基于结构表征学习和解耦的中国专利批准预测

自动中国专利批准预测是专利分析中的一个新兴且宝贵的任务。然而，它涉及包括专利比较和审查在内的严格且透明的决策过程，以评估其创新性和正确性。这种对决策证据性的必要性，以及复杂的专利理解，为专利分析社区带来了显著的挑战和障碍。因此，很少有现有研究正在解决这一任务。本文提出了一种基于检索的分类方法，为此任务提供了首次的探索性工作。我们提出了一种新型框架，称为DiSPat，专注于结构表征学习和解耦，以预测中国专利的批准并提供决策依据。DiSPat包含三个主要组件：基准检索用于检索最相似的Top-k个专利作为参考基；结构专利表征用于挖掘专利中固有的claim层级结构，以学习结构专利表征；解耦表征学习用于学习解耦的专利表征，以建立证据决策过程。为确保充分评估，我们精心构建了三个中国专利数据集。在这些数据集上进行的大量实验明确显示，我们的DiSPat在专利批准预测任务上超过了当前最先进的基线方法，同时也表现出增强的证据性。