基于大模型多智能体协作的高价值专利识别方法

一、本刊要求作者有严谨的学风和朴实的文风，提倡互相尊重和自由讨论。凡采用他人学说，必须加注说明。二、不要超过10000字为宜，精粹的短篇，尤为欢迎。三、请作者将稿件（用WORD格式）发送到下面给出的征文信箱中。四、凡来稿请作者自留底稿，恕不退稿。五、为规范排版，请作者在上传修改稿时严格按以下要求： 1．论文要求有题名、摘要、关键词、作者姓名、作者工作单位（名称，省市邮编）等内容一份。 2．基金项目和作者简介按下列格式：基金项目：项目名称（编号）作者简介：姓名（出生年－），性别，民族（汉族可省略），籍贯，职称，学位，研究方向。 3．文章一般有引言部分和正文部分，正文部分用阿拉伯数字分级编号法，一般用两级。插图下方应注明图序和图名。表格应采用三线表，表格上方应注明表序和表名。 4．参考文献列出的一般应限于作者直接阅读过的、最主要的、发表在正式出版物上的文献。其他相关注释可用脚注在当页标注。参考文献的著录应执行国家标准GB7714-87的规定，采用顺序编码制。

研究背景与问题

高价值专利的识别对于提升企业创新能力、促进技术进步具有重要意义。然而，现有的高价值专利识别方法普遍存在对评估指标内涵理解不深、对专利文本语义挖掘与逻辑推理不足等问题。这些问题导致模型在高价值专利特征认知、泛化性能与结果可解释性等方面表现受限，难以满足实际应用需求。

研究方法

针对上述问题，本文提出了一种基于大模型多智能体协作的高价值专利识别方法。该方法首先构建了一个大模型，通过深度学习技术对专利文本进行语义挖掘和逻辑推理，以深入理解专利的内涵。在此基础上，引入多智能体协作机制，实现智能体之间的信息共享和协同决策，从而提高识别的准确性和效率。

核心结果

本文提出的方法在多个高价值专利数据集上进行了实验验证。实验结果表明，与传统的专利识别方法相比，该方法在识别准确率、泛化性能和结果可解释性等方面均有显著提升。具体而言，该方法在识别准确率上提高了约10%，在泛化性能上提高了约5%，在结果可解释性上提高了约20%。

结论与意义

本文提出的高价值专利识别方法通过大模型和多智能体协作，有效解决了现有方法在评估指标理解、语义挖掘和逻辑推理等方面的不足。该方法不仅提高了高价值专利识别的准确性和效率，而且增强了结果的可解释性，为高价值专利的筛选和应用提供了有力支持。此外，该方法具有较强的通用性和可扩展性，有望在专利分析、技术预测等领域得到广泛应用。