Page 86 - 《软件学报》2026年第5期

赖培源 等: 基于多模态异质图网络的专利推荐算法 1965

matching patents with the needs of companies. To address this issue, this study proposes a multimodal heterogeneous graph network for
patent recommendation (MHGN). The proposed method first utilizes pre-trained models to initialize the representation of multimodal
information, including the textual and image attributes of patents as well as company information. Then, a graph attention network is
employed to learn the preference representations of companies across different modalities. Based on this, the relationship weights of
company-patent interactions are further learned based on the similarity of preference representations, and a graph convolutional network is
designed to learn the node preference representations of companies and patents. Finally, to better integrate the multimodal information, an
adaptation vector is introduced and an attention mechanism is used to fuse the node preference representations with multimodal
representations. In addition, four real-world patent datasets from university-to-company transfers are constructed, and experiments are
conducted comparing the proposed model with seven advanced baseline models. The results demonstrate that the proposed model
significantly outperforms the baselines across all evaluation metrics.
Key words: patent recommendation; multimodal; heterogeneous graph; technology commercialization; adaptation vector

成果转化是将科研成果转变为实际应用和商业化产品的关键过程, 而专利作为知识产权的重要组成部分, 在
这一过程中扮演着至关重要的角色. 向企业推荐专利对于推动科研成果向实际应用转化具有重大意义 [1] . 高校和
科研机构存在大量“沉睡专利”, 推动这些专利“下书架、上货架”, 加速转化运用, 对加快发展新质生产力具有重要
意义. 专利作为一种法律保护手段, 旨在保护发明创造, 促进技术创新和维护市场秩序, 许多研究将专利数量作为
解释或比较国家和地区创新力量的重要标准 [2] . 在此基础上, 一些国家制定政策和采用一系列行动, 如给予专利研
发财政奖励, 开发专利交易平台, 以促进专利的研发和成果转化 [3–5] . 此外, 研究表明高校中的专利技术主要集中在
企业比较缺乏国际竞争优势的领域 [6] , 这说明企业需要通过创新合作或成果转化来弥补其在这些领域的技术和市
场竞争短板.
然而, 这一过程面临着诸多挑战, 一方面, 由于专利本身信息的复杂性, 涉及大量技术细节和法律术语, 需要深
入理解和专业评估 [7] . 具体地, 与从事专利代理人等知识产权服务人员不同, 企业技术人员通常较少关注专利权利
要求的法律表达, 而更关心专利所蕴含的技术实质与可应用性, 包括核心技术方案, 以及如何应用于实际生产、产
品或工艺流程. 另一方面, 企业在筛选专利时必须确保其与自身产业结构和发展战略相符, 与企业的现有技术基础
和未来发展方向高度契合. 企业技术人员更关注专利技术的技术优势和可行性, 即与企业现有技术相比, 专利技术
在性能、成本或效率上能带来改进与差异, 在企业研发或制造环境中落地应用的可能性. 因此, 在专利推荐的过程
中, 需要综合考量专利本身的技术复杂性以及与企业的技术适应性. 而纯粹的法律化专利表述往往会掩盖技术贡
献, 使得企业技术人员难以快速判断其相关性和可用性, 可见, 通过智能化技术为企业技术人员提供专利推荐服务
具有重大意义.
专利转让推荐作为成果转化的关键一环, 已经引起越来越多的研究关注. 以往的研究通常采用基于协同过滤
的推荐方法 [8–10] 、基于内容的推荐方法 [11–13] 以及基于结合协同过滤和内容的混合推荐方法 [14–16] . 这些方法主要基
于查询驱动的专利检索推荐场景, 然而在应对专利转让的背景下, 无法深层次建模企业和专利的潜在联系. 针对这
一问题, 许多研究探索了新的方法 [17–19] , 例如, 文献 [18] 提出了一种自监督神经网络, 可以捕捉到企业潜在偏好与
专利共分类信息中隐含的语义信息的相似性. 进一步地, 为了应对产业集群的技术创新发展和高效的成果转化需
求, 面向产业集群的专利推荐方法被提出 [20,21] , 通过获取丰富的历史专利以及集群内各企业的相关性, 可以充分捕
获企业的技术需求以及专利的丰富信息, 提高推荐性能.
在现代科技成果转化过程中, 专利推荐的准确性和有效性对于企业创新至关重要. 专利的多模态信息 (如文本
和图像) 共同构成了其独特的价值特征. 例如, 一项复杂的技术专利不仅包含详尽的文本描述, 还附有精细的图示,
这些图示可以帮助潜在的技术受让方更直观地理解专利的应用场景和技术原理. 在许多情况下, 整合文本和图片
信息通常有助于更精确、更轻松地消除歧义 [22] , 提高推荐的准确性. 然而, 传统的方法都没有考虑专利本身的多
模态信息, 这使得推荐的准确性和全面性大打折扣.
因此, 使用多模态异质图网络对专利进行建模具有重要意义. 不同模态的信息构成了一个异质图结构, 其中专
利和企业之间的关系可以通过复杂的企业-专利交互图来表示. 如图 1 所示, 不同颜色节点代表不同的特征类型,
连接专利 (P) 和企业 (C) 节点的边表示专利和企业之间的转让关系, 通过不同类型的节点和边, 将多模态信息和异