entrada se codifica y se busca en la base de conocimientos para recuperar los $K$ contextos más relevantes mediante similitud coseno.
   • Reordenamiento con Cross-Encoder: Para mitigar el ruido de la recuperación inicial, un modelo cross-encoder reordena los contextos candidatos calculando una puntuación de relevancia fina entre la oración de la patente y cada fragmento de conocimiento. Solo los contextos de mayor relevancia se seleccionan para la inferencia.

3. Inferencia con LLM y Prompting Estructurado:

   • Se construye un prompt estructurado que combina la instrucción de la tarea, el contexto de TRIZ recuperado y la oración objetivo.
   • El LLM genera los parámetros de "mejora" ($PE$) y "deterioro" ($PA$) en un formato JSON estricto, lo que garantiza la consistencia y reduce la ambigüedad.

3. Contribuciones Clave

El trabajo presenta cuatro contribuciones principales:

1. Reformulación de la Tarea: Se redefine la minería de contradicciones TRIZ como una tarea de NER semántico, superando las limitaciones del etiquetado token-level tradicional.
2. Marco Híbrido (TRIZ-RAGNER): Se propone un sistema que integra conocimiento de dominio específico (TRIZ) en el proceso de razonamiento de un LLM mediante recuperación aumentada.
3. Mecanismo de Reordenamiento: Introducción de un mecanismo de cross-encoder para filtrar y refinar el conocimiento recuperado, mejorando la precisión de la extracción.
4. Validación Exhaustiva: Demostración experimental de que la integración de conocimiento externo supera significativamente a los modelos de etiquetado de secuencia y a los LLMs sin anclaje.

4. Resultados Experimentales

Los experimentos se realizaron en el conjunto de datos PaTRIZ (aproximadamente 3,000 instancias anotadas por expertos).

• Métricas de Rendimiento:

  • Precisión: 85.6%
  • Recall: 82.9%
  • Puntuación F1: 84.2%

• Comparativa:

  • TRIZ-RAGNER superó consistentemente a los modelos basados en secuencias (BiLSTM-CRF, BERT-CRF, RoBERTa-CRF), cuyos F1 oscilaron entre 60.7% y 71.7%.
  • Superó a los LLMs puros (GPT zero-shot y con ingeniería de prompts), que alcanzaron un F1 de 73.7% y 76.9% respectivamente.
  • Mejora Absoluta: Se logró una mejora de 7.3 puntos porcentuales en F1 frente al baseline más fuerte (GPT con prompting mejorado).

• Estudio de Ablación:

  • La eliminación del módulo de recuperación redujo el F1 a 78.1%.
  • La eliminación del reordenamiento lo bajó a 79.8%.
  • La eliminación del prompting estructurado causó la mayor caída en componentes de LLM (76.6%), demostrando que la recuperación, el filtrado y la estructura de la instrucción son complementarios y esenciales.

5. Significado e Impacto

El estudio demuestra que anclar los LLMs con conocimiento estructurado de dominio es crucial para tareas de ingeniería complejas.

• Robustez: El enfoque reduce las alucinaciones y mejora la consistencia al extraer parámetros implícitos en textos técnicos densos.
• Aplicabilidad: TRIZ-RAGNER ofrece una solución escalable para el análisis automatizado de patentes, facilitando tareas posteriores como la recomendación de principios de invención, el análisis de evolución tecnológica y el descubrimiento de oportunidades de innovación.
• Futuro: Aunque el método introduce una sobrecarga computacional por la recuperación, abre la puerta a estrategias de recuperación adaptativa y minería de contradicciones a nivel de documento y multilingüe.

En conclusión, TRIZ-RAGNER establece un nuevo estándar para la extracción de contradicciones técnicas, combinando la potencia semántica de los LLMs con la precisión rigurosa de las bases de conocimiento estructuradas de TRIZ.