Детальная информация

Данная работа посвящена задаче семантического поиска похожих патентных документов с использованием современных языковых моделей. Основное внимание уделено преобразованию текстов патентов в численное представление и последующему поиску по векторному пространству. В ходе экспериментов изучалось влияние различных разделов документа на качество поиска, а также рассматривались методы разбиения текста на части, с дальнейшей агрегацией их эмбеддингов для оценки схожести между патентами. Для повышения интерпретируемости результатов использовалась генеративная языковая модель, формулирующая текстовые объяснения похожести документов. Был реализован поиск по базам векторных представлений с использованием алгоритмов приближенных ближайших соседей. Для повышения качества результатов применялся этап переупорядочивания кандидатов с помощью дообученной модели, классифицирующей векторные пары патентов как релевантные или нерелевантные. Качество поиска оценивалось с использованием метрик Recall@k, MRR@k и MAP@k. Проведённое исследование раскрывает потенциал применения векторных представлений текста в задачах семантического поиска и может служить основой для дальнейших разработок в области интеллектуального анализа патентной информации.

This thesis focuses on the problem of semantic search in patent documents using modern language models. The main emphasis is placed on converting patent texts into numerical vector representations and performing retrieval in vector space. The experiments examined how different sections of a patent (such as abstract, claims, and description) affect search quality, as well as methods for splitting texts into semantic chunks and aggregating their embeddings to assess document similarity. To improve the interpretability of results, a generative language model was used to provide textual explanations of document similarity. Vector-based retrieval was implemented using nearest neighbor search algorithms, including HNSW. To improve ranking quality, a reranking stage was introduced based on a fine-tuned model that classifies vector pairs of patents as relevant or not. Search performance was evaluated using Recall@k, MRR@k, and MAP@k metrics. The conducted study demonstrates the potential of using vector representations of text in semantic search tasks and can serve as a foundation for further developments in the field of intelligent analysis of patent information.