Fouille technologique dans les brevets chinois : syntaxe et terminologie

Tech-mining on Chinese Patents : syntax and Terminology

中文专利技术挖掘 : 句法与术语

• Auteur / Autrice : Yixuan Li
• Direction : Kim Gerdes
• Type : Thèse de doctorat
• Discipline(s) : Sciences du langage
• Date : Soutenance le 29/01/2024
• Etablissement(s) : Paris 3
• Ecole(s) doctorale(s) : École doctorale Sciences du langage (Paris ; 2019-2025)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de phonétique et phonologie (Paris)
• Jury : Président / Présidente : Agata Savary
• Jury : Examinateurs / Examinatrices : Kim Gerdes, Agata Savary, Chunshan Xu, Pierre Magistry, Huaping Zhang
• Jury : Rapporteurs / Rapporteuses : Agata Savary, Chunshan Xu
• DOI : 10.70675/44314161zd5c3z4bb4z9e71z3c69904f7282

Mots clés

Mots clés contrôlés

Exploration de données

Technologie -- Terminologie

Analyse automatique (linguistique)

Chinois (langue)

Mots clés libres

Dependency parsing

Chinese morphology

Terminology

Automatic term extraction

Lexical variation

Term substitution

Taxonomy

Patent

Analyse de dépendance

Morphologie chinoise

Terminologie

Extraction automatique de termes

Variation lexicale

Substitution de termes

Taxonomie

Brevet

句法依存分析

汉语词法

术语学

自动术语提取

词汇变换

术语替换

分类法

专利

Résumé

Cette thèse vise à contribuer au domaine de la recherche en automatisant la génération de variations lexicales pour les termes techniques présents dans les demandes de brevet chinoises. Elle réalise cela grâce à deux contributions majeures. Tout d’abord, un analyseur de dépendance au niveau des caractères, spécifiquement pré-entrainé sur les demandes de brevet chinoises, est développé. Cet analyseur permet d’analyser la structure interne des termes et évite ainsi le problème de segmentation qui existe depuis longtemps en chinois. Deuxièmement, une taxonomie technique est construite en se basant sur les titres de la Classification internationale des brevets (IPC), fournissant des substituts prometteurs d’hyperonymes/hyponymes pour la production de variantes d’un texte de demande de brevet de base. Le chapitre 1 sert d’introduction, en fournissant les connaissances linguistiques et techniques nécessaires à la recherche. Le chapitre 2 détaille la collecte et la préparation du corpus utilisé dans l’étude. Les chapitres 3 et 4 se concentrent sur l’annotation de l’arbre de dépendance au niveau des caractères chinois et décrivent le processus d’entraînement utilisé pour démarrer l’analyseur. Le chapitre 5 présente la construction et l’évaluation de la taxonomie technique, qui utilise le système de la Classification internationale des brevets. Enfin, à la fin de chapitre 5, la méthodologie de reconnaissance et de sélection des variations lexicales est démontrée.

This thesis aims to contribute to the field of research by automating the generation of lexical variations for technical terms found in Chinese patent claims. It achieves this through two primary contributions. Firstly, a character-level dependency parser specifically pre-trained on Chinese patent claims is developed. This parser enables the analysis of the internal structure of the terms and thus avoids the long-existing segmentation problem in Chinese. Secondly, a technical taxonomy is constructed based on the titles of the International Patent Classification (IPC) system, providing promising hypernym/hypernym substitutes for the production of variants of a base claim text. Chapter 1 serves as an introduction, providing the necessary linguistic and technical background for the research. In Chapter 2, the collection and preprocessing of the corpus used in the study are detailed. Chapters 3 and 4 focus on annotating the Chinese character-level dependency treebank and describe the training process used to bootstrap the parser. Chapter 5 presents the construction and evaluation of the technical taxonomy, which utilizes the IPC system. Finally, in the end of Chapter 5, the methodology for recognising and selecting lexical variations is demonstrated.

本论文旨在通过自动化生成中国专利申请中技术术语的词汇变体，为研究领域做出贡献。它通过两个主要贡献来实现这一目标。首先，我们开发了一个专门针对中国专利申请进行预训练的字符级依存句法关系解析器。该解析器可以分析术语的词内部结构，从而避免了汉语中长期存在的分词问题。其次，我们基于国际专利分类（ipc）系统的标题构建了一个技术分类树状词库，为基于所给权利要求文本生成变体时提供可信的上义词/下义词替代词。第1章作为引言，为研究提供了必要的语言和技术背景。第2章详细介绍了所使用语料库的收集和预处理过程。第3章和第4章侧重于描述标注中国字符级依存树库和依存句法解析器的训练过程。第5章介绍了基于国际专利分类（ipc）标题的专利术语分类树状词库的构建和评估。最后，在第5章的最后，我们展示了识别和选择上下位词变体的方法。