JP7505834B1

JP7505834B1 - Applications of generating comprehensible summaries of technical literature

Info

Publication number: JP7505834B1
Application number: JP2024015318A
Authority: JP
Inventors: 寛大谷
Original assignee: Individual
Current assignee: Individual
Priority date: 2023-03-28
Filing date: 2024-02-04
Publication date: 2024-06-25
Anticipated expiration: 2044-01-15

Abstract

【課題】技術文献の内容を把握可能な要約の生成の応用として、技術文献を調査するための方法を提供する。【解決手段】まず、装置は、ユーザー端末から、技術を表す記述を受信して、当該記述に基づいて検索式を生成することをAIモデル（k）に要求する。生成された検索式を用いて技術文献データベースを検索して定まるp個(p>1)の技術文献D={D1,D2,…,Dp}を特定するデータを取得する。そして、装置は、1以上p以下のiについて、技術文献Diに関連づけられた特徴Fiの当該記述との関連性を表すq(q>1)個の分類C={C1,C2,…,Dq}のうちのいずれかをCi’として技術文献Diに付与することを生成AIモデルであるAIモデル（l）に要求する。1以上p以下のiについて、装置は、技術文献Diに付与された分類Ci’を受信し、当該ユーザー端末に、相対的に関連性が高いことを示す１又は複数の分類が付与された１若しくは複数の技術文献を特定する文献情報を送信する。【選択図】図５[Problem] To provide a method for investigating technical documents as an application of generating summaries that can grasp the contents of technical documents. [Solution] First, the device receives a description representing a technology from a user terminal and requests an AI model (k) to generate a search query based on the description. The generated search query is used to search a technical document database to obtain data identifying p (p>1) technical documents D = {D1, D2, ..., Dp}. Then, the device requests an AI model (l) that is a generative AI model to assign, to the technical document Di, one of q (q>1) classifications C = {C1, C2, ..., Dq} that indicate the relevance of a feature Fi associated with the technical document Di to the description as Ci' for i between 1 and p. For i between 1 and p, the device receives the classification Ci' assigned to the technical document Di, and transmits to the user terminal document information identifying one or more technical documents to which one or more classifications indicating relatively high relevance have been assigned. [Selected Figure] Figure 5

Description

特許法第３０条第２項適用試験日２０２３年３月２１～２３日試験場所ｈｔｔｐｓ：／／ａｐｉ．ｏｐｅｎａｉ．ｃｏｍ／ｖｌ／ｃｏｍｐｌｅｔｉｏｎｓ試験を行った者大谷寛試験日２０２３年３月２１～２３日試験場所ｈｔｔｐｓ：／／ｃｈａｔ．ｏｐｅｎａｉ．ｃｏｍ試験を行った者大谷寛試験日２０２３年５月２３～２７日試験場所ｈｔｔｐｓ：／／ａｐｉ．ｏｐｅｎａｉ．ｃｏｍ／ｖｌ／ｃｈａｔ／ｃｏｍｌｅｔｉｏｎｓ試験を行った者大谷寛Patent Law Article 30, paragraph 2 applied Test date: March 21-23, 2023 Test location: https://api.openai.com/vl/completions Tester: Hiroshi Ohtani Test date: March 21-23, 2023 Test location: https://chat.openai.com Tester: Hiroshi Ohtani Test date: May 23-27, 2023 Test location: https://api.openai.com/vl/chat/completions Tester: Hiroshi Ohtani

本発明は、技術文献の内容を把握可能な要約の生成の応用に関する。 The present invention relates to the application of generating summaries that allow the content of technical documents to be understood.

特許調査は、これまでの研究開発の状況を把握する上で基礎的な資料となる。特許文献には、その内容に応じた特許分類が付与され、これらの特許分類を必要に応じてキーワードと組み合わせて用いることで、各種の分析がなされている。 Patent research is a fundamental resource for understanding the state of research and development to date. Patent documents are assigned patent classifications based on their content, and various analyses are carried out by combining these patent classifications with keywords as necessary.

しかしながら、特許分類は、それが更新されるとしても数年に一度であり、変化の大きい分野においては分析軸として必ずしも十分ではない。たとえば、急速に広がり始めたメタバースの分野で、どのような点に着目して研究開発がなされているかを分析したいとしても、メタバースの分野を細分した特許分類は存在しないことから、個々の特許文献を読み、その内容を判断していくこととなり、多大な労力を要する。一例として、100KBの英語で書かれたテキストファイルであれば、2万単語前後と見積もることができ、分析したい特許文献が50件の場合、分析の手掛かりがなければ、100万単語前後の英文を読むことになる。特許文献以外の分類体系を有しない技術文献についても、分析の負担が大きいことは同様である。 However, patent classifications are updated only once every few years, and are not necessarily sufficient as an analytical axis in fields that are undergoing great change. For example, even if one wanted to analyze what R&D was focusing on in the rapidly expanding field of the metaverse, there is no patent classification that subdivides the field of the metaverse, so one would have to read each patent document and determine its content, which requires a great deal of effort. As an example, a 100KB text file written in English can be estimated to be around 20,000 words, and if there are 50 patent documents to analyze, without any clues for analysis, one would end up reading around 1 million words of English text. The same is true for technical documents that do not have a classification system other than patent documents, which is a heavy burden to analyze.

本発明は、このような点に鑑みてなされたものであり、その第１の課題は、技術文献を分析するための装置、方法又はそのためのプログラムにおいて、分析軸として利用可能な分類の生成を省力化することにある。また、本発明の代替的な第２の課題は、技術文献を分析するための装置、方法又はそのためのプログラムにおいて、分析軸として利用可能な分類の付与を省力化することにある。また、本発明のさらに代替的な第３の課題は、技術文献分析の省力化につながる、当該技術文献の内容を把握可能な要約を生成するための装置、方法若しくはそのためのプログラム又はそれらの応用を提供することにある。 The present invention has been made in view of these points, and its first object is to reduce the labor required to generate classifications that can be used as analytical axes in an apparatus, method, or program for analyzing technical literature. An alternative second object of the present invention is to reduce the labor required to assign classifications that can be used as analytical axes in an apparatus, method, or program for analyzing technical literature. An even further alternative third object of the present invention is to provide an apparatus, method, or program for generating a summary that allows the contents of the technical literature to be understood, or an application of these, which leads to a reduction in the labor required for analyzing technical literature.

このような目的を達成するために、本発明の第１の態様は、技術文献を分析するための方法であって、ユーザー端末から、分析対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を受信するステップと、前記p個の技術文献Dのそれぞれに関連づけられたp個の特徴F={F1,F2…,Fp}に基づいて、前記p個の技術文献Dを分類可能なq個の分類C={C1,C2…,Cq}を生成することを第１のAIモデルに要求する第１の要求を行うステップであって、前記第１のAIモデルは、生成AIモデルであるステップと、1以上p以下のiについて、前記q個の分類C又はその少なくとも一部に対応する分類の中から、技術文献Diを表す１又は複数の分類をC'iとして関連づけることを第２のAIモデルに要求する第２の要求を行うステップと、1以上p以下のiについて、技術文献Diに関連づけられた分類C'iを受信して記憶するステップとを含む。 To achieve this objective, a first aspect of the present invention is a method for analyzing technical documents, comprising the steps of receiving, from a user terminal, the specification of p (p>1) technical documents D={D1, D2, ..., Dp} to be analyzed; making a first request to a first AI model to generate q classifications C={C1, C2 ..., Cq} capable of classifying the p technical documents D based on p features F={F1, F2 ..., Fp} associated with each of the p technical documents D, the first AI model being a generative AI model; making a second request to a second AI model to associate, for i between 1 and p, one or more classifications representing technical document Di as C'i from among the q classifications C or classifications corresponding to at least a part of them; and receiving and storing the classifications C'i associated with technical document Di for i between 1 and p.

また、本発明の第２の態様は、第１の態様の方法であって、前記ユーザー端末に、p個の分類C’={C’1,C’2…,C’p}の少なくとも一部を含む分類情報又はそれらが付与された１若しくは複数の技術文献を特定する文献情報を送信するステップをさらに含む。 In addition, a second aspect of the present invention is the method of the first aspect, further comprising a step of transmitting, to the user terminal, classification information including at least a portion of the p classifications C'={C'1, C'2..., C'p} or literature information identifying one or more technical literature to which they are assigned.

また、本発明の第３の態様は、第１又は第２の態様の方法であって、前記p個の特徴Fは、前記指定に含まれる。 A third aspect of the present invention is a method according to the first or second aspect, in which the p features F are included in the specification.

また、本発明の第４の態様は、第１又は第２の態様であって、前記分類Cの生成を前記第１のAIモデルに要求する前に、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することを第３のAIモデルに要求する第３の要求を行うステップであって、前記第３のAIモデルは、生成AIモデルであるステップをさらに含む。 A fourth aspect of the present invention is the first or second aspect, further comprising a step of making a third request to a third AI model to generate features Fi by summarizing at least a portion of technical documents Di for i between 1 and p, before requesting the first AI model to generate the classification C, the third AI model being a generative AI model.

また、本発明の第５の態様は、第４の態様の方法であって、前記特徴Fiは、所定の形式である。 The fifth aspect of the present invention is the method of the fourth aspect, in which the feature Fi has a predetermined format.

また、本発明の第６の態様は、第１又は第２の態様の方法であって、前記分類Cの生成を前記第１のAIモデルに要求する前に、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することを第３のAIモデルに要求する第３の要求を行うステップであって、前記第３のAIモデルは、生成AIモデルであり、前記特徴Fiは、所定の長さ以下又は未満の長さであるステップをさらに含む。 A sixth aspect of the present invention is a method according to the first or second aspect, further comprising the step of making a third request to a third AI model to generate features Fi by summarizing at least a portion of technical documents Di for i between 1 and p, before requesting the first AI model to generate the classification C, the third AI model being a generative AI model, and the features Fi having a length equal to or less than a predetermined length.

また、本発明の第７の態様は、第６の態様の方法であって、前記所定の長さは、英語１２５単語又は日本語２５０文字である。 The seventh aspect of the present invention is the method of the sixth aspect, in which the predetermined length is 125 English words or 250 Japanese characters.

また、本発明の第８の態様は、第６又は第７の態様の方法であって、前記少なくとも一部は、技術文献Diの全体の長さのうちの最初の1/2以内の部分である。 The eighth aspect of the present invention is the method of the sixth or seventh aspect, in which the at least part is within the first half of the total length of the technical document Di.

また、本発明の第９の態様は、第４から第８のいずれかの態様の方法であって、前記技術文献は、特許文献であり、前記技術文献Diの少なくとも一部は、特許文献Diの発明の概要欄、図面の簡単な説明欄又は発明を実施するための形態欄の前までの少なくとも一部である。 The ninth aspect of the present invention is a method according to any one of the fourth to eighth aspects, in which the technical document is a patent document, and at least a part of the technical document Di is at least a part of the description of the invention, the brief description of the drawings, or the description of the embodiment of the invention of the patent document Di.

また、本発明の第１０の態様は、第４から第８のいずれかの態様の方法であって、前記技術文献は、特許文献であり、前記技術文献Diの少なくとも一部は、特許文献Diの１又は複数の請求項のいずれかを含む。 A tenth aspect of the present invention is a method according to any one of the fourth to eighth aspects, in which the technical document is a patent document, and at least a portion of the technical document Di includes one or more claims of the patent document Di.

また、本発明の第１１の態様は、第４から第１０のいずれかの態様の方法であって、前記第３の要求は、前記p個の特徴Fを生成する上で前記第３のAIモデルに課される第３の条件の特定を含む。 An eleventh aspect of the present invention is a method according to any one of the fourth to tenth aspects, in which the third requirement includes specifying a third condition to be imposed on the third AI model in generating the p features F.

また、本発明の第１２の態様は、第４から第１０のいずれかの態様の方法であって、前記第３の要求は、前記少なくとも一部から抽出すべき特徴の性質の特定を含む。 A twelfth aspect of the present invention is a method according to any one of the fourth to tenth aspects, in which the third request includes identifying the nature of the feature to be extracted from the at least part.

また、本発明の第１３の態様は、第１から第９のいずれかの態様の方法であって、前記技術文献は、特許文献であり、前記p個の特徴Fのそれぞれは、前記p個の特許文献Dに含まれる各特許文献に記述された発明の課題の要約である。 A thirteenth aspect of the present invention is a method according to any one of the first to ninth aspects, in which the technical documents are patent documents, and each of the p features F is a summary of the problem to be solved by the invention described in each of the p patent documents D.

また、本発明の第１４の態様は、第１から第１３のいずれかの態様の方法であって、前記第１のAIモデルは、トランスフォーマーアーキテクチャを適用したモデルである。 A fourteenth aspect of the present invention is a method according to any one of the first to thirteenth aspects, in which the first AI model is a model that applies a transformer architecture.

また、本発明の第１５の態様は、第１４の態様の方法であって、前記第２のAIモデルは、前記第１のAIモデルと同一である。 The fifteenth aspect of the present invention is the method of the fourteenth aspect, in which the second AI model is identical to the first AI model.

また、本発明の第１６の態様は、第１４の態様の方法であって、前記第２のAIモデルは、前記第１のAIモデルと同一のプラットフォーム上で提供されるものである。 A sixteenth aspect of the present invention is the method of the fourteenth aspect, in which the second AI model is provided on the same platform as the first AI model.

また、本発明の第１７の態様は、第４又は第６の態様の方法であって、前記第３のAIモデルは、トランスフォーマーアーキテクチャを適用したモデルである。 A seventeenth aspect of the present invention is the method of the fourth or sixth aspect, in which the third AI model is a model to which a transformer architecture is applied.

また、本発明の第１８の態様は、第４又は第６の態様の方法であって、前記第３のAIモデルは、前記第１のAIモデル及び前記第２のAIモデルの少なくとも一方と同一のプラットフォーム上で提供されるものである。 The eighteenth aspect of the present invention is the method of the fourth or sixth aspect, in which the third AI model is provided on the same platform as at least one of the first AI model and the second AI model.

また、本発明の第１９の態様は、第１から第１８のいずれかの態様の方法であって、前記第１の要求は、前記q個の分類Cを生成する上で前記第１の生成AIモデルに課される第１の条件の特定を含む。 A 19th aspect of the present invention is a method according to any one of the first to eighteenth aspects, in which the first request includes specifying a first condition to be imposed on the first generative AI model in generating the q classifications C.

また、本発明の第２０の態様は、第１９の態様の方法であって、前記第１の条件は、前記p個の特許文献Dが属する技術分野を含む。 The 20th aspect of the present invention is the method of the 19th aspect, in which the first condition includes the technical field to which the p patent documents D belong.

また、本発明の第２１の態様は、第１９の態様の方法であって、前記第１の条件は、前記ｑ個の分類Cの少なくともいずれかに含まれるべき１又は複数の表現を含む。 The twenty-first aspect of the present invention is the method of the nineteenth aspect, in which the first condition includes one or more expressions that should be included in at least one of the q classes C.

また、本発明の第２２の態様は、第２１の態様の方法であって、前記第１の条件は、前記ｑ個の分類Cが、その他を意味する表現を含むことを含む。 The 22nd aspect of the present invention is the method of the 21st aspect, in which the first condition includes that the q classes C include an expression meaning "other."

また、本発明の第２３の態様は、第１９の態様の方法であって、前記第１の条件は、ｑの値を固定しない。 The 23rd aspect of the present invention is the method of the 19th aspect, in which the first condition does not fix the value of q.

また、本発明の第２４の態様は、第１９の態様の方法であって、前記第１の条件は、p未満のｑの値の範囲を含む。 The twenty-fourth aspect of the present invention is the method of the nineteenth aspect, in which the first condition includes a range of values of q that is less than p.

また、本発明の第２５の態様は、第１９の態様の方法であって、前記第１の条件は、ｑの値が２以上又は超の下限値以上又は超であり、１０未満又は以下の上限値未満又は以下の範囲又は値であることを含む。 The 25th aspect of the present invention is the method of the 19th aspect, in which the first condition includes a range or value in which the value of q is equal to or greater than a lower limit of 2 or more and less than or equal to an upper limit of 10 or less.

また、本発明の第２６の態様は、第１から第２５のいずれかの態様の方法であって、前記p個の分類C’の少なくとも一部を含む分類情報又はそれらが付与された１若しくは複数の技術文献を特定する文献情報の前記ユーザー端末に対する送信は、前記ユーザー端末において前記分類情報又は前記文献情報の閲覧画面を表示するための閲覧画面表示情報の送信である。 A 26th aspect of the present invention is a method according to any one of the 1st to 25th aspects, in which the transmission of classification information including at least a part of the p classifications C' or literature information identifying one or more technical literature to which they are assigned to the user terminal is the transmission of viewing screen display information for displaying a viewing screen of the classification information or the literature information on the user terminal.

また、本発明の第２７の態様は、第２６の態様の方法であって、前記閲覧画面は、前記ユーザー端末を用いるユーザーが前記p個の分類C’に含まれる１又は複数の分類に対するフィードバックを入力可能である。 A 27th aspect of the present invention is the method of the 26th aspect, in which the viewing screen allows a user using the user terminal to input feedback for one or more categories included in the p categories C'.

また、本発明の第２８の態様は、第２７の態様の方法であって、前記フィードバックは、前記１又は複数の分類に対する肯定的又は否定的な選択又は評価である。 A twenty-eighth aspect of the present invention is the method of the twenty-seventh aspect, in which the feedback is a positive or negative selection or evaluation of the one or more classifications.

また、本発明の第２９の態様は、第２７の態様の方法であって、前記フィードバックは、前記１又は複数の分類に対する修正の提案又は指定である。 A twenty-ninth aspect of the present invention is the method of the twenty-seventh aspect, in which the feedback is a suggestion or designation of a modification to the one or more classifications.

また、本発明の第３０の態様は、第２７の態様の方法であって、前記フィードバックは、前記ユーザーによる新たな分類の提案又は指定である。 A 30th aspect of the present invention is the method of the 27th aspect, in which the feedback is a suggestion or specification of a new classification by the user.

また、本発明の第３１の態様は、第２７の態様の方法であって、前記フィードバックは、前記p個の分類C’の抽象化又は具体化の提案又は指定である。 A thirty-first aspect of the present invention is the method of the twenty-seventh aspect, in which the feedback is a suggestion or designation of an abstraction or concretization of the p classifications C'.

また、本発明の第３２の態様は、第２７から第３１のいずれかの態様の方法であって、前記フィードバックを受信した後に、前記フィードバックに応じて、前記p個の技術文献Dを分類可能なr個の分類C={C1,C2…,Cr}を生成することを前記第１のAIモデルに要求するステップをさらに含む。 A thirty-second aspect of the present invention is a method according to any one of the twenty-seventh to thirty-first aspects, further comprising the step of, after receiving the feedback, requesting the first AI model to generate r classifications C={C1, C2..., Cr} capable of classifying the p technical documents D in response to the feedback.

また、本発明の第３３の態様は、第２６の態様の方法であって、前記閲覧画面は、前記p個の分類C’の少なくとも一部を複数の分析軸のうちの第１の軸とする分析結果を表示可能である。 The 33rd aspect of the present invention is the method of the 26th aspect, in which the viewing screen is capable of displaying analysis results in which at least a portion of the p classifications C' is a first axis among a plurality of analysis axes.

また、本発明の第３４の態様は、第３３の態様の方法であって、前記複数の分析軸のうちの前記第１の軸と異なる第２の軸は、時の変化を表す軸である。 The thirty-fourth aspect of the present invention is the method of the thirty-third aspect, in which a second axis of the multiple analysis axes, different from the first axis, is an axis representing change over time.

また、本発明の第３５の態様は、第３３の態様の方法であって、前記複数の分析軸のうちの前記第１の軸と異なる第２の軸は、国別軸である。 The thirty-fifth aspect of the present invention is the method of the thirty-third aspect, in which a second axis of the multiple analysis axes, which is different from the first axis, is a country axis.

また、本発明の第３６の態様は、第３３の態様の方法であって、前記複数の分析軸のうちの前記第１の軸と異なる第２の軸は、特許分類を表す軸である。 The 36th aspect of the present invention is the method of the 33rd aspect, in which a second axis of the multiple analysis axes, different from the first axis, is an axis representing a patent classification.

