专利语料库中的检索错误:面向美国专利商标局开放数据门户过渡的修复优先处理流程与报告事项

《World Patent Information》:Retrieval error in patent corpora: a repair-first pipeline and reporting items for the USPTO Open Data Portal transition

【字体: 大 中 小 】 时间:2026年10月23日 来源:World Patent Information 2.4

编辑推荐:

   数字格式不匹配导致了首次检索失败的95.97%。ODP为尝试集的97.49%标注了日期,但仅为标准语料库的20.05%标注了日期。裁决发现一份错误文档;其他不一致之处均为字符串伪影。十三项报告条目使修复后的专利语料库能够在不同版本间实现可重复性。实际迁移路线文件记录了请求成本

  

数字格式不匹配导致了首次检索失败的95.97%。ODP为尝试集的97.49%标注了日期,但仅为标准语料库的20.05%标注了日期。裁决发现一份错误文档;其他不一致之处均为字符串伪影。十三项报告条目使修复后的专利语料库能够在不同版本间实现可重复性。实际迁移路线文件记录了请求成本和覆盖边界。

**引言**

人工智能治理框架日益依赖的组件同时也是积极专利保护的领域:公钥基础设施、远程证明[1]、可验证凭据钱包[2]、软件物料清单[3]、透明度日志[4]以及内容溯源[5]。关于谁持有此"信任栈"权利的主张对于采购、标准化和政策至关重要。然而,此类主张通常建立在聚合器快照之上,其对官方登记簿的保真度未被说明,且其语料库中的元数据缺口被默默修复或完全不予修复。当一项格局研究无法展示其未能检索、标注日期或去重的内容时,其负空间便无法被审查;对该领域报告实践的评估表明,这是常态而非例外(第2节)(见图1、图2)。

本文构建并验证了使此类答案可审查的证据基础设施;实质性的所有权问题被有意推迟,直到证据能够支撑它为止。三项设计承诺支撑着这一论述:

1. **主张门控的查询分类法。** 每个概念簇明确说明其携带的是已审查证据还是仅为编码手册条目,以便读者始终知晓覆盖上限。
2. **修复优先的版本控制。** 所有面向分析人员的导出数据均进行版本管理;元数据缺陷被记录为明确的阴性结果,而非默默修补,且哈希清单前瞻性地绑定未来的引用状态。
3. **行级修复溯源。** 修复仅针对权威或已披露的数据来源进行(美国专利商标局开放数据门户ODP;欧洲专利局开放专利服务INPADOC;以及Lens.org),且每个修复值在它所更改的行中携带其查找状态、身份验证和检索时间戳。

该设计经过两次测试。一个经过审查的20份文档试点表明,初始导出中记录的每一项缺陷都可以转化为证据或明确的边界(第5节)。随后一次通宵语料库规模的运行表明,相同的脚本在官方接口的免费请求预算内修复了数万份文档(第6节)。该运行在可解析的美国尝试表面上达到语料库规模,这是ODP作为权威来源的唯一区段。其覆盖率分别以尝试分母和标准分母进行报告。由于验证工作发生在2026年PatentsView和旧版USPTO开发者服务退役的过程中,本文也充当了迁移至经过认证的ODP的文档化迁移路线,包括在官方过渡指南中不可见的故障模式。

贡献如下:

1. 基于编号的检索错误的双向测量:由查询格式不匹配导致的虚假缺失,以及返回记录中保守的语料库规模标题不一致性(第5.2节 针对USPTO开放数据门户的修复(v0.2),第6.1节 在尝试美国表面上的语料库规模修复);
2. 一种修复优先的版本控制机制,其中缺陷是可引用的阴性结果,每个分母都绑定到指定的表面,且证据冻结的范围被明确说明(第3节 管道设计,第4节 候选语料库及其记录的缺陷);
3. 一条可重复的迁移路线,包含请求核算、测量的覆盖边界、校准的队列路由方法以及修复后专利语料库的十三项报告条目(第6节 在免费请求预算内扩展,第7节 修复后专利语料库的报告条目)。

**各节摘录**

**相关工作**

**专利格局研究的报告质量。** 一项关于生命科学专利格局的综述发现,仅有9.9%的文章报告了所有适用的方法学条目,且仅1.4%报告了专利选择的盲重现[6]。《专利格局报告条目》(RIPL)声明以一份最低披露清单作为回应[7]、[8],与WIPO的专利格局报告方法论指南[9]相辅相成。RIPL解决了报告完整性问题;它并未为分析人员提供

**来源权威等级**

每个字段值都记录其承载的来源类型:

- **第一层** — 官方机构表面:USPTO ODP文件包装器;EPO开放专利服务。
- **第二层** — 机构邻近的聚合登记簿:通过OPS分发的INPADOC。
- **第三层** — 发现聚合器:Google Patents;Lens.org发现表面。

