💻 computer science

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

本文提出了一种双通道专利向量化方法，该方法利用权利要求结构分析来分别对系统级和细节级语义进行编码，随后通过带有去相关修正的门控机制进行融合，从而显著提高了专利匹配精度，超越了现有的全文本基准方法。

原作者： Jiangtao Li, Wenlong Feng, Mengxing Huang, Siling Feng, Fu Gao

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Jiangtao Li, Wenlong Feng, Mengxing Huang, Siling Feng, Fu Gao

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

问题所在：“一刀切”的专利汤

想象一下，你正试图在一本巨大的食谱中寻找一道特定的菜谱。目前用于阅读专利的计算机方法的问题在于，它们把每一份专利都当作一碗巨大的、杂乱无章的汤。它们把整个文本——包括核心概念、具体成分、烹饪时间和安全警告——全部丢进一个单一的搅拌机里。

研究人员认为，这种方法忽略了细微的差别。在专利中，**独立权利要求（Independent Claims）就像是主食配方（例如：“由面粉和鸡蛋制成的蛋糕”）。而从属权利要求（Dependent Claims）**则是具体的细节和限制条件（例如：“面粉必须是有机的”，或者“烤箱温度必须精确在350华氏度”）。

当计算机将这些内容混合成一个单一的“向量”（即文本的数字指纹）时，具体的细节就会淹没在核心概念的噪音中。这就像是在寻找一份“无麸质蛋糕”的食谱，但计算机只看到了“蛋糕”这个通用概念，从而难以区分标准蛋糕和特殊定制蛋糕。

解决方案：双通道厨房

为了解决这个问题，作者（来自海南大学的李江涛及其团队）构建了一个名为**双通道专利向量化方法（Dual-Channel Patent Vectorization Method）**的新系统。他们没有将所有内容混合在一起，而是建立了两个独立的“通道”或传送带来处理专利文本。

通道 1：“大局观”传送带（整体通道）

该通道只关注独立权利要求。你可以把它看作是“执行摘要”或“主菜”。它捕捉的是发明的核心系统级理念。它回答的问题是：这项发明大致是什么？

通道 2：“细则”传送带（局部通道）

该通道只关注从属权利要求。你可以把它看作是“成分表”或“特殊说明”。它捕捉的是具体的限制、额外的特征和技术细节。它回答的问题是：是什么让这个特定版本变得独特？

秘密武器：“智能搅拌器”

仅仅拥有两个独立的通道是不够的；你仍然需要将它们结合起来以获得最终结果。但如果你只是将它们等量混合，可能会得到一团糟。作者设计了一个双通道门控拼接融合机制（Dual-Channel Gated Concatenation Fusion Mechanism）。

你可以把它想象成一个带有音量旋钮的智能搅拌器。

信号清洗（去相关性）： 在混合之前，系统会检查这两个通道是否在重复相同的信息。如果“大局观”和“细则”在表达同样的内容，系统会从“细则”通道中减去重复的部分。这确保了第二个通道只添加新的细节，而不是仅仅在重复第一个通道的内容。
察言观色（融合倾向）： 系统会观察特定的专利，以决定给每个通道分配多少权重。
- 如果一份专利定义的关键词很少（高“关键词浓度”），系统知道“大局观”是最重要的部分。于是，它调高通道 1 的音量。
- 如果一份专利充满了独特的、罕见的技术术语（高“术语特异性”），系统知道“细则”至关重要。于是，它调高通道 2 的音量。
最终融合（门控拼接）： 通过一个数学上的“门”（类似于红绿灯），系统会动态地决定针对那份特定专利，主旨与细节的最佳比例。然后，它将两者结合成一个单一的高质量数字指纹。

结果：更好的搜索引擎

研究人员使用真实的专利数据库，将这种新方法与旧方法（如标准的词频统计或简单的文本平均法）进行了对比测试。

类比： 想象你在寻找一种特定类型的汽车。
- 旧方法： 可能会返回一个通用的“轿车”，因为它忽略了该车配备“涡轮增压 V6 发动机”这一特定细节。
- 新方法： 因为它将“主旨”（轿车）与“细节”（涡轮增压 V6）分离但又保持联系，它能更准确地找到你想要的精确车型。

研究发现：

新方法能更好地找到正确的专利（更高的精确率/Precision）。
它能将最匹配的结果排在列表的前列（更高的 MAP 和 NDCG 分数）。
它之所以能做到这一点，是因为它尊重了专利的法律结构（独立权利要求 vs. 从属权利要求），而不是将其视为一段平铺的文字块。

权衡

论文指出，与简单的“搅拌机”方法相比，这个“智能搅拌器”需要更多的计算能力和运行时间。然而，作者认为这些额外的时间是值得的，因为其结果在寻找相似技术方面更加准确且有用。

简而言之： 论文提出，要理解一份专利，你不应该只是一次性阅读全文。你应该将“主旨”与“具体规则”分开，清洗掉重复部分，然后以一种能够适应特定文档的智能方式将它们混合在一起。这能让你更清晰地了解这项发明究竟是什么。

