La recuperación de documentos de patentes similar es una tarea esencial que reduce el alcance de las búsquedas de los reclamantes de patentes, y numerosos estudios han intentado proporcionar servicios de búsqueda de patentes automatizados. Recientemente, la Generación Aumentada por Recuperación (RAG) basada en modelos de lenguaje generativos ha surgido como un excelente método para acceder y utilizar entornos de conocimiento de patentes. Los servicios de búsqueda de patentes basados en RAG ofrecen un rendimiento mejorado en el ranking de recuperación como servicios de búsqueda de IA al proporcionar conocimiento de documentos similar a las consultas. Sin embargo, lograr un ranking de documentos basado en similitud óptimo en los servicios de búsqueda sigue siendo una tarea desafiante, ya que los métodos de búsqueda basados en la similitud de documentos no abordan adecuadamente las características de los documentos de patentes. A diferencia de la recuperación de documentos general, la similitud de los documentos de patentes debe tener en cuenta las relaciones de arte previo. Para abordar este problema, proponemos PAI-NET, una red neuronal profunda para calcular similitudes de documentos de patentes incorporando conocimiento experto sobre relaciones de arte previo. Demostramos que nuestro método propuesto supera a los modelos actuales de vanguardia en tareas de clasificación de documentos de patentes a través de la evaluación de distancia semántica en los conjuntos de datos USPD y KPRIS. PAI-NET presenta candidatos de documentos similares, demostrando una mejora superior del 15% en el rendimiento de búsqueda de patentes en comparación con los métodos de vanguardia.