通过记忆图增强大语言模型的专利匹配能力
信息检索
2025-04-22 v1
摘要
知识产权（IP）管理涉及战略性地保护和利用知识资产，以提升组织的创新能力、竞争力和价值创造。专利匹配是知识产权管理中的关键任务，有助于组织化专利并有效利用它们。现有模型通常依赖大语言模型（LLM）的涌现能力，直接利用这些能力来识别相关专利。然而，这些方法往往依赖关键词匹配，忽略专利的层次分类和范畴关系。在本文中，我们提出了 MemGraph 方法，通过 incorporating 来自其参数记忆的记忆图来增强 LLM 的专利匹配能力。具体而言，MemGraph 提示 LLM 遍历其记忆以识别专利中的相关实体，然后将这些实体归属到相应的本体上。在遍历记忆图后，我们利用提取的实体和本体来提高 LLM 在理解专利语义方面的能力。在 PatentMatch 数据集上的实验结果表明，MemGraph 的有效性，相较于基线 LLM 实现了 17.68% 的性能提升。进一步的分析突显了 MemGraph 在各种 LLM（包括领域内和领域外模型）中的泛化能力，以及其在专利匹配过程中提升 LLM 内部推理过程的能力。所有数据和代码均可在 https://github.com/NEUIR/MemGraph 获取。
引用
@article{arxiv.2504.14845,
title = {Enhancing the Patent Matching Capability of Large Language Models via the Memory Graph},
author = {Qiushi Xiong and Zhipeng Xu and Zhenghao Liu and Mengjia Wang and Zulong Chen and Yue Sun and Yu Gu and Xiaohua Li and Ge Yu},
journal= {arXiv preprint arXiv:2504.14845},
year = {2025}
}