К содержимому

Датасет · HUPD

Корпус патентных заявок USPTO от Гарварда

HUPD/hupd

Более 4,5 млн черновиков патентных заявок США (2004–2018) для анализа патентоспособности, классификации и суммаризации.

Что внутри

Внутри собрано свыше 4,5 млн патентных документов на английском языке, поданных в Ведомство по патентам и товарным знакам США (USPTO) с 2004 по 2018 год. В отличие от аналогов, датасет содержит именно исходные версии заявок от изобретателей, а не финальные одобренные тексты. Корпус подготовлен исследователями Гарварда для многоцелевых NLP-задач.

Что можно сделать

  • Обучение моделей предсказанию патентоспособности заявки на этапе её подачи
  • Дообучение моделей для суммаризации и классификации юридических и технических текстов
  • Предобучение языковых моделей в патентном домене (fill-mask)
Задачи
Заполнение пропусков, Суммаризация, Классификация текста, Разметка токенов
Языки
Английский
Скачиваний за месяц
5,3 тыс.
Лайков
45

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("HUPD/hupd")