较低层级的数据绝不会默默覆盖较高层级的数据。

**主张门控的查询分类法**

七个概念簇描述AI信任栈:

1. PKI与数字签名;
2. 远程证明;
3. 身份钱包与可验证凭据;

**候选语料库及其记录的缺陷**

验证语料库来源于公共聚合器表面。其记录的v0.1状态,即第5节"在已审查试点上的验证"和第6节"在免费请求预算内扩展"中每项修复的基准前状态,为:

- 647,410个候选行,在精确键去重后减少至151,890个标准记录;移除了495,520行(76.539%);
- 473,827个被移除的行(占移除负担的95.6%)为镜像导出或管道自摄入,而21,693个(4.4%)代表真正的

**试点及其前状态**

试点包含两个具有已审查记录的概念簇中的20份文档(PKI/签名和远程证明)。它们是手工挑选的,以平衡一个权威链接来源和一个发现来源;没有随机抽样或排名阈值。因此,该试点是说明性的,而非推断性样本。其v0.1导出明确保留了每一项缺陷(表1)。

**针对USPTO开放数据门户的修复(v0.2)**

使用经过认证的ODP账户,所有20份文档均解析为申请级文件包装器记录。

**标题 在尝试美国表面上的语料库规模修复**

四个分母反复出现且不可互换:

- 2026年7月4日冻结的标准语料库中的151,890条记录;
- 2026年6月10日ODP运行时语料库中的31,242个可解析美国公开号(尝试集表面);
- 后续冻结标准语料库中的31,442个可解析美国公开号;以及
- 12,776份集群分配的US或EP文档,已发送进行同族查找。

冻结的尝试集标识符列表定义了31,242的分母;它无法通过过滤后续的来重建,

**修复后专利语料库的报告条目**

RIPL规定了专利格局的透明报告[7]、[8]。以下条目是互补性的:它们涉及语料库在检索后被修复时所产生的状态变化。每个条目都与本案例中的一个缺陷或修正相关联,而非声称替代RIPL。条目R3是值得特别指出的例外:它恢复了RIPL专家组所拒绝的公开号列表,并且使用了专家组没有的证据,即经过测量的虚假缺失

**局限性**

试点(20+5份文档)是说明性的,不包含实质性主张;所有权、集中度、引文网络和趋势声明按设计保持超出范围。增强引文覆盖具有选择性且限于2017年之后;审查员引文不是技术影响指标。通过OPS的INPADOC同族拥有其自身的覆盖边界。语料库规模修复涵盖美国文档的文件包装器字段;来自其他司法管辖区(EP、CN、WO、

**数据与代码可用性**

原始配套版本已归档为 https://doi.org/10.5281/zenodo.20644809,修正版已归档为 https://doi.org/10.5281/zenodo.21497997。修订补充材料包含尝试集标识符、编号规范化语法、冻结清单、标题一致性输出、图表以及重现修订表格所需的脚本。手稿记录也可在 https://doi.org/10.2139/ssrn.6953590 获取。使用USPTO开放数据门户、EPO开放专利服务以及

**结论**

当缺陷保持为一等结果且每项修复都绑定到指定的表面时,专利证据项目可以在范围上雄心勃勃,而在主张上保守。在本案例中,一次查询格式不匹配导致了95.97%的首次检索失败;97.49%的高修复率因修复表面被刻意限定为仅限美国而在标准分母上变为20.05%的数字,并非因为查找失败;且570条返回记录需要身份裁决而非自动信任,

**数据可用性**

修正版配套发布已归档于 https://doi.org/10.5281/zenodo.21497997。修订补充材料包含冻结的尝试集、验证输出、图表和重现说明。

**科学写作中生成式AI的声明**

在本工作准备过程中,作者在作者指导下使用大语言模型助手进行管道自动化以及手稿文本的起草和编辑。在使用这些工具之后,作者根据需要对内容进行了审查和编辑,并对所发表文章的内容承担全部责任。

**资助**

本研究未获得公共、商业或非营利部门资助机构的专项资助。

**利益冲突声明**

作者声明,他没有任何已知的竞争性经济利益或个人关系可能对本论文所报道的工作产生看似有影响的情况。

**致谢**

无。

Anton Sokolov 是爱沙尼亚塔林Tyche研究所的研究员,他致力于可信AI的证据基础设施建设:公钥基础设施、远程证明、可验证凭据以及研究这些数据管道的可重现性。他将十年电子身份和PKI工程实践与AI信任栈的专利和标准证据研究相结合。ORCID: 0000-0003-2452-7096。

Anton Sokolov
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号