专利分类的自适应分类学习和历史模式建模
摘要：专利分类旨在将多个国际专利分类（IPC）代码分配给给定的专利。最近用于自动分类专利的方法主要集中在分析专利的文本描述。然而，除了文本之外，每个专利还与一些受让人相关联，了解他们申请的专利对于分类通常是有价值的。此外，IPC系统所制定的分层分类法提供了重要的语境信息，并使模型能够利用IPC代码之间的相关性进行更准确的分类。然而，现有方法未能纳入上述方面。在本文中，我们提出了一个综合考虑专利信息的专利分类的集成框架。具体而言，我们首先提出一个IPC代码相关性学习模块，通过在同一层级内和跨不同层级之间自适应传递和聚合信息来推导它们的语义表示。此外，我们设计了一个历史应用模式学习组件，通过双通道聚合机制将相应受让人的先前专利纳入考虑。最后，我们将包含IPC代码语义和受让人顺序偏好的专利文本的上下文信息相结合进行预测。实验结果表明，我们的方法优于现有方法。此外，我们展示了该模型捕捉受让人的时间模式和IPC代码之间的语义依赖性的能力。
作者：Tao Zou, Le Yu, Leilei Sun, Bowen Du, Deqing Wang, Fuzhen Zhuang
论文ID：2308.05385
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-08-11