Page 98 - 《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 1977

表 5 比较 MHGN 及其变体的性能结果

专利-666 专利-1446 专利-3911 专利-24168
变体
AUC ACC AUC ACC AUC ACC AUC ACC
MHGN 0.732 8 0.673 6 0.943 8 0.867 6 0.812 5 0.791 7 0.868 1 0.833 3
MHGN-c1 0.530 2 0.518 2 0.840 6 0.750 0 0.743 1 0.750 0 0.562 5 0.541 7
MHGN-c2 0.667 5 0.608 5 0.923 4 0.720 6 0.715 3 0.625 0.729 2 0.791 7
MHGN-c3 0.569 4 0.600 7 0.871 3 0.838 2 0.666 7 0.708 3 0.600 7 0.583 3
MHGN-c4 0.622 9 0.542 5 0.933 2 0.830 9 0.763 9 0.708 3 0.827 1 0.767 4
MHGN-c5 0.569 4 0.625 0 0.666 3 0.639 7 0.451 4 0.416 7 0.855 7 0.744 6
MHGN-c6 0.583 3 0.625 0 0.653 9 0.610 3 0.625 0 0.583 3 0.864 2 0.808 9
MHGN-c7 0.548 6 0.541 7 0.748 5 0.676 5 0.527 8 0.500 0 0.822 0 0.750 1
MHGN-c8 0.631 9 0.583 3 0.644 7 0.595 6 0.579 9 0.458 3 0.862 5 0.812 6
MHGN-c9 0.628 5 0.625 0 0.660 1 0.661 8 0.420 1 0.416 7 0.847 8 0.716 9

3.7 参数分析
对于提出的 MHGN 方法, 主要调整两个参数, 即适配基向量的数量 k 和注意力机制的隐藏层维度 D'. 本节主
要进行参数分析, 以探讨这两个参数对各个数据集的影响.
图 3 展示了不同数量的基向量在 4 个数据集上的 AUC、ACC 和 F1-score 的表现. 从图中可以看出, 不同数
据集对基向量数量的敏感度存在显著差异. 在较小的数据集 (专利-666 和专利-1446) 中, 基向量数量对模型性能的
影响相对较小, 随着基向量数量的增加, 性能表现保持相对稳定, AUC、ACC 和 F1-score 曲线波动较小. 对于较大
的数据集 (专利-3911 和专利-24168), 基向量数量对模型性能的影响更加显著. 特别是, 当基向量数量增加到一定
程度时, 模型的 AUC、ACC 和 F1-score 都出现了较大的波动, 表明在这些数据集上, 基向量数量的调整对模型的
表现有更大的影响. 此外, 不同数据集的最佳基向量数量各不相同. 这表明在实际应用中, 基向量数量需要根据具
体数据集的特性进行调整, 以达到最佳效果.

AUC ACC F1-score AUC ACC F1-score
1.0 1.0
0.9 0.9
0.8 0.8
指标值 0.7 指标值 0.7
0.6
0.6
0.5 0.5
0.4 0.4
0.3 0.3
1 3 5 7 9 20 40 60 80 100 1 3 5 7 9 20 40 60 80 100
基向量数量 基向量数量
(a) 专利-666 (b) 专利-1446
AUC ACC F1-score AUC ACC F1-score
1.0 1.0
0.9 0.9
0.8 0.8
指标值 0.7 指标值 0.7
0.6
0.6
0.5 0.5
0.4 0.4
0.3 0.3
1 3 5 7 9 20 40 60 80 100 1 3 5 7 9 20 40 60 80 100
基向量数量 基向量数量
(c) 专利-3911 (d) 专利-24168
图 3 在 4 个数据集上关于基向量数量的参数分析

本文进一步分析了注意力机制中隐藏层维度对不同数据集的影响, 如图 4 所示. 实验结果表明, 不同的数据集
在选择最优隐藏层维度时存在显著差异. 在较小规模的数据集 (专利-666 和专利-1446) 中, 隐藏层维度的增大通常
会带来性能的提升, 但随着维度的进一步增加, 性能可能会趋于饱和甚至有所下降. 而在较大规模的数据集 (专利-