Patent-CR: A Dataset for Patent Claim Revision
University of Cambridge(剑桥大学)
本文提出首个专利权利要求修订数据集Patent-CR,评估多种LLM的修订效果,发现GPT-4最优但仍需改进,并揭示自动评估与人工评估的不一致性。
2025-05-25 cs.CL
PatentEval: Understanding Errors in Patent Generation
Inria(法国国家信息与自动化研究所);Qatent;LISN;University Paris-Saclay(巴黎萨克雷大学)
本文提出针对专利文本生成的综合错误类型体系与基准PatentEval,通过人类标注比较专利专用模型与通用大语言模型,并评估指标与专家判断的一致性,揭示当前模型在该领域的能力与局限。
2024-06-25 cs.AI cs.CL
Can Large Language Models Generate High-quality Patent Claims?
University of Cambridge(剑桥大学)
本研究构建数据集评估大型语言模型在专利权利要求生成中的表现,发现基于专利描述生成优于摘要,通用模型优于专利专用模型,GPT-4表现最佳,但后续从属权利要求生成质量下降,需进一步修订以确保法律稳健性。
2025-05-25 cs.CL
Patent Claim Generation by Fine-Tuning OpenAI GPT-2
National Taiwan University(台湾大学)
在这项工作中,我们专注于微调OpenAI GPT-2预训练模型以生成专利声明。GPT-2已经证明了预训练的语言模型在各种任务上的令人印象深刻的功效,特别是连贯的文本生成。专利权利要求语言本身在过去很少被探索,并构成了独特的挑战。我们的动机是自动生成连贯的专利权利要求,以便有朝一日增强发明可能是可行的。在我们的实现中,我们在专利权利要求中识别了一种独特的语言结构,并利用了其隐含的人类注释。我们通过探测前100个步骤并观察每一步生成的文本来研究微调过程。基于有条件和无条件随机抽样,我们分析了生成的专利权利要求的整体质量。我们的贡献包括:(1)第一个通过机器生成专利权利要求,并第一个将GPT-2应用于专利权利要求生成,(2)为定性分析和未来研究提供各种实验结果,(3)提出一种新的文本生成采样方法,(4)构建一个电子邮件机器人,供未来研究人员进一步探索微调的GPT-2模型。
2019-07-01 cs.CL cs.LG stat.ML
Heterogeneous Dependency Graph-Guided Attentionfor Patent Representation Learning
Frontier AI Research Centre, Macquarie University School of Computing, FSE, Macquarie University(前沿人工智能研究中心,麦考瑞大学计算机学院,FSE,麦考瑞大学)
针对专利权利要求间的依赖层次被忽略的问题,提出专利异构注意力图编码器(PHAGE),通过构建类型图区分法律引用与技术关系,并引入可学习偏置的连通性掩码将权利要求级拓扑投射到令牌级注意力,结合双粒度对比学习,在分类、检索和聚类任务上超越领域自适应和引用感知基线。
2026-09-01 cs.CL
Beyond Scaling: Predicting Patent Approval with Domain-specific Fine-grained Claim Dependency Graph
Carnegie Mellon University(卡内基梅隆大学);University of Pennsylvania(宾夕法尼亚大学);University of California San Diego(加州大学圣迭戈分校)
本文针对专利审批预测任务,提出了一种新颖的细粒度权利要求依赖图(FLAN Graph),通过捕捉专利文本片段间的内在依赖关系并结合低成本图模型,显著优于单纯扩大LLM模型规模的方法。
2024-04-22 cs.AI cs.CL
When Reasoning Hurts Legal Drafting: The Verbalization Bottleneck in Patent Claim Generation
研究专利权利要求生成中CoT提示是否有益,提出特定任务CoT方法并评估。结果显示推理增强提示可提升权利要求质量,且隐式CoT优于显式CoT,显式CoT会引入信息瓶颈,为法律任务和CoT应用提供新见解。
2026-07-14 cs.CL
Adaptive Cost-Efficient Evaluation for Reliable Patent Claim Generation
Frontier AI Research Centre, Macquarie University School of Computing, FSE, Macquarie University(前沿人工智能研究中心,麦考瑞大学计算机学院,FSE,麦考瑞大学)
