基于大语言模型的实时专利引用推荐系统用于金融技术

快速的金融创新伴随着专利申请活动的显著增加，使得及时且全面的前沿文献发现变得更加困难。这一问题在金融技术领域尤为突出，因为创新发展迅速，专利集合不断增长，引用推荐系统必须随新应用不断更新。现有的专利检索和引用推荐方法通常依赖于静态索引或定期重新训练，限制了其在此类动态环境中的有效运行能力。本研究提出了一个针对大规模和快速变化的金融专利语料库设计的实时专利引用推荐框架。我们构建了一个包含2000年至2024年间由中国国家知识产权局（CNIPA）授予的428,843项金融专利的数据集，构建了一个三阶段的推荐管道。该管道使用大语言模型（LLM）嵌入表示专利摘要的语义内容，应用高效的近似最近邻搜索构建可管理的候选集，并通过语义相似性对候选集进行排序，以产生Top-k引用推荐。除了提高推荐准确率外，本文提出的框架直接解决了专利系统动态性的问题。通过基于分层可导航小世界（HNSW）图的增量索引策略，新颖的专利可无需重新构建整个索引即可添加。滚动的逐日更新实验表明，增量更新在召回率方面显著提高，而计算成本大幅降低，相较于基于重建的索引方法效果更佳。该方法持续优于传统文本基准方法和其他最近邻检索方法。