また、本発明の第３７の態様は、第１から第３６のいずれかの態様の方法であって、前記技術文献は、特許文献であり、前記q個の分類Cは、特許分類を含まない。 The 37th aspect of the present invention is a method according to any one of the 1st to 36th aspects, in which the technical literature is a patent document, and the q classifications C do not include patent classifications.

また、本発明の第３８の態様は、第１から第３７のいずれかの態様の方法であって、前記第１のAIモデルに対する前記第１の要求は、あらかじめ記憶された前記第１の要求を行うためのコードを取得して、前記コードに含まれる変数に前記特徴Fを設定して得られるコードを実行することによって行われる。 A thirty-eighth aspect of the present invention is a method according to any one of the first to thirty-seventh aspects, in which the first request to the first AI model is made by obtaining pre-stored code for making the first request, and executing the code obtained by setting the feature F to a variable included in the code.

また、本発明の第３９の態様は、技術文献を分析するための方法であって、ユーザー端末から、分析対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を受信するステップと、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（k）に要求する要求ｋを行うステップであって、前記AIモデル（k）は、生成AIモデルであり、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含むステップと、前記p個の技術文献Dのそれぞれに関連づけられたp個の特徴F={F1,F2…,Fp}又はその少なくともいずれかが修正された修正後特徴F’を分類可能なq個の分類C={C1,C2…,Cq}(1<q<p)を生成することをAIモデル（l）に要求する要求lを行うステップであって、前記AIモデル（l）は、生成AIモデルであるステップとを含む。 In addition, a 39th aspect of the present invention is a method for analyzing technical literature, comprising the steps of receiving, from a user terminal, the specification of p (p>1) technical literatures D={D1, D2, ..., Dp} to be analyzed; making a request k to an AI model (k) to generate features Fi by summarizing at least a part of the technical literature Di for i between 1 and p, the AI model (k) being a generative AI model, the features Fi including one or more sentences longer than a single term; and making a request l to an AI model (l) to generate q classifications C={C1, C2 ..., Cq} (1<q<p) capable of classifying p features F={F1, F2 ..., Fp} associated with each of the p technical literatures D, or modified features F' in which at least one of them is modified, the AI model (l) being a generative AI model.

また、本発明の第４０の態様は、技術文献を分析するための方法であって、ユーザー端末から、分析対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を受信するステップと、前記p個の技術文献Dのそれぞれに関連づけられたp個の特徴F={F1,F2…,Fp}に基づいて、前記p個の技術文献Dを分類可能なq個の分類C={C1,C2…,Cq}を、各技術文献に関連づけて生成することを生成AIモデルに要求するステップと、1以上p以下のiについて、技術文献Diに関連づけられた分類を受信して記憶するステップとを含む。 In addition, a fortieth aspect of the present invention is a method for analyzing technical documents, comprising the steps of receiving, from a user terminal, the specification of p (p>1) technical documents D={D1, D2, ..., Dp} to be analyzed; requesting a generative AI model to generate q classifications C={C1, C2 ..., Cq} capable of classifying the p technical documents D based on p features F={F1, F2 ..., Fp} associated with each of the p technical documents D, in association with each technical document; and receiving and storing the classifications associated with technical documents Di for i between 1 and p.

また、本発明の第４１の態様は、技術文献を分析するための方法であって、ユーザー端末から、分析対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を受信するステップと、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（k）に要求する要求kを行うステップであって、前記AIモデル（k）は、生成AIモデルであり、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含むステップと、前記p個の技術文献Dのそれぞれに関連づけられたp個の特徴F={F1,F2…,Fp}又はその少なくともいずれかが修正された修正後特徴F’を分類可能なq個の分類C={C1,C2…,Cq}を、各技術文献に関連づけて生成することをAIモデル（l）に要求する要求lを行うステップであって、前記AIモデル（l）は、生成AIモデルであるステップと、1以上p以下のiについて、技術文献Diに関連づけられた分類を受信して記憶するステップとを含む。 In addition, the 41st aspect of the present invention is a method for analyzing technical documents, comprising the steps of receiving, from a user terminal, the designation of p (p>1) technical documents D = {D1, D2, ..., Dp} to be analyzed; making a request k to an AI model (k) to generate features Fi by summarizing at least a part of the technical documents Di for i between 1 and p, the AI model (k) being a generative AI model, the features Fi including one or more sentences longer than a single term; making a request l to an AI model (l) to generate, in association with each technical document, q classifications C = {C1, C2 ..., Cq} capable of classifying p features F = {F1, F2 ..., Fp} associated with each of the p technical documents D or modified features F' in which at least one of them is modified, the AI model (l) being a generative AI model; and receiving and storing the classifications associated with the technical documents Di for i between 1 and p.

また、本発明の第４２の態様は、技術文献を分析するための方法であって、ユーザー端末から、p個(p>1)の第１の組の技術文献の指定を受信するステップと、前記第１の技術文献のそれぞれに関連づけられたp個の特徴に基づいて、前記第１の組の技術文献を分類可能なq個の分類Cを生成することを生成AIモデルに要求するステップと、ユーザー端末から、s個(s>1)の第２の組の技術文献D={D1,D2,…,Ds}の指定を受信するステップと、1以上s以下のiについて、前記q個の分類C又はその少なくとも一部に対応する分類の中から、技術文献Diを表す１又は複数の分類をC'iとして関連づけることをAIモデルに要求するステップと、1以上ｓ以下のiについて、技術文献Diに関連づけられた分類C'iを受信して記憶するステップとを含む。 In addition, the 42nd aspect of the present invention is a method for analyzing technical literature, comprising the steps of receiving, from a user terminal, a designation of a first set of p (p>1) technical literatures; requesting a generative AI model to generate q classifications C capable of classifying the first set of technical literatures based on p features associated with each of the first technical literatures; receiving, from the user terminal, a designation of a second set of s (s>1) technical literatures D = {D1, D2, ..., Ds}; requesting the AI model to associate, for i between 1 and s, one or more classifications representing technical literature Di as C'i from among the q classifications C or classifications corresponding to at least a part of them; and receiving and storing the classifications C'i associated with technical literature Di for i between 1 and s.

また、本発明の第４３の態様は、技術文献を分析するための方法であって、ユーザー端末から、p個(p>1)の第１の組の技術文献D={D1,D2,…,Dp}の指定を受信するステップと、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（k）に要求する要求kを行うステップであって、前記AIモデル（k）は、生成AIモデルであり、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含むステップと、前記第１の組の技術文献のそれぞれに関連づけられたp個の特徴又はその少なくともいずれかが修正された修正後特徴F’を分類可能なq個の分類C={C1,C2…,Cq}(1<q<p)を生成することをAIモデル（l）に要求する要求lを行うステップであって、前記AIモデル（l）は、生成AIモデルであるステップと、ユーザー端末から、s個(s>1)の第２の組の技術文献D={D1,D2,…,Ds}の指定を受信するステップと、1以上s以下のjについて、前記q個の分類C又はその少なくとも一部に対応する分類の中から、技術文献Djを表す１又は複数の分類をC'jとして関連づけることをAIモデル（m）に要求する要求ｍを行うステップと、1以上ｓ以下のjについて、技術文献Djに関連づけられた分類C'jを受信して記憶するステップとを含む。 In addition, a forty-third aspect of the present invention is a method for analyzing technical literature, comprising the steps of receiving, from a user terminal, the specification of a first set of p (p>1) technical literatures D={D1, D2, ..., Dp}, making a request k for i between 1 and p to an AI model (k) to summarize at least a part of the technical literature Di to generate features Fi, the AI model (k) being a generative AI model, the features Fi including one or more sentences longer than a single term, and generating q classifications C={ The method includes the steps of making a request l to an AI model (l) to generate a set of technical documents D = {D1, D2, ..., Ds} (1 < q < p), the AI model (l) being a generative AI model, receiving from a user terminal a designation of a second set of s (s > 1) technical documents D = {D1, D2, ..., Ds}, making a request m to an AI model (m) to associate, for j between 1 and s, one or more classifications representing technical documents Dj as C'j from among the q classifications C or classifications corresponding to at least a part of them, and receiving and storing the classification C'j associated with the technical document Dj for j between 1 and s.

また、本発明の第４４の態様は、技術文献を分析するための方法であって、ユーザー端末から、p個(p>1)の第１の組の技術文献の指定を受信するステップと、前記第１の技術文献のそれぞれに関連づけられたp個の特徴に基づいて、前記第１の組の技術文献を分類可能なq個の分類Cを生成することを生成AIモデルに要求するステップと、前記ユーザー端末に、生成された前記q個の分類Cの少なくとも一部を送信するステップと、前記ユーザー端末から、s個(s>1)の第２の組の技術文献D={D1,D2,…,Ds}の指定を受信するステップと、前記ユーザー端末から、前記q個の分類Cの前記少なくとも一部又はそれに対応する分類の中からユーザーが指定した分類に関連する技術文献を前記s個の技術文献Dの中から判定することの要求を受信して、AIモデルに前記判定を行うことの要求を送信するステップとを含む。 In addition, a 44th aspect of the present invention is a method for analyzing technical literature, comprising the steps of receiving a designation of a first set of p (p>1) technical literature from a user terminal, requesting a generative AI model to generate q classifications C capable of classifying the first set of technical literature based on p features associated with each of the first technical literature, transmitting at least a portion of the generated q classifications C to the user terminal, receiving a designation of a second set of s (s>1) technical literature D = {D1, D2, ..., Ds} from the user terminal, and receiving a request from the user terminal to determine from the s technical literature D which technical literature is related to the classification designated by the user from among at least a portion of the q classifications C or a classification corresponding thereto, and transmitting a request to the AI model to make the determination.

また、本発明の第４５の態様は、技術文献を分析するための方法であって、ユーザー端末から、p個(p>1)の第１の組の技術文献D={D1,D2,…,Dp}の指定を受信するステップと、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（k）に要求する要求kを行うステップであって、前記AIモデル（k）は、生成AIモデルであり、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含むステップと、前記第１の組の技術文献のそれぞれに関連づけられたp個の特徴又はその少なくともいずれかが修正された修正後特徴F’を分類可能なq個の分類C={C1,C2…,Cq}(1<q<p)を生成することをAIモデル（l）に要求する要求lを行うステップであって、前記AIモデル（l）は、生成AIモデルであるステップと、前記ユーザー端末に、生成された前記q個の分類Cの少なくとも一部を送信するステップと、前記ユーザー端末から、s個(s>1)の第２の組の技術文献D={D1,D2,…,Ds}の指定を受信するステップと、前記ユーザー端末から、前記q個の分類Cの前記少なくとも一部又はそれに対応する分類の中からユーザーが指定した分類に関連する技術文献を前記s個の技術文献Dの中から判定することの要求を受信して、AIモデル（m）に前記判定を行うことの要求ｍを要求するステップとを含む。 In addition, a 45th aspect of the present invention is a method for analyzing technical literature, comprising the steps of receiving, from a user terminal, the specification of a first set of p (p>1) technical literatures D = {D1, D2, ..., Dp}, and making a request k for i between 1 and p to an AI model (k) to summarize at least a part of the technical literature Di and generate features Fi, the AI model (k) being a generative AI model, the features Fi including one or more sentences longer than a single term, and generating q classifications C = {C1, C2 ..., Cq} (1 <q<p), the AI model (l) being a generative AI model; transmitting at least a portion of the generated q classifications C to the user terminal; receiving from the user terminal a designation of a second set of s (s>1) technical documents D={D1, D2, ..., Ds}; and receiving from the user terminal a request to determine from the user terminal a technical document related to a classification designated by the user from among at least a portion of the q classifications C or a classification corresponding thereto, from among the s technical documents D, and requesting an AI model (m) to make the determination.

また、本発明の第４６の態様は、技術文献を分析するための方法であって、分析対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を取得するステップと、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（k）に要求する要求kを行うステップであって、前記AIモデル（k）は、生成AIモデルであり、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含むステップと、前記p個の技術文献Dのそれぞれに関連づけられたp個の特徴F={F1,F2…,Fp}又はその少なくともいずれかが修正された修正後特徴F’のそれぞれに、q個の分類C={C1,C2…,Cq}のうちのいずれかを付与することをAIモデル（l）に要求する要求lを行うステップと、1以上p以下のiについて、技術文献Diに付与された分類を受信して記憶するステップとを含む。 In addition, the 46th aspect of the present invention is a method for analyzing technical documents, comprising the steps of obtaining the designation of p (p>1) technical documents D={D1, D2, ..., Dp} to be analyzed, making a request k to an AI model (k) to generate features Fi by summarizing at least a part of the technical documents Di for i between 1 and p, the AI model (k) being a generative AI model, the features Fi including one or more sentences longer than a single term, making a request l to an AI model (l) to assign one of q classifications C={C1, C2 ..., Cq} to each of the p features F={F1, F2 ..., Fp} associated with each of the p technical documents D, or to a modified feature F' in which at least one of them has been modified, and receiving and storing the classifications assigned to the technical documents Di for i between 1 and p.

また、本発明の第４７の態様は、第４６の態様の方法であって、前記q個の分類Cは、前記特徴F又は前記修正後特徴F’のそれぞれの与えられた記述との関連性を表す。 A 47th aspect of the present invention is the method of the 46th aspect, in which the q classifications C represent relevance to a given description of each of the features F or the modified features F'.

また、本発明の第４７又は４８の態様は、第４７の態様の方法であって、前記ｑは、２又は３である。 The 47th or 48th aspect of the present invention is the method of the 47th aspect, in which q is 2 or 3.

また、本発明の第４９の態様は、第４６から第４８のいずれかの態様の方法であって、前記AIモデル（l）は、生成AIモデルである。 A 49th aspect of the present invention is a method according to any one of the 46th to 48th aspects, in which the AI model (l) is a generative AI model.

また、本発明の第５０の態様は、第４９の態様の方法であって、前記要求ｌは、前記ｑ個の分類Cのうちの少なくともいずれかについて、当該分類を付与した理由を記述することの特定を含む。 The 50th aspect of the present invention is the method of the 49th aspect, in which the request l includes specifying a description of the reason for assigning at least one of the q classifications C.

また、本発明の第５１の態様は、コンピュータに、技術文献を分析するための方法を実行させるためのプログラムであって、前記方法は、ユーザー端末から、分析対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を受信するステップと、前記p個の技術文献Dのそれぞれに関連づけられたp個の特徴F={F1,F2…,Fp}に基づいて、前記p個の技術文献Dを分類可能なq個の分類C={C1,C2…,Cq}を生成することを第１のAIモデルに要求する第１の要求を行うステップであって、前記第１のAIモデルは、生成AIモデルであるステップと、1以上p以下のiについて、前記q個の分類C又はその少なくとも一部に対応する分類の中から、技術文献Diに表す１又は複数の分類をC'iとして関連づけることを第２のAIモデルに要求する第２の要求を行うステップと、1以上p以下のiについて、技術文献Diに関連づけられた分類C'iを受信して記憶するステップとを含む。 In addition, the 51st aspect of the present invention is a program for causing a computer to execute a method for analyzing technical documents, the method including the steps of receiving, from a user terminal, the designation of p (p>1) technical documents D={D1, D2, ..., Dp} to be analyzed; making a first request to a first AI model to generate q classifications C={C1, C2 ..., Cq} capable of classifying the p technical documents D based on p features F={F1, F2 ..., Fp} associated with each of the p technical documents D, the first AI model being a generative AI model; making a second request to a second AI model to associate, for i between 1 and p, one or more classifications represented in the technical document Di from among the q classifications C or classifications corresponding to at least a part of them as C'i; and receiving and storing the classifications C'i associated with the technical documents Di for i between 1 and p.

また、本発明の第５２の態様は、コンピュータに、技術文献を分析するための方法を実行させるためのプログラムであって、前記方法は、ユーザー端末から、分析対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を受信するステップと、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（k）に要求する要求kを行うステップであって、前記AIモデル（k）は、生成AIモデルであり、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含むステップと、前記p個の技術文献Dのそれぞれに関連づけられたp個の特徴F={F1,F2…,Fp}又はその少なくともいずれかが修正された修正後特徴F’を分類可能なq個の分類C={C1,C2…,Cq}(1<q<p)を生成することをAIモデル（l）に要求する要求lを行うステップであって、前記AIモデル（l）は、生成AIモデルであるステップとを含む。 In addition, the 52nd aspect of the present invention is a program for causing a computer to execute a method for analyzing technical literature, the method including the steps of receiving, from a user terminal, the specification of p (p>1) technical literatures D={D1, D2, ..., Dp} to be analyzed; making a request k to an AI model (k) to generate features Fi by summarizing at least a part of the technical literature Di for i between 1 and p, the AI model (k) being a generative AI model, the features Fi including one or more sentences longer than a single term; and making a request l to an AI model (l) to generate q classifications C={C1, C2 ..., Cq} (1<q<p) capable of classifying p features F={F1, F2 ..., Fp} associated with each of the p technical literatures D or modified features F' in which at least one of them is modified, the AI model (l) being a generative AI model.

また、本発明の第５３の態様は、コンピュータに、技術文献を分析するための方法を実行させるためのプログラムであって、前記方法は、ユーザー端末から、分析対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を受信するステップと、前記p個の技術文献Dのそれぞれに関連づけられたp個の特徴F={F1,F2…,Fp}に基づいて、前記p個の技術文献Dを分類可能なq個の分類C={C1,C2…,Cq}を、各技術文献に関連づけて生成することを生成AIモデルに要求するステップと、1以上p以下のiについて、技術文献Diに関連づけられた分類を受信して記憶するステップとを含む。 In addition, a fifty-third aspect of the present invention is a program for causing a computer to execute a method for analyzing technical documents, the method including the steps of receiving, from a user terminal, the specification of p (p>1) technical documents D={D1, D2, ..., Dp} to be analyzed; requesting a generative AI model to generate q classifications C={C1, C2..., Cq} capable of classifying the p technical documents D based on p features F={F1, F2..., Fp} associated with each of the p technical documents D, in association with each technical document; and receiving and storing the classifications associated with technical documents Di for i between 1 and p.

また、本発明の第５４の態様は、コンピュータに、技術文献を分析するための方法を実行させるためのプログラムであって、前記方法は、ユーザー端末から、p個(p>1)の第１の組の技術文献の指定を受信するステップと、前記第１の技術文献のそれぞれに関連づけられたp個の特徴に基づいて、前記第１の組の技術文献を分類可能なq個の分類Cを生成することを生成AIモデルに要求するステップと、ユーザー端末から、s個(s>1)の第２の組の技術文献D={D1,D2,…,Ds}の指定を受信するステップと、1以上s以下のiについて、前記q個の分類C又はその少なくとも一部に対応する分類の中から、技術文献Diを表す１又は複数の分類をC'iとして関連づけることをAIモデルに要求するステップと、1以上ｓ以下のiについて、技術文献Diに関連づけられた分類C'iを受信して記憶するステップとを含む。 In addition, the 54th aspect of the present invention is a program for causing a computer to execute a method for analyzing technical literature, the method including the steps of receiving, from a user terminal, the designation of a first set of p (p>1) technical literatures, requesting a generative AI model to generate q classifications C capable of classifying the first set of technical literatures based on p features associated with each of the first technical literatures, receiving, from the user terminal, the designation of a second set of s (s>1) technical literatures D={D1, D2, ..., Ds}, requesting the AI model to associate, for i between 1 and s, one or more classifications representing technical literature Di from the q classifications C or classifications corresponding to at least a part of them as C'i, and receiving and storing the classifications C'i associated with technical literature Di for i between 1 and s.

