第 28 名解决方案

感谢美国专利商标局 (USPTO) 组织并主持本次竞赛，并向所有获奖团队表示热烈祝贺。

解决方案概述

总体方法是构建如下形式的查询：rare_cpcs_docs OR ((sub-query) AND (sub-query) AND …)。我们使用了 CPC 的全局频率索引以及摘要和权利要求的 IDF 查找表，详见下文讨论。

• 我们很早就发现，仅使用 CPC 代码进行检索非常强大。为了减少搜索空间，我们构建了一个 rare_cpcs_docs 查询，这是 CPC 的 OR 连接。这仅适用于那些在全局 CPC 命中次数非常少（< 50）的文档。本地测试显示，这通常around 5-10 个文档。
• 每个“子查询”的目的是获取共同概念以覆盖剩余的约 40 个文档。我们通过结合使用 CPC 和使用 KeyBERT 从摘要和权利要求中提取的关键字来实现这一点。

我们专注于稀有 CPC 和稀有关键字，这些关键字主要在 50 个文档内共享（即具有高局部命中率和低全局计数的 CPC，具有高局部命中率和高全局 IDF 的关键字），然后我们贪心地选择表现最好的实体，直到覆盖所有文档（贪心集合覆盖）。

• 重复此过程以构建尽可能多的“子查询”迭代，直到超过 50 个令牌限制（没有“魔法”令牌限制）。

生成“子查询”

我们在生成这些子查询方面进行了大量实验，但都没有带来巨大的增益：

• 使用标题字段
• 过滤掉子查询之间的重叠词，例如，如果“电极”用于子查询 1，则过滤掉“负电极”，以便它不在后续查询中使用
• n-gram 内的 ADJ/NEAR（>=3gram）提供了更多稀有关键字的选择，这些关键字在 50 个文档内具有更高的命中率。然而，与其他运算符相比，它消耗更多的查询项。

构建全局索引

我们分析了整个 parquet 文件集（1000 多万项独立专利）以构建这些索引：

• CPC 代码的频率计数
• 摘要的 Unigram 和 bigram IDF 值
• 权利要求的 Unigram 和 bigram IDF 值

目的是使用这些查找表来惩罚高频术语，从而减少我们检索到的无关文档数量。

其他想法

• 我们的第一个条目完全由 CPC 代码组成，形式为 cpc:(a OR b OR c OR …)。代码的选择基于局部频率因素，即我们优先考虑覆盖最多 50 个文档的代码；一个简单的贪心集合覆盖算法。这个简单查询在排行榜上得分为 0.37。
• 我们还尝试将“子查询”聚焦于专利的每个部分，例如 (ti:subquery) (clm:subquery)(cpc:subquery)。这将有助于检测 50 个文档中每个部分的共同专利格局。由于每个子查询的查询大小较小，该解决方案没有产生预期的改进。

技巧与窍门

• 我们使用 Polars + 多线程非常快速地处理并将 125,000 个相关专利存储 in memory 以实现即时检索。