💻 computer science

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

Dit artikel stelt een dual-channel patentvectorisatiemethode voor die gebruikmaakt van analyse van de conclusiestructuur om systeemniveau- en detailniveau-semantiek afzonderlijk te coderen, die vervolgens via een gated mechanisme met decorrelatiecorrectie worden gefuseerd om de nauwkeurigheid van patentmatching aanzienlijk te verbeteren ten opzichte van bestaande full-text baselines.

Oorspronkelijke auteurs: Jiangtao Li, Wenlong Feng, Mengxing Huang, Siling Feng, Fu Gao

Gepubliceerd 2026-06-26

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jiangtao Li, Wenlong Feng, Mengxing Huang, Siling Feng, Fu Gao

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Probleem: De "One-Size-Fits-All" Patentsoep

Stel je voor dat je een specifiek recept probeert te vinden in een enorme kookboek. Het probleem met de huidige computermethoden voor het lezen van patenten is dat ze elk patent behandelen als een enorme, ongeorganiseerde kom soep. Ze gooien de hele tekst — het hoofdbestanddeel, de specifieke ingrediënten, de kooktijden en de veiligheidswaarschuwingen — in één enkele blender.

De onderzoekers stellen dat deze aanpak de nuance mist. In een patent zijn de Onafhankelijke Claims (Independent Claims) als het hoofdrecept (bijv. "Een taart gemaakt van bloem en eieren"). De Afhankelijke Claims (Dependent Claims) zijn de specifieke details en beperkingen (bijv. "De bloem moet biologisch zijn" of "De oven moet precies 175°C zijn").

Wanneer computers deze zaken samenmaken tot één enkele "vector" (een digitale vingerafdruk van de tekst), gaan de specifieke details verloren in de ruis van het hoofdidee. Het is alsof je probeert te zoeken naar een recept voor een "glutenvrije taart", maar de computer alleen het algemene concept "taart" ziet, waardoor het moeilijk is om een standaard taart van een gespecialiseerde taart te onderscheiden.

De Oplossing: Een Keuken met Twee Kanalen

Om dit op te lossen, hebben de auteurs (Jiangtao Li en team van Hainan University) een nieuw systeem gebouwd genaamd een Dual-Channel Patent Vectorization Method. In plaats van alles samen te mixen, hebben ze twee aparte "kanalen" of lopende banden opgezet om de patenttekst te verwerken.

Kanaal 1: De "Grote Plaatjes" Lopende Band (Het Algemene Kanaal)

Dit kanaal kijkt alleen naar de Onafhankelijke Claims. Denk aan dit als de "Executive Summary" of het "Hoofdgerecht". Het legt de kern van het systeemniveau van de uitvinding vast. Het beantwoordt de vraag: Wat is deze uitvinding in algemene zin?

Kanaal 2: De "Kleine Lettertjes" Lopende Band (Het Lokale Kanaal)

Dit kanaal kijkt alleen naar de Afhankelijke Claims. Denk aan dit als de "Ingrediëntenlijst" of de "Speciale Instructies". Het legt de specifieke beperkingen, extra functies en technische details vast. Het beantwoordt de vraag: Wat maakt deze specifieke versie uniek?

Het Geheime Sausje: De "Slimme Mixer"

Alleen twee aparte kanalen hebben is niet genoeg; je moet ze nog steeds combineren om het eindresultaat te krijgen. Maar als je ze gewoon gelijkmatig samenvoegt, krijg je een rommelige mix. De auteurs hebben een Dual-Channel Gated Concatenation Fusion Mechanism ontworpen.

Denk hierbij aan een Slimme Mixer met een Volumeknop.

Het Signaal Opschonen (Decorrelatie): Voordat de mix plaatsvindt, controleert het systeem of de twee kanalen dezelfde informatie herhalen. Als het "Grote Plaatje" en de "Kleine Lettertjes" hetzelfde zeggen, trekt het systeem de dubbele delen af van het "Kleine Lettertjes"-kanaal. Dit zorgt ervoor dat het tweede kanaal alleen nieuwe details toevoegt, en niet alleen het eerste kanaal echoot.
De Kamer Aanvoelen (Fusie-tendens): Het systeem kijkt naar het specifieke patent om te beslissen hoeveel gewicht het aan elk kanaal moet geven.
- Als een patent weinig kernwoorden heeft die het definiëren (hoge "Keyword Concentration"), weet het systeem dat het "Grote Plaatje" het belangrijkste deel is. Het draait het volume van Kanaal 1 omhoog.
- Als een patent vol staat met unieke, zeldzame technische termen (hoge "Term Specificity"), weet het systeem dat de "Kleine Lettertjes" cruciaal zijn. Het draait het volume van Kanaal 2 omhoog.
De Definitieve Mix (Gated Concatenation): Met behulp van een wiskundige "poort" (zoals een verkeerslicht) beslist het systeem dynamisch de perfecte verhouding tussen het Hoofdbestanddeel en de Specifieke Details voor dat specifieke patent. Vervolgens combineert het deze tot één hoogwaardige digitale vingerafdruk.