また、本発明の第５５の態様は、コンピュータに、技術文献を分析するための方法を実行させるためのプログラムであって、前記方法は、ユーザー端末から、p個(p>1)の第１の組の技術文献の指定を受信するステップと、前記第１の技術文献のそれぞれに関連づけられたp個の特徴に基づいて、前記第１の組の技術文献を分類可能なq個の分類Cを生成することを生成AIモデルに要求するステップと、前記ユーザー端末に、生成された前記q個の分類Cの少なくとも一部を送信するステップと、前記ユーザー端末から、s個(s>1)の第２の組の技術文献D={D1,D2,…,Ds}の指定を受信するステップと、前記ユーザー端末から、前記q個の分類Cの前記少なくとも一部又はそれに対応する分類の中からユーザーが指定した分類に関連する技術文献を前記s個の技術文献Dの中から判定することの要求を受信して、AIモデルに前記判定を行うことの要求を送信するステップとを含む。 In addition, the 55th aspect of the present invention is a program for causing a computer to execute a method for analyzing technical literature, the method including the steps of receiving a designation of a first set of p (p>1) technical literatures from a user terminal, requesting a generative AI model to generate q classifications C capable of classifying the first set of technical literatures based on p features associated with each of the first technical literatures, transmitting at least a portion of the generated q classifications C to the user terminal, receiving a designation of a second set of s (s>1) technical literatures D = {D1, D2, ..., Ds} from the user terminal, and receiving a request from the user terminal to determine from the s technical literatures D which technical literature is related to the classification designated by the user from among at least a portion of the q classifications C or a classification corresponding thereto, and transmitting a request to the AI model to make the determination.

また、本発明の第５６の態様は、コンピュータに、技術文献を分析するための方法を実行させるためのプログラムであって、前記方法は、分析対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を取得するステップと、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（k）に要求する要求kを行うステップであって、前記AIモデル（k）は、生成AIモデルであり、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含むステップと、前記p個の技術文献Dのそれぞれに関連づけられたp個の特徴F={F1,F2…,Fp}又はその少なくともいずれかが修正された修正後特徴F’のそれぞれに、q個の分類C={C1,C2…,Cq}のうちのいずれかを付与することをAIモデル（l）に要求する要求lを行うステップと、1以上p以下のiについて、技術文献Diに付与された分類を受信して記憶するステップとを含む。 In addition, the 56th aspect of the present invention is a program for causing a computer to execute a method for analyzing technical documents, the method including the steps of: acquiring the designation of p (p>1) technical documents D={D1, D2, ..., Dp} to be analyzed; making a request k to an AI model (k) to generate features Fi by summarizing at least a part of the technical documents Di for i between 1 and p, the AI model (k) being a generative AI model, the features Fi including one or more sentences longer than a single term; making a request l to an AI model (l) to assign one of q classifications C={C1, C2 ..., Cq} to each of the p features F={F1, F2 ..., Fp} associated with each of the p technical documents D, or to each of the modified features F' in which at least one of them has been modified; and receiving and storing the classifications assigned to the technical documents Di for i between 1 and p.

また、本発明の第５７の態様は、第５６の態様の方法であって、前記ｑは、２又は３である。 The 57th aspect of the present invention is the method of the 56th aspect, in which q is 2 or 3.

また、本発明の第５８の態様は、技術文献を分析するための装置であって、ユーザー端末から、分析対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を受信し、前記p個の技術文献Dのそれぞれに関連づけられたp個の特徴F={F1,F2…,Fp}に基づいて、前記p個の技術文献Dを分類可能なq個の分類C={C1,C2…,Cq}を生成することを第１のAIモデルであって、AI生成モデルである第１のAIモデルに要求する第１の要求、及び、1以上p以下のiについて、前記q個の分類C又はその少なくとも一部に対応する分類の中から、技術文献Diに表す１又は複数の分類をC'iとして関連づけることを第２のAIモデルに要求する第２の要求を行い、1以上p以下のiについて、技術文献Diに関連づけられた分類C'iを受信して記憶する。 In addition, the 58th aspect of the present invention is a device for analyzing technical documents, which receives from a user terminal the specification of p (p>1) technical documents D = {D1, D2, ..., Dp} to be analyzed, and issues a first request to a first AI model, which is an AI generation model, to generate q classifications C = {C1, C2 ..., Cq} capable of classifying the p technical documents D based on p features F = {F1, F2 ..., Fp} associated with each of the p technical documents D, and issues a second request to a second AI model to associate, for i between 1 and p, one or more classifications represented in the technical document Di from among the q classifications C or classifications corresponding to at least a part of them as C'i, and receives and stores the classifications C'i associated with the technical document Di for i between 1 and p.

また、本発明の第５９の態様は、技術文献を分析するための装置であって、ユーザー端末から、分析対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を受信し、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（k）であって、生成AIモデルであるAIモデル（k）に要求する要求k、及び、前記p個の技術文献Dのそれぞれに関連づけられたp個の特徴F={F1,F2…,Fp}又はその少なくともいずれかが修正された修正後特徴F’を分類可能なq個の分類C={C1,C2…,Cq}(1<q<p)を生成することをAIモデル（l）であって、生成AIモデルであるAIモデル（l）に要求する要求lを行い、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含む。 In addition, a fifty-ninth aspect of the present invention is a device for analyzing technical documents, which receives from a user terminal the specification of p (p>1) technical documents D = {D1, D2, ..., Dp} to be analyzed, and issues a request k to an AI model (k) that is a generative AI model to summarize at least a part of the technical documents Di for i between 1 and p to generate features Fi, and a request l to an AI model (l) that is a generative AI model to generate q classifications C = {C1, C2 ..., Cq} (1 < q < p) capable of classifying p features F = {F1, F2 ..., Fp} associated with each of the p technical documents D or modified features F' in which at least one of them is modified, and the features Fi include one or more sentences longer than a single term.

また、本発明の第６０の態様は、技術文献を分析するための装置であって、ユーザー端末から、分析対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を受信し、前記p個の技術文献Dのそれぞれに関連づけられたp個の特徴F={F1,F2…,Fp}に基づいて、前記p個の技術文献Dを分類可能なq個の分類C={C1,C2…,Cq}を、各技術文献に関連づけて生成することを生成AIモデルに要求し、1以上p以下のiについて、技術文献Diに関連づけられた分類を受信して記憶する。 In addition, a 60th aspect of the present invention is a device for analyzing technical documents, which receives, from a user terminal, a specification of p (p>1) technical documents D={D1, D2, ..., Dp} to be analyzed, requests a generative AI model to generate q classifications C={C1, C2 ..., Cq} capable of classifying the p technical documents D based on p features F={F1, F2 ..., Fp} associated with each of the p technical documents D, in association with each technical document, and receives and stores the classifications associated with technical documents Di for i between 1 and p.

また、本発明の第６１の態様は、技術文献を分析するための装置であって、ユーザー端末から、p個(p>1)の第１の組の技術文献の指定を受信して、前記第１の技術文献のそれぞれに関連づけられたp個の特徴に基づいて、前記第１の組の技術文献を分類可能なq個の分類Cを生成することを生成AIモデルに要求し、ユーザー端末から、s個(s>1)の第２の組の技術文献D={D1,D2,…,Ds}の指定を受信して、1以上s以下のiについて、前記q個の分類C又はその少なくとも一部に対応する分類の中から、技術文献Diを表す１又は複数の分類をC'iとして関連づけることをAIモデルに要求し、1以上ｓ以下のiについて、技術文献Diに関連づけられた分類C'iを受信して記憶する。 In addition, a 61st aspect of the present invention is a device for analyzing technical documents, which receives a designation of a first set of p (p>1) technical documents from a user terminal, and requests a generative AI model to generate q classifications C capable of classifying the first set of technical documents based on p features associated with each of the first technical documents, receives a designation of a second set of s (s>1) technical documents D = {D1, D2, ..., Ds} from the user terminal, and requests the AI model to associate, for i between 1 and s, one or more classifications representing technical document Di from the q classifications C or classifications corresponding to at least a part of them as C'i, and receives and stores the classifications C'i associated with technical document Di for i between 1 and s.

また、本発明の第６２の態様は、技術文献を分析するための装置であって、ユーザー端末から、p個(p>1)の第１の組の技術文献の指定を受信して、前記第１の技術文献のそれぞれに関連づけられたp個の特徴に基づいて、前記第１の組の技術文献を分類可能なq個の分類Cを生成することを生成AIモデルに要求し、前記ユーザー端末に、生成された前記q個の分類Cの少なくとも一部を送信し、前記ユーザー端末から、s個(s>1)の第２の組の技術文献D={D1,D2,…,Ds}の指定を受信し、前記ユーザー端末から、前記q個の分類Cの前記少なくとも一部又はそれに対応する分類の中からユーザーが指定した分類に関連する技術文献を前記s個の技術文献Dの中から判定することの要求を受信して、AIモデルに前記判定を行うことの要求を送信する。 In addition, a 62nd aspect of the present invention is an apparatus for analyzing technical literature, which receives a designation of a first set of p (p>1) technical literature from a user terminal, requests a generative AI model to generate q classifications C capable of classifying the first set of technical literature based on p features associated with each of the first technical literature, transmits at least a portion of the generated q classifications C to the user terminal, receives a designation of a second set of s (s>1) technical literature D = {D1, D2, ..., Ds} from the user terminal, receives a request from the user terminal to determine from the s technical literature D which technical literature is related to the classification designated by the user from among at least a portion of the q classifications C or a classification corresponding thereto, and transmits a request to make the determination to the AI model.

また、本発明の第６３の態様は、技術文献を分析するための方法を実行させるための装置であって、分析対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を取得し、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（k）であって、生成AIモデルであるAIモデル（ｋ）に要求する要求k、及び、前記p個の技術文献Dのそれぞれに関連づけられたp個の特徴F={F1,F2…,Fp}又はその少なくともいずれかが修正された修正後特徴F’のそれぞれに、q個の分類C={C1,C2…,Cq}のうちのいずれかを付与することをAIモデル（l）に要求する要求lを行い、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含む。 In addition, a 63rd aspect of the present invention is a device for executing a method for analyzing technical documents, which obtains the specification of p (p>1) technical documents D = {D1, D2, ..., Dp} to be analyzed, and for i between 1 and p, makes a request k to an AI model (k) that is a generative AI model to summarize at least a part of the technical documents Di to generate features Fi, and makes a request l to an AI model (l) to assign one of q classifications C = {C1, C2 ..., Cq} to each of p features F = {F1, F2 ..., Fp} associated with each of the p technical documents D, or modified features F' in which at least one of them has been modified, and the features Fi include one or more sentences longer than a single term.

また、本発明の第６４の態様は、第６３の態様の方法であって、前記ｑは、２又は３である。 The 64th aspect of the present invention is the method of the 63rd aspect, in which q is 2 or 3.

また、本発明の第６５の態様は、技術文献の内容を把握可能な要約を生成するための方法であって、要約の生成対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を取得するステップと、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（k）に要求する要求kを行うステップであって、前記AIモデル（k）は、生成AIモデルであり、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含むステップとを含む。 A 65th aspect of the present invention is a method for generating a summary that allows the contents of technical documents to be understood, comprising the steps of obtaining specifications for p (p>1) technical documents D={D1, D2, ..., Dp} for which summaries are to be generated, and making requests k to an AI model (k) for i between 1 and p, requesting the AI model (k) to summarize at least a portion of the technical documents Di to generate features Fi, the AI model (k) being a generative AI model, and the features Fi including one or more sentences longer than a single term.

また、本発明の第６６の態様は、第６５の態様の方法であって、前記特徴Fiは、所定の形式である。 A 66th aspect of the present invention is the method of the 65th aspect, in which the feature Fi has a predetermined format.

また、本発明の第６７の態様は、第６６の態様の方法であって、前記所定の形式は、２文である。 The 67th aspect of the present invention is the method of the 66th aspect, in which the predetermined format is two sentences.

また、本発明の第６８の態様は、第６５から第６７のいずれかの態様の方法であって、各技術文献Ｄiは、特許文献Diであり、前記技術文献Ｄiの少なくとも一部は、前記特許文献Ｄi自体に含まれる要約以外を含む。 A 68th aspect of the present invention is a method according to any one of the 65th to 67th aspects, in which each technical document Di is a patent document Di, and at least a portion of the technical document Di includes other than the abstract contained in the patent document Di itself.

また、本発明の第６９の態様は、第６８の態様の方法であって、前記技術文献Diの少なくとも一部は、特許文献Diの発明の概要欄、図面の簡単な説明欄又は発明を実施するための形態欄の前までの少なくとも一部であり、前記所定の形式は、「課題は」又はそれと同義の表現で始まる形式である。 The 69th aspect of the present invention is the method of the 68th aspect, in which at least a portion of the technical document Di is at least a portion of the description of the invention, the brief description of the drawings, or the description of the embodiment of the invention of the patent document Di, and the predetermined format is a format beginning with "The problem is" or an expression having the same meaning.

また、本発明の第７０の態様は、第６５から６９のいずれかの態様の方法であって、生成されたp個の特徴Fの少なくとも一部に基づいて、解決すべき１又は複数の新たな課題を生成することをAIモデル（l）に要求する要求lを行うステップであって、前記AIモデル（l）は、生成AIモデルであり、前記１又は複数の新たな課題のそれぞれは、単一の用語よりも長い１又は複数の文を含むステップをさらに含む。 Also, a 70th aspect of the present invention is a method according to any one of the 65th to 69th aspects, further comprising the step of making a request l to an AI model (l) to generate one or more new problems to be solved based on at least a portion of the generated p features F, the AI model (l) being a generative AI model, and each of the one or more new problems including one or more sentences longer than a single term.

また、本発明の第７１の態様は、第６５の態様の方法であって、前記指定は、技術文献データベースに対する検索式である。 The 71st aspect of the present invention is the method of the 65th aspect, in which the specification is a search query for a technical literature database.

また、本発明の第７２の態様は、コンピュータに、技術文献の内容を把握可能な要約を生成するための方法を実行させるためのプログラムであって、前記方法は、要約の生成対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を取得するステップと、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（k）に要求する要求kを行うステップであって、前記AIモデル（k）は、生成AIモデルであり、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含むステップとを含む。 In addition, a 72nd aspect of the present invention is a program for causing a computer to execute a method for generating summaries that enable understanding of the contents of technical documents, the method including the steps of acquiring designations for p (p>1) technical documents D={D1, D2, ..., Dp} for which summaries are to be generated, and making requests k to an AI model (k) for i between 1 and p, requesting the AI model (k) to summarize at least a portion of the technical documents Di to generate features Fi, the AI model (k) being a generative AI model, and the features Fi including one or more sentences longer than a single term.

また、本発明の第７３の態様は、第７２の態様のプログラムであって、前記特徴Fiは、所定の形式である。 The 73rd aspect of the present invention is the program of the 72nd aspect, in which the feature Fi has a predetermined format.

また、本発明の第７４の態様は、技術文献の内容を把握可能な要約を生成するための装置であって、要約の生成対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を取得し、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（k）であって、生成AIモデルであるAIモデル（k）に要求kを行い、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含む。 In addition, a 74th aspect of the present invention is a device for generating summaries that can grasp the contents of technical documents, which obtains specifications for p (p>1) technical documents D={D1, D2, ..., Dp} for which summaries are to be generated, and requests k to an AI model (k) that is a generative AI model, to summarize at least a portion of the technical documents Di for i between 1 and p and generate features Fi, and the features Fi include one or more sentences that are longer than a single term.

また、本発明の第７５の態様は、第７４の態様の方法であって、前記特徴Fiは、所定の形式である。 A seventy-fifth aspect of the present invention is the method of the seventy-fourth aspect, in which the feature Fi has a predetermined format.

また、本発明の第７６の態様は、技術文献の内容を把握可能な要約を生成するための方法であって、ユーザー端末から、技術を表す記述を受信するステップと、前記記述に基づいて１又は複数の検索式を生成することをAIモデル（k）に要求する要求kを行うステップであって、前記AIモデル（k）は、生成AIモデルであるステップと、生成された前記１若しくは複数の検索式又は修正された１若しくは複数の修正後検索式の少なくともいずれかを用いて技術文献データベースを検索して得られる文献数が所定の条件を満たすか否かを判定するステップと、判定結果が肯定的である場合、前記所定の条件を満たす検索式又は修正後検索式により前記技術文献データベースを検索して定まるp個(p>1)の技術文献D={D1,D2,…,Dp}を特定するデータを取得するステップと、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（l）に要求する要求lを行うステップであって、前記AIモデル（l）は、生成AIモデルであり、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含むステップとを含む。 In addition, a 76th aspect of the present invention is a method for generating a summary capable of grasping the contents of technical literature, comprising the steps of receiving a description describing a technology from a user terminal, making a request k to an AI model (k) to generate one or more search expressions based on the description, the AI model (k) being a generative AI model, determining whether the number of documents obtained by searching a technical literature database using at least one of the generated one or more search expressions or the modified one or more modified search expressions satisfies a predetermined condition, and if the determination result is positive, obtaining data identifying p (p>1) technical literatures D={D1, D2, ..., Dp} determined by searching the technical literature database using the search expression or the modified search expression that satisfies the predetermined condition, and making a request l to an AI model (l) to generate features Fi by summarizing at least a part of the technical literature Di for i between 1 and p, the AI model (l) being a generative AI model, the features Fi including one or more sentences longer than a single term.

また、本発明の第７７の態様は、第７６の態様の方法であって、判定結果が否定的である場合、前記要求kを再度行うステップをさらに含む。 A seventy-seventh aspect of the present invention is the method of the seventy-sixth aspect, further comprising the step of making the request k again if the determination result is negative.

また、本発明の第７８の態様は、第７６又は第７７の態様の方法であって、前記所定の条件は、５０件以上又は超の下限値以上又は超であり、１００件未満又は以下の上限値未満又は以下である。 The 78th aspect of the present invention is the method of the 76th or 77th aspect, in which the predetermined condition is equal to or greater than a lower limit of 50 or more and is less than or equal to an upper limit of 100 or less.

また、本発明の第７９の態様は、第７６又は第７７の態様の方法であって、前記所定の条件は、１件以上の下限値以上又は超であり、５０件又は１００件未満又は以下の上限値未満又は以下である。 The 79th aspect of the present invention is the method of the 76th or 77th aspect, in which the predetermined condition is equal to or greater than one or more lower limit values and is less than or equal to 50 or 100 or less upper limit values.

また、本発明の第８０の態様は、コンピュータに、技術文献の内容を把握可能な要約を生成するための方法を実行させるためのプログラムであって、前記方法は、ユーザー端末から、技術を表す記述を受信するステップと、前記記述に基づいて１又は複数の検索式を生成することをAIモデル（k）に要求する要求kを行うステップであって、前記AIモデル（k）は、生成AIモデルであるステップと、生成された前記１若しくは複数の検索式又は修正された１若しくは複数の修正後検索式の少なくともいずれかを用いて技術文献データベースを検索して得られる文献数が所定の条件を満たすか否かを判定するステップと、判定結果が肯定的である場合、前記所定の条件を満たす検索式又は修正後検索式により前記技術文献データベースを検索して定まるp個(p>1)の技術文献D={D1,D2,…,Dp}を特定するデータを取得するステップと、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（l）に要求する要求lを行うステップであって、前記AIモデル（l）は、生成AIモデルであり、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含むステップとを含む。 In addition, the 80th aspect of the present invention is a program for causing a computer to execute a method for generating a summary capable of grasping the contents of technical literature, the method including the steps of receiving a description of a technology from a user terminal, making a request k to an AI model (k) to generate one or more search expressions based on the description, the AI model (k) being a generative AI model, determining whether the number of documents obtained by searching a technical literature database using at least one of the generated one or more search expressions or the modified one or more modified search expressions satisfies a predetermined condition, and if the determination result is positive, obtaining data identifying p (p>1) technical literatures D={D1, D2, ..., Dp} determined by searching the technical literature database using the search expression or the modified search expression that satisfies the predetermined condition, and making a request l to an AI model (l) to generate features Fi by summarizing at least a part of the technical literature Di for i between 1 and p, the AI model (l) being a generative AI model, the features Fi including one or more sentences longer than a single term.

