大语言模型辅助确定专利检索要素的方法研究——以新能源汽车制动产业为例

点击上方“高科技与产业化”可以订阅哦

专利检索首先要把技术方案转化为分类号^[1]、关键词和组合条件。面对跨领域技术、同义表达和复杂控制过程时，人工分析耗时较长，不同人员对检索要素的取舍也存在差异^[2]。大语言模型具有文本概括和语义关联能力，可以帮助检索人员整理专利原文、提出分类号和同义词候选^[3]。大模型可用于专利分类、相似度判断、关键词提取和语义检索，但通用模型在专业术语、细分分类和复杂技术关系方面仍需要领域知识支持^[4]。

1.1  AI在检索要素确定中的作用

AI辅助专利检索主要用于帮助完成识别技术主题、确定关键部件、判断检索要素、核对分类号等工作。专利检索研究强调领域适配和专业人员参与，专利自然语言处理也通常围绕分类^[5]、检索、信息抽取等具体任务展开^[6]。本文将常见做法归纳为：（1）专利原文分析法；（2）领域规则辅助法；（3）知识库核验法。

三种方法均以专利原文为主要材料，最终形成候选分类号、关键词和技术关系。

1.2  专利原文分析法

大模型依据原文及已有知识概括技术主题，推荐常见分类号，并提取主要名词和动作^[7]。准备工作少，适合初次阅读陌生技术或快速形成检索起点。其不足是容易省略隐藏在长句中的限定条件和中间变量。

1.3  领域规则辅助法

领域规则辅助是在专利文本之外，向模型提供一组简短且可重复使用的专业规则。通常包括技术分支、常用术语和分析顺序，其作用是规范阅读方式。该方法适合技术边界较清晰、但表达复杂的日常检索。规则中不宜预先写入某件专利的答案，否则模型只是照搬结论，无法检验其对专利原文的理解能力。

1.4  知识库核验法

知识库核验法是模型先根据原文形成初步判断，再围绕尚不明确的分类、术语或技术关系检索相关条目，并逐项与专利原文核对，只有原文能支持的分类和扩展词才予以保留。该方法适合跨分类技术、疑难分类和对检索准确性要求较高的任务。该方法与领域规则辅助的区别在于：领域规则告诉模型“怎样阅读”，知识库则提供“可查证的专业资料”。

1.5  三种方法的区别

相比于领域规则辅助法，知识库核验法更依赖稳定的知识库文件，例如IPC国际分类表、国家标准等，可以获得更加客观、有依据的扩展要素^[8]，如表1所示。

表1    三种方法的主要区别

三种方法可以单独使用，也可以根据案件难度逐步增加专业资料。简单案件可由专利原文分析形成检索起点；当模型遗漏技术关系时，可加入领域规则；当分类边界或术语来源仍不清楚时，再通过知识库核验。

2.1  知识库的构建步骤

知识库的构建首先要明确服务的产业范围和技术分支；然后收集IPC/CPC分类释义、经人工核验的代表性专利、术语资料和常见误检记录；再次把长文档拆分为用途明确的知识条目；最后由领域人员核验条目，具体步骤及相关质量要求如表2所示。确定范围时，应以技术问题和技术手段划分分支，而不宜只按产品名称建立目录。

表2    专业知识库的构建步骤

2.2  知识条目的内容与使用

为便于模型使用和人工复核，知识条目可分为四类： 

（1）分类条目：说明分类号的技术范围；（2）术语条目：记录同义词、缩写和中英文表达；（3）关系条目：说明变量或部件之间的作用关系；（4）排除条目：记录容易由常识联想到、但在特定条件下不应采用的扩展方向。

具体如表3所示。

表3    知识条目的类型及示例

使用知识库时，先由专利原文分析或领域规则辅助形成初步结果，再以技术分支、原文关键名词、候选分类号^[9]和待确认关系作为查找条件。找到资料后，应记录原文内容、知识条目和采用理由。实际核验可以分为三步。第一步检查分类条目，看候选分类的技术范围是否与原文中的执行方式相符；第二步检查术语和关系条目，补充同义表达并确认变量之间的先后关系；第三步检查排除条目，删除由产业背景或常识产生的过度扩展。