提出两阶段框架ACE,利用专利错误类别结构进行不确定性感知路由,第一阶段编码器预测错误类型熵,超过阈值则交由第二阶段专家LLM执行模式约束的专利思维链协议,在降低78%成本的同时超越70B参数LLM基线。
2026-05-27 cs.CL
PatentEdits: Framing Patent Novelty as Textual Entailment
University of Southern California(南加州大学)
本文提出PatentEdits数据集,将专利新颖性修订建模为文本蕴含任务,并证明利用LLMs评估引用文献与草稿句子的蕴含关系可有效预测权利要求是否需要修改。
2024-11-20 cs.AI cs.CL cs.CY
The Perplexity Trap: When Patent Law Makes Human Writing Look Like AI
European Patent Office(欧洲专利局)
研究针对专利法下筛选疑似人工智能生成专利文本的难题,在消费级硬件条件下用多种策略进行基准测试,发现现有检测器误报率高,问题是结构性的,提出七特征语言复杂性逻辑回归方法,提升了准确率。
2026-07-16 cs.AI cs.CL
A novel approach to measuring the scope of patent claims based on probabilities obtained from (large) language models
E. Blum & Co. Ltd.(E. Blum 有限公司)
本工作提出基于语言模型获取的概率,将专利权利要求范围测量为自信息倒数,实验表明大型语言模型优于基于频率和计数的模型,且字符计数比词计数更可靠。
2024-04-15 cs.CL cs.IT cs.LG
PatentVision: A multimodal method for drafting patent applications
Samsung Semiconductor, Inc.(三星半导体公司)
提出多模态框架PatentVision,结合微调LVLM与专利领域训练,融合文本与视觉输入生成完整专利说明书,超越纯文本方法并提升自动化保真度。
2025-10-10 cs.AI cs.LG
PATENTWRITER: A Benchmarking Study for Patent Drafting with LLMs
University of Illinois Chicago(伊利诺伊大学香槟分校)
该研究提出首个面向大语言模型专利摘要生成的统一基准PATENTWRITER,系统评估6款主流大模型在不同提示策略下的生成质量、鲁棒性、下游适用性与风格特征,证实大模型表现优于领域基线并开源相关资源。
2025-07-30 cs.CL cs.LG
A Hybrid Ai Framework For Strategic Patent Portfolio Pruning: Integrating Learning To-Rank And Market Need Analysis For Technology Transfer Optimization
本文提出一种混合AI框架,结合学习排序与市场需求分析,用于优化技术转让中的专利组合修剪。
2025-08-31 cs.AI
Intelligent System for Automated Molecular Patent Infringement Assessment
DP Technology(深势科技);University of Science and Technology of China(中国科学技术大学);National University of Singapore(新加坡国立大学);Sun Yat-Sen University(中山大学);AI for Science Institute, Beijing(北京科学智能研究院);Peking University(北京大学)
针对AI生成分子可能无意侵权的问题,提出多智能体工具增强系统PatentFinder,搭配自建基准MolPatent-240验证,其F1分数和准确率均优于基线,可生成可解释报告,助力药物发现管线整合专利分析。
2025-01-13 cs.AI cs.LG
Adaptive Multi-Stage Patent Claim Generation with Unified Quality Assessment
Shenzhen Kaihong Digital Industry Development Co., Ltd.(深圳凯鸿数字工业发展有限公司);Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(深圳先进技术研究所)
本研究提出一种自适应多阶段专利权利要求生成方法,通过关系感知相似性分析、领域自适应生成和统一质量评估,提升跨司法管辖区的专利权利要求生成性能。
2026-01-14 cs.AI cs.CL
SciClaims: An End-to-End Generative System for Biomedical Claim Analysis