また、本発明の第８１の態様は、技術文献の内容を把握可能な要約を生成するための装置であって、ユーザー端末から、技術を表す記述を受信して、前記記述に基づいて１又は複数の検索式を生成することを生成AIモデルであるAIモデル（k）に要求する要求kを行い、生成された前記１若しくは複数の検索式又は修正された１若しくは複数の修正検索式の少なくともいずれかを用いて技術文献データベースを検索して得られる文献数が所定の条件を満たすか否かを判定し、判定結果が肯定的である場合、前記所定の条件を満たす検索式又は修正後検索式により前記技術文献データベースを検索して定まるp個(p>1)の技術文献D={D1,D2,…,Dp}を特定するデータを取得し、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することを生成AIモデルであるAIモデル（l）に要求する要求lを行い、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含む。 In addition, the 81st aspect of the present invention is a device for generating a summary capable of grasping the contents of technical literature, which receives a description of a technology from a user terminal, issues a request k to an AI model (k) that is a generative AI model to generate one or more search expressions based on the description, determines whether the number of documents obtained by searching a technical literature database using at least one of the generated one or more search expressions or the modified one or more modified search expressions satisfies a predetermined condition, and if the determination result is positive, obtains data that identifies p (p>1) technical literatures D={D1, D2, ..., Dp} determined by searching the technical literature database using the search expression or the modified search expression that satisfies the predetermined condition, and issues a request l to an AI model (l) that is a generative AI model to summarize at least a part of the technical literature Di for i between 1 and p and generate features Fi, and the features Fi include one or more sentences that are longer than a single term.

また、本発明の第８２の態様は、技術文献の内容を把握可能な要約を生成するための方法であって、ユーザー端末から、技術を表す記述を受信するステップと、前記記述に基づいて１又は複数の検索式を生成することをAIモデル（k）に要求する要求kを行うステップであって、前記AIモデル（k）は、生成AIモデルであるステップと、生成された前記１若しくは複数の検索式又は修正された１若しくは複数の修正後検索式の少なくともいずれかを用いて技術文献データベースを検索して定まるp個(p>1)の技術文献D={D1,D2,…,Dp}を特定するデータを取得するステップと、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（l）に要求する要求lを行うステップであって、前記AIモデル（l）は、生成AIモデルであり、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含むステップとを含む。 In addition, the 82nd aspect of the present invention is a method for generating a summary capable of grasping the contents of technical literature, comprising the steps of receiving a description describing a technology from a user terminal, making a request k to an AI model (k) to generate one or more search expressions based on the description, the AI model (k) being a generative AI model, obtaining data identifying p (p>1) technical literature D={D1, D2, ..., Dp} determined by searching a technical literature database using at least one of the generated one or more search expressions or the one or more modified search expressions, and making a request l to an AI model (l) to generate features Fi by summarizing at least a part of the technical literature Di for i between 1 and p, the AI model (l) being a generative AI model, the features Fi including one or more sentences longer than a single term.

また、本発明の第８３の態様は、コンピュータに、技術文献の内容を把握可能な要約を生成するための方法を実行させるためのプログラムであって、前記方法は、ユーザー端末から、技術を表す記述を受信するステップと、前記記述に基づいて１又は複数の検索式を生成することをAIモデル（k）に要求する要求kを行うステップであって、前記AIモデル（k）は、生成AIモデルであるステップと、生成された前記１若しくは複数の検索式又は修正された１若しくは複数の修正後検索式の少なくともいずれかを用いて技術文献データベースを検索して定まるp個(p>1)の技術文献D={D1,D2,…,Dp}を特定するデータを取得するステップと、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（l）に要求する要求lを行うステップであって、前記AIモデル（l）は、生成AIモデルであり、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含むステップとを含む。 In addition, the 83rd aspect of the present invention is a program for causing a computer to execute a method for generating a summary capable of grasping the contents of technical documents, the method including the steps of receiving a description describing a technology from a user terminal, making a request k to an AI model (k) to generate one or more search expressions based on the description, the AI model (k) being a generative AI model, obtaining data identifying p (p>1) technical documents D={D1, D2, ..., Dp} determined by searching a technical document database using at least one of the generated one or more search expressions or the one or more modified search expressions, and making a request l to an AI model (l) to generate features Fi by summarizing at least a part of the technical documents Di for i between 1 and p, the AI model (l) being a generative AI model, the features Fi including one or more sentences longer than a single term.

また、本発明の第８４の態様は、技術文献の内容を把握可能な要約を生成するための装置であって、ユーザー端末から、技術を表す記述を受信して、前記記述に基づいて１又は複数の検索式を生成することを生成AIモデルであるAIモデル（k）に要求する要求kを行い、生成された前記１若しくは複数の検索式又は修正された１若しくは複数の修正後検索式の少なくともいずれかを用いて技術文献データベースを検索して定まるp個(p>1)の技術文献D={D1,D2,…,Dp}を特定するデータを取得し、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することを生成AIモデルAIモデル（l）に要求する要求lを行うように構成され、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含む。 In addition, an 84th aspect of the present invention is a device for generating a summary capable of grasping the contents of technical literature, configured to receive a description describing a technology from a user terminal, make a request k to an AI model (k) that is a generative AI model to generate one or more search expressions based on the description, obtain data identifying p (p>1) technical literatures D={D1, D2, ..., Dp} determined by searching a technical literature database using at least one of the generated one or more search expressions or the one or more modified search expressions, and make a request l to the generative AI model (l) to summarize at least a part of the technical literature Di and generate features Fi for i between 1 and p, wherein the features Fi include one or more sentences longer than a single term.

また、本発明の第８５の態様は、先行技術文献を調査するための方法であって、ユーザー端末から、技術を表す記述を受信するステップと、前記記述に基づいて１又は複数の検索式を生成することをAIモデル（k）に要求する要求kを行うステップであって、前記AIモデル（k）は、生成AIモデルであるステップと、生成された前記１若しくは複数の検索式又は修正された１若しくは複数の修正後検索式の少なくともいずれかを用いて技術文献データベースを検索して定まるp個(p>1)の技術文献D={D1,D2,…,Dp}を特定するデータを取得するステップと、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（l）に要求する要求lを行うステップであって、前記AIモデル（l）は、生成AIモデルであり、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含むステップと、1以上p以下のiについて、技術文献Diに関連づけられた特徴Fiの前記記述との関連性を表すq（q>1）個の分類C={C1,C2…,Cq}のうちのいずれかをCi’として付与することをAIモデル（m）に要求する要求mを行うステップと、1以上p以下のiについて、技術文献Diに付与された分類Ci’を受信して記憶するステップとを含む。 In addition, an 85th aspect of the present invention is a method for investigating prior art documents, comprising the steps of receiving a description describing a technology from a user terminal, making a request k to an AI model (k) to generate one or more search expressions based on the description, the AI model (k) being a generative AI model, and obtaining data identifying p (p>1) technical documents D={D1, D2, ..., Dp} determined by searching a technical document database using at least one of the generated one or more search expressions or the modified one or more modified search expressions, for i between 1 and p, The method includes the steps of making a request l to an AI model (l) to summarize at least a part of a document Di to generate features Fi, the AI model (l) being a generative AI model, the features Fi including one or more sentences longer than a single term, making a request m to an AI model (m) to assign, for i between 1 and p, one of q (q>1) classifications C={C1, C2..., Cq} representing the relevance of the features Fi associated with the technical document Di to the description, as Ci', and receiving and storing the classification Ci' assigned to the technical document Di for i between 1 and p.

また、本発明の第８６の態様は、第８５の態様の方法であって、前記特徴Fiは、所定の形式である。 The 86th aspect of the present invention is the method of the 85th aspect, in which the feature Fi has a predetermined format.

また、本発明の第８７の態様は、第８５又は第８６の態様の方法であって、前記qは、２又は３である。 The 87th aspect of the present invention is the method of the 85th or 86th aspect, in which q is 2 or 3.

また、本発明の第８８の態様は、第８５から第８７のいずれかの態様の方法であって、前記AIモデル（m）は、生成AIモデルである。 The 88th aspect of the present invention is a method according to any one of the 85th to 87th aspects, in which the AI model (m) is a generative AI model.

また、本発明の第８９の態様は、第８８の態様の方法であって、前記AIモデル（m）は、前記前記AIモデル（l）と同一である。 The 89th aspect of the present invention is the method of the 88th aspect, in which the AI model (m) is identical to the AI model (l).

また、本発明の第９０の態様は、第８５から第８８のいずれかの態様の方法であって、前記ユーザー端末に、前記p個の分類C’の少なくとも一部を含む分類情報又はそれらが付与された１若しくは複数の技術文献を特定する文献情報を送信するステップをさらに含む。 A 90th aspect of the present invention is a method according to any one of the 85th to 88th aspects, further comprising a step of transmitting, to the user terminal, classification information including at least a portion of the p classifications C' or literature information identifying one or more technical literature to which they are assigned.

また、本発明の第９１の態様は、第９０の態様の方法であって、前記p個の分類C’の少なくとも一部を含む分類情報又はそれらが付与された１若しくは複数の技術文献を特定する文献情報の前記ユーザー端末に対する送信は、前記ユーザー端末において前記分類情報又は前記文献情報の閲覧画面を表示するための閲覧画面表示情報の送信である。 The 91st aspect of the present invention is the method of the 90th aspect, in which the transmission of classification information including at least a part of the p classifications C' or literature information identifying one or more technical literature to which they are assigned to the user terminal is the transmission of viewing screen display information for displaying a viewing screen of the classification information or the literature information on the user terminal.

また、本発明の第９２の態様は、第９１の態様の方法であって、前記閲覧画面は、ｐ個の技術文献Dのうちの前記ｑ個の分類Cのうちのいずれか１つが付与された１又は複数の技術文献のみを含む。 The 92nd aspect of the present invention is the method of the 91st aspect, in which the viewing screen includes only one or more technical documents among the p technical documents D that are assigned any one of the q classifications C.

また、本発明の第９３の態様は、第９１又は第９２の態様の方法であって、前記閲覧画面は、p個の技術文献Dを定めた検索式を表示可能である。 The 93rd aspect of the present invention is the method of the 91st or 92nd aspect, in which the viewing screen is capable of displaying a search query that defines p technical documents D.

また、本発明の第９４の態様は、第９１から第９３のいずれかの態様の方法であって、前記閲覧画面は、発明届出書又は発明提案書の形式の文書を含む。 A 94th aspect of the present invention is a method according to any one of the 91st to 93rd aspects, in which the viewing screen includes a document in the form of an invention notification document or an invention proposal document.

また、本発明の第９５の態様は、第９４の態様の方法であって、前記文書は、前記記述若しくはその一部又はこれらに対応する記述を含む。 A 95th aspect of the present invention is the method of the 94th aspect, in which the document includes the description or a part thereof, or a description corresponding thereto.

また、本発明の第９６の態様は、第９５の態様の方法であって、前記文書は、ｐ個の技術文献Dのうちの前記ｑ個の分類Cのうちのいずれか１つが付与された１又は複数の技術文献を特定する文献情報をさらに含む。 A 96th aspect of the present invention is the method of the 95th aspect, in which the document further includes literature information identifying one or more technical documents among the p technical documents D that have been assigned any one of the q classifications C.

また、本発明の第９７の態様は、第９４から第９６のいずれかの態様の方法であって、前記文書は、ｐ個の技術文献Dのうちの前記t個の分類Cのうちのいずれか１つが付与された１又は複数の技術文献に関連づけられた特徴をさらに含む。 A 97th aspect of the present invention is a method according to any one of aspects 94 to 96, wherein the document further includes features associated with one or more technical documents among p technical documents D that have been assigned any one of the t classifications C.

また、本発明の第９８の態様は、第９４から第９７のいずれかの態様の方法であって、前記文書は、p個の技術文献Dを定めた検索式をさらに含む。 A 98th aspect of the present invention is a method according to any one of the 94th to 97th aspects, in which the document further includes a search query that defines p technical documents D.

また、本発明の第９９の態様は、コンピュータに、先行技術文献を調査するための方法を実行させるためのプログラムであって、前記方法は、ユーザー端末から、技術を表す記述を受信するステップと、前記記述に基づいて１又は複数の検索式を生成することをAIモデル（k）に要求する要求kを行うステップであって、前記AIモデル（k）は、生成AIモデルであるステップと、生成された前記１若しくは複数の検索式又は修正された１若しくは複数の修正後検索式の少なくともいずれかを用いて技術文献データベースを検索して定まるp個(p>1)の技術文献D={D1,D2,…,Dp}を特定するデータを取得するステップと、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することをAIモデル（l）に要求する要求lを行うステップであって、前記AIモデル（l）は、生成AIモデルであり、前記特徴Fiは、単一の用語よりも長い１又は複数の文を含むステップと、1以上p以下のiについて、技術文献Diに関連づけられた特徴Fiの前記記述との関連性を表すq（q>1）個の分類C={C1,C2…,Cq}のうちのいずれかをCi’として付与することをAIモデル（m）に要求する要求mを行うステップと、1以上p以下のiについて、技術文献Diに付与された分類Ci’を受信して記憶するステップとを含む。 In addition, a 99th aspect of the present invention is a program for causing a computer to execute a method for investigating prior art documents, the method comprising the steps of: receiving a description describing a technology from a user terminal; making a request k to an AI model (k) to generate one or more search expressions based on the description, the AI model (k) being a generative AI model; and acquiring data identifying p (p>1) technical documents D={D1, D2, ..., Dp} determined by searching a technical document database using at least one of the generated one or more search expressions or the modified one or more modified search expressions; The method includes the steps of making a request l to an AI model (l) to generate a feature Fi by summarizing at least a part of a technical document Di for i from 1 to p, the AI model (l) being a generative AI model, the feature Fi including one or more sentences longer than a single term, making a request m to an AI model (m) to assign, for i from 1 to p, one of q (q>1) classifications C={C1, C2..., Cq} representing the relevance of the feature Fi associated with the technical document Di to the description as Ci', and receiving and storing the classification Ci' assigned to the technical document Di for i from 1 to p.

また、本発明の第１００の態様は、先行技術文献を調査するための装置であって、ユーザー端末から、技術を表す記述を受信して、前記記述に基づいて１又は複数の検索式を生成することを生成AIモデルであるAIモデル（k）に要求する要求kを行い、生成された前記１若しくは複数の検索式又は修正された１若しくは複数の修正後検索式の少なくともいずれかを用いて技術文献データベースを検索して定まるp個(p>1)の技術文献D={D1,D2,…,Dp}を特定するデータを取得し、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して、特徴Fiであって、単一の用語よりも長い１又は複数の文を含む特徴Fiを生成することを生成AIモデルであるAIモデル（l）に要求する要求l、及び、技術文献Diに関連づけれた特徴Fiの前記記述との関連性を表すq（q>1）個の分類C={C1,C2…,Cq}のうちのいずれかをCi’として付与することをAIモデル（m）に要求する要求mを行い、1以上p以下のiについて、技術文献Diに付与された分類Ci’を受信して記憶するように構成されている。 In addition, the 100th aspect of the present invention is a device for investigating prior art documents, which is configured to receive a description representing a technology from a user terminal, make a request k to an AI model (k) that is a generative AI model to generate one or more search expressions based on the description, obtain data identifying p (p>1) technical documents D = {D1, D2, ..., Dp} determined by searching a technical document database using at least one of the generated one or more search expressions or the modified one or more search expressions, make a request l to an AI model (l) that is a generative AI model to generate features Fi that include one or more sentences longer than a single term by summarizing at least a part of the technical document Di for i between 1 and p, and make a request m to an AI model (m) to assign one of q (q>1) classifications C = {C1, C2 ..., Cq} that represent the relevance of the feature Fi associated with the technical document Di to the description as Ci', and receive and store the classification Ci' assigned to the technical document Di for i between 1 and p.

本発明の一態様によれば、指定されたp個の技術文献Ｄのそれぞれに関連づけられたp個の特徴Fに基づいて、p個の技術文献Dを分類可能なq個の分類Cを生成AIモデルに対する要求によって生成し、生成された分類Cの中から各技術文献を表すものを当該技術文献に関連づけて記憶することによって、これまで多大な労力を要した分類という作業を省力化し、さまざまな分析が可能となる。 According to one aspect of the present invention, q classifications C capable of classifying p specified technical documents D are generated based on p features F associated with each of the p specified technical documents D in response to a request to a generative AI model, and a classification representing each technical document from among the generated classifications C is stored in association with the technical document, thereby reducing the labor-intensive task of classification and enabling a variety of analyses.

また、本発明の別の態様によれば、本明細書で説明された異なる効果が代替的又は付加的に得られることを付言する。 It is further noted that, according to other aspects of the present invention, different advantages described herein may be obtained alternatively or in addition.

本発明の第１の実施形態にかかるシステムを示す図である。1 is a diagram showing a system according to a first embodiment of the present invention; 本発明の第１の実施形態にかかる方法の流れを示す図である。FIG. 2 is a diagram showing a flow of a method according to a first embodiment of the present invention. 本発明の第１の実施形態にかかる第１の生成AIモデルに対する第１の要求の一例である。1 is an example of a first request to a first generative AI model in accordance with a first embodiment of the present invention. 本発明の第７の実施形態にかかる方法の流れを示す図である。FIG. 13 is a diagram showing a method flow according to a seventh embodiment of the present invention. 本発明の第７の実施形態にかかる第８の生成AIモデルに対する第８の要求の一例である。13 is an example of an eighth request for an eighth generative AI model in the seventh embodiment of the present invention.

以下、図面を参照して本発明の実施形態を詳細に説明する。 The following describes in detail an embodiment of the present invention with reference to the drawings.

（第１の実施形態）
図１に本発明の第１の実施形態にかかるシステムを示す。装置１００は、技術文献を分析するためのために、ユーザーが用いるユーザー端末１１０及び生成AIモデルを提供するプラットフォーム１２０とインターネット等のIPネットワークを介して通信する。また、装置１００は、必要に応じて特許データベース等の技術文献データベース１３０と通信して技術文献の検索を行う。AIモデルは、装置１００と通信可能なプラットフォーム１３０により提供されるものとして例示的に説明をするが、装置１００上でAIモデルを提供するためのアプリケーションを実行して、装置１００によりAIモデルが提供されるようにすることもできる。また、技術文献データベース１３０について、装置１００と別個のデータベースとして説明するが、装置１００が備えるデータベースであってもよい。 First Embodiment
FIG. 1 shows a system according to a first embodiment of the present invention. The device 100 communicates with a user terminal 110 used by a user and a platform 120 that provides a generated AI model via an IP network such as the Internet in order to analyze technical literature. The device 100 also communicates with a technical literature database 130 such as a patent database as necessary to search for technical literature. The AI model is illustratively described as being provided by a platform 130 that can communicate with the device 100, but it is also possible to run an application for providing the AI model on the device 100 so that the AI model is provided by the device 100. The technical literature database 130 is also described as a database separate from the device 100, but it may be a database included in the device 100.

装置１００は、通信インターフェースなどの通信部１０１と、プロセッサ、CPU等の処理部１０２と、メモリ、ハードディスク等の記憶装置又は記憶媒体を含む記憶部１０３とを備え、各処理又は各動作を行うためのプログラムを処理部１０２において実行することによって構成することができる。装置１００は、１又は複数の装置、コンピュータないしサーバを含むことがある。また、当該プログラムは、１又は複数のプログラムを含むことがあり、また、コンピュータ読み取り可能な記憶媒体に記録して非一過性のプログラムプロダクトとすることができる。当該プログラムは、記憶部１０３又は装置１００からIPネットワークを介してアクセス可能な記憶装置又は記憶媒体１０４に記憶しておき、処理部１０２の少なくとも１つのプロセッサにおいて当該プログラムに含まれる命令を実行することができる。以下で記憶部１０３に記憶されるものとして記述されるデータは記憶装置又は記憶媒体１０４に記憶してもよく、またその逆も同様である。図１においては、便宜上、記憶装置又は記憶媒体１０４をデータベースとして示している。 The device 100 includes a communication unit 101 such as a communication interface, a processing unit 102 such as a processor or CPU, and a storage unit 103 including a storage device or storage medium such as a memory or a hard disk, and can be configured by executing a program for performing each process or operation in the processing unit 102. The device 100 may include one or more devices, computers, or servers. The program may include one or more programs, and may be recorded in a computer-readable storage medium to form a non-transient program product. The program may be stored in a storage device or storage medium 104 accessible from the storage unit 103 or the device 100 via an IP network, and instructions included in the program may be executed in at least one processor of the processing unit 102. Data described below as being stored in the storage unit 103 may be stored in the storage device or storage medium 104, and vice versa. For convenience, in FIG. 1, the storage device or storage medium 104 is shown as a database.

