💻 computer science

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

Cet article propose une méthode de vectorisation de brevets à double canal qui exploite l'analyse de la structure des revendications pour encoder séparément les sémantiques au niveau du système et au niveau du détail, lesquelles sont ensuite fusionnées via un mécanisme de porte avec correction de décorrélation afin d'améliorer significativement la précision de la correspondance de brevets par rapport aux références existantes basées sur le texte intégral.

Auteurs originaux : Jiangtao Li, Wenlong Feng, Mengxing Huang, Siling Feng, Fu Gao

Publié 2026-06-26

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jiangtao Li, Wenlong Feng, Mengxing Huang, Siling Feng, Fu Gao

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Problème : La « Soupe de Brevets » Taille Unique

Imaginez que vous essayiez de trouver une recette spécifique dans un énorme livre de cuisine. Le problème des méthodes informatiques actuelles pour lire les brevets est qu'elles traitent chaque brevet comme un immense bol de soupe mal organisé. Elles versent l'intégralité du texte — l'idée principale, les ingrédients spécifiques, les temps de cuisson et les consignes de sécurité — dans un seul mixeur.

Les chercheurs soutiennent que cette approche manque de nuance. Dans un brevet, les Revendications Indépendantes sont comme la recette principale (ex : « Un gâteau fait de farine et d'œufs »). Les Revendications Dépendantes sont les détails et les restrictions spécifiques (ex : « La farine doit être biologique » ou « La température du four doit être exactement 175 °C »).

Lorsque les ordinateurs mélangent tout cela en un seul « vecteur » (une empreinte numérique du texte), les détails spécifiques se perdent dans le bruit de l'idée principale. C'est comme essayer de trouver une recette de « gâteau sans gluten » mais l'ordinateur ne voit que le concept général de « gâteau », ce qui rend difficile la distinction entre un gâteau standard et un gâteau spécialisé.

La Solution : Une Cuisine à Double Canal

Pour corriger cela, les auteurs (Jiangtao Li et l'équipe de l'Université de Hainan) ont construit un nouveau système appelé Méthode de Vectorisation de Brevet à Double Canal. Au lieu de tout mélanger, ils ont mis en place deux « canaux » ou tapis roulants distincts pour traiter le texte du brevet.

Canal 1 : Le Tapis roulant de la « Vue d'Ensemble » (Le Canal Global)

Ce canal ne regarde que les Revendications Indépendantes. Considérez cela comme le « Résumé Exécutif » ou le « Plat Principal ». Il capture l'idée centrale du système de l'invention. Il répond à la question : De quoi s'agit-il globalement ?

Canal 2 : Le Tapis roulant des « Petites Lettres » (Le Canal Local)

Ce canal ne regarde que les Revendications Dépendantes. Considérez cela comme la « Liste des Ingrédients » ou les « Instructions Spéciales ». Il capture les restrictions spécifiques, les caractéristiques supplémentaires et les détails techniques. Il répond à la question : Qu'est-ce qui rend cette version spécifique unique ?

La Recette Secrète : Le « Mixeur Intelligent »

Le simple fait d'avoir deux canaux séparés ne suffit pas ; il faut quand même les combiner pour obtenir le résultat final. Mais si vous les versez ensemble de manière égale, vous risquez d'obtenir un mélange désordonné. Les auteurs ont conçu un Mécanisme de Fusion par Concatenation à Double Porte (Gated Concatenation).

Considérez cela comme un Mixeur Intelligent avec un Bouton de Volume.

Nettoyage du Signal (Décorrélation) : Avant le mélange, le système vérifie si les deux canaux répètent la même information. Si la « Vue d'Ensemble » et les « Petites Lettres » disent la même chose, le système soustrait les parties dupliquées du canal des « Petites Lettres ». Cela garantit que le second canal n'ajoute que des détails nouveaux, et ne se contente pas de faire écho au premier.
Lecture de l'Ambiance (Tendance de Fusion) : Le système examine le brevet spécifique pour décider quel poids accorder à chaque canal.
- Si un brevet possède très peu de mots-clés qui le définissent (haute « Concentration de Mots-Clés »), le système sait que la « Vue d'Ensemble » est la partie la plus importante. Il augmente le volume du Canal 1.
- Si un brevet est rempli de termes techniques uniques et rares (haute « Spécificité de Termes »), le système sait que les « Petites Lettres » sont cruciales. Il augmente le volume du Canal 2.
Le Mélange Final (Concatenation à Porte) : En utilisant une « porte » mathématique (comme un feu de signalisation), le système décide dynamiquement du ratio parfait entre l'Idée Principale et les Détails Spécifiques pour ce brevet précis. Il les combine ensuite en une seule empreinte numérique de haute qualité.

