如何构建专利检索关键词并监控竞争对手?
解读
面试官把“专利检索关键词”与“竞争对手监控”放在同一问,本质是在考察候选人能否把大模型能力转化为企业级情报系统。
在国内场景下,专利数据分散在国家知识产权局(CNIPA)、incoPat、智慧芽、润桐等商用库,且中文专利文本存在同义词、行业黑话、翻译腔、IPC/CPC 分类号混杂等特点;竞争对手又往往以子公司、联合实体、壳公司方式分散申请。因此,问题被拆成三步:
- 用 LLM 把技术需求自动拆成高召回、高精准的中文+英文关键词簇;
- 用向量检索+规则过滤双路召回,把噪音压到 5% 以下;
- 用增量索引+时序模型实现 T+1 监控,并给出风险评级与可视化证据链。
整个链路必须可落地到私有化集群,满足信创替代与数据不出境的合规要求。
知识点
- 大模型微调:用 10 万级“技术描述→标准检索式”中文语料对 Baichuan2-13B 做 LoRA 微调,让模型直接输出布尔检索式,字段包括 TI(标题)、AB(摘要)、CL(权利要求)、IPC/CPC。
- 关键词生成策略:
- 核心词扩展:利用大模型生成同义词、近音词、英文翻译、缩写、反向表达(例如“防窥膜”→“视角限制膜、privacy film、窄视角、侧视不可见”)。
- IPC/CPC 自动映射:让模型把技术句映射到 5 位 IPC 小组,准确率≥92%,解决手工翻分类表的低效。
- 否定词+噪声过滤:在提示工程里显式加入“排除词袋”,例如把“手机”领域的“外壳”与“电池”专利自动降权。
- 向量检索:用中文专利专用 Embedding(PatentBERT-CN)把 1.2 亿件 CNIPA 全文切成 512 token 段落,建Milvus 混合索引(IVF_PQ + HNSW),保证 99% 召回在 200 ms 内。
- 竞争对手画像:
- 企业树归并:通过国家企业信用信息公示系统 API 获取股权穿透,把 50 家壳公司归并为 1 个实控人。
- 发明人聚类:用BERT+社区发现识别同一技术团队在不同公司的流动,发现技术迁移风险。
- LLMOps 监控:
- 增量解析:每天 03:00 拉取 CNIPA 公开公报,用消息队列+Serverless解析,平均 8 min 完成 1.2 万件。
- 风险评分模型:把专利文本、权利要求长度、被引次数、同族数量、诉讼历史喂给LightGBM,输出 0~1 风险分,阈值 0.72 触发邮件+飞书告警。
- 人类反馈强化学习(RLHF):让法务人员标记误报,每周回流 300 条样本,持续降低误报率,目标误报率≤3%。
答案
“我会把任务拆成关键词工厂、检索引擎、监控中台三大模块,全部跑在私有化 Kubernetes 上,确保数据不出境。
第一步,关键词工厂:用LoRA 微调后的 Baichuan2-13B 做生成器,输入一段技术描述,模型直接输出 CNIPA 高级检索式。提示工程里我显式要求‘同义词+IPC/CPC+排除词’三件套,并强制校验 IPC 前 4 位是否在目标部类,防止跑偏。
第二步,检索引擎:把 1.2 亿件中文专利离线切成段落,用PatentBERT-CN 做 Embedding,Milvus 建IVF_PQ1024+HNSW32 混合索引,再外挂Elasticsearch 布尔过滤,实现向量+关键词双路召回,实测 Top-500 召回率 99.3%,噪音率 4.8%。
第三步,监控中台:每天凌晨拉取最新公开数据,Flink 流式去重后写入增量分区;用LightGBM 风险模型打分,触发规则‘风险分≥0.72 且申请人命中竞争对手树’时,自动推送到飞书群,并附带对比摘要高亮(红色标出新出现权利要求关键词)。
整个链路用LLMOps 框架封装:
- 数据版本:DVC 管理专利快照;
- 模型版本:MLflow 记录每一版微调 checkpoint;
- 监控指标:Prometheus 采集‘日均误报数、平均延迟、Top-1 命中率’,告警阈值误报数>3 件/天就自动回滚模型。
这样,产品、法务、研发看到的永远是T+1 竞争对手专利情报,且系统可在信创 ARM 服务器上横向扩展到 5 亿级向量,满足未来 3 年数据增长。”
拓展思考
- 多模态扩展:如果竞争对手把核心方案藏在说明书附图里,可以训练中文专利图-文对齐模型,用CLIP-Patent-CN把机械结构图也向量化,实现“以图检图”,进一步提升隐蔽专利的召回。
- 生成式摘要+侵权比对:让大模型直接生成权利要求简化摘要,再与己方产品做语义相似度比对,提前发现潜在侵权风险,把法务周期从 30 天压缩到 3 天。
- 联邦学习场景:若集团内多家子公司各有私有专利库,可用联邦向量检索方案,向量密文上传、同态召回,既避免数据出域,又能共享情报,符合国资委数据安全最新指引。