まず、ユーザー端末１１０から、分析対象となるp個(p>1)の技術文献D={D1,D2,…,Dp}の指定を受信する（Ｓ２０１）。当該指定は、たとえば、装置１００が提供するアップロード画面を用いた技術文献Ｄのアップロード又は技術文献Ｄを特定するためのリストのアップロードによって行うことができる。また、アップロードした一組の技術文献又はそれを特定するためのリストの中から分析対象となるものを選択することによって、当該指定がなされてもよい。また、技術文献データベース１３０にアクセスして一組の特許文献を検索するための検索式によって、技術文献Dが間接的に指定されてもよい。この場合、一例として、APIを用いた当該検索式を含む検索要求に対する応答として、技術文献Dを特定するためのリストを取得することができる。装置１００をユーザー端末１１０とは別個の装置とせずに、ユーザー端末１１０においてその各処理又は各動作が行われてもよく、この場合には、当該指定は、ユーザー端末１１０に入力され、それが読み出されることで、装置１００により取得される。いずれにしても、分析対象の文献が定まればよい。 First, the designation of p (p>1) technical documents D={D1, D2, ..., Dp} to be analyzed is received from the user terminal 110 (S201). The designation can be performed, for example, by uploading the technical document D using an upload screen provided by the device 100 or by uploading a list for identifying the technical document D. The designation may also be performed by selecting the technical document to be analyzed from the set of uploaded technical documents or the list for identifying them. The technical document D may also be indirectly designated by a search formula for accessing the technical document database 130 and searching a set of patent documents. In this case, as an example, a list for identifying the technical document D can be obtained as a response to a search request including the search formula using an API. The device 100 may not be a separate device from the user terminal 110, and each process or operation may be performed in the user terminal 110. In this case, the designation is input to the user terminal 110, and is acquired by the device 100 by reading it. In any case, it is sufficient that the documents to be analyzed are determined.

また、当該指定がリストのアップロードによる場合、次の工程で用いるp個の特徴F={F1,F2…,Fp}は当該指定に含めておくことが考えられる。技術文献Dは、たとえば、50KB以上の文献、さらには100KB以上、250KB以上、300KB以上、500KB以上、1000KB、1500KB又は2000KB以上の文献を含んでもよい。また、技術文献Dに含まれる文献は、すべて50KB以上の文献、さらには100KB以上、250KB以上、300KB以上又は500KB以上の文献であってもよい。 If the specification is made by uploading a list, it is conceivable that the p features F={F1, F2..., Fp} to be used in the next step are included in the specification. Technical document D may include documents of, for example, 50 KB or more, or even 100 KB or more, 250 KB or more, 300 KB or more, 500 KB or more, 1000 KB, 1500 KB or more, or 2000 KB or more. Also, all documents included in technical document D may be documents of 50 KB or more, or even 100 KB or more, 250 KB or more, 300 KB or more, or 500 KB or more.

このようなリストは、各文献が特許文献の場合、たとえば、特許出願番号、特許番号及び各特許文献の内容にアクセス可能なURLの少なくともいずれかを含み、さらに出願日、出願人、発明の名称及び請求項の少なくともいずれかを含んでもよい。リストが特徴Ｆを含む場合には、有益な一例として、特許文献Ｄのそれぞれの課題（problem）を要約した１又は複数の文を各特徴とすることが挙げられる。なお、念のため、本明細書において、「文（sentence）」とは、主語及び述語を必須の構成要素とするものではなく、また、単一の用語ではない。 If each document is a patent document, such a list may include, for example, at least one of the patent application number, patent number, and URL where the contents of each patent document can be accessed, and may further include at least one of the filing date, applicant, title of the invention, and claims. If the list includes feature F, one useful example is to have each feature be one or more sentences summarizing the problem of each of patent document D. For the sake of clarity, in this specification, "sentence" does not necessarily include a subject and a predicate as essential components, nor is it a single term.

各文献が特許文献以外の技術文献である場合、書誌情報等の文献情報及び各技術文献の内容にアクセス可能なURLの少なくともいずれかを含み、掲載日又は投稿日、著者、タイトル、及び要約（abstract）の少なくともいずれかを含んでもよい。 If each document is a technical document other than a patent document, it may include at least one of document information such as bibliographic information and a URL that allows access to the contents of each technical document, and may also include at least one of the publication date or posting date, author, title, and abstract.

次に、装置１００は、p個の技術文献Dのそれぞれに関連づけられたp個の特徴F={F1,F2…,Fp}に基づいて、p個の技術文献Dを分類可能なq個の分類C={C1,C2…,Cq}を生成することを生成AIモデル（「第１のAIモデル」とも呼ぶ。）に要求（「第１の要求」とも呼ぶ。）する（Ｓ２０２）。 Next, the device 100 requests (also referred to as "first request") the generative AI model (also referred to as "first AI model") to generate q classifications C = {C1, C2 ..., Cq} capable of classifying the p technical documents D based on p features F = {F1, F2 ..., Fp} associated with each of the p technical documents D (S202).

図３に、本発明の第１の実施形態にかかる第１のAIモデルに対する第１の要求のためのコードの一部の一例を示す。図３の例は、プログラミング言語Pythonで記述したコードの一部であり、当該コードを実行することによって、OpenAI APIを呼び出し、プラットフォーム１２０上で提供される第１のAIモデルに分類Cを生成させることができる。ここで、変数 “engine” は利用する生成AIモデルの種類であり、変数 ”temperature” は出力の多様性を表し、変数 “max_tokens” は出力されるトークン数の上限を表す。「トークン」とは、変数 “prompt” に記述された入力を分割する単位である。OpenAI APIは例示であり、その他のAPIを用いてもよい。また、プログラミング言語Pythonは例示であり、その他の言語を用いてもよい。第１の要求を行うためのコードは、記憶部１０３に記憶しておき、装置１００がこれを取得して、当該コードに含まれる変数に特徴F等の値を設定して得られるコードを実行すればよい。 Figure 3 shows an example of a part of the code for the first request to the first AI model according to the first embodiment of the present invention. The example in Figure 3 is a part of the code written in the programming language Python, and by executing the code, the OpenAI API can be called and the first AI model provided on the platform 120 can generate classification C. Here, the variable "engine" is the type of the generating AI model to be used, the variable "temperature" represents the diversity of the output, and the variable "max_tokens" represents the upper limit of the number of tokens to be output. A "token" is a unit for dividing the input described in the variable "prompt". The OpenAI API is an example, and other APIs may be used. In addition, the programming language Python is an example, and other languages may be used. The code for making the first request is stored in the storage unit 103, and the device 100 acquires the code and executes the code obtained by setting values of the feature F and the like to variables included in the code.

図３の例では、生成AIモデルに、変数 “specifiedField” に設定された分野のエンジニアとして、変数 “features” に設定されたp個の特徴Fを一般化して、p個より少ないq個の分類Cに分類することを要求している。変数 “prompt” の記述を変えることに加えて又は代替して、変数 “specifiedField” 及び変数 “specifiedConditions” に値を設定することによっても、分類Cを生成する上で第１の生成AIモデルに課される条件（「第１の条件」とも呼ぶ。）を指定し、生成される分類Cが可変である。変数 “prompt” の記述を変えることは、記憶部１０３に記憶されたコードの書き換えを要するが、変数 “features” の設定に加えて、ユーザー端末１１０から技術文献Dの指定と同時又はその前後に第１の条件又はその一部の指定を受信して、コード中の変数に設定可能とすることで、実行されるコードをユーザーにとって有益な出力が得られやすいものとすることができる。変数 “specifiedConditions” には、生成される分類Cの少なくともいずれかに用いられるべき１又は複数の表現が設定されてもよい。第１の条件は、それ全体をコード中の変数として設定する場合のほか、変数 “specifiedField” のように、第１の条件に含まれる変数以外を変数 “prompt” の記述に含め、当該変数をユーザー端末１１０から受信した指定に応じて設定するようにしてもよい。 In the example of FIG. 3, the generative AI model is requested to generalize p features F set in the variable “features” as an engineer in the field set in the variable “specifiedField” and classify them into q classifications C, which are less than p. In addition to or instead of changing the description of the variable “prompt”, the conditions (also called “first conditions”) imposed on the first generative AI model in generating classification C can be specified by setting values in the variables “specifiedField” and “specifiedConditions”, and the generated classification C is variable. Changing the description of the variable “prompt” requires rewriting the code stored in the storage unit 103, but in addition to setting the variable “features”, the specification of the first condition or a part of it can be received from the user terminal 110 simultaneously with or before or after the specification of technical document D, and can be set to a variable in the code, making it easier for the executed code to produce an output useful to the user. The variable “specifiedConditions” may be set to one or more expressions to be used for at least one of the generated classifications C. The first condition may be set in its entirety as a variable in the code, or a variable other than that included in the first condition, such as the variable "specifiedField", may be included in the description of the variable "prompt" and the variable may be set according to the specification received from the user terminal 110.

第１のAIモデルに課す第１の条件としては、ｑの値の範囲、ｑがｐ未満であること、ｑの値が２以上又は超の下限値以上又は超であり、１０未満又は以下の上限値以下又は未満の範囲又は値であることなどが挙げられる。qの値、すなわち、何個の分類に分類するかを具体的に固定すると、人間の先入観が生成される分類Cを制約してしまうおそれがあるため、固定してもよいが、人間が見出しにくい分類を得たい場合には、固定しないことが好ましい。すなわち、分類Cを構成する分類の数は、1を超えてp未満のq個であることを第１の条件として明示してもよいが、生成された分類の数がかかる条件を満たしてもよい。他方で、分類Cに含まれるべき１又は複数の分類を条件に含めることは、分類Ｃの全体がそれを前提として生成され、ユーザーにとって有益な結果が得られる方向に働く。また、qの値の範囲を第１の条件に含めることは、ｑの値を固定せずに、ユーザーの想定に近い結果をもたらすため、必須ではないが、ユーザーにとって使用しやすく有益である。技術文献が特許文献の場合、第１の条件として、特許文献Dが属する技術分野の知識を用いることの特定等が挙げられる。また、所与の特許分類では分析し切れない状況において、本実施形態にかかる発明は対処可能であることから、明示しなくても結果としてそのようになることが想定されるものの、第１の条件として、生成される分類Ｃに特許分類は含まれないことを含めてもよい。また、ｑ個の分類Cがその他（others）を意味する表現を含むことの特定を第１の条件に含めた場合、分類が困難な技術文献が「その他」に分類されることになり、ノイズ除去の効率化が図られる。このようにしてノイズに該当する技術文献を除外してから、再度分類の生成を行えば、精度を向上させることができる。また、p個の技術文献を大別したい場合には、ｑの値を２又は３とすることが好ましいこともある。 The first condition imposed on the first AI model includes the range of the value of q, q being less than p, and the range or value of q being equal to or greater than a lower limit of 2 or more and less than an upper limit of 10 or less. If the value of q, i.e., the number of classifications to be classified into, is specifically fixed, human preconceptions may constrain the generated classification C, so it may be fixed, but it is preferable not to fix it if a classification that is difficult for humans to find is to be obtained. That is, the number of classifications that make up classification C may be specified as the first condition to be q more than 1 and less than p, but the number of generated classifications may satisfy this condition. On the other hand, including one or more classifications to be included in classification C as a condition works in the direction of obtaining a result that is beneficial to the user, as the entire classification C is generated based on that premise. In addition, including the range of the value of q in the first condition is not essential, as it brings about a result close to the user's expectations without fixing the value of q, but is easy to use and beneficial for the user. In the case where the technical document is a patent document, the first condition may include specifying the use of knowledge of the technical field to which patent document D belongs. In addition, since the invention according to this embodiment can deal with situations where a given patent classification cannot be fully analyzed, it is expected that this will happen as a result even without being explicitly stated, but the first condition may include that the generated classification C does not include the patent classification. In addition, if the first condition includes the specification that the q classifications C include an expression meaning "others," technical documents that are difficult to classify will be classified as "others," and the efficiency of noise removal will be improved. In this way, if technical documents that fall under noise are removed and then classification is generated again, the accuracy can be improved. In addition, if it is desired to broadly classify p technical documents, it may be preferable to set the value of q to 2 or 3.

生成AIモデルの出力は、毎回同一とは限らないことから、複数回の出力結果に基づいて、分類Cを構成する各分類を決定することを第１の条件として与えてもよい。また、第１の生成AIモデルに第１の要求を複数回行い、装置１００において、それらの要求に対する複数の応答に基づいて分類Cを構成する各分類を決定するようにしてもよい。 Because the output of the generative AI model is not necessarily the same each time, the first condition may be set to determine each of the classifications that make up classification C based on multiple output results. In addition, a first request may be made multiple times to the first generative AI model, and the device 100 may determine each of the classifications that make up classification C based on multiple responses to those requests.

図３の例では、装置１００は、生成された分類Ｃを受信する（Ｓ２０３）。このように、生成後の分類Ｃ又はその一部を受信してもよいが、その後の処理がプラットフォーム１２０において済んだ段階で必要なデータが装置１００に送信されるようにしてもよい。以下では分類Cを技術文献Dに関連づけているところ、関連づけは別途行うとして、生成された分類Cをユーザーが取得できること自体、大きな労力の削減となる。 In the example of FIG. 3, the device 100 receives the generated classification C (S203). In this way, the generated classification C or a part of it may be received, but the necessary data may be transmitted to the device 100 at a stage where subsequent processing has been completed in the platform 120. In the following, classification C is associated with technical document D, but the association is performed separately, and the fact that the user can obtain the generated classification C in itself is a significant reduction in effort.

装置１００は、1以上p以下のiについて、q個の分類Cの中から、技術文献Diを表す１又は複数の分類をC'iとして当該技術文献に関連づけることをAIモデル（「第２のAIモデル」とも呼ぶ。）に要求（「第２の要求」とも呼ぶ。）する（Ｓ２０４）。第２の要求は、第１の要求と同様に、あらかじめコードを用意しておき、装置１００がこれに必要な変数の設定をして実行することによって可能である。 The device 100 makes a request (also called a "second request") to the AI model (also called a "second AI model") to associate one or more classifications representing technical document Di from among q classifications C as C'i with the technical document for i between 1 and p (S204). As with the first request, the second request can be made by preparing code in advance and having the device 100 set the necessary variables and execute it.

図２においては、第１のAIモデルと第２のAIモデルを区別しているところ、これらは、同一の生成AIモデルとしてもよい。本明細書において「AIモデル」とは、入力に対して出力を予測可能に訓練済みの機械学習モデル」をいい、「生成AIモデル（generative AI model）」とは、入力に対して出力を生成可能にテキストデータを用いて訓練済みの大規模言語モデル（LLM）を指す。生成AIモデルとしては、特にトランスフォーマーアーキテクチャを適用したLLMが好ましいが、技術の進展によってアーキテクチャの呼称が変わることは想定される。したがって、本明細書において「トランスフォーマーアーキテクチャ」とは、トランスフォーマーアーキテクチャの１若しくは複数の特徴又はその改良を用いたアーキテクチャを包含する。本明細書において「生成AIモデル」が同一であるか否かは、ユーザーが指定した生成AIモデルの種類が同一であるか否かによって判断する。図３の例でいえば、変数 “engine” の値が同一であれば、生成AIモデルとして同一であると表現する。第１のAIモデルと第２のAIモデルが同一でない場合、同一のプラットフォーム１２０上で提供されるものでもよい。図２の例では、第１の要求の後に第２の要求をしているところ、第１のAIモデルと第２のAIモデルが同一の生成AIモデルであるか同一のプラットフォーム上で提供される生成AIモデルである場合には、APIの単一の呼び出しによって、これらの要求を行ってもよい。また、第１のモデルに対する第１の要求を複数の要求に分けて、APIの複数の呼び出しによって実現してもよく、第２のモデルについても同様である。 In FIG. 2, the first AI model and the second AI model are distinguished, but they may be the same generative AI model. In this specification, "AI model" refers to a machine learning model that has been trained to predict an output for an input, and "generative AI model" refers to a large-scale language model (LLM) that has been trained using text data to generate an output for an input. As a generative AI model, an LLM that applies a transformer architecture is particularly preferable, but it is expected that the name of the architecture will change as technology advances. Therefore, in this specification, "transformer architecture" includes an architecture that uses one or more features of the transformer architecture or an improvement thereof. In this specification, whether "generative AI models" are the same is determined by whether the type of generative AI model specified by the user is the same. In the example of FIG. 3, if the value of the variable "engine" is the same, it is expressed as the same generative AI model. If the first AI model and the second AI model are not the same, they may be provided on the same platform 120. In the example of Figure 2, where the second request is made after the first request, if the first and second AI models are the same generative AI model or are generative AI models provided on the same platform, these requests may be made by a single call to the API. Also, the first request for the first model may be split into multiple requests and realized by multiple calls to the API, and the same applies to the second model.

そして、装置１００は、1以上p以下のiについて、技術文献Diに関連づけられた分類C'iを受信して記憶する（Ｓ２０５）。一例として、技術文献Dの指定がリストのアップロードである場合には、当該リストに新たな列を作成して、各iについて、技術文献Diに関連づけられた分類C'iを格納することが挙げられる。 Then, the device 100 receives and stores the classification C'i associated with the technical document Di for i between 1 and p (S205). As an example, when the specification of the technical document D is a list upload, a new column is created in the list, and the classification C'i associated with the technical document Di for each i is stored.

その後、装置１００は、ユーザー端末１１０に、p個の分類C’={C’1,C’2…,C’p}の少なくとも一部を送信してもよい（Ｓ２０６）。分類C’の少なくとも一部のユーザー端末１１０に対する送信は、ユーザー端末１１０においてp個の分類C’の少なくとも一部を含む分類情報又は当該少なくとも一部が付与された１若しくは複数の文献を特定する文献情報の閲覧画面を表示するための閲覧画面表示情報の送信によってもよい。閲覧画面表示情報は、たとえばHTML形式のファイルとして送信され、ユーザー端末１１０のウェブブラウザにより読み込まれて、ユーザー端末１１０の表示画面に閲覧画面を表示させることができる。また、技術文献Dに関連づけられたp個の分類C’ではなく、生成されたq個の分類Cの少なくとも一部を含む分類情報又は当該少なくとも一部が付与された１若しくは複数の文献を特定する文献情報をユーザー端末１１０に送信する場合には、それらを閲覧画面で閲覧可能としてもよい。 Then, the device 100 may transmit at least a part of the p classifications C'={C'1, C'2..., C'p} to the user terminal 110 (S206). The transmission of at least a part of the classifications C' to the user terminal 110 may be by transmitting viewing screen display information for displaying a viewing screen of classification information including at least a part of the p classifications C' or document information specifying one or more documents to which the at least a part is assigned on the user terminal 110. The viewing screen display information may be transmitted, for example, as a file in HTML format, and may be read by the web browser of the user terminal 110 to display the viewing screen on the display screen of the user terminal 110. In addition, when transmitting classification information including at least a part of the generated q classifications C or document information specifying one or more documents to which the at least a part is assigned, rather than the p classifications C' associated with the technical document D, to the user terminal 110, they may be made viewable on the viewing screen.

このように、本発明の第１の実施形態によれば、指定されたp個の技術文献Ｄのそれぞれに関連づけられたp個の特徴Fに基づいて、p個の技術文献Dを分類可能なq個の分類Cを生成AIモデルに対する要求によって生成し、生成された分類Cの中から各技術文献を表すものを関連づけて記憶することによって、これまで多大な労力を要した技術文献の分類という作業を省力化し、さまざまな分析が可能となる。 Thus, according to the first embodiment of the present invention, q classifications C capable of classifying p technical documents D are generated in response to a request to a generative AI model based on p features F associated with each of the p specified technical documents D, and from the generated classifications C, those representing each technical document are associated and stored, thereby reducing the labor-intensive task of classifying technical documents and enabling a variety of analyses.

