A Dual-Channel Patent Vectorization Method Based on Claim Structure Analysis

Resumen Técnico: Un Método de Vectorización de Patentes de Doble Canal Basado en el Análisis de la Estructura de las Reivindicaciones

Planteamiento del Problema
Los métodos actuales de vectorización de patentes dependen predominantemente de estrategias de representación de texto completo unificadas. Si bien enfoques como TF-IDF, Word2Vec y Doc2Vec han avanzado en el modelado semántico, a menudo tratan los textos de las patentes como entradas planas. Este enfoque no logra aprovechar explícitamente la estructura jerárquica inherente a las reivindicaciones de las patentes. En consecuencia, estos métodos tienen dificultades para capturar simultáneamente la semántica de nivel de sistema general (típicamente encontrada en las reivindicaciones independientes) y los detalles técnicos locales (encontrados en las reivindicaciones dependientes). La mezcla de estos distintos niveles semánticos dentro de un único espacio vectorial puede diluir la capacidad discriminativa, lo que conduce a una reducción en la precisión del emparejamiento de patentes y a una menor calidad en las representaciones vectoriales.

Metodología
El artículo propone un Método de Vectorización de Patentes de Doble Canal que modela explícitamente la jerarquía estructural de las reivindicaciones de las patentes. El flujo de trabajo consta de tres etapas principales:

1. Segmentación de la Estructura de las Reivindicaciones y Construcción de Doble Canal:

   • Segmentación: Las reivindicaciones de las patentes se segmentan en función de la numeración y las relaciones de citación. Las reivindicaciones que no citan otras y resumen la solución central se clasifican como Reivindicaciones Independientes; aquellas que citan reivindicaciones anteriores para añadir características o restricciones se clasifican como Reivindicaciones Dependientes.
   • Definición de Canales:
     • Canal General: Construido a partir de la concatenación de las reivindicaciones independientes para representar la semántica de nivel de sistema. Este canal se modela utilizando Doc2Vec para capturar la solución técnica central.
     • Canal Local: Construido a partir de la concatenación de las reivindicaciones dependientes para representar detalles técnicos de grano fino (parámetros, características adicionales). Este canal se modela mediante la agregación de vectores de palabras ponderados por TF-IDF para resaltar términos discriminativos.
   • Corrección de Descorrelación Local: Para evitar la redundancia entre los dos canales (ya que las reivindicaciones dependientes suelen repetir términos centrales), se aplica un paso de descorrelación. El vector del canal local se ajusta restando una proporción del vector del canal general, asegurando que el canal local se concentre en detalles suplementarios y no redundantes.

2. Fusión de Concatenación con Compuerta de Doble Canal:

   • Extracción de Características: Se extraen dos características estadísticas del texto completo de la reivindicación: Concentración de Palabras Clave (que mide el peso de las palabras clave principales) y Especificidad de Términos (que mide la rareza y el poder discriminativo de los términos).
   • Tendencia de Fusión: Estas características se normalizan y se combinan en una tendencia de fusión a nivel de muestra de patente ($\alpha_i$), controlada por un parámetro de equilibrio ($\eta$).
   • Mapeo de Compuerta (Gated Mapping): Una función sigmoide convierte la tendencia de fusión en un peso de compuerta ($gate_i$). Esto permite al modelo ajustar dinámicamente la relación de contribución de los canales general y local basándose en las características textuales específicas de cada muestra de patente.
   • Fusión Final: El vector de patente final se genera mediante concatenación con compuerta: $[(1 - gate_i)v_{o,i}; gate_i v'_{l,i}]$, donde $v_{o,i}$ es el vector general y $v'_{l,i}$ es el vector local descorrelacionado.

Contribuciones Clave

1. Marco Orientado a la Estructura de las Reivindicaciones: El artículo introduce un marco de representación que separa las reivindicaciones independientes de las dependientes en un canal general y un canal local, respectivamente. Esto distingue explícitamente la semántica de la solución central de las limitaciones detalladas, mejorando la capacidad del vector para capturar la jerarquía de las reivindicaciones.
2. Mecanismo de Concatenación con Compuerta: Se diseña un novedoso mecanismo de fusión para abordar la complementariedad semántica. Al utilizar la descorrelación local para reducir la redundancia y una estrategia de mapeo de compuerta impulsada por la concentración de palabras clave y la especificidad de términos, el método equilibra dinámicamente la influencia de la semántica general y la local para cada muestra de patente.
3. Validación Empírica: El método se evalúa rigurosamente en un conjunto de datos de recuperación de patentes del mundo real (DAPFAM), demostrando mejoras sobre las líneas base de texto completo.

Resultados Experimentales
Los experimentos se realizaron utilizando el conjunto de datos DAPFAM, comparando el método propuesto contra las líneas base de TF-IDF de texto completo, Avg Word2Vec de texto completo y Doc2Vec de texto completo.

• Calidad de Clasificación (Ranking): El método propuesto logró un rendimiento superior en todas las métricas: Precisión@10 (P@10), Precisión Media Promedio@10 (MAP@10) y Ganancia Acumulada de la Utilidad Descontada Normalizada@10 (NDCG@10). Específicamente, alcanzó un P@10 de 0.3316, superando a la mejor línea base (Doc2Vec) que fue de 0.3172.
• Estudios de Ablación: Los resultados confirmaron que la estructura de doble canal es la base de las mejoras de rendimiento. Si bien la concatenación directa mejoró los resultados, la adición de la descorrelación y el mecanismo completo de compuerta produjo el mayor rendimiento, validando la necesidad de reducir la redundancia y ponderar dinámicamente los canales.
• Eficiencia: El método propuesto incurre en costos computacionales más altos (aprox. 7.26 ms/doc para la vectorización en línea) en comparación con las líneas base ligeras como TF-IDF (0.89 ms/doc) o Avg Word2Vec (0.51 ms/doc). Sin embargo, los autores señalan que este exceso de carga permanece dentro de un rango aceptable, representando un compromiso razonable para las ganancias significativas en la precisión de la recuperación.

Significado y Reivindicaciones
El artículo sostiene que su principal significancia radica en el cambio de la vectorización de patentes de un enfoque de modelado de texto completo "plano" hacia un enfoque de modelado jerárquico consciente de la estructura. Al reconocer que las reivindicaciones independientes y dependientes sirven a diferentes funciones semánticas, el método proporciona una representación vectorial más dirigida. Esto mejora la calidad de la representación vectorial de las patentes, apoyando así una recuperación de patentes similares más precisa, el descubrimiento de oportunidades tecnológicas y el análisis del valor de las patentes. Los autores posicionan este trabajo como un paso hacia la evaluación sistemática y la adaptación de tareas en el PLN de patentes, ofreciendo un enfoque de modelado que distingue mejor entre las soluciones técnicas centrales y los detalles técnicos locales.