面向专利分类的自适应分类体系学习与历史模式建模

专利分类旨在为给定专利分配多个国际专利分类（IPC）代码。近期自动专利分类方法主要关注分析专利的文本描述。然而，除文本外，每项专利还关联若干受让人，其所申请专利的知识常对分类颇具价值。此外，IPC系统制定的层级分类体系提供了重要上下文信息，并使模型能利用IPC代码间相关性以提升分类准确性。现有方法未能融合上述方面。本文提出一种综合考量专利信息以进行分类的集成框架。具体而言，我们首先提出IPC代码相关性学习模块，通过沿层级分类体系在同一层与跨层间自适应传递与聚合消息来推导其语义表示。进而，我们设计历史申请模式学习组件，以双通道聚合机制融入对应受让人的先前专利。最后，我们结合含IPC代码语义的专利文本上下文信息及受让人的序列偏好进行预测。在真实数据集上的实验证明了本方法优于现有方法的优越性。此外，我们展示了模型捕捉受让人时间模式与IPC代码间语义依赖的能力。