TMSDMAP/patent_dataset

---
license: apache-2.0
task_categories:
- text-classification
language:
- zh
tags:
- patent
- legal
- nlp
- intellectual-property
pretty_name: China Patent Dataset (2003-2020)
size_categories:
- 10M<n<100M
---

# Chinese Patent Dataset (2003-2020) | 中国专利数据集

## 1. 数据集简介 (Introduction)
本数据集包含了从 **2003年到2020年** 期间发布的约 **1800万份** 中国专利数据。数据涵盖了发明专利、实用新型等多种类型，是研究中国技术演进、知识产权保护以及进行法律大模型训练的高质量语料。

This dataset contains approximately **18 million** Chinese patent records published between **2003 and 2020**. It is a high-quality corpus for studying technology evolution in China and training legal/LLM models.

## 2. 数据规模 (Dataset Summary)
- **时间跨度**: 2003 - 2020
- **数据总量**: 约 1,800 万条记录
- **原始格式**: JSON
- **总体大小**: 约 250 GB (未压缩)

## 3. 数据字段 (Data Fields)
每个 JSON 条目通常包含以下字段（请根据实际情况修改）：
- `patent_id`: 专利申请号/公开号
- `title`: 专利标题
- `abstract`: 摘要
- `claims`: 首项权利要求
- `classification`: IPC分类号
- `assignee`: 专利权人
- `app_date`: 申请日期

## 4. 使用场景 (Usage)
- **大模型预训练 (Pretraining)**: 作为科技与法律领域的垂直语料。
- **专利检索与推荐**: 训练向量索引模型进行相似专利检索。
- **技术趋势分析**: 挖掘近 20 年中国技术热点的迁移。

## 5. 局限性 (Limitations)
- 数据仅截至 2020 年，不包含近年的最新专利。
- 文本内容来源于原始数据转换，建议使用前进行简单的清洗。

## 6. 许可协议 (License)
本项目采用 **Apache License 2.0** 协议开源。