[发明专利]基于专利供需知识图谱的交易推荐方法

说明书

基于专利供需知识图谱的交易推荐方法应用于专利交易推荐领域。本发明步骤：(1)属性体系构建：基于IncoPat专利数据库采集专利数据，基于文献研究构建影响专利交易的属性指标体系；(2)专利交易AHN构建：构建包括三类节点、三类关系及多个属性的专利交易AHN；(3)专利交易AHN的表示学习：包括基于神经网络获得节点的多维高斯分布、基于元路径随机游走生成节点序列、基于skip‑gram并利用KL散度度量不同节点高斯分布间的差异，获得每个节点的低维向量空间；(4)目标组织的Top‑k推荐。本发明考虑多类型节点的属性，提高推荐结果的可解释性；利用多维高斯分布及KL散度解决嵌入中的不确定性问题及不同类型节点间距离的不对称性问题，能够实现专利交易的精准推荐。

技术领域：

本发明可应用于专利交易推荐领域，包括为组织推荐专利和交易伙伴。

背景技术：

知识图谱(Knowledge Graph，KG)是大数据时代用于海量知识管理和智能服务的新兴技术，能捕捉和呈现多类实体间错综复杂的关系，为解决“知识孤岛”和知识推荐提供理想的技术手段，并能够弥补基于异构信息网络(Heterogeneous Information Network，HIN)推荐时人工规划元路径的局限。目前，基于KG的专利推荐成果较多，主要是建立以专利实体为节点，以实体间关系为边的语义网络，分析和挖掘专利知识及知识间的交互关系，并结合图谱结构计算专利相似性进行推荐。基于KG的专利推荐能解决信息超载、辅助专利检索并拓展专利知识服务。但由于知识图谱中未融合交易信息，难以实现买卖双方的交易推荐。同时，专利知识图谱的构建多依赖领域专家编写规则或人工标注领域数据，是一个劳动密集型过程。

因此，如何从大规模的专利供需信息中自动化或半自动化提取可靠和一致的知识，并构建专利供需知识图谱(Patent Supply and Demand KG，PSD-KG)仍面临挑战。

(1)基于异构信息网络的专利交易推荐研究

异构信息网络(HIN)可融合多元对象及对象间多维关系，通过节点信息及链接关系计算节点间未来可能产生链接的概率，实现交易推荐。其中：二分网络由两类不相交的节点集和仅出现在不同类型节点集之间的边组成，通过网络映射测度节点间相似性，预测节点间的未知链接。基于二分网络的推荐是HIN推荐的初级阶段，但二分网络难以融合复杂的专利知识。

融合多维专利信息构建复杂的HIN，并进行专利交易推荐是近年来开始兴起的方向，已有研究提出了基于HIN嵌入的推荐方法，首先，规划元路径/元结构用来捕获节点间复杂的语义关系，以构建HIN。然后，通过节点间元路径/元结构的相似度量实现交易推荐。已有研究表明，基于HIN的推荐结果优于传统的基于同构网络的推荐结果。但该类方法中一方面元路径的规划依赖于人的主观判断，实体间潜在的语义关系常常被忽略，进而影响推荐精度；另一方面，因组织间技术交易关系稀疏，冷启动问题依然存在。

(2)基于知识图谱的专利推荐研究

知识图谱(KG)是存储知识实体与实体间关系的结构化网络，与HIN相比，KG不仅能够对实体及其复杂语义关系进行表示和建模，而且能够将海量非结构化或半结构化的知识及其联系表示为结构化的实体及关系，为专利推荐和交易推荐提供知识库。此外，KG的规模通常比HIN大，可涵盖更多的实体及关系，提高知识覆盖率。目前，基于知识图谱的研究主要聚焦专利推荐，从专利文本中挖掘技术特征表示为实体，将组织与组织、组织与专利间的交互关系表示为实体间关系，通过计算专利间相似性进行推荐。因专利供需和交易信息未能与知识图谱融合，基于知识图谱的专利交易推荐研究还未见相关成果。

(3)基于知识图谱的推荐方法研究

目前，基于知识图谱的推荐方法主要包括3类：