[发明专利]基于属性异构网络表示学习的专利交易推荐方法

说明书

本发明提供基于属性异构网络表示学习的专利交易推荐方法。本发明通过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；构建包括三类节点、三类关系及多个属性的专利交易AHN；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散度度量高斯分布差异从而获得每个低维节点向量空间；基于余弦相似度计算节点间相似度进行目标组织的Top‑k推荐。本发明通过将组织及专利属性融入技术交易AHN中，解决属性融合不足、计算复杂度高及计算精度低等问题，通过考虑属性嵌入的不确定性和节点距离的非对称性，解决专利交易推荐结果精准度不高问题，且推荐结果更具多样性。

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：

专利交易是专利价值实现的重要途径，在支持企业专利运营战略、 提升企业创新能力、促进产业高质量发展等方面起着重要作用。随着 全球知识产权的激烈竞争，授权专利的数量不断增加，但专利交易率 低的问题不容忽视。专利交易推荐是融合用户属性以及用户搜索、交 易等行为信息，挖掘用户偏好，并在海量技术供给中快速匹配出符合 偏好的专利或交易伙伴的复杂过程，是基于多源异构信息融合以促进 专利交易的重要手段。基于海量的专利以及交易数据，开展智能化专 利交易推荐，对促进专利成果转化应用具有重要价值。

(1)专利交易推荐方法

现有专利交易推荐方法主要包括两类：第一类是基于同构信息 网络链路预测的交易推荐，该类方法首先基于组织间历史交易数据， 构建组织间专利交易网络。然后针对未连接的组织对进行链路预测， 即：通过已知的网络节点以及结构等信息预测网络中尚未产生连边的 两个节点之间产生链接的可能性，实现为组织推荐交易伙伴的目的。 该类方法难以融合专利、组织等多类型对象及对象间多维关系信息， 推荐结果的可解释性和精确度有待提高。

第二类是基于异构信息网络(Heterogeneous Information Network，HIN)进行交易推荐，该类方法首先融合多类型对象以及 对象间的多维关系，其中包括专利之间的语义相似关系、对象间的历 史合作关系等，构建异构信息网络。然后人工规划元路径，并通过元路径遍历、嵌入表示以及相似度计算，进行专利交易推荐。该类方法 能显著提高推荐精度，但常常忽略组织、专利等多类型对象的属性信 息，或者是将对象的部分属性看作是新的节点类型，使得异构网络拓 扑的复杂性大大增加。基于此，如何在异构信息网络中直接融合多类 型对象的属性信息，构建属性异构信息网络，并开展专利交易推荐， 需要提出新的解决方法。

(2)属性异构信息网络表示学习方法

基于属性异构信息网络(Attributed Heterogeneous Network， AHN)进行专利交易推荐的一个关键技术难点在于如何进行网络表 示学习，将网络中的多类型节点用一个低维稠密的向量空间表示，并 能够保持原有网络的结构关系特征。

目前，基于HIN表示学习的研究成果较为丰富，有关AHN表 示学习的成果较少，具体有：基于矩阵分解的AHN融合模型，通过 构造基因-疾病属性异构网络，并将网络的多个邻接矩阵和属性矩阵 分解为低秩矩阵，以进行疾病关联预测；利用AHN对暗网论坛用户 及关系进行建模，并使用Player2Vec方法高效学习AHN的节点表示， 以识别论坛关键参与者；Vendor2Vec方法，基于元路径的随机游走并 结合深度神经网络(DNN)学习AHN的节点表示。