De Resultaten: Een Betere Zoekmachine

De onderzoekers hebben deze nieuwe methode getest tegen oudere methoden (zoals standaard woordtelling of eenvoudige tekstgemiddelden) met behulp van een echte patentdatabase.

De Analogie: Stel je voor dat je zoekt naar een specifiek type auto.
- Oude Methoden: Zouden misschien een generieke "Sedan" teruggeven omdat ze het specifieke detail gemist hebben dat de auto een "turbomotor met V6" heeft.
- Nieuwe Methode: Omdat deze de "Hoofdidee" (Sedan) en de "Details" (Turbo V6) apart maar verbonden hield, vond het de exacte auto die je wilde veel nauwkeuriger.

De Bevindingen:

De nieuwe methode was beter in het vinden van de juiste patenten (hogere Precisie).
Het plaatste de beste matches hoger op de lijst (hogere MAP- en NDCG-scores).
Dit deed het door de juridische structuur van het patent (Onafhankelijke vs. Afhankelijke claims) te respecteren, in plaats van de tekst te behandelen als een plat blok woorden.

De Trade-off

De paper merkt op dat deze "Slimme Mixer" iets meer rekenkracht en tijd kost om te draaien dan de eenvoudige "blender"-methoden. De auteurs argumenteren echter dat de extra tijd het waard is, omdat de resultaten veel nauwkeuriger en nuttiger zijn voor het vinden van soortgelijke technologieën.

Kortom: Het artikel stelt voor dat om een patent te begrijpen, je niet gewoon de hele tekst in één keer moet lezen. Je moet het "Hoofdbestanddeel" scheiden van de "Specifieke Regels", de duplicaten opschonen en ze vervolgens op een slimme manier mengen die zich aanpast aan het specifieke document. Dit leidt tot een veel duidelijker beeld van wat de uitvinding werkelijk is.

Technische Samenvatting: Een Dual-Channel Patent Vectorisatie Methode Gebaseerd op Claim-Structuur Analyse

Probleemstelling
Bestaande methoden voor patentvectorisatie vertrouwen voornamelijk op uniforme volledige tekst-representatiestrategieën. Hoewel benaderingen zoals TF-IDF, Word2Vec en Doc2Vec de semantische modellering hebben geavanceerd, behandelen zij patentteksten vaak als platte inputs. Deze aanpak faalt in het expliciet benutten van de hiërarchische structuur die inherent is aan patentclaims. Bijgevolg worstelen deze methoden ermee om tegelijkertijd zowel de algehele systeem-niveau semantiek (doorga wetens te vinden in onafhankelijke claims) als de lokale technische details (te vinden in afhankelijke claims) te vatten. Het mengen van deze verschillende semantische niveaus binnen een enkele vectorruimte kan het onderscheidend vermogen verwateren, wat leidt tot een verminderde nauwkeurigheid bij patentmatching en een lagere kwaliteit van de vectorrepresentaties.

Methodologie
Het paper stelt een Dual-Channel Patent Vectorisatie Methode voor die de structurele hiërarchie van patentclaims expliciet modelleert. De workflow bestaat uit drie primaire stadia:

