PLoS ONE· 2026Q1
PaECTER: Atıf Bilgili Transformatörler Kullanılarak Patent Düzeyinde Temsil Öğrenme
PaECTER: Patent-level representation learning using citation-informed transformers
- 30atıf
- Q1SCImago
- 2026yıl
Kısa özet
İncelemeci tarafından eklenen atıf verileriyle ince ayarı yapılmış yeni bir transformatör modeli olan PaECTER, benzerlik görevlerinde mevcut en gelişmiş modellerden daha iyi performans gösteren sayısal patent temsilleri üretir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- PaECTER, patent temsili için incelemeci tarafından eklenen atıf verileriyle ince ayarı yapılmış yeni bir transformatör modelidir.
- Patent atıf tahmini konusunda BERT for Patents ve genel metin gömme modellerinden (E5, GTE, BGE) daha iyi performans gösterir.
- PaECTER, 25 ilgisiz patent arasında en benzer patenti belirlemek için ortalama 1.32 sıralama elde eder.
- Üretilen sayısal temsiller, sınıflandırma, bilgi akışı izleme ve anlamsal benzerlik araması gibi sonraki görevler için uygundur.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
PaECTER is an open-source document-level encoder specific to patents. We fine-tune BERT for Patents with examiner-added citation information to generate numerical representations for patent documents. PaECTER performs better in similarity tasks than current state-of-the-art models used in the patent domain. More specifically, our model outperforms the patent specific pre-trained language model (BERT for Patents) and general-purpose text embedding models (e.g., E5, GTE, and BGE) on our patent citation prediction test dataset on different rank evaluation metrics. PaECTER predicts at least one most similar patent at a rank of 1.32 on average when compared against 25 irrelevant patents. Numerical representations generated by PaECTER from patent text can be used for downstream tasks such as classification, tracing knowledge flows, or semantic similarity search. Semantic similarity search is especially relevant in the context of prior art search for both inventors and patent examiners.
Yazarların özeti; kaynağından alınmıştır. PLoS ONE, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Yapay Zeka
Artificial IntelligenceComputer Science