基于科研创新知识图谱的专利推荐方法研究

With the development of patent trading platforms, academic patent recommendation for enterprises is expected to improve the current situation of low patent transfer rate. However, the fragmented information due to the lack of knowledge organization and knowledge management tool for fusing academic information and industry information makes it difficult to capture enterprises’ preference, which further leads to the poor performance of patent recommendation. To improve the recommendation performance in terms of accuracy, diversity and interpretability, this research will study constructing knowledge graph to fuse multi-source heterogeneous information, and further investigating academic patent recommendation methods based on knowledge graph. Specifically, this project proposes to study knowledge graph extraction based on ensemble deep learning, entity linking based on graph mining, and ontology mapping based on heterogeneous information networks. Based on the constructed knowledge graph, this project further proposes to study academic patent recommendation methods by analyzing three dimensions, i.e., patent quality, academic patent transfer intention, and enterprises’ needs. This project proposes to leverage the advantages of knowledge graph to improve academic patent recommendation. The research can be applied to real-world patent trading platforms, which has great practical value for facilitating technology transfer in our country.

随着专利交易平台的发展，面向企业的科研专利推荐有助于改善科研专利转化率低的现状，但有限的碎片化信息和平台用户浏览信息无法全面刻画企业偏好，且现阶段仍缺乏能融合科研界和企业界跨界信息的知识组织和知识管理工具。为提升科研专利推荐的准确性、多样性和可解释性，本项目依托于科研专利交易平台，拟构建科研创新知识图谱来融合科研界和企业界的多源异构数据，进一步基于知识图谱研究科研专利推荐方法。具体研究基于集成深度学习的知识图谱抽取框架、基于图挖掘的实体链接算法和基于异构信息网络挖掘的本体匹配模型以对相关知识进行抽取和融合，在构建的知识图谱基础上，进一步分析科研专利质量、科研人员成果转化意愿和企业专利需求，研究基于知识图谱的科研专利推荐模型。本项目提出利用知识图谱的优势改进科研专利推荐，拓展了知识图谱在推荐领域的研究，研究成果可直接应用到科研专利交易平台中，对我国科技成果转化具有重要的现实意义。

随着专利交易平台的发展，面向企业的科研专利推荐有助于改善科研专利转化率低的现状，但有限的碎片化信息和平台用户浏览信息无法全面刻画企业偏好，且现阶段仍缺乏能融合科研界和企业界跨界信息的知识组织和知识管理工具。本项目依托科研专利交易平台，综合运用深度集成学习、图挖掘等知识抽取和融合方法，构建科研创新知识图谱作为知识引擎，融合科研界和企业界的多源异构数据，打破产学研协同创新壁垒，并基于知识图谱研究科研专利推荐。首先，构建科研创新知识图谱，利用深度学习的集成方法完成实体和关系的联合抽取，基于图挖掘的实体链接算法和基于异构信息网络挖掘的本体匹配模型对抽取的知识图谱在实体层和本体层进行融合。其次，基于知识图谱构建科研专利推荐模型，综合分析科研专利质量、科研人员成果转化意愿（合作关系）和企业专利需求三个维度，构建基于知识图谱的科研专利推荐模型，包括基于混合专利分析的高质量个性化专利推荐模型、知识图谱驱动的可解释专利推荐模型、基于知识图谱和深度注意力机制的序列专利交易推荐模型等。最后，利用实际数据验证模型的有效性，从准确性、效率、可解释性等多个方面有效提升了科研专利推荐表现，原型系统已应用于多个科研专利交易平台。本项目的研究理论上填补了知识图谱在科研创新管理领域应用上的空白，拓展了知识图谱在个性化推荐领域的研究，应用上提高了专利交易平台的个性化推荐效率和效果，对于提升企业创新能力、解决科研专利闲置现状以及促进产学研协同创新等各方面也具有重要的实践意义。