TRIZ-RAGNER：用于专利矛盾挖掘中基于 TRIZ 的命名实体识别的检索增强型大语言模型
计算与语言
2026-03-02 v1 人工智能
摘要
TRIZ 基于矛盾挖掘是专利分析和系统性创新中的一项基本任务，因为它使我们能够识别驱动发明性问题解决的改进和恶化技术参数。然而，现有方法大多依赖规则系统或传统机器学习模型，在处理复杂专利语言时，由于语义模糊性、领域依赖性和有限的泛化能力而难以胜任。最近，大语言模型（LLM）显示出强大的语义理解能力，但其直接应用于 TRIZ 参数提取仍面临幻觉和 insufficient 针对结构化 TRIZ 知识的 grounding 挑战。为此，本文提出了 TRIZ-RAGNER，一个用于专利矛盾挖掘中 TRIZ 感知命名实体识别的检索增强型大语言模型框架。TRIZ-RAGNER 将矛盾挖掘重新表述为语义层面的 NER 任务，并整合了对 TRIZ 知识库的稠密检索、用于上下文细化的交叉编码器重排序以及结构化 LLM 提示，以从专利句子中提取改进和恶化参数。通过将领域特定的 TRIZ 知识注入 LLM 的推理过程中，该框架有效减少了语义噪声并提高了提取一致性。在 PaTRIZ 数据集上的实验表明，TRIZ-RAGNER 持续优于传统序列标注模型和 LLM 基线方法。该框架在 TRIZ 矛盾对识别中实现了 85.6% 的精确率、82.9% 的召回率和 84.2% 的 F1 分数。与使用提示增强型 GPT 的最强基线相比，TRIZ-RAGNER 的 F1 分数提升了 7.3 个百分点，确认了检索增强的 TRIZ 知识 grounding 在实现稳健和准确的专利矛盾挖掘方面的有效性。
引用
@article{arxiv.2602.23656,
title = {TRIZ-RAGNER: A Retrieval-Augmented Large Language Model for TRIZ-Aware Named Entity Recognition in Patent-Based Contradiction Mining},
author = {Zitong Xu and Yuqing Wu and Yue Zhao},
journal= {arXiv preprint arXiv:2602.23656},
year = {2026}
}