PatentMiner：基于上下文增强与知识引导图注意力的专利空缺挖掘
计算与语言
2021-07-13 v1
摘要
尽管已有少量工作通过构建知识图谱进行专利研究，但尚无利用专利文档构建专利知识图谱并结合最新自然语言处理方法挖掘现有专利中隐藏的丰富语义关系并预测可能的新专利的研究。本文提出一种名为PatentMiner的专利空缺预测新方法，基于知识图谱（KG）与图注意力机制挖掘丰富语义知识并预测新的潜在专利。首先，通过对专利文档进行命名实体识别与关系抽取，构建随时间（如年份）变化的专利知识图谱。其次，提出共同邻居方法（CNM）、图注意力网络（GAT）与上下文增强图注意力网络（CGAT）在所构建知识图谱中执行链接预测以挖掘潜在三元组。最后，通过共现关系在知识图谱上定义专利，即每篇专利表示为包含其所有实体及共现关系的完全连通子图；此外，我们提出一种新的专利预测任务，将带有新预测链接的完全连通子图预测为一篇新专利。实验结果表明，我们所提专利预测方法能正确预测新专利，且上下文增强图注意力网络远优于基线方法。同时，我们所提专利空缺预测任务仍有显著提升空间。
引用
@article{arxiv.2107.04880,
title = {PatentMiner: Patent Vacancy Mining via Context-enhanced and Knowledge-guided Graph Attention},
author = {Gaochen Wu and Bin Xu and Yuxin Qin and Fei Kong and Bangchang Liu and Hongwen Zhao and Dejie Chang},
journal= {arXiv preprint arXiv:2107.04880},
year = {2021}
}