技术摘要：一种基于权利要求结构分析的双通道专利向量化方法

问题陈述
现有的专利向量化方法主要依赖于统一的全文表示策略。尽管 TF-IDF、Word2Vec 和 Doc2Vec 等方法在语义建模方面取得了进展，但它们通常将专利文本视为扁平化的输入。这种方法未能显式地利用专利权利要求中固有的层级结构。因此，这些方法难以同时捕捉整体系统级语义（通常存在于独立权利要求中）和局部技术细节（存在于从属权利要求中）。将这些不同的语义层级混合在单一向量空间中会导致判别能力被稀释，从而降低专利匹配的准确性和向量表示的质量。

方法论
本文提出了一种双通道专利向量化方法，该方法显式地对权利要求的结构层级进行建模。其工作流程由三个主要阶段组成：

权利要求结构分割与双通道构建：
- 分割： 根据编号和引用关系对专利权利要求进行分割。不引用其他权利要求且总结核心方案的权利要求被归类为独立权利要求；通过引用前序权利要求以增加特征或限制条件的权利要求被归类为从属权利要求。
- 通道定义：
  - 整体通道： 由拼接后的独立权利要求构建，用于表示系统级语义。该通道使用 Doc2Vec 进行建模，以捕捉核心技术方案。
  - 局部通道： 由拼接后的从属权利要求构建，用于表示细粒度的技术细节（参数、附加特征）。该通道使用 TF-IDF 加权词向量聚合进行建模，以突出具有判别力的术语。
- 局部去相关校正： 为了防止两个通道之间出现冗余（因为从属权利要求往往会重复核心术语），应用了去相关步骤。通过减去比例性的整体通道向量来调整局部通道向量，确保局部通道专注于补充性的、非冗余的细节。
双通道门控拼接融合：
- 特征提取： 从完整的权利要求文本中提取两个统计特征：关键词集中度（衡量顶层关键词的权重）和术语特异性（衡量术语的稀有度和判别力）。
- 融合倾向： 这些特征经过归一化处理后，结合平衡参数 ( $\eta$ ) 组合成专利样本级的融合倾向 ( $\alpha_i$ )。
- 门控映射： 使用 Sigmoid 函数将融合倾向转换为门控权重 ( $gate_i$ )。这使得模型能够根据每个专利样本的具体文本特征，动态调整整体通道与局部通道的贡献比例。
- 最终融合： 通过门控拼接生成最终的专利向量： $[(1 - gate_i)v_{o,i}; gate_i v'_{l,i}]$ ，其中 $v_{o,i}$ 是整体向量， $v'_{l,i}$ 是去相关后的局部向量。

核心贡献

面向权利要求结构的框架： 本文引入了一个表示框架，将独立权利要求和从属权利要求分别划分为整体通道和局部通道。这显式地区分了核心方案语义与详细限制条件，增强了向量捕捉权利要求层级结构的能力。
门控拼接机制： 设计了一种新型融合机制以解决语义互补问题。通过使用局部去相关来减少冗余，并利用由关键词集中度和术语特异性驱动的门控映射策略，该方法能够动态平衡每个专利样本中整体语义与局部语义的影响。
实证验证： 该方法在真实世界的专利检索数据集 (DAPFAM) 上进行了严格评估，证明了其相对于标准全文基准方法的改进。

实验结果
实验使用 DAPFAM 数据集进行，将所提方法与全文 TF-IDF、全文 Avg Word2Vec 以及全文 Doc2Vec 基准方法进行了对比。

排序质量： 所提方法在所有指标上均表现出优越的性能：Precision@10 (P@10)、Mean Average Precision@10 (MAP@10) 以及 Normalized Discounted Cumulative Gain@10 (NDCG@10)。具体而言，其 P@10 达到了 0.3316，优于表现最好的基准方法（Doc2Vec，为 0.3172）。
消融研究： 结果证实，双通道结构是性能提升的基础。虽然直接拼接可以提升结果，但加入去相关处理和完整的门控机制后效果最为显著，验证了减少冗余和动态加权通道的必要性。
效率： 与 TF-IDF (0.89 ms/doc) 或 Avg Word2Vec (0.51 ms/doc) 等轻量级基准相比，所提方法产生了较高的计算成本（在线向量化约为 7.26 ms/doc）。然而，作者指出这种开销仍处于可接受范围内，是实现显著检索精度增益的合理权衡。

意义与主张
本文声称其主要意义在于将专利向量化从“扁平化”的全文建模方式转向层级化、结构感知的建模方式。通过承认独立权利要求和从属权利要求具有不同的语义功能，该方法提供了更具针对性的向量表示。这提升了专利向量表示的质量，从而支持更准确的相似专利检索、技术机会发现和专利价值分析。作者将这项工作定位为迈向专利 NLP 系统化评估与任务适配的重要一步，提供了一种能更好地区分核心技术方案与局部技术细节的建模方法。