本文研究是否可以通过在专利文本上进行无监督表征学习，克服传统基于分类码的检索系统在跨码发现上的局限，并探讨超曲面空间是否有优势。我们在 45,000 条美国专利上分别训练了超曲面（双曲）和等价欧氏变分自编码器（VAE），共 96 次实验（6 个随机种子）。实验表明，在 3,000 条查询的前 10 条检索结果中，超曲面模型检出真正跨类别的前案比例为 18.76%，比欧氏模型的 12.34% 高出约 52%。该提升在实际检索任务中具有显著价值。与此同时，超曲面模型与官方分类的一致性更低（NMI=0.2392 vs 0.3206），我们从几何角度解释：两者优化目标不同，后者更贴合前案检索需求。进一步在 10 个技术领域（额外 50,000 条专利）进行分析，发现领域的分类宽度（覆盖的 CPC 子组数）与方法性能呈负相关（Pearson r=-0.642, p=0.045），而每个子组的专利数量与性能呈正相关（r=0.715, p=0.020），为实践者提供了评估方法价值的可检验信号。所有实验均提供统计透明性，并公开了完整的 91 项自动化实现代码。
点评