README.md

---
license: mit
language:
- ko
base_model:
- BAAI/bge-m3
pipeline_tag: sentence-similarity
library_name: sentence-transformers
tags:
- patent
- feature-extraction
- sentence-similarity
---

# KORPatent-BGE

## Model Summary[EN]
This model is a KOREAN patent-domain embedding model fine-tuned from [BGE-M3](https://huggingface.co/BAAI/bge-m3) using curriculum triplet learning without relying on pseudo similarity scores (pseudo labels) generated by other models.

Instead of collecting dense, per-pair similarity scores for massive patent pairs—which is costly and often infeasible—we define Anchor / Positive / Negative triplets using objective rules based on:
- Main IPC hierarchy
- Sub IPC hierarchy
- Keyword overlap constraints

Training progresses from easy discrimination to hard discrimination via 5-stage Curriculum Learning, encouraging the model to learn both coarse technical boundaries and fine-grained technical distinctions.
- Base model: [BGE-M3](https://huggingface.co/BAAI/bge-m3)
- Post-hoc weight interpolation: initial fine-tuned model + [KURE-v1](https://huggingface.co/nlpai-lab/KURE-v1)

## Model Summary[KO]
이 모델은 [BGE-M3](https://huggingface.co/BAAI/bge-m3)를 기반으로, 다른 모델이 생성한 의사 유사도 점수(의사 레이블, pseudo label)에 의존하지 않고 커리큘럼 트리플렛 학습(curriculum triplet learning)으로 미세조정한 한국어 특허 도메인 임베딩 모델입니다.
 
방대한 특허 쌍에 대해 쌍마다 조밀한 유사도 점수를 수집하는 방식은 비용이 크고 종종 실현이 불가능합니다. 이런 방식 대신, 다음의 객관적 규칙에 기반해 앵커(Anchor) / 포지티브(Positive) / 네거티브(Negative) 트리플렛을 정의했습니다.
- 주(Main) IPC 계층
- 하위(Sub) IPC 계층
- 키워드 중복 제약
학습은 5단계 커리큘럼 학습(Curriculum Learning)을 통해 쉬운 구분에서 어려운 구분으로 진행되며, 모델이 거친 수준의 기술적 경계와 미세한 기술적 차이를 모두 학습하도록 유도합니다.
- 기반 모델: [BGE-M3](https://huggingface.co/BAAI/bge-m3)
- 사후 가중치 보간(Post-hoc weight interpolation): 초기 미세조정 모델 + [KURE-v1](https://huggingface.co/nlpai-lab/KURE-v1)

---

## Key Features[EN]
- **Patent-domain specialization**: robust semantic similarity in patent text.
- **No teacher-score dependency**: not used external model similarity scores as pseudo labels.
- **Curriculum triplet training**: with custom loss function.
- **Explicit hard negatives**: negatives are intentionally selected using IPC/keyword rules.
- **Post-hoc interpolation**: improves general-purpose behavior while retaining patent-domain gains.

## Key Features[KO]
- **특허 도메인 특화**: 특허 텍스트에서 견고한 의미 유사도를 제공합니다.
- **교사 점수 비의존**: 외부 모델의 유사도 점수를 의사 레이블로 사용하지 않았습니다.
- **커리큘럼 트리플렛 학습**: 커스텀 손실 함수를 사용합니다.
- **명시적 하드 네거티브**: 네거티브를 IPC/키워드 규칙으로 의도적으로 선별합니다.
- **사후 보간**: 특허 도메인 성능을 유지하면서 범용 성능을 개선합니다.

