Page 96 - 《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 1975

3.4 评价指标
实验中采用 5 个常用的分类指标来评估本文的实验性能, 即 ROC 曲线下方面积 (AUC)、准确率 (ACC)、精
确率 (Precision)、召回率 (Recall)、F1 分数 (F1-score), 对于这些指标, 更高的指标值代表推荐性能越好.
3.5 对比实验
本实验对比了多种推荐模型在 4 个不同规模专利转让数据集上的表现. 实验结果如表 3 所示, 其中最优秀的
结果用加粗字体表示, 第 2 优秀的结果用下划线表示. 可以看出本文提出的模型在所有数据集上均表现出了显著
的优势, 在各项指标上均超越了其他对比模型.

表 3 不同方法在 4 个专利数据集上的平均性能

[44] [46] [53] [54] [47] [49] [45] [55]
DualGNN LATTICE MGCN BM3 FREEDOM DRAGON GRCN MG Improve
数据集 指标 MHGN
(2021) (2021) (2023) (2023) (2023) (2023) (2020) (2024) (%)
AUC 0.506 1 0.609 9 0.507 7 0.542 3 0.572 5 0.452 4 0.540 1 0.564 3 0.732 8 20.15
ACC 0.492 5 0.537 3 0.507 5 0.544 8 0.559 7 0.470 1 0.559 0 0.590 9 0.673 6 14.00
专利-666 Precision 0.493 8 0.536 2 0.507 0 0.535 7 0.558 8 0.471 4 0.502 9 0.606 1 0.691 3 14.06
Recall 0.597 0.552 2 0.537 3 0.671 6 0.567 2 0.492 5 0.446 2 0.588 2 0.730 9 8.83
F1-score 0.540 5 0.544 1 0.521 7 0.596 0 0.563 0 0.481 8 0.576 2 0.597 0 0.655 8 9.85
AUC 0.496 8 0.801 4 0.496 9 0.503 6 0.793 3 0.516 0 0.703 3 0.496 6 0.943 8 17.77
ACC 0.503 4 0.667 8 0.500 0 0.496 6 0.674 7 0.513 7 0.691 2 0.513 7 0.867 6 25.52
专利-1446 Precision 0.503 2 0.636 9 0.500 0 0.497 4 0.642 5 0.514 9 0.727 3 0.479 5 0.880 0 21.00
Recall 0.541 1 0.780 8 0.568 5 0.657 5 0.787 7 0.472 6 0.823 5 0.514 7 0.970 6 17.86
F1-score 0.521 5 0.701 5 0.532 1 0.566 4 0.707 7 0.492 9 0.651 2 0.496 5 0.804 9 13.73
AUC 0.501 1 0.800 8 0.756 1 0.499 1 0.783 1 0.550 8 0.576 4 0.526 0 0.812 5 1.46
ACC 0.500 0 0.663 3 0.629 7 0.501 2 0.655 9 0.546 1 0.583 3 0.500 0 0.791 7 19.36
专利-3911 Precision 0.500 0 0.632 3 0.602 8 0.501 2 0.626 3 0.545 7 0.615 4 0.528 9 0.833 3 31.79
Recall 0.533 7 0.780 5 0.760 6 0.536 2 0.773 1 0.551 1 0.666 7 0.500 0 0.800 0 2.50
F1-score 0.516 3 0.698 7 0.672 5 0.518 1 0.692 0 0.548 4 0.571 4 0.514 1 0.769 2 10.10
AUC 0.505 4 0.820 1 0.688 3 0.500 0 0.814 4 0.511 0 0.656 2 0.483 9 0.868 1 5.85
ACC 0.505 8 0.663 6 0.630 7 0.500 0 0.663 6 0.511 6 0.625 0 0.485 9 0.833 3 25.57
专利-24168 Precision 0.505 5 0.623 9 0.600 6 0.500 0 0.625 1 0.511 5 0.608 7 0.444 5 0.846 2 35.37
Recall 0.531 8 0.823 8 0.780 4 0.585 6 0.817 2 0.513 6 0.583 3 0.484 7 0.916 7 11.28
F1-score 0.518 3 0.710 0 0.678 8 0.539 4 0.708 4 0.512 6 0.636 4 0.463 7 0.785 7 10.66

具体来说, 在 4 个不同数据集上, 相比于第 2 优秀的方法, 本文方法在准确率和精确率上分别提升了 14.00%、
25.52%、19.36%、25.57% 和 14.06%、21.00%、31.79%、35.37%. 这些提升幅度不仅验证了本文方法的有效性,
也表明其在复杂的专利转让推荐场景中具有更强的泛化能力和稳定性.
MG 聚焦于增强多模态推荐系统的鲁棒性, 在稀疏交互及复杂文本推荐场景下, 在规模较小的数据集上性能
仅次于 MHGN, 但随着数据集规模的扩大, 推荐性能则表现一般. DualGNN 和 GRCN 将专利的 ID 嵌入和多模态
特征进行混合, 没有区分项目多模态特征的重要性, 这种方式可能会导致不同模态特征对推荐结果的影响无法得
到有效控制, 从而在噪声较大的特征上表现不佳. BM3 采用自监督的方式在一定程度上缓解了多模态融合的噪声
问题, 但其缺乏对不同模态特征的精细控制, 可能会导致模型在处理复杂多模态特征时表现不稳定. LATTICE 和
FREEDOM 通过一个潜在的项目-项目图增强专利的表征, 学习多模态特征之间的权值, 在一定程度上提升了模型
的表征能力.
本文的改进可能归因于引入适配向量的多模态特征增强与融合, 并结合基于注意力机制的特征加权策略. 适
配向量不仅提升了模型的表征能力, 使得模型能够更好地捕捉多模态专利特征之间的复杂关系, 还能在实际部署
中减少模型的复杂性, 减少模型对大规模训练数据的依赖. 而基于注意力机制的加权策略则允许模型根据企业和
专利的具体情况动态调整不同模态特征的重要性, 从而实现更加精准和个性化的推荐. 本文提出的方法在多模态