Page 88 - 《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 1967

网络的专利推荐算法. 第 3 节介绍实验情况, 包括对比实验、消融实验和参数实验, 验证分析所提模型的有效性.
最后总结全文.

1 相关工作

1.1 专利推荐
随着专利数量的不断增加, 如何有效地推荐合适的专利给企业变得越来越重要. 为应对这一挑战, 已有许多研
究提出了各种专利推荐方法, 这些方法主要分为 4 大类: 基于协同过滤、基于内容的推荐、混合方法推荐以及基
于深度学习的序列推荐方法.
基于协同过滤 (collaborative filtering, CF) 的方法通过分析用户的行为偏好进行推荐 [23] , 具有出色的推荐性能
与良好的可扩展性 [24] . 这类方法不直接依赖于专利的具体内容, 它通过找到与目标用户具有相似行为的其他用户
获得的专利进行推荐 [8,9,25,26] . 例如, Trappey 等人 [8] 开发了一种基于用户的智能专利推荐系统, 采用专利搜索方法
识别具有相似专利搜索行为的用户, 并将相似用户喜欢的专利推荐给目标用户. 对于目标用户, Ji 等人 [9] 构建了用
户-专利交互矩阵, 根据用户对专利的评分确定相似用户, 并推荐被相似用户评为高分的专利. 基于 CF 的方法简单
高效, 然而, 在专利转让的背景下, 基于 CF 的方法具有局限性, 因为大多数转让的专利只能转让给一家企业 [14] , 这
导致无法充分利用企业的行为数据, 容易出现冷启动问题和数据稀疏性问题.
基于内容 (content based, CB) 的推荐方法通过分析专利的文本信息、技术特征等其他内容属性, 推荐与用户
之前所查询过的专利相似的新专利 [27–29] . Chen 等人 [30] 通过生成基于国际专利分类的向量空间模型, 构建出目标用
户的历史专利表征与候选专利表征, 再计算两者的余弦相似度来进行推荐. Krestel 等人 [31] 通过构建的 Dirichlet 分
配模型, 对用户查询和专利的主题分布进行比较, 向用户推荐主题类似于查询专利的专利. 基于 CB 方法可以利用
丰富的内容信息进行推荐, 但是难以识别专利中的异质信息, 推荐的专利较为单一, 总是与目标公司的历史专利过
于相似, 不适合于以技术创新为背景的企业用户.
混合方法推荐结合了协同过滤和基于内容的过滤的优点, 通过多种方式将这两种方法整合, 以提高推荐系统
的整体性能. 例如, Oh 等人 [16] 提出了一个两阶段的串行推荐框架, 一阶段用基于 CB 方法获取候选专利集; 二阶段
采用基于 CF 方法生成最终的推荐列表. 此外, 为了学习到丰富的专利文本信息, 基于异质信息网络的推荐方法被
广泛应用. Wang 等人 [14] 基于元路径将 CF 和 CB 方法进行线性组合, 最后通过元路径相似度进行专利推荐. Liu 等
人 [32] 开发了一个专利检索和分析平台, 结合书目耦合和文本挖掘技术的专利检索混合方法进行推荐. 混合方法克
服了 CF 和 CB 方法的缺点, 能够充分获取企业和专利的相关信息从而提高推荐精度.
基于深度学习的序列推荐旨在建模行为序列中动态兴趣的演变关系 [33] . 近年来, 基于序列的深度学习专利推
荐方法主要是关注于公司的历史专利信息从而进行建模 [20,21] , 将公司的历史专利信息等作为表征来捕获与候选专
利之间的关系. 为了从公司现有的专利序列中捕获公司的专利偏好, Du 等人 [21] 提出了一种基于知识感知注意力的
双向长短期记忆网络, 通过知识嵌入来捕获专利的丰富信息, 引入双向长短期记忆网络 (bidirectional long short-
term memory, BiLSTM) 来学习公司历史记录的顺序模式. 序列建模取得了很好的效果, 但是比较依赖丰富的历史
专利信息. 这些方法面向的都是由多个公司组成的联盟集体, 拥有数量较多的历史专利, 然而对于单个的中小型企
业或初创企业来讲, 拥有的专利数量不多, 所以并不适合序列建模.
在现有的专利推荐方法中, 尽管已经取得了一定的进展, 但这些方法都未能有效地利用专利中的多模态信息,
如文本、图像等, 这将导致模型在捕捉企业与专利之间的潜在关联时表现受限. 本研究首次关注专利中的多模态
异质信息, 通过使用图神经网络融合专利的多模态特征, 从而提高推荐性能.
1.2 基于图的多模态推荐
近年来, 推荐系统变得越来越重要, 带来大量的商业价值和用户便利 [34] . 早期的多模态推荐模型都是在 CF 的
基础上捕获用户的偏好 [35–38] . 得益于深度学习的发展, 图神经网络 (graph neural network, GNN) 凭借其在处理非欧
氏空间数据及复杂特征方面的优越性受到了大量关注 [39] , GNN 在推荐系统领域取得了显著进展 [40] . 最新的研究