SciClaims是一种基于大语言模型的端到端生物医学声明分析系统,可自动提取声明、检索证据并验证真实性,无需额外微调。
2026-01-08 cs.AI cs.CL cs.DL
Artificial Intelligence In Patent And Market Intelligence: A New Paradigm For Technology Scouting
本文提出一种基于人工智能的平台,利用大型语言模型提升技术 scouting 和解决方案发现的效率与准确性。
2025-07-27 cs.AI
Improving Automated Patent Claim Parsing: Dataset, System, and Experiments
Drexel University(德雷塞尔大学)
现成的自然语言处理软件在解析专利权利要求时表现不佳,这是因为它们使用的语言不规则,而语料库是由新闻文章和通常用于训练该软件的网络构建的。为了避免积累足够大的数据集以完全重新训练专利权利要求的解析器的广泛且昂贵的过程,提出了一种通过强制词性标签校正使现有自然语言处理软件适应专利权利要求的方法。本文讨论了一个Amazon Mechanical Turk收集活动,该活动旨在生成一个公共语料库来训练这种改进的索赔解析系统,并确定了在该活动期间学到的经验教训,这些经验教训可用于未来使用AMT的NLP数据集收集活动。利用该语料库和其他专利权利要求集的实验测量了通过权利要求解析系统获得的解析性能改进。最后,在其他专利处理应用程序中的改进的权利要求解析系统的效用证明通过实验表明,改进的自动专利主题分类时,新的权利要求解析系统被用来生成的功能。
2016-05-05 cs.CL
Enriching Patent Claim Generation with European Patent Dataset
University of Cambridge(剑桥大学)
针对现有专利权利要求生成研究多依赖USPTO数据集的问题,提出欧洲专利数据集EPD,从司法多样性、质量提升、真实场景模拟三方面丰富领域资源,实验证明其上微调的LLM表现更优。
2026-10-20 cs.CL
PatentTransformer-2: Controlling Patent Text Generation by Structural Metadata
National Taiwan University(台湾大学);Novatek Microelectronics Corp.(Novatek微電子股份有限公司)
PatentTransformer是我们基于Transformer模型的专利文本生成的代号。我们的目标是“增强发明”。“在第二个版本中,我们在专利中利用了更多的结构元数据。结构化元数据包括专利名称、摘要和从属权利要求,以及先前的独立权利要求。元数据控制模型生成哪种专利文本。此外,我们利用元数据之间的关系来构建文本到文本的生成流程,例如,从几个单词到标题,标题到摘要,摘要到独立权利要求,以及独立权利要求到多个从属权利要求。文本流可以向后移动,因为关系是双向训练的。我们发布了从头开始训练的GPT-2模型和推理代码,以便读者可以自己验证和生成专利文本。至于生成质量,我们用ROUGE和Google Universal Sentence Encoder来衡量。
2020-01-11 cs.CL
Modeling Claim Dependency Structure for Patent Litigation Prediction with Graph Attention Networks
Graduate School of Information Science(信息科学研究生院);University of Hyogo(兵库县立大学);Center for Computational Science, RIKEN(理化学研究所计算科学中心)
本研究针对专利诉讼预测中现有模型丢失权利要求依赖结构的问题,提出图注意力网络模型ClaimGAT,在USPTO专利数据集上取得0.818的AUC-ROC和4.89倍提升率,可有效识别高风险专利。
2026-08-25 cs.CL
Personalized Patent Claim Generation and Measurement
National Taiwan University(台湾大学)
这篇正在进行的论文提出了一个框架来生成和衡量个性化的专利权利要求。目的是帮助发明者通过向相关发明者学习来构思更好的发明。专利权利要求生成是一种“增强发明”的方式。“对于发明家来说。这种专利权利要求生成利用了深度学习领域中最近的迁移学习,特别是最先进的基于transformer的模型。在系统实现方面,拟构建专利权利要求书撰写“自动完成”功能。从生成范围、生成方向、生成邻近性和生成约束四个角度分析了自动完成功能。从技术上讲,该框架由两个Transformer模型组成。一个用于文本生成,另一个用于质量测量。具体而言,专利权利要求生成基于GPT-2模型,个性化度量基于BERT模型。训练数据是以发明者为中心的,并且来自USPTO提供的发明者端点API。
2019-12-12 cs.CL
PEDANTIC: A Dataset for the Automatic Examination of Definiteness in Patent Claims