Les Résultats : Un Meilleur Moteur de Recherche

Les chercheurs ont testé cette nouvelle méthode par rapport aux anciennes méthodes (comme le simple comptage de mots ou la moyenne de texte simple) en utilisant une base de données de brevets réels.

L'Analogie : Imaginez chercher un type de voiture spécifique.
- Anciennes Méthodes : Pourraient retourner une « Berline » générique parce qu'elles ont manqué le détail spécifique précisant que la voiture possède un « moteur V6 turbo ».
- Nouvelle Méthode : Parce qu'elle a gardé l'« Idée Principale » (Berline) et les « Détails » (V6 Turbo) séparés mais connectés, elle a trouvé la voiture exacte que vous vouliez avec beaucoup plus de précision.

Les Conclusions :

La nouvelle méthode était meilleure pour trouver les bons brevets (Précision plus élevée).
Elle classait les meilleures correspondances plus haut dans la liste (scores MAP et NDCG plus élevés).
Elle y parvient en respectant la structure juridique du brevet (Revendications Indépendantes vs Dépendantes) plutôt qu'en traitant le texte comme un bloc plat de mots.

Le Compromis

Le document note que ce « Mixeur Intelligent » demande un peu plus de puissance de calcul et de temps d'exécution que les méthodes de « mixeur simple ». Cependant, les auteurs soutiennent que ce temps supplémentaire en vaut la peine car les résultats sont beaucoup plus précis et utiles pour trouver des technologies similaires.

En bref : Le papier propose que pour comprendre un brevet, il ne faut pas simplement lire l'ensemble d'un coup. Il faut séparer l'« Idée Principale » des « Règles Spécifiques », nettoyer les doublons, puis les mélanger de manière intelligente et adaptative selon le document. Cela permet d'obtenir une image beaucoup plus claire de ce qu'est réellement l'invention.

Résumé Technique : Une méthode de vectorisation de brevets à double canal basée sur l'analyse de la structure des revendications

Énoncé du problème
Les méthodes existantes de vectorisation de brevets reposent principalement sur des stratégies de représentation de texte intégral unifiées. Bien que des approches telles que TF-IDF, Word2Vec et Doc2Vec aient fait progresser la modélisation sémantique, elles traitent souvent les textes de brevets comme des entrées plates. Cette approche ne parvient pas à exploiter explicitement la structure hiérarchique inhérente aux revendications de brevets. Par conséquent, ces méthodes peinent à capturer simultanément la sémantique globale du système (généralement présente dans les revendications indépendantes) et les détails techniques locaux (présents dans les revendications dépendantes). Le mélange de ces différents niveaux sémantiques au sein d'un espace vectoriel unique peut diluer la capacité discriminante, entraînant une réduction de la précision de la correspondance des brevets et une baisse de la qualité des représentations vectorielles.

Méthodologie
Le document propose une méthode de vectorisation de brev et à double canal qui modélise explicitement la hiérarchie structurelle des revendications de brevets. Le flux de travail se compose de trois étapes principales :

