提高诠释性的早期潜在突破技术筛选:专利特定的分层注意力网络模型
原文中文,约400字,阅读约需1分钟。发表于: 。利用专利特定的分层注意力网络(PatentHAN)模型,提出了一种用于预测专利文本中未来引用次数的可解释的机器学习方法,通过专利特定的预训练语言模型、分层网络结构和声明级自注意机制,在确保解释性的同时,对潜在突破技术进行早期筛选。
本文介绍了一种基于语言的、分布感知的多模态专利图像特征学习方法,通过集成大型语言模型,丰富专利图像的语义理解,并通过分布感知对比损失来提高性能。实验结果表明,该方法在基于图像的专利检索方面取得了最先进的性能。通过深入用户分析,证明了该模型在帮助专利专业人员进行图像检索方面的实际适用性和效果。