Bosch Center for AI(博世人工智能中心);University of Augsburg(奥斯堡大学)
本文提出PEDANTIC数据集,含14k条带不确定性原因标注的美国专利权利要求,并验证了基于LLM的自动化标注流程,为专利审查自动化提供资源。
2025-06-18 cs.CL
Benchmarking Embedding Geometries and Clustering Algorithms for Unsupervised Patent Claim Classification
该研究测试双曲VAE等模型在无监督专利权利要求分类中的性能,发现双曲模型跨类别检索现有技术的能力优于欧氏模型,且领域分类特征可预测方法价值。
2026-10-12 cs.AI cs.CL
BERT based patent novelty search by training claims to their own description
University of Bern(伯尔尼大学);University of Berne(伯尔尼大学)
在本文中,我们提出了一种方法来连接专利权利要求,以自己的描述。通过应用该方法,BERT训练出适合于权利要求的描述。这种训练的BERT(权利要求到描述- BERT)能够识别专利的新颖性相关描述。此外,我们引入了一个新的评分方案,相关性评分或新颖性评分,处理BERT的输出在一个有意义的方式。我们通过在专利的第一权利要求和相应的描述上训练BERT来测试专利申请的方法。BERT的输出已经根据相关性得分进行了处理,并将结果与检索报告中引用的X文档进行了比较。测试表明,BERT将一些引用的X文档评为高度相关。
2021-05-04 cs.CL cs.LG econ.EM
Pointer-Augmented Autoregressive Generation of Patent Claims with Joint Topology and Content Decoding
研究专利权利要求生成中自回归解码器的局限,提出SPG方法,通过指针头选择父权利要求,结合梯度与正则化器重塑解码器表示,经两阶段训练,在HUPD-DCG上恢复大量黄金父链接并提升先行一致性。
2026-07-28 cs.CL
When Does Synthetic Patent Data Help? Volume-Fidelity Trade-offs in Low-Resource Multi-Label Classification
Clarivate, Intellectual Property(Clarivate知识产权)
研究通过LLM生成合成数据用于多标签专利分类时的数量与保真度权衡,发现低资源场景下数量效应主导,高资源场景下保真度更重要,混合数据策略最优。
2026-05-26 cs.AI cs.IR
InstructPatentGPT: Training patent language models to follow instructions with human feedback
National Yang Ming Chiao Tung University(国立阳明交通大学);School of Law(法学院)
本研究将专利审查概念化为基于人类反馈的强化学习系统,通过三阶段训练使语言模型生成更易授权的专利权利要求,并在单GPU上验证了概念可行性。
2024-05-25 cs.CL
The Master-Slave Encoder Model for Improving Patent Text Summarization: A New Approach to Combining Specifications and Claims
School of Information Management, Nanjing University(南京大学信息管理学院);Key Laboratory of Data Engineering and Knowledge Services in Jiangsu Provincial Universities, Nanjing University(江苏省高校数据工程与知识服务重点实验室(南京大学));Baidu, Inc.(百度公司)
本文提出主从编码器模型(MSEA)以提升专利文本摘要质量,通过结合专利文本指令与权利要求,增强新术语处理及信息冗余控制,实验显示其在ROUGE指标上优于现有模型。
2024-11-21 cs.CL cs.PL
Query Generation for Patent Retrieval with Keyword Extraction based on Syntactic Features
Amsterdam Business School, University of Amsterdam(阿姆斯特丹大学阿姆斯特丹商学院);European Patent Office(欧洲专利局);Institute of Informatics, University of Amsterdam(阿姆斯特丹大学信息学院)