Segmentation de la structure des revendications et construction du double canal :
- Segmentation : Les revendications de brevets sont segmentées en fonction de la numérotation et des relations de citation. Les revendications qui ne citent aucune autre et résument la solution centrale sont classées comme Revendications Indépendantes ; celles qui citent des revendications précédentes pour ajouter des caractéristiques ou des restrictions sont classées comme Revendications Dépendantes.
- Définition des canaux :
  - Canal Global : Construit à partir de la concaténation des revendications indépendantes pour représenter la sémantique globale du système. Ce canal est modélisé à l'aide de Doc2Vec pour capturer la solution technique centrale.
  - Canal Local : Construit à partir de la concaténation des revendications dépendantes pour représenter les détails techniques fins (paramètres, caractéristiques supplémentaires). Ce canal est modélisé par une agrégation de vecteurs de mots pondérés par TF-IDF afin de mettre en évidence les termes discriminants.
- Correction de la décorrélation locale : Pour éviter la redondance entre les deux canaux (puisque les revendications dépendantes répètent souvent les termes centraux), une étape de décorrélation est appliquée. Le vecteur du canal local est ajusté en soustrayant une proportion du vecteur du canal global, garantissant que le canal local se concentre sur les détails supplémentaires et non redondants.
Fusion par concaténation à porte (Gated Concatenation) du double canal :
- Extraction de caractéristiques : Deux caractéristiques statistiques sont extraites du texte complet des revendications : la Concentration de Mots-Clés (mesurant le poids des principaux mots-clés) et la Spécificité des Termes (mesurant la rareté et le pouvoir discriminant des termes).
- Tendance de fusion : Ces caractéristiques sont normalisées et combinées en une tendance de fusion au niveau de l'échantillon de brevet ( $\alpha_i$ ), contrôlée par un paramètre d'équilibre ( $\eta$ ).
- Cartographie à porte (Gated Mapping) : Une fonction sigmoïde convertit la tendance de fusion en un poids de porte ( $gate_i$ ). Cela permet au modèle d'ajuster dynamiquement le ratio de contribution des canaux global et local en fonction des caractéristiques textuelles spécifiques de chaque échantillon de brevet.
- Fusion finale : Le vecteur final du brevet est généré via une concaténation à porte : $[(1 - gate_i)v_{o,i}; gate_i v'_{l,i}]$ , où $v_{o,i}$ est le vecteur global et $v'_{l,i}$ est le vecteur local décorrelé.

Contributions Clés

Cadre orienté vers la structure des revendications : Le document introduit un cadre de représentation qui sépare les revendications indépendantes et dépendantes en un canal global et un canal local, respectivement. Cela distingue explicitement la sémantique de la solution centrale des limitations détaillées, améliorant la capacité du vecteur à capturer la hiérarchie des revendications.
Mécanisme de concaténation à porte : Un nouveau mécanisme de fusion est conçu pour traiter la complémentarité sémantique. En utilisant la décorrélation locale pour réduire la redondance et une stratégie de cartographie à porte pilotée par la concentration de mots-clés et la spécificité des termes, la méthode équilibre dynamiquement l'influence des sémantiques globales et locales pour chaque échantillon de brevet.
Validation empirique : La méthode est rigoureusement évaluée sur un ensemble de données de recherche de brevets réel (DAPFAM), démontrant des améliorations par rapport aux bases de référence de texte intégral standard.

Résultats Expérimentaux
Des expériences ont été menées en utilisant l'ensemble de données DAPFAM, comparant la méthode proposée aux bases de référence de texte intégral TF-IDF, de texte intégral Avg Word2Vec et de texte intégral Doc2Vec.

Qualité du classement : La méthode proposée a obtenu des performances supérieures sur toutes les métriques : Précision@10 (P@10), Précision Moyenne Moyenne@10 (MAP@10) et Gain Cumulé de Pertinence Normalisé@10 (NDCG@10). Plus précisément, elle a atteint une P@10 de 0,3316, surpassant la meilleure base de référence (Doc2Vec) qui était de 0,3172.
Études d'ablation : Les résultats ont confirmé que la structure à double canal est le fondement des gains de performance. Bien que la concaténation directe ait amélioré les résultats, l'ajout de la décorrélation et du mécanisme de porte complet a produit les performances les plus élevées, validant la nécessité de réduire la redondance et de pondérer dynamiquement les canaux.
Efficacité : La méthode proposée entraîne des coûts de calcul plus élevés (environ 7,26 ms/doc pour la vectorisation en ligne) par rapport aux bases de référence légères comme TF-IDF (0,89 ms/doc) ou Avg Word2Vec (0,51 ms/doc). Cependant, les auteurs notent que ce surcoût reste dans une plage acceptable, représentant un compromis raisonnable pour les gains significatifs en précision de recherche.

Signification et Revendications
Le document affirme que sa principale signification réside dans le passage d'une approche de modélisation de texte intégral « plate » à une approche de modélisation hiérarchique et consciente de la structure. En reconnaissant que les revendications indépendantes et dépendantes servent des fonctions sémantiques différentes, la méthode fournit une représentation vectorielle plus ciblée. Cela améliore la qualité de la représentation vectorielle des brevets, soutenant ainsi une recherche de brevets similaires, une découverte d'opportunités technologiques et une analyse de la valeur des brevets plus précises. Les auteurs positionnent ce travail comme une étape vers l'évaluation systématique et l'adaptation aux tâches dans le domaine du NLP pour les brevets, offrant une approche de modélisation qui distingue mieux les solutions techniques centrales des détails techniques locaux.