3、专利文本平行性与领域相似性分析

专利文本平行性与领域相似性分析

1. 研究背景与目标

专利翻译是一个活跃的研究领域，受CLEF和NTCIR等基准测试研讨会的推动。不同专利在词汇和风格上存在差异，这导致了不同的子领域，可视为多任务翻译中的任务。本研究聚焦于语料库的构建与描述，将专利翻译作为相似性分析的工具，旨在探究领域间的异同，为专利翻译及相关任务提供资源。

2. 相关工作

• NTCIR ：针对日英和中英专利文档开展专利翻译任务，数据约200万句对，通过基于长度的对齐得分和基于字典的单词翻译得分筛选。实验表明，训练和测试部分一致时机器翻译结果最佳，整合所有部分数据训练效果更佳。
• MAREC数据集 ：是CLEF - IP赛道专利检索数据的超集，被用于独立的专利翻译。提取过程结合候选句子对齐和基于单词的翻译过滤，如使用Gargantua进行句子对齐，GIZA++进行单词对齐。跨IPC领域的机器翻译实验显示，整合所有部分的最大数据集效果最佳，尤其是语言建模方面，但提取的句子平行数据未公开，且仅涉及摘要和权利要求部分。

3. 专利文本的结构与主题维度

• 主题维度 ：由国际专利分类（IPC）确定，将专利分为8个顶级部分、120个类别、600个子类别，直至70,000个子组。具体顶级部分如下表所示：
  | 代码 | 类别 |
  | ---- | ---- |
  | A | 人类必需品 |
  | B | 执行操作、运输 |
  | C | 化学、冶金 |
  |