AI能够解决专利标引问题吗

    专利分析，特别是进行大规模专利数据分析时，例如专利导航或专利地图的项目中，专利标引是重要的工作之一。例如我们执行一个主题为“自动驾驶”的专利分析项目，检索到的专利数量可能是几千项，甚至上万项，接下来重要的工作是去噪声和标引，这个工作常常占到整个项目工作量的50%到80%，可以说专利分析项目的质量主要取决于标引的质量。

    对专利进行标引是进行一步分析的前提，标引之后，才能知道专利布局的主要方向或子模块、技术路线、技术功效。总之，专利分析中，只要是有技术含量的分析，一定涉及到专利标引，否则统计数据都可以通过系统直接导出，无非是准确度高低的问题。

    但标引真是费时费力，这里面涉及到颗粒度和准确度的问题。一件专利可以从多个层次标引多个维度，一个大型分析项目标引的维度和层次可能达到几十个。

    例如下面的这项专利，假设可以标引成4个层次，每个层次可以标引8个维度，假设项目有1000项专利需要标引，后相当于把1000项专利的每个在32个标签中选择4个标签。这当然非常麻烦，而且容易出错，不同的标引维度之间边界非常难把握。

    所以这么多年来，很多人都尝试使用AI实现标引，在这里需要说明的是，我们这里说的标引或打标签是的有监督的标引，也就是标引的维度和层次是用户提前设定的，而不是完全交给系统进行标引，完全交给系统的标引实际上是个聚类的问题。

    在AI领域，对多项数据按照用户设定的方向进行标引或打标签，这实际上是个多分类的问题，这本是神经网络比较擅长的领域，将二分类的方法转化为多分类即可。例如将一堆动物的图片分成猫、狗、鸡、鸭，这个问题并不复杂。当把AI擅长的多分类解决方案用于专利标引时，效果差得超过想象。道理也很简单，专利分析项目的标引远比一般的多分类复杂得多，一般的专利分析项目，需要分类的专利内容都非常接近，例如自动驾驶中高精度地图的专利，1000多项专利都是涉及高精度地图，每项专利之间的文字表达都非常接近，这就不是区分猫和狗的情况了，而是区分虎斑猫的花纹是经典纹、鱼骨纹、斑点纹、麻纹的问题，而且每种花纹中又有细分。这样的分类，传统AI多分类方案显然不能满足要求。利用词向量的方法进行标引更不能满足要求。

    随着大语言模型的出现，人们也尝试用大模型去标引，例如直接将标引的数据交给ChatGPT，让大模型去标引，但同样面临这样的问题，在待标引专利的技术内容涉及的领域相差较大的时候，例如1000项专利中涉及药品、汽车、轮船，并且标引的维度相对较少的时候，这时候大语言模型标引的准确度比较高，但是当待标引的专利内容之间比较接近的时候，例如所有的专利都是涉及自动驾驶领域的高精度地图，并且要对相关专利标引多个层次和维度，这时候大语言模型标引的准确度严重下降。

原创 佑斌

免责声明：版权归原创所有仅供学习参考之用，禁止用于商业用途，部分文章推送时未能及时与原作者取得联系，若来源标错误侵犯到您的权益烦请告知我们将立即删除。