本文介绍了一种从专利权利要求中提取相关关键词的新方法,作为检索具有类似权利要求的其他专利(检索现有技术)任务的一部分。该方法结合了定性分析的写作风格的权利要求与自然语言处理方法来解析文本,以表示一个法律文本作为一个专业化的术语树状结构。在这种情况下,提取的关键字集合产生的搜索结果比使用传统方法(如tf-idf)提取的关键字更好。性能是在由提取的关键字组成的查询的搜索结果上测量的。
2019-06-18 cs.CL cs.IR
BERT based freedom to operate patent analysis
University of Bern(伯尔尼大学);University of Berne(伯尔尼大学)
在本文中,我们提出了一种方法,应用BERT的自由操作专利分析和专利检索。根据该方法,通过训练独立权利要求的专利描述来微调BERT。每个描述代表一个发明,该发明由相应的权利要求保护。这样一个经过训练的BERT能够根据发明或产品的简短描述来识别或命令操作相关专利的自由。我们通过在专利类别G 06 T1/00上训练BERT来测试该方法,并将训练后的BERT应用于通过DOCDB摘要描述的G 06 T1/60中的五项发明。DOCDB摘要可在欧洲专利局的ESPACENET上查阅。
2021-05-04 cs.CL cs.LG econ.EM
PANORAMA: A Dataset and Benchmarks Capturing Decision Trails and Rationales in Patent Examination
KAIST(韩国科学技术院);LG AI Research(LG人工智能研究);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
针对现有专利审查NLP研究忽略逐步评估过程的问题,构建了包含8143条美国专利审查记录的PANORAMA数据集与序列基准,发现LLM在检索现有技术上表现较好但难以评估权利要求的新颖性与非显而易见性。
2025-10-25 cs.CL cs.CY
Grounded Revision vs. Prior Injection: Probing Retrieval-Augmented Patent Claim Amendment
Pukyong National University(釜庆大学);Tomocube Inc.(Tomocube 公司);Connectionary(Connectionary 公司);Teamreboott Inc.(Teamreboott 公司)
本研究通过专利权利要求修改场景,提出语料库、探测组和确定性指标,系统检验检索增强生成中检索是否真正支持修订而非注入模板,发现前沿LLM无先验注入行为,检索效应微弱且方向不一致。
2026-09-30 cs.CL
PatTransBench: an ipc-stratified, multi-dimensional benchmark for patent machine translation evaluation
Renmin University of China(中国人民大学);Beijing Bayuegua Technology Co., Ltd.(北京八月瓜科技有限公司)
研究构建了含12000个专利翻译对的PatTransBench多维基准,通过多维度评估协议揭示量化效应的方向依赖性等单指标无法察觉的模式,将发布相关资源支持可复现评估。
2026-10-14 cs.AI cs.CL
PatFig: Generating Short and Long Captions for Patent Figures
Qatent;Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心)
本文提出大规模专利附图数据集Qatent PatFig,包含超3万张附图及其短长标题、参考标号和最小权利要求集,并通过微调LVLM模型验证其可用性及文本线索对生成效果的影响。
2023-09-15 cs.CL cs.CV
Towards Automated Patent Workflows: AI-Orchestrated Multi-Agent Framework for Intellectual Property Management and Analysis
TCS Research(TCS研究院);IIT–Palakkad(印度理工学院帕拉卡德分校)
本文提出PatExpert多智能体对话框架,通过元智能体协调专家智能体执行专利分类与生成等任务,结合GRAG和批评智能体提升准确性与可解释性,实现专利工作流自动化。
2024-10-12 cs.AI cs.CL cs.LG
CinPatent: Datasets for Patent Classification
Cinnamon AI;Hung Yen University of Technology and Education(兴安技术与教育大学);The University of Queensland(昆士兰大学)
针对专利分类缺乏系统性基线比较和数据集获取的问题,提出英文和日文两个新数据集,并验证AttentionXML方法性能最优,同时发布数据和代码。
2024-03-15 cs.CL