特に技術文献が特許文献である場合には、所与の特許分類が存在せずとも、さまざまな分析が可能となるため、有益である。そして、特徴Ｆのそれぞれを特許文献Ｄに含まれる各特許文献に記述された発明の課題の要約又はその近似的な要約とした場合、いかなる課題がこれまでの研究開発において解決を試みられてきたのかを容易に可視化することができ、十分に解決されていない、これから解決されるべき課題を浮き上がらせることができる。このことは、過去の分析に留まらず、未来のための分析となり、特許文献の分析に新たな価値をもたらすものである。人間が見出しにくい分類を得ることで、新たな課題の認識につながるため、上述した生成される分類の数、出力の多様性を表す変数その他の条件を指定できることは、顕著に有益である。特許文献以外の技術文献である場合にも、いかなる主題（subject）にこれまでの研究開発において関心が向けられてきたのかを可視化することができるようになる。ここで、「主題」は「課題」を含む用語として用いている。 In particular, when the technical documents are patent documents, various analyses are possible even if there is no given patent classification, which is beneficial. If each of the features F is a summary or an approximate summary of the problems of the inventions described in each patent document included in patent document D, it is possible to easily visualize what problems have been attempted to be solved in research and development so far, and to highlight problems that have not been fully solved and need to be solved in the future. This is not limited to past analysis, but becomes an analysis for the future, bringing new value to the analysis of patent documents. Obtaining classifications that are difficult for humans to find leads to the recognition of new problems, so it is particularly beneficial to be able to specify the number of classifications generated, variables representing the diversity of the output, and other conditions. Even in the case of technical documents other than patent documents, it becomes possible to visualize what subjects have been of interest in research and development so far. Here, "subject" is used as a term that includes "problem".

特徴Ｆのそれぞれを特許文献Ｄに含まれる各特許文献に記述された１又は複数の請求項の少なくともいずれかの要約又はその近似的な要約とした場合、いかなる発明がこれまでの研究開発においてなされてきたのかを容易に可視化することができる。特許文献以外の技術文献である場合にも、特徴Ｆのそれぞれを当該技術文献の結果（result）又は結論（conclusion）を含む部分の要約とすることによって、いかなる成果がこれまでの研究開発において得られてきたのかを可視化することができるようになる。 If each of Feature F is made into a summary or an approximate summary of at least one of the claims described in each of the patent documents included in Patent Document D, it becomes easy to visualize what inventions have been made in research and development to date. Even in the case of technical documents other than patent documents, by making each of Feature F into a summary of the part including the result or conclusion of the technical document, it becomes possible to visualize what results have been obtained in research and development to date.

（第２の実施形態）
第１の実施形態においては、特徴Fをリストに含めて装置１００に与える例を挙げたが、分類Cの生成を第１の生成AIに要求する前に、1以上p以下のiについて、技術文献Diの少なくとも一部を、たとえば英語１２５単語、１００単語、７５単語、５０単語、２５単語、日本語２５０文字、２００文字、１５０文字、１００文字、５０文字等の所定の長さ以下又は未満の長さで表現して特徴Fiを生成することを生成AIモデル（「第３のAIモデル」とも呼ぶ。）に要求（「第３の要求」とも呼ぶ。）してもよい。また、特徴Fiは、技術文献Diの内容を十分に反映するように、英語１０単語、２５単語、５０単語、日本語２０文字、５０文字、１００文字等の所定の長さ超又は以上の長さで表現してもよい。特徴Fiは、英語以外に仏語、独語等で表現してもよく、日本語以外に中国語、韓国語等で表現してもよい。表現された特徴Fiは、単一の用語より長い１又は複数の文を含めばよい。さらに、前述の上限とこれらの下限との組み合わせを第３の要求に第３の条件として含めることができるが、明示的に第３の条件に含めなくとも、表現された特徴Fiが上述した長さの条件を満たしてもよい。生成AIモデルを用いることで、技術文献Diに記載された単語、用語又は表現を単に抽出するのではなく、当該技術文献Diに必ずしも記載されていない表現で適切にその内容を把握することが可能となる。 Second Embodiment
In the first embodiment, an example was given in which the feature F is included in a list and given to the device 100. However, before requesting the first generation AI to generate the classification C, the generation AI model (also referred to as the "third AI model") may be requested (also referred to as the "third request") to generate features Fi by expressing at least a part of the technical document Di for i between 1 and p in a length less than or equal to a predetermined length, such as 125 words, 100 words, 75 words, 50 words, or 25 words in English, or 250 characters, 200 characters, 150 characters, 100 characters, or 50 characters in Japanese. In addition, the features Fi may be expressed in a length greater than or equal to a predetermined length, such as 10 words, 25 words, or 50 words in English, or 20 characters, 50 characters, or 100 characters in Japanese, so as to fully reflect the contents of the technical document Di. The features Fi may be expressed in French, German, or other languages other than English, and may be expressed in Chinese, Korean, or other languages other than Japanese. The expressed features Fi may include one or more sentences longer than a single term. Furthermore, the combination of the above upper limit and these lower limits can be included as the third condition in the third requirement, but the expressed feature Fi may satisfy the above-mentioned length condition without being explicitly included in the third condition.By using a generative AI model, it is possible to properly grasp the content of technical document Di using expressions that are not necessarily described in the technical document Di, rather than simply extracting words, terms, or expressions described in the technical document Di.

第３のAIモデルは、第１のAIモデル及び第２のAIモデルの少なくとも一方と同一であるか同一のプラットフォーム又は装置上で提供されてもよい。第３のモデルに対する第３の要求は、複数の要求に分けて、APIの複数の呼び出しによって実現してもよい。また、第３の要求は、第１の要求と同様に、あらかじめコードを用意しておき、装置１００がこれに必要な変数の設定をして実行することによって可能である。生成されたｐ個の特徴Fのいずれかについて、ユーザーが修正を加えたい場合が考えられる。このような場合には、特徴Fiを修正した特徴F’iに基づいて、より一般的にはp個の特徴Ｆの少なくともいずれかが修正された修正後特徴F’を分類可能なq個の分類C={C1,C2…,Cq}を生成する第１の要求をしてもよい。ここで、修正されたF’iは、単一の用語より長い１又は複数の文を含む。また、修正は、ユーザーが手入力した修正のほかに装置１００が所定の規則に従って行う修正その他の修正であってもよい。 The third AI model may be the same as or provided on the same platform or device as at least one of the first AI model and the second AI model. The third request for the third model may be divided into multiple requests and realized by multiple calls to the API. Also, the third request can be realized by preparing code in advance and having the device 100 set the necessary variables and execute it, as with the first request. It is possible that the user wants to make corrections to any of the generated p features F. In such a case, a first request may be made to generate q classifications C={C1, C2..., Cq} that can classify the corrected feature F' in which at least one of the p features F is corrected, based on the feature F'i obtained by correcting the feature Fi. Here, the corrected F'i includes one or more sentences that are longer than a single term. Also, the corrections may be corrections made by the device 100 according to a predetermined rule or other corrections, in addition to corrections manually input by the user.

たとえば、技術文献Diの主題を記述した部分を所定の長さ又は未満に要約することが考えられる。技術文献Diの主題を記述した部分としては、当該文献の全体の長さのうちの最初の1/2以内、さらには1/3以内の部分を採用してもよい。また、当該部分として、当該文献の冒頭又はその近傍から、第３の要求に含めることができるトークン数の上限を超えない範囲の部分を採用してもよい。ある文献の中で主題は冒頭に近い部分に記述されていることが多いと言えるためである。このようにして得られた要約は、技術文献Diの主題の少なくとも近似的な要約であると言える。 For example, it is conceivable to summarize the part describing the subject of technical document Di to a given length or less. The part describing the subject of technical document Di may be within the first half or even the first third of the total length of the document. Furthermore, the part may be a part from the beginning of the document or its vicinity, not exceeding the upper limit of the number of tokens that can be included in the third requirement. This is because the subject of a document is often described near the beginning. The summary obtained in this way can be said to be at least an approximate summary of the subject of technical document Di.

技術文献が特許文献である場合、要約の対象である技術文献Diの少なくとも一部は、当該特許文献の発明の概要欄、図面の簡単な説明欄又は発明を実施するための形態欄の前までの部分又はその一部分とすることができる。また、要約の対象である技術文献Diの少なくとも一部は、当該特許文献の１又は複数の請求項欄を含む部分とすることができる。各欄の名称は、国によって又は出願によって表記揺れがあり得ることから、かかる表記揺れを考慮して要約の対象となる部分の取得をすればよい。特許文献自体に含まれる要約は、当該文献の内容を適切に記述している可能性が低いことから、特許文献自体に含まれる要約のみを用いて特徴Fiを生成することは本実施形態には含まれない。換言すれば、要約の対象である特許文献Diの少なくとも一部は、特許文献Di自体に含まれる要約以外を含む。 When the technical document is a patent document, at least a part of the technical document Di to be abstracted may be the part of the patent document up to the Summary of the Invention, the Brief Description of the Drawings, or the Mode for Carrying Out the Invention, or a part thereof. At least a part of the technical document Di to be abstracted may be a part including one or more claim sections of the patent document. Since the names of each section may vary depending on the country or application, the part to be abstracted may be obtained taking such variations into consideration. Since the abstract included in the patent document itself is unlikely to adequately describe the contents of the document, generating features Fi using only the abstract included in the patent document itself is not included in this embodiment. In other words, at least a part of the patent document Di to be abstracted includes other than the abstract included in the patent document Di itself.

第３の要求は、p個の特徴Fを生成する上で第３のAIモデルに課される第３の条件の特定を含んでもよい。一例として、第３の条件は、要約の対象である少なくとも一部に記述された主題又は課題を抽出することである。このように明示的に「課題を抽出する」ように特定することによって、第３のAIモデルが生成する特徴Fをユーザーが求める性質のものに近づけることができる。より一般的には、第３の条件を、要約の対象である少なくとも一部から抽出すべき性質の特定とすることが考えられる。特徴Fiの生成は、それに基づいて分類Ｃを生成することを意図して説明してきたものの、技術文献の内容、特に特許文献に記述された発明の課題を適切に把握可能な１又は複数の文を生成して取得できること自体、従来技術では解決困難であったのであり、本発明の第２の実施形態は、それ自体で技術的意義を有することを付言する。特許文献によっては、「発明が解決しようとする課題」欄のように課題に関する記述がなされた欄が構造化されていることがあるが、かかる欄の記述のみで当該文献の発明の課題を理解することは困難であることが少なくなく、また、米国特許文献のようにそもそもそのような構造化がなされていない特許文献も少なくない。 The third requirement may include the specification of a third condition imposed on the third AI model in generating the p features F. As an example, the third condition is to extract a subject or problem described in at least a part of the subject of the summary. By explicitly specifying "extract a problem" in this way, the feature F generated by the third AI model can be made closer to the property desired by the user. More generally, the third condition can be the specification of a property to be extracted from at least a part of the subject of the summary. Although the generation of the feature Fi has been described with the intention of generating a classification C based on it, the fact that it is possible to generate and obtain one or more sentences that can appropriately grasp the contents of technical documents, particularly the problem of the invention described in the patent document, was difficult to solve with the prior art, and the second embodiment of the present invention has a technical significance in itself. Some patent documents may have a structured column that describes the problem, such as the "Problem to be solved by the invention" column, but it is often difficult to understand the problem of the invention of the document only from the description in such a column, and there are many patent documents, such as U.S. patent documents, that are not structured in the first place.

また、第３の条件は、特徴Fiが所定の形式であることの特定を含んでもよい。当該所定の形式は、たとえば、要約の対象である少なくとも一部が、発明の概要欄、図面の簡単な説明欄又は発明を実施するための形態欄の前までの少なくとも一部である場合には、「課題は」又はそれと同義の表現で始まる形式とすることができる。別の例として、当該所定の形式は、要約の対象である少なくとも一部が、１又は複数の請求項のいずれかを含む場合には、「発明は」若しくは「解決手段は」又はそれらと同義の表現で始まる形式とすることができる。また、当該所定の形式は、２文としてもよい。このように同一の所定の形式で要約が生成されるようにすることによって、技術文献Dの数が多数に及んだとしても、個々の技術文献に記載された発明の性質を格段に容易に確認することが可能となる。 The third condition may also include specifying that the feature Fi is in a predetermined format. The predetermined format may be, for example, a format beginning with "Problem is" or an equivalent expression when at least a part of the subject of the abstract is at least a part of the summary of the invention, the brief description of the drawings, or the description of the embodiment of the invention. As another example, the predetermined format may be a format beginning with "The invention is" or "Solution is" or an equivalent expression when at least a part of the subject of the abstract includes one or more claims. The predetermined format may also be two sentences. By generating summaries in the same predetermined format in this way, it becomes much easier to confirm the nature of the invention described in each technical document, even if there are a large number of technical documents D.

装置１００は、後述の実施形態及び実施例の中で示すように、第３の要求により生成された特徴Fiを修正した特徴F’i又はその少なくともいずれかが修正された修正後特徴F’のそれぞれに、所定のq個の分類C={C1,C2…,Cq}のうちのいずれかを付与することをAIモデルに要求してもよい。特に、ｑ個の分類Cがその他を意味する表現を含むことの特定を当該要求に含めた場合、分類が困難な技術文献が「その他」に分類されることになり、ノイズ除去の効率化が図られる。また、qの値を２又は３、特に２とすれば、p個の技術文献Dを大別して、関連性の低いものをノイズ除去する効率化が図られる。このようにしてノイズに該当する技術文献を除外してから、第１の実施形態で説明した分類の生成などを行うことで、精度を向上させることができる。加えて、当該AIモデルが生成AIモデルである場合には、分類付与の要求は、q個の分類Cのうちの少なくともいずれかについて、当該分類を付与した理由を記述することの特定を含んでもよい。当該AIモデルは、第１乃至第３のAIモデルの少なくともいずれかと同一であるか同一のプラットフォーム又は装置上で提供されてもよい。分類付与の要求は、複数の要求に分けて、APIの複数の呼び出しによって実現してもよく、第１の要求と同様に、あらかじめコードを用意しておき、装置１００がこれに必要な変数の設定をして実行することによって可能である。 As shown in the embodiments and examples described later, the device 100 may request the AI model to assign one of the q classifications C={C1, C2..., Cq} to each of the characteristics F'i obtained by correcting the characteristics Fi generated by the third request or the characteristics F' obtained by correcting at least one of the characteristics F'. In particular, if the request includes a specification that the q classifications C include an expression meaning "others", technical documents that are difficult to classify will be classified as "others", and the efficiency of noise removal will be improved. In addition, if the value of q is set to 2 or 3, especially 2, the p technical documents D are roughly classified and those with low relevance are efficiently removed from the noise. In this way, by excluding technical documents that fall under noise, and then performing the generation of the classification described in the first embodiment, the accuracy can be improved. In addition, if the AI model is a generative AI model, the request for classification may include a specification that describes the reason for assigning the classification to at least one of the q classifications C. The AI model may be the same as at least one of the first to third AI models, or may be provided on the same platform or device. The classification request may be divided into multiple requests and realized by multiple calls to the API, or, as with the first request, it is possible to prepare code in advance and have the device 100 set the necessary variables and execute it.

（第３の実施形態）
第１の実施形態で説明した閲覧画面は、ユーザー端末１１０を用いるユーザーがp個の分類C’に含まれる１又は複数の分類に対するフィードバックを入力可能とすることができる。フィードバックの例としては、当該１又は複数の分類に対する肯定的な又は否定的な選択又は評価、当該１又は複数の分類に対する修正の提案又は指定、ユーザーによる新たな分類の提案又は指定、p個の分類C’の抽象化又は具体化の提案又は指定等が挙げられる。肯定的又は否定的な評価は、たとえば、３段階以上の多段階評価が考えられる。また、技術文献Dに関連づけられたp個の分類C’ではなく、生成されたq個の分類Cに含まれる１又は複数の分類に対するフィードバックが入力可能となってもよい。p個の分類C’に対するフィードバックに関連して本明細書で記述される事項は、q個の分類Cに対するフィードバックについても同様に適用可能である。 Third Embodiment
The viewing screen described in the first embodiment can allow a user using the user terminal 110 to input feedback for one or more classifications included in the p classifications C'. Examples of feedback include positive or negative selection or evaluation of the one or more classifications, a proposal or designation of a correction for the one or more classifications, a proposal or designation of a new classification by the user, a proposal or designation of an abstraction or concretization of the p classifications C', and the like. The positive or negative evaluation may be, for example, a multi-level evaluation of three or more levels. In addition, feedback for one or more classifications included in the generated q classifications C may be input, instead of the p classifications C' associated with the technical document D. The matters described in this specification in relation to the feedback for the p classifications C' are similarly applicable to the feedback for the q classifications C.

フィードバックを受信した後に、装置１００は、当該フィードバックに応じて、p個の技術文献D又はそれらの特徴Ｆ若しくは修正後特徴F’を分類可能なr個の分類C’’={C1,C2…,Cr}を生成することを生成AIモデル（「第４のAIモデル」とも呼ぶ。）に要求（「第４の要求」とも呼ぶ。）してもよい。rは、たとえばｐ未満である。第４のAIモデルは、第１乃至第３のAIモデルの少なくともいずれかと同一であるか同一のプラットフォーム又は装置上で提供されてもよい。第４のモデルに対する第４の要求は、複数の要求に分けて、APIの複数の呼び出しによって実現してもよい。また、第４の要求は、第１の要求と同様に、あらかじめコードを用意しておき、装置１００がこれに必要な変数の設定をして実行することによって可能である。 After receiving the feedback, the device 100 may request (also referred to as "fourth request") the generative AI model (also referred to as "fourth AI model") to generate r classifications C" = {C1, C2 ... , Cr} capable of classifying p technical documents D or their features F or modified features F' in response to the feedback. r is, for example, less than p. The fourth AI model may be the same as at least one of the first to third AI models or may be provided on the same platform or device. The fourth request to the fourth model may be divided into multiple requests and realized by multiple calls to the API. Also, the fourth request can be realized by preparing code in advance and having the device 100 set the necessary variables and execute it, similar to the first request.

また、フィードバックを受信した後に、装置１００は、当該フィードバックに応じて定まるｐ個の分類Cの少なくとも一部に対応するr個の分類C’’={C1,C2…,Cr}を用いて、第２の要求を再度行ってもよい。 After receiving the feedback, the device 100 may also make a second request again using r classifications C''={C1, C2..., Cr} that correspond to at least some of the p classifications C determined in response to the feedback.

（第４の実施形態）
第１の実施形態で説明した閲覧画面は、p個の分類C’又はq個の分類Cの少なくとも一部を複数の分析軸のうちの第１の軸とする分析結果を表示可能である。当該複数の分析軸のうちの第１の軸と異なる第２の軸を時の変化を表す軸としてもよい。また、当該複数の分析軸のうちの前記第１の軸と異なる第２の軸を国別軸としてもよい。また、当該複数の分析軸のうちの前記第１の軸と異なる第２の軸をIPC、CPC、USPC、FI等の特許分類を表す軸としてもよい。生成された分類Cと既存の特許分類とを用いたマップとして分析結果を表現すると、分類Cのうちのユーザーにとって関連性が高い分類とは関連性が低い特許分類記号を判断することができ、このような情報は、たとえば、ユーザーが新たに特許データベースを検索するための検索式を作成する際に有益である。 Fourth Embodiment
The viewing screen described in the first embodiment can display the analysis result in which at least a part of the p classifications C' or the q classifications C is set as a first axis among a plurality of analysis axes. A second axis different from the first axis among the plurality of analysis axes may be set as an axis representing a change over time. In addition, a second axis different from the first axis among the plurality of analysis axes may be set as an axis representing a patent classification such as IPC, CPC, USPC, FI, etc. If the analysis result is expressed as a map using the generated classification C and existing patent classifications, it is possible to determine which classifications in classification C are highly relevant to the user and which are less relevant, and such information is useful, for example, when the user creates a search query for searching a new patent database.

