Интеллектуальный поиск патентов-аналогов на основе графовых представлений компонентной структуры изобретения

Актуальность работы обусловлена тем, что традиционные системы патентного поиска, основанные на реляционных базах данных и ключевых словах, не способны эффективно учитывать богатый контекст и сложные семантические взаимосвязи, присущие патентным данным. Предложена методика интеллектуального поиска патентов-аналогов на основе изоморфизма подграфов в графовой базе данных, хранящей компонентные структуры устройств, описанных в изобретениях. Интеллектуальность проявляется в способности системы «понимать» структурную суть изобретения, абстрагироваться от текстового описания и находить технически близкие решения даже при несовпадении ключевых слов. Компонентная структура устройств получена посредством анализа патентных текстов с помощью ранее разработанной нейросетевой модели. Используется представление патента в виде графа, где узлы представляют элементы изобретений, а ребра – их взаимосвязи, что позволяет применять графовые алгоритмы для выявления релевантных патентов. Разработаны алгоритмы: парсинга json файла описания компонентной структуры с занесением информации в графовую БД; сравнения графовых представлений компонентной структуры изобретения; редактирования графового представления компонентной структуры изобретения. Практическая значимость заключается в разработанном модуле поиска патентов-аналогов на основе графовых представлений компонентной структуры изобретения, который может быть полезен на этапах формирования патентной заявки патентозаявителем и проведения патентной экспертизы экспертом патентного ведомства. Программный модуль реализован на языке Python с использованием графовой СУБД Neo4j.

1. Фоменков С.А., Коробкин Д.М., Коробкина В.С. Поиск патентов-аналогов на основе сравнения ключевых понятий. Инженерный вестник Дона. 2024;(11). URL: http://www.ivdon.ru/ru/magazine/archive/n11y2024/9604

2. Бобунов А.В., Коробкин Д.М., Фоменков С.А., Васильев С.С. Разработка программного модуля поиска патентов-аналогов. Инженерный вестник Дона. 2022;(11). URL: http://www.ivdon.ru/ru/magazine/archive/n11y2022/8018

3. Baeza-Yates R., Ribeiro-Neto B. Modern Information Retrieval: The Concepts and Technology Behind Search. Addison-Wesley; 2011. 913 p.

4. Liu B. Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data. Berlin, Heidelberg: Springer; 2011. 624 p. https://doi.org/10.1007/978-3-642-19460-3

5. Kim W.Ch., Mauborgne R. Blue Ocean Strategy: How to Create Uncontested Market Space and Make Competition Irrelevant. Boston: Harvard Business School Press; 2005. 240 p.

6. Robinson I., Webber J., Eifrem E. Graph Databases: New Opportunities for Connected Data. Sebastopol: O'Reilly Media; 2015. 238 p.

7. Hogan A., Blomqvist E., Cochez M., et al. Knowledge Graphs. ACM Computing Surveys. 2021;54(4). https://doi.org/10.1145/3447772

8. Sarica S., Song B., Low E., Luo J. Engineering Knowledge Graph for Keyword Discovery in Patent Search. Proceedings of the Design Society: International Conference on Engineering Design. 2019;1(1):2249–2258. https://doi.org/10.1017/dsi.2019.231

9. Haveliwala T.H. Topic-Sensitive PageRank. In: WWW '02: Proceedings of the 11th International Conference on World Wide Web, 07–11 May 2002, Honolulu, HI, USA. New York: ACM; 2002. P. 517–526. https://doi.org/10.1145/511446.511513

10. McColl R.C., Ediger D., Poovey J., Campbell D., Bader D.A. A performance evaluation of open source graph databases. In: PPAA '14: Proceedings of the first workshop on Parallel programming for analytics applications, 16 February 2014, Orlando, FL, USA. New York: ACM; 2014. P. 11–18. https://doi.org/10.1145/2567634.2567638

11. Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. arXiv. URL: https://arxiv.org/abs/1810.04805 [Accessed 9th September 2025].

12. Reimers N., Gurevych I. Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. arXiv. URL: https://arxiv.org/abs/1908.10084 [Accessed 9th September 2025].

13. Yang Y., Cui X. Bert-Enhanced Text Graph Neural Network for Classification. Entropy. 2021;23(11). https://doi.org/10.3390/e23111536

14. Zuo H., Yin Y., Childs P. Patent-KG: Patent Knowledge Graph Extraction for Engineering Design. Proceedings of the Design Society. 2022;2:821–830. https://doi.org/10.1017/pds.2022.84

15. Korobkin D., Vasiliev S., Fomenkov S., Kravets A. The Deep Learning Method for Information Extracting about the Components of Patented Devices and their Relationships. In: 2024 6th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA), 13–15 November 2024, Lipetsk, Russia. IEEE; 2024. P. 437–442. http://doi.org/10.1109/SUMMA64428.2024.10803690