2.3  新能源汽车制动知识库与案例

以新能源汽车制动专业知识库为例，其范围包括制动能量回收、电子液压/电子机械制动和制动安全冗余。知识库收录相关B60L、B60T分类释义，以及再生制动、回馈制动、滑移率、EMB和EHB等术语；同时整理“滑移率—稳定因子—回收力矩限制”等关系。为验证三种方法在专利检索要素扩展方面的效果，以5件相关专利为例进行对比研究，如表4所示。

表4    新能源汽车制动专利对比研究案例

五件案例使用相同模型、相同专利文本和相同结果项目，仅改变是否加入领域规则或知识库资料。评价重点是细分分类是否命中、关键技术关系是否保留，以及新增词语能否找到原文和专业资料依据。评价前由本领域人员技术根据公开文本确定主要细分分类和核心词或关系词，再把模型结果与人工结果逐项对照。

3.1  技术方案与检索难点

CN111645528B 公开一种制动能量回收控制方法，该专利关键在于滑移率先用于确定稳定因子，再由稳定因子限制前后轴可用回收力矩。若省略这一中间变量，检索结果会大量落入一般防抱死或能量回收文献。

3.2  专利原文分析法检索结果

只提供专利原文时，模型能够识别“制动能量回收”、“滑移率”和B60L 7/10等主要内容，但通常将技术关系简化为“根据滑移率调节回收力矩”，没有突出前、后轴稳定因子。同时，“车辆稳定性”、“提高回收效率”等一般效果容易进入关键词。造成该缺陷的原因在于，稳定因子在原文中不是最终执行对象，而是连接滑移状态与前后轴力矩分配的中间量。模型在概括长句时往往优先保留“滑移率”和“回收力矩”两个概念，而压缩中间步骤。

3.3  领域规则辅助法检索结果

加入新能源汽车制动领域规则后，模型按照状态参数、判断条件、中间变量阅读原文。整车目标制动力矩、建压能力、滑移率和可用回收力矩被分别列出，“滑移率—稳定因子—前后轴回收力矩限制”关系得到保留；同时删除不能直接限定技术手段的一般效果词。

领域规则还改变了关键词的组织方式。原文分析得到的词往往是平行排列的名词，加入规则后可分成状态词、约束词、分配对象和执行词。例如，滑移率属于状态词，稳定因子属于约束词，前轴和后轴属于分配对象，回收力矩与液压制动力属于执行量。按照这一结构组合检索式，比简单罗列名词更容易控制检索范围。

3.4  知识库核验法检索结果

知识库核验法的分类条目表明原文存在电机制动力矩和能量回收，可以采用B60L 7/10；术语条目支持使用“滑移率、滑转率、slip ratio”；关系条目则确认建压能力用于约束电机制动力矩上限。核验后的技术过程可完整表述为：制动需求和液压执行器建压能力共同限定电机制动力矩上限；车辆滑移率用于确定前、后轴稳定因子；当电机制动力不足时，由液压制动补足。

该新增的不是原文之外的技术内容，而是对原有长句的重新整理，并为分类和同义词选择补充可查依据。核验结果如表5所示。

表5    主案例的知识核验结果

从表5中可以看出，大模型的作用不只是增加关键词数量，更重要的是把专利长句中的条件、中间变量和执行关系整理为可组合、可核对的检索要素，利用知识库为分类和扩展词提供依据，使大模型按专业思路阅读全文，归纳并扩展得到有依据的检索要素。