（第５の実施形態）
装置１００は、p個の技術文献Dとは別にs個(s>1)の技術文献D={D1,D2,…,Ds}の指定を受信して、1以上s以下のiについて、生成したq個の分類Cの中から、技術文献Diを表す分類をC'iとして関連づけることをAIモデル（「第５のAIモデル」とも呼ぶ。）に要求（「第５の要求」とも呼ぶ。）してもよい。この際、第２の要求は、なされてもなされなくてもよい。また、s個の第２の組の技術文献Dの指定は、q個の分類Cの生成前に受信してもよい。フィードバックに応じて、分類を再度生成してr個の分類C’’を得ている場合又はq個の分類Cの少なくとも一部に対応するr個の分類C’’が定まっている場合には、その分類を用いてもよい。第５のAIモデルは、第１乃至第４のAIモデルの少なくともいずれかと同一であるか同一のプラットフォーム上で提供されてもよい。第５のモデルに対する第５の要求は、複数の要求に分けて、APIの複数の呼び出しによって実現してもよい。また、第５の要求は、第１の要求と同様に、あらかじめコードを用意しておき、装置１００がこれに必要な変数の設定をして実行することによって可能である。 Fifth Embodiment
The device 100 may receive the designation of s (s>1) technical documents D={D1, D2, ..., Ds} in addition to the p technical documents D, and may request (also referred to as the "fifth request") the AI model (also referred to as the "fifth AI model") to associate a classification representing the technical document Di as C'i from among the generated q classifications C for i between 1 and s. In this case, the second request may or may not be made. The designation of the s second set of technical documents D may be received before the generation of the q classifications C. In the case where the classification is regenerated in response to the feedback to obtain r classifications C'' or where r classifications C'' corresponding to at least a part of the q classifications C have been determined, the classifications may be used. The fifth AI model may be the same as at least one of the first to fourth AI models or may be provided on the same platform. The fifth request to the fifth model may be divided into multiple requests and realized by multiple calls to the API. Similarly to the first request, the fifth request can be made by preparing code in advance and having the device 100 set the necessary variables and execute the code.

装置１００は、明示的にs個の技術文献Dにq個の分類Cを関連づけることではなく、より直接的に検索を行うことをプラットフォーム１２０に要求してもよい。つまり、装置１００は、ユーザー端末１１０から、ユーザー端末１１０に送信されたq個の分類Cの少なくとも一部又はそれに対応する分類の中からユーザーが指定した分類に関連する技術文献をs個の技術文献Dの中から判定することの要求を受信して、AIモデル（「第６のAIモデル」とも呼ぶ。）に当該判定を行うことの要求（「第６の要求」とも呼ぶ。）を送信するようにしてもよい。装置１００は、判定結果を受信して記憶することができる。第６のAIモデルは、第１乃至第５のAIモデルの少なくともいずれかと同一であるか同一のプラットフォーム又は装置上で提供されてもよい。第６のモデルに対する第６の要求は、複数の要求に分けて、APIの複数の呼び出しによって実現してもよい。また、第６の要求は、第１の要求と同様に、あらかじめコードを用意しておき、装置１００がこれに必要な変数の設定をして実行することによって可能である。 The device 100 may request the platform 120 to perform a more direct search, rather than explicitly associating q classifications C with s technical documents D. That is, the device 100 may receive a request from the user terminal 110 to determine, from among s technical documents D, technical documents related to a classification specified by the user from among at least a part of the q classifications C or the classifications corresponding thereto, transmitted to the user terminal 110, and transmit a request (also referred to as the "sixth request") to the AI model (also referred to as the "sixth AI model") to perform the determination. The device 100 may receive and store the determination result. The sixth AI model may be the same as at least one of the first to fifth AI models, or may be provided on the same platform or device. The sixth request for the sixth model may be divided into multiple requests and realized by multiple calls to the API. Also, the sixth request can be realized by preparing code in advance, as with the first request, and having the device 100 set the necessary variables and execute it.

（第６の実施形態）
第１の実施形態において、特許文献Dの指定を検索式によって間接的に行う場合について言及したところ、ユーザー端末１１０から装置１００が技術を表す記述を受信し、当該記述に基づいて１又は複数の検索式を生成することを生成AIモデル（「第７のAIモデル」とも呼ぶ。）に要求（「第７の要求」とも呼ぶ。）してもよい。第７のAIモデルは、第１乃至第６のAIモデルの少なくともいずれかと同一であるか同一のプラットフォーム又は装置上で提供されてもよい。第７のモデルに対する第７の要求は、複数の要求に分けて、APIの複数の呼び出しによって実現してもよい。また、第７の要求は、第１の要求と同様に、あらかじめコードを用意しておき、装置１００がこれに必要な変数の設定をして実行することによって可能である。 Sixth Embodiment
In the first embodiment, the case where Patent Document D is indirectly designated by a search expression is mentioned. The device 100 may receive a description representing a technology from the user terminal 110 and may request (also referred to as a "seventh request") the generating AI model (also referred to as a "seventh AI model") to generate one or more search expressions based on the description. The seventh AI model may be the same as at least one of the first to sixth AI models or may be provided on the same platform or device. The seventh request to the seventh model may be divided into multiple requests and realized by multiple calls to the API. In addition, the seventh request can be realized by preparing code in advance and having the device 100 set the necessary variables and execute it, similar to the first request.

装置１００は、生成された１又は複数の検索式を用いて技術文献データベース１３０を検索して得られる文献数を技術文献データベース１３０に要求することができ、当該文献数を用いて検索式を評価してもよい。技術文献データベース１３０に対する要求は、生成された複数の検索式のうちの全部又は２以上の検索式を連結した検索式を用いて行ってもよい。文献数が所定の条件を満たすまで第６の要求を複数回行うことで、検索式の作成という複雑な工程を著しく自動化ないし省力化することができる。たとえば、当該条件は、５０件以上又は超１００件未満又は以下とすることができ、より一般的には、５０件以上又は超の下限値以上又は超であり、１００件未満又は以下の上限値未満又は以下であることを条件とすることが例として挙げられる。さらに一般的には、当該条件は、１件以上の下限値以上又は超であり、５０件又は１００件未満又は以下の上限値未満又は以下であることを条件とすることができる。 The device 100 may request the technical literature database 130 for the number of documents obtained by searching the technical literature database 130 using one or more generated search expressions, and may use the number of documents to evaluate the search expressions. The request to the technical literature database 130 may be made using a search expression that combines all or two or more of the generated search expressions. By making the sixth request multiple times until the number of documents satisfies a predetermined condition, the complex process of creating a search expression can be significantly automated or labor-saving. For example, the condition may be 50 or more and less than 100, or less than or equal to 50, or more generally, a condition of being equal to or more than a lower limit of 50 or more and less than or equal to an upper limit of 100 or less. More generally, the condition may be equal to or more than a lower limit of 1 or more and less than or equal to an upper limit of 50 or less and less than or equal to 100.

生成された１又は複数の検索式の少なくとも一部は、ユーザー端末１１０を用いるユーザーがフィードバックを入力可能となるように、装置１００からユーザー端末１１０に送信してもよい。当該送信は、ユーザー端末１１０において生成された１又は複数の検索式の少なくとも一部の閲覧画面を表示するための閲覧画面表示情報の送信によってもよい。閲覧画面表示情報は、たとえばHTML形式のファイルとして送信され、ユーザー端末１１０のウェブブラウザにより読み込まれて、ユーザー端末１１０の表示画面に閲覧画面を表示させることができる。 At least a portion of the generated search formula or formulas may be transmitted from the device 100 to the user terminal 110 so that a user using the user terminal 110 can input feedback. The transmission may be by transmitting viewing screen display information for displaying a viewing screen of at least a portion of the generated search formula or formulas in the user terminal 110. The viewing screen display information may be transmitted, for example, as an HTML file and read by the web browser of the user terminal 110 to display the viewing screen on the display screen of the user terminal 110.

フィードバックの例としては、表示された検索式に対する肯定的な又は否定的な選択又は評価、表示された検索式に対する修正の提案又は指定、ユーザーによる新たな検索式の提案又は指定、表示された検索式の抽象化又は具体化の提案又は指定等が挙げられる。肯定的又は否定的な評価は、たとえば、３段階以上の多段階評価が考えられる。検索式の修正の提案又は指定があった場合、生成された１若しくは複数の検索式又は修正がなされた１若しくは複数の検索式が上記所定の条件を満たすか否かの判定を行うことができる。 Examples of feedback include a positive or negative selection or evaluation of the displayed search query, a suggested or specified modification to the displayed search query, a suggestion or specification of a new search query by the user, a suggested or specified abstraction or concretization of the displayed search query, etc. Positive or negative evaluation may be a multi-level evaluation of, for example, three or more levels. When a suggestion or specification of a modification to a search query is made, it can be determined whether the generated search query or search queries or the modified search query or search queries satisfy the above-mentioned specified conditions.

いずれかの検索式が所定の条件を満たすか否かを判定し、判定結果が肯定的である場合、装置１００は、当該検索式により技術文献データベース１３０を検索して定まるp個(p>1)の技術文献D={D1,D2,…,Dp}を特定するデータを取得することができる。たとえば、技術文献Ｄを特定するためのリストを技術文献データベース１３０から受信することによって、当該データの取得がなされてもよい。判定結果が否定的である場合には、第７の要求を再度行うことができる。 It is determined whether any of the search expressions satisfies a predetermined condition, and if the determination result is positive, the device 100 can obtain data identifying p (p>1) technical documents D={D1, D2, ..., Dp} determined by searching the technical document database 130 using the search expression. For example, the data may be obtained by receiving a list for identifying technical document D from the technical document database 130. If the determination result is negative, the seventh request can be made again.

また、装置１００は、技術文献Dのそれぞれに付与された１若しくは複数の特許分類又は筆頭の特許分類を集計して、所定の順位までのものの少なくとも一部を用いて１又は複数の検索式を生成することを第７の生成AIモデルに要求してもよい。当該特許文献Dの特定に用いた検索式が１又は複数の特許分類を含む場合、当該１又は複数の特許分類以外のものを追加的又は代替的に用いることで、特許分類の網羅性を高めることができる。 The device 100 may also request the seventh generative AI model to tally up one or more patent classifications or top patent classifications assigned to each of the technical documents D and generate one or more search queries using at least some of those up to a predetermined rank. When the search query used to identify the patent document D includes one or more patent classifications, the comprehensiveness of the patent classifications can be increased by additionally or alternatively using classifications other than the one or more patent classifications.

第７のAIモデルは、ユーザー端末１１０上でアプリケーション又はプログラムを実行することにより提供されてもよい。この場合、ユーザー端末１１０から装置１００に送信されるものとして説明した技術文献Dの指定は、ユーザー端末１１０上で当該アプリケーションにより取得されればよい。このようにすることによって、たとえば、分析対象となる技術が未公開技術である場合、当該技術を表す記述を装置１００又はプラットフォーム１２０に送信しなくてよくなり、機密性が損なわれるおそれが生じない。 The seventh AI model may be provided by executing an application or program on the user terminal 110. In this case, the specification of technical document D, which has been described as being transmitted from the user terminal 110 to the device 100, may be acquired by the application on the user terminal 110. By doing so, for example, if the technology to be analyzed is undisclosed technology, it is not necessary to transmit a description of the technology to the device 100 or platform 120, and there is no risk of confidentiality being compromised.

ユーザー端末１１０を中心に捉えれば、本実施形態では、ユーザー端末１１０は、分析対象となる技術を表す記述をユーザー端末１１０上で実行されるアプリケーションに提供し、当該アプリケーションが生成AIモデルである第６のAIモデルを用いて当該記述に基づいて１又は複数の検索式を生成する。 Focusing on the user terminal 110, in this embodiment, the user terminal 110 provides a description describing the technology to be analyzed to an application executed on the user terminal 110, and the application generates one or more search queries based on the description using a sixth AI model, which is a generative AI model.

必要に応じて、上述した又は後述する実施形態においても、本実施形態と同様に、生成AIモデルをユーザー端末１１０上で実行されるアプリケーションによって提供されるものとすることも考えられる。 If necessary, in the embodiments described above or below, the generative AI model may be provided by an application running on the user terminal 110, as in this embodiment.

本実施形態で説明した検索式の生成及びそれに基づく技術文献Dの特定は、分析対象となる技術文献の母集団形成を自動化又は省力化するものであり、その後の分析とは切り離してもそれ自体として技術的意義を有することを付言する。 The generation of the search query described in this embodiment and the identification of technical document D based on it automate or reduce the labor required to form a population of technical documents to be analyzed, and we would like to add that this has technical significance in itself even when separated from the subsequent analysis.

（第７の実施形態）
第６の実施形態で説明した技術文献データベース１３０の検索によるp個の技術文献Ｄの特定は、特許出願に当たって行われることがある先行技術文献の調査に応用することができる。 Seventh Embodiment
The identification of p technical documents D by searching the technical document database 130 described in the sixth embodiment can be applied to a search of prior art documents that may be conducted when filing a patent application.

まず、装置１００が、ユーザー端末１１０から、技術を表す記述を受信する（Ｓ４０１）。そして、装置１００が、当該記述に基づいて１又は複数の検索式を生成することを第７のAIモデルに要求する第７の要求を行う（Ｓ４０２）。第７の生成AIモデルは、１又は複数の検索式を生成し（Ｓ４０３）、これらを装置１００に送信する（Ｓ４０４）。 First, the device 100 receives a description describing a technology from the user terminal 110 (S401). The device 100 then makes a seventh request to the seventh AI model to generate one or more search expressions based on the description (S402). The seventh generative AI model generates one or more search expressions (S403) and transmits them to the device 100 (S404).

次いで、装置１００は、受信した１又は複数の検索式のうちの少なくともいずれかを用いて、技術文献データベース１３０に対して検索要求を行い（Ｓ４０５）、その応答として、p個の技術文献Dを特定するデータを取得する（Ｓ４０６）。 Next, the device 100 makes a search request to the technical literature database 130 using at least one of the received search expressions (S405), and obtains data identifying p technical documents D in response (S406).

そして、装置１００は、1以上p以下のiについて、技術文献Diの少なくとも一部を要約して特徴Fiを生成することを第３のAIモデルに要求する第３の要求を行う（Ｓ４０７）。第３のAIモデルは、特徴Fiを生成し（Ｓ４０８）、装置１００に送信する（Ｓ４０９）。 Then, the device 100 makes a third request to the third AI model to generate features Fi by summarizing at least a portion of the technical documents Di for i between 1 and p (S407). The third AI model generates the features Fi (S408) and transmits them to the device 100 (S409).

装置はさらに、1以上p以下のiについて、技術文献Diに関連づけられた特徴Fiの当該記述との関連性を表すq個の分類C={C1,C2…,Cq}のうちのいずれかをCi’として付与することをAIモデル（以下「第８のAIモデル」とも呼ぶ。）に要求（「第８の要求」とも呼ぶ。）することができる。第８のAIモデルは、特徴Fiに対してq個の分類C={C1,C2…,Cq}のうちのいずれかを分類Ci’として付与し（Ｓ４１１）、装置１００に送信する（Ｓ４１２）。第８のAIモデルは、第１乃至第７のAIモデルの少なくともいずれかと同一であるか同一のプラットフォーム又は装置上で提供されてもよい。第８のモデルに対する第８の要求は、複数の要求に分けて、APIの複数の呼び出しによって実現してもよい。また、第８の要求は、第１の要求と同様に、あらかじめコードを用意しておき、装置１００がこれに必要な変数の設定をして実行することによって可能である。 The device can further request (also referred to as the "eighth request") the AI model (hereinafter also referred to as the "eighth AI model") to assign, for i between 1 and p, one of q classifications C={C1, C2..., Cq} representing the relevance of the feature Fi associated with the technical document Di to the description, as Ci'. The eighth AI model assigns one of q classifications C={C1, C2..., Cq} to the feature Fi as classification Ci' (S411) and transmits it to the device 100 (S412). The eighth AI model may be provided on the same platform or device as at least one of the first to seventh AI models. The eighth request to the eighth model may be divided into multiple requests and realized by multiple calls to the API. Also, the eighth request can be made by preparing code in advance, as with the first request, and the device 100 setting the necessary variables and executing it.

ここで、q個の分類Cは、qが２又は３であることが好ましい。ユーザー端末１１０から受信した技術を表す記述との関連性を評価できればよいので、２段階又は３段階の評価で足りることが多いためである。qが２の場合、たとえば、“Y” を相対的に関連性が高いことを示し、 “N” を相対的に関連性が低いことを示す分類として、分類Cを{Y,N}としてもよい。第８のAIモデルが生成AIモデルである場合には、第８の要求は、q個の分類Cのうちの少なくともいずれかについて、当該分類を付与した理由を記述することの特定を含んでもよい。たとえば、分類C={Y,N}のうちの “Y” について、関連性が相対的に高い理由を記述することを第８のAIモデルに要求することができる。また、関連性が相対的に低いことを示す分類である分類 “N” については明示的に付与しないことも考えられる。 Here, it is preferable that q of the q classifications C is 2 or 3. This is because it is sufficient to evaluate the relevance to the description representing the technology received from the user terminal 110, and a two- or three-level evaluation is often sufficient. When q is 2, for example, the classification C may be {Y,N}, with "Y" indicating relatively high relevance and "N" indicating relatively low relevance. When the eighth AI model is a generative AI model, the eighth request may include a specification that describes the reason for assigning the classification to at least one of the q classifications C. For example, the eighth AI model may be requested to describe the reason why "Y" in the classification C={Y,N} is relatively high relevance. It is also possible not to explicitly assign the classification "N", which is a classification indicating relatively low relevance.

図４では、特徴Fのそれぞれに対する分類付与を繰り返し要求する例を示しているが、APIの単一の呼び出しによって、特徴Ｆに含まれる各特徴に対する分類付与が行われてもよい。また、図４の例では、特徴Fiの生成と当該特徴Fiに対する分類付与を別個の要求によって実現しているが、第３のAIモデルと第８のAIモデルが同一の生成AIモデルであるか同一のプラットフォーム上で提供される生成AIモデルである場合には、APIの単一の呼び出しによって、これらの要求を行ってもよい。 Figure 4 shows an example of repeatedly requesting classification for each feature F, but classification for each feature included in feature F may be performed with a single call to the API. Also, in the example of Figure 4, the generation of feature Fi and classification for feature Fi are realized with separate requests, but if the third AI model and the eighth AI model are the same generative AI model or are generative AI models provided on the same platform, these requests may be made with a single call to the API.

そして、装置１００は、1以上p以下のiについて、技術文献Diに付与された分類Ci’を受信して記憶し、必要に応じてその少なくとも一部をユーザー端末に送信する（Ｓ４１３）。当該送信は、ユーザー端末１１０においてp個の分類C’の少なくとも一部を含む分類情報又は当該少なくとも一部が付与された１若しくは複数の文献を特定する文献情報の閲覧画面を表示するための閲覧画面表示情報の送信としてもよい。閲覧画面表示情報は、たとえばHTML形式のファイルとして送信され、ユーザー端末１１０のウェブブラウザにより読み込まれて、ユーザー端末１１０の表示画面に閲覧画面を表示させることができる。 Then, the device 100 receives and stores the classifications Ci' assigned to the technical documents Di for i between 1 and p, and transmits at least a portion of them to the user terminal as necessary (S413). The transmission may be transmission of viewing screen display information for displaying a viewing screen of classification information including at least a portion of the p classifications C' on the user terminal 110, or document information identifying one or more documents to which the at least a portion has been assigned. The viewing screen display information is transmitted, for example, as a file in HTML format, and can be read by the web browser of the user terminal 110 to display the viewing screen on the display screen of the user terminal 110.

当該閲覧画面は、ｐ個の技術文献Dのうちのｑ個の分類Cのうちのいずれか１つが付与された１又は複数の技術文献のみを含んでもよい。たとえば、分類 “Y” が付与された文献のみがユーザーに提示されるような場合である。さらに、当該閲覧画面は、p個の技術文献Dを定めた検索式を含むことができる。先行技術文献調査は、いかなる検索式で母集団を形成したのかがその信頼性の観点から重大な意味をもち、調査の対象である技術と関連する技術文献を調査結果として得られるだけでなく、そのために用いられた検索式も併せて知ることができる。 The viewing screen may include only one or more technical documents that have been assigned one of the q classifications C out of the p technical documents D. For example, only documents that have been assigned classification "Y" may be presented to the user. Furthermore, the viewing screen may include a search formula that defines the p technical documents D. In a prior art document search, the search formula used to form the population is of great importance in terms of its reliability, and not only can technical documents related to the technology being searched for be obtained as search results, but the search formula used for that purpose can also be known.

