Resumen

Una búsqueda de arte previo en patentes determina las limitaciones de patentabilidad de la invención a través de una revisión organizada de fuentes de documentos de arte previo. Esta técnica de búsqueda plantea desafíos debido al problema inherente de desajuste de vocabulario. El procesamiento manual de cada patente relevante recuperada en su totalidad es un trabajo tedioso y que consume mucho tiempo, lo que exige la sumarización automatizada de patentes para facilitar el acceso. Este documento emplea modelos de aprendizaje profundo para la sumarización, ya que aprovechan el extenso conjunto de datos presente en las patentes para mejorar la coherencia del resumen. Este trabajo presenta un enfoque novedoso de sumarización de patentes llamado PQPS: sumarizador de patentes basado en consultas de arte previo utilizando máquina de Boltzmann restringida (RBM) y modelos de memoria a largo plazo bidireccionales (Bi-LSTM). El PQPS también aborda el problema de desajuste de vocabulario a través de la expansión de consultas con bases de conocimientos como ontología de dominio y WordNet. Además, mejora la tasa de recuperación a través de la modelización de temas y el acoplamiento bibliográfico de citas. Los experimentos analizan varios conjuntos de muestras de patentes de dispositivos inteligentes interconectados. El PQPS propuesto demuestra que la recuperabilidad aumenta tanto en resúmenes extractivos como abstractivos.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Patentabilidad; Limitaciones; Invención; Búsqueda del estado de la técnica; Modelos de aprendizaje profundo; Resumen
• Keywords:Patentability; Constraints; Invention; Prior-art search; Deep learning models; Summarization