Page 99 - 《软件学报》2026年第5期

1978 软件学报 2026 年第 37 卷第 5 期

3911 和专利-24168) 中, 最佳的隐藏层维度相对较小. 这些实验结果显示了注意力机制的隐藏层维度需要根据数
据集的规模和特性进行合理选择, 从而实现性能的最优化.

AUC ACC F1-score AUC ACC F1-score
Recall Precision Recall Precision
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
4 8 16 32 64 128 256 512 4 8 16 32 64 128 256 512
注意力隐藏层维度 注意力隐藏层维度
(a) 专利-666 (b) 专利-1446
AUC ACC F1-score AUC ACC F1-score
Recall Precision Recall Precision
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
4 8 16 32 64 128 256 512 4 8 16 32 64 128 256 512
注意力隐藏层维度 注意力隐藏层维度
(c) 专利-3911 (d) 专利-24168
图 4 在 4 个数据集上关于注意力隐藏层维度的参数分析

4 总结与展望

本文提出了一种基于多模态异质图网络的专利转让推荐方法, 通过结合专利的多模态信息 (文本和图像) 以
及企业信息, 构建了一个复杂的企业-专利交互图, 再引入图注意力网络来有效捕获和融合多模态特征, 生成企业
偏好表征, 并进一步利用图卷积网络学习企业和专利的节点偏好表征. 此外, 本文还引入了适配向量和注意力机
制, 以更好地融合与加权多模态特征. 最后, 本文构建了 4 个专利转让数据集并进行了广泛的实验, 验证了该方法
在提升专利与企业需求匹配精度方面的显著效果, 显示出其在专利推荐领域的潜力. 本文的数据和代码将会公开,
便于相关研究者复用这些资源.
然而, 由于数据源的限制, 本文仅在中国的专利数据中开展了验证研究, 在未来的工作中, 还可以进一步研究
在更为广泛数据场景中的性能. 此外, 由于实体的多模态表征经过了多层操作, 使得 MHGN 可解释性较弱. 探索引
入多元化的方法体系, 例如结合社交推荐机制, 通过对企业信息的深度建模, 捕捉潜在的转让关联性与价值. 同时,
本文还将探索采用先进的大语言模型技术, 利用其强大的文本理解与生成能力, 为专利转让推荐提供更为丰富的
建议. 总的来说, 本文为专利推荐领域提供了一个新的视角和有效的解决方案, 为未来的相关研究和应用提供了较
好的研究基础.

References
[1] Liu WD, Qiao WB, Wang Y, Xu Z. Patent transformation opportunity to realize patent value: Discussion about the conditions to be used
or exchanged. Information Processing & Management, 2021, 58(4): 102582. [doi: 10.1016/j.ipm.2021.102582]
[2] Deyle HG, Grupp H. Commuters and the regional assignment of innovative activities: A methodological patent study of German districts.
Research Policy, 2005, 34(2): 221–234. [doi: 10.1016/j.respol.2005.01.003]
[3] Hsu CY, Chen YC, Luo RC, Rau HH, Fan CT, Hsiao BS, Chiu HW. A resource-sharing platform for trading biomedical intellectual
property. IT Professional, 2010, 12(2): 42–49. [doi: 10.1109/MITP.2010.48]