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

Resumo Técnico: Um Método de Vetorização de Patentes de Canal Duplo Baseado na Análise da Estrutura de Reivindicações

Definição do Problema
Os métodos existentes de vetorização de patentes baseiam-se predominantemente em estratégias de representação de texto completo unificadas. Embora abordagens como TF-IDF, Word2Vec e Doc2Vec tenham avançado a modelagem semântica, elas frequentemente tratam os textos de patentes como entradas planas. Essa abordagem falha em aproveitar explicitamente a estrutura hierárquica inerente às reivindicações de patentes. Consequentemente, esses métodos têm dificuldade em capturar simultaneamente a semântica de nível de sistema global (geralmente encontrada em reivindicações independentes) e os detalhes técnicos locais (encontrados em reivindicações dependentes). A mistura desses distintos níveis semânticos dentro de um único espaço vetorial pode diluir a capacidade discriminativa, levando a uma redução na precisão de correspondência de patentes e a uma menor qualidade nas representações vetoriais.

Metodologia
O artigo propõe um Método de Vetorização de Patentes de Canal Duplo que modela explicitamente a hierarquia estrutural das reivindicações de patentes. O fluxo de trabalho consiste em três estágios primários:

1. Segmentação da Estrutura de Reivindicações e Construção de Canal Duplo:

   • Segmentação: As reivindicações de patentes são segmentadas com base na numeração e nas relações de citação. Reivindicações que não citam outras e resumem a solução central são classificadas como Reivindicações Independentes; aquelas que citam reivindicações anteriores para adicionar características ou restrições são classificadas como Reivindicações Dependentes.
   • Definição de Canais:
     • Canal Global: Construído a partir da concatenação das reivindicações independentes para representar a semântica de nível de sistema. Este canal é modelado usando Doc2Vec para capturar a solução técnica central.
     • Canal Local: Construído a partir da concatenação das reivindicações dependentes para representar detalhes técnicos de grão fino (parâmetros, características adicionais). Este canal é modelado usando agregação de vetores de palavras ponderados por TF-IDF para destacar termos discriminativos.
   • Correção de Descorrelação Local: Para evitar redundância entre os dois canais (visto que as reivindicações dependentes frequentemente repetem termos centrais), aplica-se uma etapa de descorrelação. O vetor do canal local é ajustado subtraindo uma proporção do vetor do canal global, garantindo que o canal local foque em detalhes suplementares e não redundantes.

2. Fusão por Concatenação de Portão de Canal Duplo:

   • Extração de Características: Duas características estatísticas são extraídas do texto completo da reivindicação: Concentração de Palavras-Chave (medindo o peso das principais palavras-chave) e Especificidade de Termos (medindo a raridade e o poder discriminativo dos termos).
   • Tendência de Fusão: Essas características são normalizadas e combinadas em uma tendência de fusão ao nível da amostra de patente ($\alpha_i$), controlada por um parâmetro de equilíbrio ($\eta$).
   • Mapeamento de Portão (Gated Mapping): Uma função sigmoide converte a tendência de fusão em um peso de portão ($gate_i$). Isso permite que o modelo ajuste dinamicamente a razão de contribuição dos canais global e local com base nas características textuais específicas de cada amostra de patente.
   • Fusão Final: O vetor final da patente é gerado via concatenação de portão: $[(1 - gate_i)v_{o,i}; gate_i v'_{l,i}]$, onde $v_{o,i}$ é o vetor global e $v'_{l,i}$ é o vetor local descorrelacionado.

Principais Contribuições

1. Estrutura Orientada à Estrutura de Reivindicações: O artigo introduz uma estrutura de representação que separa as reivindicações independentes e dependentes em um canal global e um canal local, respectivamente. Isso distingue explicitamente a semântica da solução central das limitações detalhadas, aumentando a capacidade do vetor de capturar a hierarquia das reivindicações.
2. Mecanismo de Concatenação de Portão: Um novo mecanismo de fusão é projetado para abordar a complementaridade semântica. Ao usar a descorrelação local para reduzir a redundância e uma estratégia de mapeamento de portão impulsionada pela concentração de palavras-chave e especificidade de termos, o método equilibra dinamicamente a influência das semânticas global e local para cada amostra de patente.
3. Validação Empírica: O método é rigorosamente avaliado em um conjunto de dados de recuperação de patentes do mundo real (DAPFAM), demonstrando melhorias sobre as linhas de base de texto completo padrão.

Resultados Experimentais
Experimentos foram conduzidos utilizando o conjunto de dados DAPFAM, comparando o método proposto contra as linhas de base de TF-IDF de texto completo, Avg Word2Vec de texto completo e Doc2Vec de texto completo.

• Qualidade de Ranking: O método proposto alcançou desempenho superior em todas as métricas: Precisão@10 (P@10), Média da Precisão Média@10 (MAP@10) e Ganho Acumulado de Valor Descontado Normalizado@10 (NDCG@10). Especificamente, atingiu um P@10 de 0,3316, superando a melhor linha de base (Doc2Vec) com 0,3172.
• Estudos de Ablação: Os resultados confirmaram que a estrutura de canal duplo é a base dos ganhos de desempenho. Embora a concatenação direta tenha melhorado os resultados, a adição da descorrelação e do mecanismo de portão completo produziu o desempenho mais alto, validando a necessidade de reduzir a redundância e ponderar dinamicamente os canais.
• Eficiência: O método proposto incorre em custos computacionais mais elevados (aprox. 7,26 ms/doc para vetorização online) em comparação com linhas de base leves como TF-IDF (0,89 ms/doc) ou Avg Word2Vec (0,51 ms/doc). No entanto, os autores observam que esse overhead permanece dentro de uma faixa aceitável, representando um compromisso razoável pelos ganhos significativos na precisão de recuperação.

Significância e Alegações
O artigo alega que sua principal significância reside na mudança da vetorização de patentes de uma abordagem de modelagem de texto completo "plana" para uma abordagem de modelagem hierárquica e consciente da estrutura. Ao reconhecer que as reivindicações independentes e dependentes servem a diferentes funções semânticas, o método fornece uma representação vetorial mais direcionada. Isso melhora a qualidade da representação vetorial da patente, apoiando assim uma recuperação de patentes similares, descoberta de oportunidades tecnológicas e análise de valor de patente mais precisas. Os autores posicionam este trabalho como um passo em direção à avaliação sistemática e adaptação de tarefas no processamento de linguagem natural (NLP) de patentes, oferecendo uma abordagem de modelagem que distingue melhor entre soluções técnicas centrais e detalhes técnicos locais.