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

तकनीकी सारांश: दावा संरचना विश्लेषण पर आधारित एक द्वि-चैनल पेटेंट वेक्टरकरण विधि

समस्या विवरण
मौजूदा पेटेंट वेक्टरकरण विधियाँ मुख्य रूप से एकीकृत पूर्ण-पाठ प्रतिनिधित्व रणनीतियों पर निर्भर करती हैं। जबकि TF-IDF, Word2Vec और Doc2Vec जैसी दृष्टिकोणों ने सिमेंटिक मॉडलिंग को उन्नत किया है, वे अक्सर पेटेंट टेक्स्ट को 'फ्लैट' इनपुट के रूप में देखते हैं। यह दृष्टिकोण पेटेंट दावों (claims) में निहित पदानुक्रमित संरचना का स्पष्ट रूप से लाभ उठाने में विफल रहता है। फलस्वरूप, ये विधियाँ समग्र प्रणाली-स्तरीय अर्थशास्त्र (जो आमतौर पर स्वतंत्र दावों में पाया जाता है) और स्थानीय तकनीकी विवरणों (जो आश्रित दावों में पाए जाते हैं) को एक साथ कैप्चर करने में संघर्ष करती हैं। एक ही वेक्टर स्पेस के भीतर इन अलग-अलग सिमेंटिक स्तरों को मिलाने से विभेदन क्षमता कम हो सकती है, जिससे पेटेंट मिलान की सटीकता घट जाती है और वेक्टर प्रतिनिधित्व की गुणवत्ता कम हो जाती है।

कार्यप्रणाली
यह शोध पत्र एक द्वि-चैनल पेटेंट वेक्टरकरण विधि (Dual-Channel Patent Vectorization Method) प्रस्तावित करता है जो पेटेंट दावों की संरचनात्मक पदानुक्रम को स्पष्ट रूप से मॉडल करता है। कार्यप्रवाह तीन प्राथमिक चरणों से बना है:

1. दावा संरचना विभाजन और द्वि-चैनल निर्माण:

   • विभाजन (Segmentation): पेटेंट दावों को नंबरिंग और साइटेशन संबंधों के आधार पर विभाजित किया जाता है। वे दावे जो दूसरों को साइट नहीं करते और मुख्य समाधान का सारांश देते हैं, उन्हें स्वतंत्र दावे (Independent Claims) के रूप में वर्गीकृत किया जाता है; वे जो विशेषताओं या प्रतिबंधों को जोड़ने के लिए पिछले दावों को साइट करते हैं, उन्हें आश्रित दावे (Dependent Claims) के रूप में वर्गीकृत किया जाता है।
   • चैनल परिभाषा:
     • समग्र चैनल (Overall Channel): यह कोर तकनीकी समाधान को दर्शाने के लिए संयोजित स्वतंत्र दावों से निर्मित होता है। इस चैनल को कोर तकनीकी समाधान को कैप्चर करने के लिए Doc2Vec का उपयोग करके मॉडल किया जाता है।
     • स्थानीय चैनल (Local Channel): यह सूक्ष्म तकनीकी विवरणों (पैरामीटर, अतिरिक्त विशेषताएं) को दर्शाने के लिए संयोजित आश्रित दावों से निर्मित होता है। इसे विभेदक शब्दों को उजागर करने के लिए TF-IDF भारित शब्द वेक्टर एकत्रीकरण (TF-IDF weighted word vector aggregation) का उपयोग करके मॉडल किया जाता है।
   • स्थानीय डिकोरिलेशन सुधार (Local Decorrelation Correction): दोनों चैनलों के बीच अतिरेक (redundancy) को रोकने के लिए (चूंकि आश्रित दावे अक्सर कोर शब्दों को दोहराते हैं), एक डिकोरिलेशन चरण लागू किया जाता है। स्थानीय चैनल वेक्टर को समग्र चैनल वेक्टर के एक अनुपात को घटाकर समायोजित किया जाता है, जिससे यह सुनिश्चित होता है कि स्थानीय चैनल पूरक, गैर-अतिरेक विवरणों पर ध्यान केंद्रित करे।

2. द्वि-चैनल गेटेड कॉनकैटिनेशन फ्यूजन (Dual-Channel Gated Concatenation Fusion):

   • विशेषता निष्कर्षण: पूर्ण दावा पाठ से दो सांख्यिकीय विशेषताएं निकाली जाती हैं: कीवर्ड एकाग्रता (Keyword Concentration) (शीर्ष कीवर्ड के भार को मापना) और शब्द विशिष्टता (Term Specificity) (शब्दों की दुर्लभता और विभेदक शक्ति को मापना)।
   • फ्यूजन प्रवृत्ति: इन विशेषताओं को सामान्यीकृत (normalize) किया जाता है और एक संतुलन पैरामीटर ($\eta$) द्वारा नियंत्रित एक पेटेंट-नमूना-स्तरीय फ्यूजन प्रवृत्ति ($\alpha_i$) में संयोजित किया जाता है।
   • गेटेड मैपिंग: एक सिग्मॉइड फंक्शन फ्यूजन प्रवृत्ति को गेट वेट ($gate_i$) में बदल देता है। यह मॉडल को प्रत्येक पेटेंट नमूने के विशिष्ट पाठ्य लक्षणों के आधार पर समग्र और स्थानीय चैनलों के योगदान अनुपात को गतिशील रूप से समायोजित करने की अनुमति देता है।
   • अंतिम फ्यूजन: अंतिम पेटेंट वेक्टर गेटेड कॉनकैटिनेशन के माध्यम से उत्पन्न किया जाता है: $[(1 - gate_i)v_{o,i}; gate_i v'_{l,i}]$, जहाँ $v_{o,i}$ समग्र वेक्टर है और $v'_{l,i}$ डिकोरिलेटेड स्थानीय वेक्टर है।