以CN115107722A、CN114604216A 和CN118306224A为例，三种分析方法呈现出明显的层次差异。

原文分析法能够直接提取“冗余ECU、双电源、压力监测、再生制动力”等显性技术词，优点是忠实于专利文本、实施简单，但容易停留在关键词层面，对不同表述下隐含的控制关系识别不足。领域规则法进一步将技术特征归纳为冗余层级、压力闭环以及“工况—制动力分配”等关系，提高检索式的结构化程度，但其效果较依赖预设规则，对跨系统、跨层级方案的适应性有限。知识库核验法则在前两者基础上，引入专业术语、技术关系和IPC分类进行交叉核验，将分散特征进一步还原为 “目标压力—监测—调节—建压”以及“工况—车轮—制动力分配”等完整技术链条。相比单纯提词或规则归纳，知识库核验能够兼顾术语扩展、技术逻辑和分类定位，更准确识别专利的实质技术方案，从而提高检索的覆盖度与精准度。

分别使用三种方法对5件案例进行检索要素的扩展，并技术细分分类号命中率、核心词及关系覆盖率、冗余词比例等指标，对比结果如表6所示。

表6    三种方法的扩展效果对比结果

可以看出，领域规则辅助法和知识库核验法引入了明确的规则或专业资料，使检索要素明显改善。分类号首位命中由专利原文分析的40.0%提高到领域规则辅助的80.0%，经专业知识库核验后达到100%；核心词和技术关系覆盖率由67.5%提高到92.5%；冗余词比例则由32.7%降至9.3%。这说明领域规则能够纠正模型只抓取显眼名词的倾向，知识库能够进一步稳定分类和术语选择。

实际使用时，可先依据专利原文分析形成上位分类和基础关键词，用于宽范围检索；再根据领域规则补足条件、中间变量和执行关系，缩小到与发明构思接近的文献；最后通过专业知识库核对细分分类、同义表达和排除方向。

上述方法并不限于新能源汽车。企业可针对稳定的技术分支编写领域规则，再把需要长期维护的分类释义、代表性专利、术语和误检记录纳入知识库。在研发查新中，AI可把研发人员的自然语言方案整理为技术条件和作用关系；在专利布局中，可按故障检测、控制切换和执行过程检查技术覆盖；在技术供需匹配中，可把企业需求语言转换为专利检索语言。

在企业内部应用时，可由研发人员提供方案说明，知识产权人员负责修订领域规则和确认检索要素，信息人员负责维护知识库来源与版本。研发人员确认技术事实，知识产权人员决定分类和关键词取舍，系统负责整理原文、提示遗漏和提供专业资料。清楚的职责分工能够把技术理解、检索判断和资料维护结合起来，使检索记录可追溯、检索标准可复用，并将个人经验沉淀为企业可持续使用的知识资源。

参考文献

1   国家知识产权局. 专利审查指南2023[M]. 北京：知识产权出版社, 2023:203-218. 

2  SHALABY W, ZADROZNY W. Patent retrieval: a  literature review[J]. Knowledge and Information Systems,  2019, 61(2):631-660. 

3  李晓阳. 大模型在专利智能检索中的应用实践研究[J].  中国发明与专利, 2024,21(9):123-127. 

4  JIANG L, GOETZ S. Natural language processing in  patents: a survey[EB/OL]. arXiv:2403.04105, 2024.

5  崔倩倩. 智能检索技术在专利审查提质增效中的应用[J].  中国发明与专利, 2024, 21(S2): 82-88.

6  罗晓雅. 大语言模型在发明专利创造性判断中的应用[J].  中国发明与专利, 2024, 21(S1):123-127. 

7  梁钦锐, 李艳. ChatGPT类人工智能应用对专利工作的影响探讨[J]. 中国发明与专利, 2023, 20(9): 39-47. 

8  冷林霞. 大模型检索之通用类结构检索的语义改写技巧[J]. 中国科技论文, 2025, 20(10): 856-863. 

9   WORLD INTELLECTUAL PROPERTY ORGANIZATION.  Guide to the International Patent Classification（2025）[M/OL].  Geneva ：WIPO, 2025.