Clustering and duplicate search in patent documents

Abstract

Предметом данной работы является поиск дубликатов в базе патентов. Показано, что данную задачу можно свести к кластеризации патентов. Задача кластеризации решается с помощью методов Canopy Clustering и Mini-Batch K-Means. Построен алгоритм поиска дубликатов в кластерах. Приведены оценки качества алгоритма кластеризации и результаты кластеризации и поиска дубликатов.

The topic of this work is duplicates detection in the patents database. It has been shown that this task can be solved by using a clustering technique. The clustering task has been solved by using Canopy clustering and Mini-Batch K-Means algorithms. The algorithm for duplicates detection in clusters has been made. Estimation quality of the clustering algorithm and some examples for clustering and duplicates detection are given.