Dataset Card for tw-patent

本資料集收錄中華民國公開／公告之專利申請資訊（含申請號、IPC 分類、申請人、發明人、中英文摘要等），可作為臺灣專利資訊檢索、專利文本生成、IPC 分類預測等任務之資料來源。

Dataset Details

Dataset Description

資料以「每件申請案」為一筆樣本，整合下列欄位：

• 申請號／公開號
• 中文／英文標題
• IPC 主分類與副分類碼
• 申請人（中英文）／發明人（中英文）／代表人居住地
• 中文／英文摘要

可用於：

• 訓練具備臺灣專利語境的繁中模型（語言、用詞、技術領域）。
• 中英對照的專利專業術語平行語料。
• IPC 分類器、專利檢索／推薦系統的素材。

• Curated by: Huang Liang Hsun
• Language(s) (NLP): Traditional Chinese, English
• License: cc-by-nc-sa-4.0

Dataset Sources

• Repository: lianghsun/tw-patent
• Source: 中華民國公開專利資訊
• Paper: TBA

Uses

Direct Use

• 訓練／微調面向專利領域的繁中語言模型。
• 中英對照之專利專業術語對齊。
• IPC 主／副分類預測（多標籤分類）任務。

Out-of-Scope Use

• 不適用於商用之專利檢索代位查詢；正式檢索請以主管機關官方系統為準。
• 不應對申請人／發明人之姓名、地址做不正當利用。

Dataset Structure

{
  "text": "22\n1\n202402075\n111107621\n車載單元、可移動裝置及控制方法\nON BOARD UNIT, MOVABLE DEVICE AND CONTROL METHOD\nH04W4/44\nB60W30/08\n大陸商深圳富聯富桂精密工業有限公司\n...\n本發明提供一種車載單元、可移動裝置及控制方法。..."
}

樣本以單一 text 欄位存放，內部以換行分隔欄位（公開號、標題、IPC、申請人、摘要等）。

Dataset Creation

Curation Rationale

中華民國專利公開資訊涵蓋大量繁中科技類書面語料，但官方系統不利於批次處理。本資料集將其結構化，便於下游 NLP 任務直接使用。

Source Data

Data Collection and Processing

1. 蒐集中華民國公開可取得的專利申請／公開資料。
2. 將每件申請案的欄位串接為單一 text 樣本（以換行分隔）。
3. 保留中英文對照欄位以利雙語訓練。

Who are the source data producers?

原始申請文件由各申請人／代理人撰寫，並由主管機關依法公開。

Annotations

Annotation process

無人工標註；IPC 等欄位即為原始公開資訊。

Who are the annotators?

無標註者。

Personal and Sensitive Information

公開專利資料依規定本即包含申請人／發明人姓名與地址等資訊，屬法定公開資料；使用時請遵守相關隱私與專利法規範。

Bias, Risks, and Limitations

• 申請人／發明人姓名雖為公開資料，仍應避免以非檢索目的之方式重新組合與發佈。
• 中英摘要由申請人提供，品質與翻譯一致性不一。

Recommendations

• 下游若要拿來做自然語言生成（如自動撰寫摘要），建議再以官方規範格式覆核。
• 不要把這份資料作為「個人資料」用途，僅應作為技術文本訓練。

Citation

@misc{tw_patent,
  title        = {tw-patent: Taiwan Patent Information Dataset},
  author       = {Huang, Liang Hsun},
  year         = {2024},
  howpublished = {\url{https://huggingface.co/datasets/lianghsun/tw-patent}}
}

Dataset Card Authors

Huang Liang Hsun

Dataset Card Contact

Huang Liang Hsun