Claim-structuur Segmentatie en Dual-Channel Constructie:
- Segmentatie: Patentclaims worden gesegmenteerd op basis van nummering en citatierelaties. Claims die anderen niet citeren en de kernoplossing samenvatten, worden geclassificeerd als Onafhankelijke Claims; claims die voorgaande claims citeren om kenmerken of beperkingen toe te voegen, worden geclassificeerd als Afhankelijke Claims.
- Kanaaldefinitie:
  - Algemeen Kanaal: Geconstrueerd uit geconcateneerde onafhankelijke claims om systeem-niveau semantiek te representeren. Dit kanaal wordt gemodelleerd met behulp van Doc2Vec om de kerntechnische oplossing te vatten.
  - Lokaal Kanaal: Geconstrueerd uit geconcateneerde afhankelijke claims om fijnmazige technische details (parameters, aanvullende kenmerken) te representeren. Dit kanaal wordt gemodelleerd met behulp van TF-IDF gewogen woordvector-aggregatie om onderscheidende termen te benadrukken.
- Lokale Decorrelatie Correctie: Om redundantie tussen de twee kanalen te voorkomen (aangezien afhankelijke claims vaak kerntermen herhalen), wordt een decorrelatiestap toegepast. De lokale kanaalvector wordt aangepast door een proportie van de algemene kanaalvector af te trekken, waardoor het lokale kanaal zich richt op aanvullende, niet-redundante details.
Dual-Channel Gated Concatenation Fusie:
- Kenmerkextractie: Twee statistische kenmerken worden geëxtraheerd uit de volledige claimtekst: Keyword Concentratie (het meten van het gewicht van top-keywords) en Term Specificiteit (het meten van de zeldzaamheid en het onderscheidend vermogen van termen).
- Fusie-tendens: Deze kenmerken worden genormaliseerd en gecombineerd in een patent-sample-niveau fusie-tendens ( $\alpha_i$ ), gecontroleerd door een balansparameter ( $\eta$ ).
- Gated Mapping: Een sigmoid-functie zet de fusie-tendens om in een gate-gewicht ( $gate_i$ ). Dit stelt het model in staat om de bijdrageratio van het algemene en het lokale kanaal dynamisch aan te passen op basis van de specifieke tekstuele kenmerken van elk patent-sample.
- Finale Fusie: De finale patentvector wordt gegenereerd via gated concatenatie: $[(1 - gate_i)v_{o,i}; gate_i v'_{l,i}]$ , waarbij $v_{o,i}$ de algemene vector is en $v'_{l,i}$ de gedecorreleerde lokale vector.

Belangrijkste Bijdragen

Claim-Structuur-Georiënteerd Framework: Het paper introduceert een representatieframework dat onafhankelijke en afhankelijke claims respectievelijk scheidt in een algemeen kanaal en een lokaal kanaal. Dit maakt een expliciet onderscheid tussen kernoplossing-semantiek en gedetailleerde beperkingen, wat het vermogen van de vector versterkt om de claimhiërarchie te vatten.
Gated Concatenation Mechanisme: Een nieuw fusiemechanisme is ontworpen om semantische complementariteit aan te pakken. Door gebruik te maken van lokale decorrelatie om redundantie te verminderen en een gated mapping-strategie aangedreven door keyword concentratie en term specificiteit, balanceert de methode dynamisch de invloed van algemene en lokale semantiek voor elk patent-sample.
Empirische Validatie: De methode wordt rigoureus geëvalueerd op een real-world patent retrieval dataset (DAPFAM), waarbij verbeteringen ten opzien van standaard full-text baselines worden aangetoond.

Experimentele Resultaten
Experimenten werden uitgevoerd met de DAPFAM-dataset, waarbij de voorgestelde methode werd vergeleken met full-text TF-IDF, full-text Avg Word2Vec en full-text Doc2Vec baselines.

Rangorde Kwaliteit: De voorgestelde methode behaalde superieure prestaties over alle metrieken: Precision@10 (P@10), Mean Average Precision@10 (MAP@10) en Normalized Discounted Cumulative Gain@10 (NDCG@10). Specifiek bereikte het een P@10 van 0,3316, waarmee het de beste baseline (Doc2Vec) met 0,3172 versloeg.
Ablatie-studies: Resultaten bevestigden dat de dual-channel structuur de basis vormt van de prestatiewinsten. Hoewel directe concatenatie de resultaten verbeterde, leverden de toevoeging van decorrelatie en het volledige gated mechanisme de hoogste prestaties op, wat de noodzaak van het verminderen van redundantie en het dynamisch wegen van kanalen valideert.
Efficiëntie: De voorgestelde methode brengt hogere computationele kosten met zich mee (ongeveer 7,26 ms/doc voor online vectorisatie) vergeleken met lichtgewicht baselines zoals TF-IDF (0,89 ms/doc) of Avg Word2Vec (0,51 ms/doc). De auteurs merken echter op dat deze overhead binnen een acceptabele marge blijft en een redelijke afweging vormt voor de aanzienlijke winst in retrieval-nauwkeurigheid.

Betekenis en Claims
Het paper stelt dat de primaire betekenis ligt in de verschuiving van patentvectorisatie van een "platte" full-text modelleringsaanpak naar een hiërarchische, structuur-bewuste modelleringsaanpak. Door te erkennen dat onafhankelijke en afhankelijke claims verschillende semantische functies dienen, biedt de methode een meer gerichte vectorrepresentatie. Dit verbetert de kwaliteit van de patent-vectorrepresentatie, wat vervolgens meer nauwkeurige retrieval van gelijke patenten, ontdekking van technologische kansen en patentwaarde-analyse ondersteunt. De auteurs positioneren dit werk als een stap naar systematische evaluatie en taakanpassing in patent NLP, waarbij een modelleringsaanpak wordt geboden die beter onderscheid maakt tussen kerntechnische oplossingen en lokale technische details.