Разработка системы информационного поиска для сопоставления с уровнем техники

Актуальность данного исследования заключается в повышении эффективности извлечения ключевых фраз и слов из русскоязычного патентного массива. В настоящее время эксперты патентного ведомства вынуждены проводить анализ текста патентных заявок вручную, чтобы определить ключевые фразы и слова, которые затем используются для поиска патентов-аналогов. Этот процесс требует значительных временных затрат и может быть подвержен ошибкам. Другая проблема заключается в отсутствии системы, аналогичной Google Patents, но для русскоязычных патентов. В настоящее время не существует надежного и эффективного инструмента для автоматического определения ключевых патентных фраз и слов в русскоязычных патентах. Это ограничивает возможности экспертов при поиске и анализе патентных аналогов, а также при принятии решений о патентовании. Повышение эффективности извлечения ключевых фраз и слов из русскоязычного патентного массива имеет большое практическое значение. Это позволит сократить временные затраты на анализ патентных заявок, повысить точность поиска патентов-аналогов и обеспечить более надежные решения о патентовании. Такой инструмент будет полезен для патентных ведомств, юридических консультантов, инженеров и исследователей, которые работают с русскоязычными патентами. В целом данное исследование обусловлено необходимостью совершенствования и автоматизации процесса анализа патентных заявок, что приведет к повышению эффективности и точности работы с русскоязычным патентным массивом и сделает его более доступным и удобным для пользователей.

1. Жарова А.К. Интеллектуальное право. Защита интеллектуальной собственности. М.: Издательство «Юрайт»; 2023. 379 с.

2. Ишков А. Д., Степанов А.В. Промышленная собственность. Оформление заявки на выдачу патента на полезную модель. М.: Флинта; 2013. 98 с.

3. Zhiwei F. Formal Analysis for Natural Language Processing: A Handbook. Singapore, Springer; 2023. 796 p.

4. Романадзе Е.Л., Судаков В.А., Кислинский В.Г. Разработка метода извлечения ключевых слов на основе вероятностной тематической модели. Моделирование и анализ данных. 2022;12(2). URL: https://psyjournals.ru/journals/mda/archive/2022_n2/Romanadze_et_al. DOI: 10.17759/mda.2022120202 (дата обращения: 22.07.22).

5. Феногенова А., Тихонова М., Михайлов В. Русский SuperGLUE 1.1: пересмотр уроков, не усвоенных российскими моделями НЛП. ArXiv. 2022; 2202.07791. URL: https://arxiv.org/abs/2202.07791. DOI: 10.28995/2075-7182-2021-20-235-245 (дата обращения: 12.11.2022).

6. Koitzsch K. Advanced Search Techniques with Hadoop, Lucene, and Solr. In: Pro Hadoop Data Analytics. Berkeley, Apress; 2017. 298 p. DOI: 10.1007/978-1-4842-1910-2.

7. Wadkar S., Siddalingaiah M. Pro Apache Hadoop. CA: Apress Berkeley; 2014. 413 p. DOI: 10.1007/978-1-4302-4864-4.

8. Abu-Salih B., Wongthongtham P., Zhu D., Chan K.Y., Rudra A. Introduction to Big Data Technology. Singapore, Springer; 2021. 218 p.

9. Дудченко П.В. Метрики оценки классификаторов в задачах медицинской диагностики. Молодежь и современные информационные технологии: сборник трудов XVI Международной научно-практической конференции студентов, аспирантов и молодых учёных, 3–7 декабря 2018, Томск. Томск: Изд-во ТПУ; 2019. Режим доступа: http://earchive.tpu.ru/handle/11683/52692 (дата обращения: 12.02.2023).

10. Николаев А.С. Патентная аналитика: учебно-методическое пособие. СПб: Университет ИТМО; 2022. 98 с.