---

## Intended Use[EN]
**Recommended**
- Patent semantic search / prior art retrieval based on dense retrieval
- Patent clustering, de-duplication, and nearest-neighbor exploration
- Patent-to-patent similarity scoring (cosine similarity)
- For RAG

**Not recommended / out of scope**
- Legal advice, patent validity judgments, infringement or claim scope interpretation
- High-stakes decisions without expert review

## Intended Use[KO]
**권장**
- 밀집 검색(dense retrieval) 기반 특허 의미 검색 / 선행기술 조사
- 특허 군집화, 중복 제거, 최근접 이웃 탐색
- 특허 간 유사도 산정(코사인 유사도)
- RAG 용도

**비권장 / 적용 범위 밖**
- 법률 자문, 특허 유효성 판단, 침해 또는 청구범위 해석
- 전문가 검토 없는 중대한 의사결정

---

## Training Data (Title + Abstract + Claims)
- [특허 분야 자동분류 데이터](https://aihub.or.kr/aihubdata/data/view.do?dataSetSn=547)
- [국가중점기술대응 특허 데이터](https://aihub.or.kr/aihubdata/data/view.do?currMenu=115&dataSetSn=71739)
- [산업정보 연계 주요국 특허 영-한 데이터](https://aihub.or.kr/aihubdata/data/view.do?dataSetSn=563)
- [과학기술표준분류 대응 특허 데이터](https://aihub.or.kr/aihubdata/data/view.do?dataSetSn=71531)
---

## UMAP Visualization by IPC Subclass
![image](https://cdn-uploads.huggingface.co/production/uploads/644b861641003d2ecf6e098b/p1vrxE46RKe3ZLa2Pl5G5.png)
Patent documents inherently share highly overlapping terminology, making it fundamentally difficult to separate them based on surface-level text alone. 
As an illustrative example to demonstrate our model's capability to capture true semantic context, we selected five IPC subclasses for UMAP visualization: G01D (General Measurement), G01R (Measuring Electric Variables), H03K (Pulse Techniques), G05B (Control Systems), and H01L (Semiconductor Devices).
These subclasses represent a continuous technical workflow: Measurement → Signal Processing → Control → Hardware Manufacturing. While their textual vocabularies are heavily intertwined, they have distinctly different functional roles from a domain knowledge perspective.

특허 문서는 본질적으로 매우 중첩된 용어를 공유하기 때문에, 표면적인 텍스트만으로 구분하기가 근본적으로 어렵습니다.
모델이 실제 의미적 맥락을 포착하는 능력을 보여주기 위한 예시로, UMAP 시각화에 다섯 개의 IPC 서브클래스를 선택했습니다: G01D(일반 측정), G01R(전기 변량 측정), H03K(펄스 기술), G05B(제어 시스템), H01L(반도체 소자).
이 서브클래스들은 측정 → 신호 처리 → 제어 → 하드웨어 제조로 이어지는 연속적인 기술 흐름을 나타냅니다. 텍스트 어휘는 서로 크게 얽혀 있지만, 도메인 지식 관점에서는 기능적 역할이 뚜렷이 다릅니다.

---

## Usage

### Sentence-Transformers
```python
from sentence_transformers import SentenceTransformer
import torch

model = SentenceTransformer("sttempler/KORPatent-BGE", device="cuda" if torch.cuda.is_available() else "cpu")

sentences = [
    "인간 선호 데이터를 이용하여 상담 챗봇 응답을 정렬하는 RLHF 기반 학습 방법.",
    "선호 피드백으로 보상 신호를 구성하여 생성 모델을 원하는 방향으로 학습시키는 방법."
]
emb = model.encode(sentences, normalize_embeddings=True)
score = float(emb[0] @ emb[1].T)
print(score)
# 0.7382504343986511
```
---
### Citation
If you use this model in your research, please cite the following doctoral dissertation:
```bibtex
@phdthesis{kim2026koreanpatentembedding,
  title        = {A Study on Domain-Specific Long-Context Embedding Models for Advancing Korean Patent Retrieval},
  author       = {Kim, Yongwoo},
  school       = {Hanyang University},
  department   = {Graduate School of Technology & Innovation Management},
  year         = {2026},
  type         = {Doctoral dissertation},
  note         = {Korean title: 한국어 특허 검색을 위한 장문 임베딩 모델}
}
```