説明したような先行技術文献調査の結果は、企業において、創出された発明を特許出願するか否かを判断するために作成される発明提案書又は発明届出書に記載されることが多いことから、当該閲覧画面を発明届出書又は発明提案書の形式の文書を含むようにしてもよい。より具体的には、当該文書は、ユーザー端末１１０から受信した記述若しくはその一部又はこれらに対応する記述を含み、ｐ個の技術文献Dのうちのｑ個の分類Cのうちのいずれか１つが付与された１又は複数の技術文献を特定する文献情報、当該１又は複数の技術文献に関連づけられた１又は複数の特徴、及びp個の技術文献Dを定めた検索式のいずれか又はこれらの任意の組み合わせを含んでもよい。 The results of the prior art literature search as described above are often written in an invention proposal or invention notification document prepared by a company to determine whether or not to apply for a patent for the created invention, so the viewing screen may include a document in the form of an invention notification document or invention proposal. More specifically, the document may include a description received from the user terminal 110 or a part of the description or a description corresponding to the description, and may include literature information identifying one or more technical literatures to which any one of the q classifications C among the p technical literatures D is assigned, one or more features associated with the one or more technical literatures, and a search formula defining the p technical literatures D, or any combination of these.

図５に、本発明の第７の実施形態にかかる第８のAIモデルに対する第８の要求のためのコードの一部の一例を示す。図８の例は、プログラミング言語Pythonで記述したコードの一部であり、当該コードを実行することによって、OpenAI APIを呼び出し、プラットフォーム１２０上で提供される第８のAIモデルに分類の付与を行わせることができる。ここで、変数 “model” は利用する生成AIモデルの種類を表す。OpenAI APIは例示であり、その他のAPIを用いてもよい。また、プログラミング言語Pythonは例示であり、その他の言語を用いてもよい。第８の要求を行うためのコードは、記憶部１０３に記憶しておき、装置１００がこれを取得して、当該コードに含まれる変数に値を設定して得られるコードを実行すればよい。 Figure 5 shows an example of a part of the code for the eighth request to the eighth AI model according to the seventh embodiment of the present invention. The example in Figure 8 is a part of the code written in the programming language Python, and by executing the code, the OpenAI API can be called and the eighth AI model provided on the platform 120 can be assigned a classification. Here, the variable "model" represents the type of generative AI model to be used. The OpenAI API is an example, and other APIs may be used. Furthermore, the programming language Python is an example, and other languages may be used. The code for making the eighth request is stored in the storage unit 103, and the device 100 acquires the code and executes the code obtained by setting values to variables included in the code.

図５の例では、生成AIモデルに、ユーザー端末１１０から受信した技術を表す記述を変数 “description” の値として設定し、p個の技術文献Ｄに関連づけられた課題の要約を文献ごとに変数 “problem” の値として設定している。このコードをp回繰り返し実行することで、p個の技術文献Dに対して分類付与を行っている。また、図５の例では、qの値は２であり、分類 “Y” が付与される場合にはその理由を応答に含めることが指示されている。 In the example of Figure 5, the description of the technology received from the user terminal 110 is set as the value of the variable "description" in the generative AI model, and summaries of the issues associated with the p technical documents D are set for each document as the value of the variable "problem". By repeatedly executing this code p times, classification is assigned to the p technical documents D. Also, in the example of Figure 5, the value of q is 2, which indicates that if classification "Y" is assigned, the reason for this is to be included in the response.

変数 “problem” を変数 “claim” に変更して、p個の技術文献Ｄに関連づけられた請求項の要約を文献ごとに設定すれば、請求項の観点からの分類付与ができるように、所望の分析の観点に照らして、適宜修正をすればよい。たとえば、ユーザー端末１１０から与えられた記述が表す技術が、請求項の要約により定まる発明を用いる可能性が高いものである場合に関連性が相対的に高いことを示す分類を付与するようにコードを修正すれば、上述した出願前調査ではなく、侵害予防調査の効率化につながる。また、p個の技術文献Ｄに関連づけられた課題の要約を文献ごとに変数 “problem” の値として設定し、ユーザー端末１１０から与えられた記述が表す技術が解決可能な課題である可能性が高い場合に関連性が相対的に高いことを示す分類を付与するようにコードを修正すれば、自社技術を提供可能な潜在的な顧客を発見することができる。 If the variable "problem" is changed to the variable "claim" and the summary of the claim associated with p technical documents D is set for each document, the code can be modified appropriately in light of the desired analysis viewpoint so that classification can be assigned from the perspective of the claim. For example, if the technology represented by the description given from the user terminal 110 is likely to use the invention defined by the claim summary, the code can be modified to assign a classification indicating a relatively high relevance, which leads to the efficiency of infringement prevention investigation rather than the above-mentioned pre-application investigation. In addition, if the summary of the problem associated with p technical documents D is set as the value of the variable "problem" for each document and the code is modified to assign a classification indicating a relatively high relevance for each document so that the technology represented by the description given from the user terminal 110 is likely to be a solvable problem, potential customers to whom the company's technology can be provided can be found.

（第８の実施形態）
装置１００は、第１の実施形態において説明したように、特徴Fをp個の技術文献Dのそれぞれに記述された主題の要約又はその近似的な要約とした場合、生成された特徴Fの少なくとも一部に基づいて、解決すべき１又は複数の新たな課題を生成することをAIモデル（以下「第９のAIモデル」とも呼ぶ。）に要求（以下「第９の要求」とも呼ぶ。）することができる。生成される新たな課題は、単一の用語よりも長い１又は複数の文を含む。第９のAIモデルは、第１乃至第８のAIモデルの少なくともいずれかと同一であるか同一のプラットフォーム又は装置上で提供されてもよい。第９のモデルに対する第９の要求は、複数の要求に分けて、APIの複数の呼び出しによって実現してもよい。また、第９の要求は、第１の要求と同様に、あらかじめコードを用意しておき、装置１００がこれに必要な変数の設定をして実行することによって可能である。 Eighth embodiment
As described in the first embodiment, when the feature F is a summary or an approximate summary of the subject matter described in each of the p technical documents D, the device 100 can request (hereinafter also referred to as the "ninth request") the AI model (hereinafter also referred to as the "ninth AI model") to generate one or more new problems to be solved based on at least a part of the generated feature F. The new problem to be generated includes one or more sentences longer than a single term. The ninth AI model may be provided on the same platform or device as at least one of the first to eighth AI models. The ninth request to the ninth model may be divided into multiple requests and realized by multiple calls to the API. Similarly to the first request, the ninth request can be made by preparing code in advance and having the device 100 set the necessary variables and execute it.

第９の要求において用いられるp個の特徴Fの少なくとも一部は、当該p個の特徴Fに付与されたq個の分類Cのうちのいずれかが付与されたものとすることができる。このように、新たな課題生成の文脈となる１又は複数の課題を限定することによって、現実的に参考となる新たな課題を生成し、新たな発明の創出を促すことができる。 At least some of the p features F used in the ninth requirement can be assigned any of the q classifications C assigned to the p features F. In this way, by limiting one or more problems that form the context for generating a new problem, a new problem that can be used as a practical reference can be generated, and the creation of a new invention can be promoted.

実施例１
請求項に ”metaverse” を含む米国特許文献を検索して50件の母集団を形成した。50件の特許文献の出願番号、出願日、公開番号、出願人又は特許権者及び発明の名称を含むスプレッドシートを作成した。当該スプレッドシートに列挙された50件の特許文献のそれぞれについて、OCRを施した公開公報のPDFファイルから、発明を実施するための形態（DETAILED DESCRIPTION）欄を含むページ又はこれに対応するページまでの文章を読み出して、当該文章に記述された課題の要約を生成することをOpenAIがAPIとして提供する生成AIモデルであるGPT-4（商標）に要求した。当該読み出し及び要求は、プログラミング言語Pythonで記述したコードを実行することによって行った。生成された課題の要約は、上記スプレッドシートに追加した。このようにして得られたスプレッドシートは以下のとおりである。 Example 1
A population of 50 U.S. patent documents containing the term "metaverse" in the claims was searched. A spreadsheet was created containing the application number, application date, publication number, applicant or patent owner, and invention title of the 50 patent documents. For each of the 50 patent documents listed in the spreadsheet, a request was made to GPT-4 (trademark), a generative AI model provided by OpenAI as an API, to read the text from the PDF file of the publication that has been subjected to OCR up to the page containing the DETAILED DESCRIPTION column or the page corresponding to this, and generate a summary of the problem described in the text. The reading and request were performed by executing code written in the programming language Python. The generated problem summary was added to the spreadsheet. The spreadsheet obtained in this way is as follows.

上記スプレッドシートに含まれる50件の特許文献の中から最初の20件を分析対象の技術文献Dとして選択し、生成AIモデルをGPT-4とした場合に図３に示すコードに対応するコードを用いて、当該20件の技術文献Dを分類可能な分類を生成するとともに、各技術文献を表す分類を当該技術文献に関連づけることを要求したところ、文献2、10、14、15及び16に “Metaverse Enhancements” が関連づけられ、文献4、5、6、7、8及び11に “Data Organization and Security” が関連づけられた。20件の特許文献を読むことなく、性質の異なる文献を区別できており、これらの文献の分析が可能となっている。 The first 20 of the 50 patent documents included in the spreadsheet were selected as technical document D to be analyzed, and a classification capable of classifying the 20 technical documents D was generated using a code corresponding to the code shown in Figure 3 when the generating AI model was GPT-4. A request was also made to associate a classification representing each technical document with the technical document. As a result, documents 2, 10, 14, 15, and 16 were associated with "Metaverse Enhancements," and documents 4, 5, 6, 7, 8, and 11 were associated with "Data Organization and Security." It was possible to distinguish between documents of different natures without reading the 20 patent documents, making it possible to analyze these documents.

また、上記スプレッドシートに含まれる50件の特許文献の中から最後の20件を分析対象の技術文献Dとして選択し、同様にGPT-4に要求を送信したところ、文献31、32、43及び50に “Secure authentication and object verification” が関連づけられ、文献35、38、39、46及び48に “Avatar behavior and interaction” が関連づけられた。上記スプレッドシートの課題の要約を見る限り、文献39及び48については必ずしも適切な分類ではない可能性があるものの、その他については、課題の要約に関連性のある分類となっており、20件の特許文献を読むことなく、文献の分析が可能となっている。 In addition, the last 20 of the 50 patent documents included in the spreadsheet were selected as technical document D to be analyzed, and a request was sent to GPT-4 in the same way. Documents 31, 32, 43, and 50 were associated with "Secure authentication and object verification," and documents 35, 38, 39, 46, and 48 were associated with "Avatar behavior and interaction." Looking at the problem summaries in the spreadsheet above, documents 39 and 48 may not necessarily be classified appropriately, but the rest are classified in a way that is relevant to the problem summaries, making it possible to analyze the documents without reading the 20 patent documents.

以上のようにして生成された分類に対するフィードバックとして、分類C={metaverse enhancements, data organization, authentication and verification, avatar behavior, others}を指定し、上記スプレッドシートに含まれる11から40番の特許文献のそれぞれを表す分類を判定することの要求をGPT-4に送信した結果を以下の表に示す。 As feedback for the classification generated in the above manner, we specified classification C={metaverse enhancements, data organization, authentication and verification, avatar behavior, others} and sent a request to GPT-4 to determine the classification representing each of patent documents 11 to 40 included in the spreadsheet above. The results are shown in the table below.

たとえば、文献１１及び３８については必ずしも適切ではない分類に関連づけられていると解する余地があるものの、特許調査等の分析において一定程度のノイズが発生することは不可避であり、上記表の分類は、いずれの特許文献を読むことなく、既存の特許分類も用いることなく、各文献の性質を把握可能とする実用に耐え得る有益な分析結果となっている。 For example, although there is room to conclude that documents 11 and 38 are associated with classifications that are not necessarily appropriate, it is inevitable that a certain amount of noise will occur in analyses such as patent searches, and the classifications in the table above provide useful and practical analytical results that allow one to grasp the nature of each document without reading any of the patent documents or using existing patent classifications.

実施例２
実施例１で生成した50個の課題の要約に対して、図５に示すコードを用いて ”Y” 又は “N“ の分類付与を行った結果を以下の表に示す。変数 “description” には、“detection of authenticity of metaverse objects” を設定した。 Example 2
The following table shows the results of classifying the 50 task summaries generated in Example 1 into "Y" or "N" using the code shown in Figure 5. The variable "description" was set to "detection of authenticity of metaverse objects."

分類 “Y” が付与されたそれぞれの理由については、以下の表のとおりである。 The reasons why classification "Y" was assigned are as follows:

表に示されるように、メタバース内のオブジェクトの真正性に直接的又は間接的に関連性が高い文献に分類 “Y” が付与されており、多数の技術文献の内容を短時間で把握可能になっている。 As shown in the table, documents that are directly or indirectly related to the authenticity of objects in the metaverse are given a classification of "Y," making it possible to quickly grasp the contents of a large number of technical documents.

なお、上述の説明では、一例において、q個の分類Cを生成して、それらの中から、p個の技術文献Dのそれぞれを表す分類をCi’として技術文献Diに関連づけるものことを記述したが、p個の技術文献D又はそれらの特徴Ｆ若しくは修正後特徴F’を分類可能なq個の分類C={C1,C2…,Cq}(1<q<p)を、各技術文献に関連づけて生成し、技術文献Diに関連づけられた分類をC'iとして受信して記憶するようにすることもできる。 In the above explanation, in one example, q classifications C are generated, and from among them, a classification representing each of p technical documents D is associated with technical document Di as Ci'. However, it is also possible to generate q classifications C = {C1, C2 ... Cq} (1 < q < p) capable of classifying p technical documents D or their features F or modified features F' in association with each technical document, and receive and store the classification associated with technical document Di as C'i.

上述の実施形態において、「のみに基づいて」、「のみに応じて」、「のみの場合」というように「のみ」との記載がなければ、本明細書においては、付加的な情報も考慮し得ることが想定されていることに留意されたい。また、一例として、「ａの場合にｂする」という記載は、明示した場合を除き、「ａの場合に常にｂする」こと、「ａの直後にｂする」ことを必ずしも意味しないことに留意されたい。また、「Ａを構成する各ａ」という記載は、必ずしもＡが複数の構成要素によって構成されることを意味するものではなく、構成要素が単数であることを含む。 In the above embodiments, unless the word "only" is used, such as "based only on," "depending only on," or "only in the case of," it is assumed that additional information may be taken into consideration in this specification. As an example, please note that the statement "do b when a" does not necessarily mean "do b always when a" or "do b immediately after a" unless expressly stated. Furthermore, the statement "each a constituting A" does not necessarily mean that A is composed of multiple components, but includes the case where the component is singular.

また、上述した本発明の各実施形態は、互いに矛盾しない範囲でそれらを任意に組み合わせることが本明細書の開示に含まれることに留意されたい。 Please note that the disclosure of this specification includes any combination of the above-mentioned embodiments of the present invention to the extent that they are not mutually exclusive.

また、念のため、なんらかの方法、プログラム、端末、装置、サーバ又はシステム（以下「方法等」）において、本明細書で記述された動作と異なる動作を行う側面があるとしても、本発明の各態様は、本明細書で記述された動作のいずれかと同一の動作を対象とするものであり、本明細書で記述された動作と異なる動作が存在することは、当該方法等を本発明の各態様の範囲外とするものではないことを付言する。 For the avoidance of doubt, even if there is an aspect of a method, program, terminal, device, server, or system (hereinafter "method, etc.") that performs an operation different from that described in this specification, each aspect of the present invention is directed to an operation identical to any of the operations described in this specification, and the existence of an operation different from that described in this specification does not cause the method, etc. to fall outside the scope of each aspect of the present invention.

また、上述の説明では、複数のAIモデルに言及をしているところ、たとえば、第２の実施形態では、第１のAIモデルに要求を行う前に第３のAIモデルに要求を行う。このよう場合において、易読性の観点から、第３のAIモデルを「AIモデルk」と呼び、第１のAIモデルを「AIモデルl」と呼ぶことがある。そして、第１のAIモデルに要求を行った後にさらに第２のAIモデルに要求を行う場合には、第2のAIモデルを「AIモデルm」と呼ぶことがあり、その他のAIモデルについても、適宜読み替えればよい。 In addition, while the above description refers to multiple AI models, for example, in the second embodiment, a request is made to a third AI model before making a request to the first AI model. In such a case, from the standpoint of readability, the third AI model may be referred to as "AI model k" and the first AI model as "AI model l." Then, if a request is made to a second AI model after making a request to the first AI model, the second AI model may be referred to as "AI model m," and the other AI models may be interpreted as appropriate.

１００装置
１０１通信部
１０２処理部
１０３記憶部
１０４データベース
１１０ユーザー端末
１２０プラットフォーム
１３０技術文献データベース Reference Signs List 100: Device 101: Communication unit 102: Processing unit 103: Storage unit 104: Database 110: User terminal 120: Platform 130: Technical literature database

Claims

1. A method for searching technical literature, comprising:
receiving, by a computer, a description describing a technique from a user terminal;
A step of the computer making a request k to an AI model (k) to generate one or more query expressions based on the description;
The computer acquires data identifying p (p>1) technical documents D={D1, D2, ..., Dp} determined by searching a technical document database using at least one of the generated search formula or the modified search formula or the modified search formula;
a step of making a request l to an AI model (l) for i between 1 and p, requesting the AI model (l) to input at least a part of a technical document Di and generate a feature Fi, the AI model (l) being a generative AI model, and the feature Fi including an expression not described in the technical document Di;
The computer performs a request m for requesting an AI model (m) to assign, for i between 1 and p, one of q (q>1) classifications C={C1, C2, ..., Cq } representing the relevance of the feature Fi associated with the technical document Di to the description, the AI model (m) being a generative AI model;
The computer transmits, to the user terminal, literature information identifying one or more technical literature to which one or more of the q classifications C are assigned.

2. The method of claim 1 ,
The q is 2 or 3.

3. The method according to claim 1 or 2,
The document information is viewing screen display information for displaying a viewing screen for the document information.

4. The method of claim 3,
The viewing screen includes a document in the form of an invention notification or invention proposal.

5. The method of claim 4,
The document further includes a search query defining p technical documents D.

3. The method according to claim 1 or 2,
The method further includes a step of determining whether the number of documents obtained by searching a technical literature database using at least one of the generated one or more search queries or the one or more revised search queries satisfies a predetermined condition.

A program for causing a computer to execute a method for searching technical literature, the method comprising the steps of:
receiving, by the computer, from a user terminal, a description describing a technique;
A step of the computer making a request k to an AI model (k) to generate one or more query expressions based on the description;
The computer acquires data identifying p (p>1) technical documents D={D1, D2, ..., Dp} determined by searching a technical document database using at least one of the generated search formula or the modified search formula or the modified search formula;
a step of making a request l to an AI model (l) for i between 1 and p, requesting the AI model (l) to input at least a part of a technical document Di and generate a feature Fi, the AI model (l) being a generative AI model, and the feature Fi including an expression not described in the technical document Di;
The computer performs a request m for requesting an AI model (m) to assign, for i between 1 and p, one of q (q>1) classifications C={C1, C2, ..., Cq } representing the relevance of the feature Fi associated with the technical document Di to the description, the AI model (m) being a generative AI model;
The computer includes a step of transmitting, to the user terminal, literature information identifying one or more technical literature to which one or more of the q classifications C are assigned.

1. An apparatus for searching technical literature, comprising:
A request k is made from a user terminal to request an AI model (k) to obtain a description describing a technology and generate one or more search expressions based on the description;
Obtain data identifying p (p>1) technical documents D={D1, D2, ..., Dp} determined by searching a technical document database using at least one of the generated one or more search queries or the one or more revised search queries;
For i between 1 and p, a request l is made to an AI model (l) that is a generative AI model, to input at least a part of technical documents Di and generate features Fi;
For i between 1 and p, a request m is made to an AI model (m) that is a generative AI model to assign to the technical document Di one of q (q>1) classifications C={C1, C2, ..., Cq } that represent the relevance of the feature Fi associated with the technical document Di, the feature Fi being an expression not described in the technical document Di, to the description of the technical document Di;
The system is configured to transmit, to the user terminal, literature information identifying one or more technical literature to which one or more of the q classifications C have been assigned.