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.
The relevance of this work stems from the fact that traditional patent search systems, which are based on relational databases and keywords, are unable to effectively capture the rich context and complex semantic relationships inherent in patent data. The method of intellectual search for patent-analogs based on subgraph isomorphism in a graph database storing component structures of devices described in inventions is proposed. Intelligence manifests itself in the ability of the system to "understand" the structural essence of the invention, to abstract from the text description and to find technically close solutions even in the case of non-matching keywords. The component structure of the devices was obtained by analyzing patent texts using a previously developed neural network model. A patent is represented as a graph, where nodes represent the elements of the invention and edges represent their relationships, enabling the use of graph algorithms to identify relevant patents. Algorithms have been developed for: parsing a JSON file describing the component structure and loading the information into a graph database; comparing graph representations of the invention's component structure; and editing the graph representation of the invention's component structure. The practical significance lies in the developed patent similarity search module, which is based on graph representations of an invention's component structure. This module can be useful during the stages of filing a patent application by the applicant and conducting a patent examination by a patent office examiner. The software module is implemented in Python using the Neo4j graph DBMS.
The authors declare that there are no conflicts of interest present.