Recherche de solutions inventives dans les documents de brevet par des approches d'apprentissage profond
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Ni, Xin
Date de soutenance : 17-12-2021

Directeur(s) de thèse : Cavallucci, Denis - Samet, Ahmed

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique

Mots-clés libres : Traitement du langage naturel, Extraction de brevets, Réseau neuronal, Calcul de similarité sémantique, Système de réponse aux questions, Analyse de décision à critères multiples, Théorie de la résolution de problèmes inventifs
Mots-clés :
  • Traitement automatique du langage naturel
  • Décision multicritère
  • Méthode TRIZ
Résumé : Afin d'automatiser l'extraction des connaissances en matière de résolution de problèmes inventifs contenues dans les documents de brevet en utilisant des techniques de traitement du langage naturel (NLP). Nous proposons trois contributions principales : i) deux modèles d'extraction de problèmes similaires appelés IDM-Similar basés sur les réseaux neuronaux Word2vec et SAMIDM basés sur les réseaux neuronaux LSTM sont proposés pour extraire les problèmes similaires de différents domaines de brevets ; ii) un modèle de correspondance problème-solution appelé IDM-Matching selon les réseaux neuronaux XLNet est proposé pour établir des connexions entre les problèmes et les solutions dans les documents de brevets ; iii) un modèle de classement de solutions inventives appelé PatRIS basé sur une approche d'analyse de décision à critères multiples est proposé pour classer les solutions inventives potentielles. Ces modèles ont été évalués sur des ensembles de données de référence et de brevets du monde réel.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2021STRAD015
Type de ressource : Thèse