मुख्य योगदान

1. दावा-संरचना-उन्मुख ढांचा (Claim-Structure-Oriented Framework): यह पत्र एक प्रतिनिधित्व ढांचा पेश करता है जो स्वतंत्र और आश्रित दावों को क्रमशः एक समग्र चैनल और एक स्थानीय चैनल में अलग करता है। यह कोर समाधान अर्थशास्त्र और विस्तृत सीमाओं के बीच स्पष्ट अंतर करता है, जिससे वेक्टर की दावा पदानुक्रम को कैप्चर करने की क्षमता बढ़ती है।
2. गेटेड कॉनकैटिनेशन तंत्र: सिमेंटिक पूरकता को संबोधित करने के लिए एक नवीन फ्यूजन तंत्र डिज़ाइन किया गया है। अतिरेक को कम करने के लिए स्थानीय डिकोरिलेशन का उपयोग करके और कीवर्ड एकाग्रता एवं शब्द विशिष्टता द्वारा संचालित एक गेटेड मैपिंग रणनीति के माध्यम से, यह विधि प्रत्येक पेटेंट नमूने के लिए समग्र और स्थानीय अर्थशास्त्र के प्रभाव को गतिशील रूप से संतुलित करती है।
3. अनुभवजन्य सत्यापन: इस पद्धति का वास्तविक दुनिया के पेटेंट पुनर्प्राप्ति डेटासेट (DAPFAM) पर कड़ाई से मूल्यांकन किया गया है, जो मानक पूर्ण-पाठ बेसलाइन की तुलना में सुधार प्रदर्शित करता है।

प्रायोगिक परिणाम
प्रयोग DAPFAM डेटासेट का उपयोग करके किए गए थे, जिसमें प्रस्तावित विधि की तुलना पूर्ण-पाठ TF-IDF, पूर्ण-पाठ Avg Word2Vec, और पूर्ण-पाठ Doc2Vec बेसलाइन से की गई थी।

• रैंकिंग गुणवत्ता: प्रस्तावित विधि ने सभी मेट्रिक्स में बेहतर प्रदर्शन किया: Precision@10 (P@10), Mean Average Precision@10 (MAP@10), और Normalized Discounted Cumulative Gain@10 (NDCG@10)। विशेष रूप से, यह 0.3316 का P@10 तक पहुँचा, जो 0.3172 के सर्वश्रेष्ठ बेसलाइन (Doc2Vec) से बेहतर है।
• एब्लेशन अध्ययन (Ablation Studies): परिणामों ने पुष्टि की कि द्वि-चैनल संरचना प्रदर्शन लाभों का आधार है। जबकि प्रत्यक्ष कॉनकैटिनेशन ने परिणामों में सुधार किया, डिकोरिलेशन और पूर्ण गेटेड तंत्र के संयोजन ने उच्चतम प्रदर्शन दिया, जो अतिरेक को कम करने और चैनलों को गतिशील रूप से भारित करने की आवश्यकता को प्रमाणित करता है।
• दक्षता: प्रस्तावित विधि में हल्के बेसलाइन जैसे TF-IDF (0.89 ms/doc) या Avg Word2Vec (0.51 ms/doc) की तुलना में उच्च कम्प्यूटेशनल लागत (ऑनलाइन वेक्टरकरण के लिए लगभग 7.26 ms/doc) आती है। हालांकि, लेखक नोट करते हैं कि यह ओवरहेड स्वीकार्य सीमा के भीतर है, जो पुनर्प्राप्ति सटीकता में महत्वपूर्ण लाभ के लिए एक उचित ट्रेड-ऑफ है।

महत्ता और दावे
यह पत्र दावा करता है कि इसकी प्राथमिक महत्ता पेटेंट वेक्टरकरण को "फ्लैट" पूर्ण-पाठ मॉडलिंग दृष्टिकोण से बदलकर एक पदानुक्रमित, संरचना-जागरूक मॉडलिंग दृष्टिकोण की ओर ले जाने में है। यह स्वीकार करते हुए कि स्वतंत्र और आश्रित दावे अलग-अलग सिमेंटिक कार्यों के लिए होते हैं, यह विधि अधिक लक्षित वेक्टर प्रतिनिधित्व प्रदान करती है। यह पेटेंट वेक्टर प्रतिनिधित्व की गुणवत्ता में सुधार करता है, जिससे अधिक सटीक समान पेटेंट पुनर्प्राप्ति, तकनीकी अवसर खोज और पेटेंट मूल्य विश्लेषण में सहायता मिलती है। लेखक इस कार्य को पेटेंट NLP में व्यवस्थित मूल्यांकन और कार्य अनुकूलन की दिशा में एक कदम के रूप में देखते हैं, जो एक ऐसा मॉडलिंग दृष्टिकोण प्रदान करता है जो कोर तकनीकी समाधानों और स्थानीय तकनीकी विवरणों के बीच बेहतर अंतर करता है।