基于大语言模型的专利矛盾抽取

自20世纪50年代以来，TRIZ理论已表明专利及其解决的技术矛盾是开发创新产品的重要灵感来源。然而，TRIZ是一种基于历史专利分析的启发式方法，并未利用当前专利中不断增长的最新科技解决方案。由于专利数量巨大、篇幅长且复杂性高，现代专利检索与分析需要超越基于关键词的方法。专利检索与分析的最新进展主要集中在基于神经AI Transformer语言模型（如Google BERT）的稠密向量上。这些模型被用于稠密检索、问答、摘要以及关键概念抽取等任务。在专利摘要和关键概念抽取方法中，一个研究焦点是通用发明概念，即TRIZ概念，如问题、解决方案、发明优势、参数和矛盾。继基于规则的方法之后，针对句子级分类进行微调的类BERT语言模型代表了发明概念抽取的最新技术水平。虽然它们在处理问题或解决方案等基本概念时表现相对较好，但矛盾作为一种更复杂的抽象，对这些模型而言仍然是一个挑战。本文更进一步，提出了一种基于提示工程，利用生成式大语言模型（LLM），即OpenAI的GPT-4，从专利文本中抽取TRIZ矛盾的方法。矛盾检测、句子抽取、矛盾摘要、参数抽取及其与39个抽象TRIZ工程参数的匹配，均通过LangChain框架在单次提示中完成。结果表明，“开箱即用”的GPT-4是现有方法的有力替代方案。