融合大模型与图表示学习的专利交易推荐

doi:10.3772/j.issn.1000-0135.2026.06.009

情报学报

2026, Vol. 45

Issue (6): 896-910 DOI: 10.3772/j.issn.1000-0135.2026.06.009

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

融合大模型与图表示学习的专利交易推荐

张志豪¹, 霍漪林², 袁家旭¹, 何喜军¹

1.北京工业大学经济与管理学院，北京 100124
2.北京交通大学经济管理学院，北京 100044

Patent Transaction Recommendation via Integrating Large Language Models and Graph Representation Learning

Zhang Zhihao¹, Huo Yilin², Yuan Jiaxu¹, He Xijun¹

1.College of Economics and Management, Beijing University of Technology, Beijing 100124
2.School of Economics and Management, Beijing Jiaotong University, Beijing 100044

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (3284 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要专利交易推荐是推动科技成果转化的一条重要途径，但其面临交易数据高度稀疏与组织-专利复杂交互关系难以有效建模的双重挑战。本文提出一种融合大语言模型（large language model，LLM）和图表示学习（graph representation learning，GRL）的专利交易推荐（patent transaction recommendation，PTR）模型——LLM-GRL-PTR。首先，针对数据稀疏问题，提出一种基于大语言模型的专利交易数据增强方法，利用大语言模型从稀疏历史交易记录中挖掘组织需求偏好信息，并据此筛选潜在匹配专利，实现对长尾组织的个性化数据补全；其次，构建基于图表示学习的推荐框架，综合考虑增强后的组织-专利交互关系、组织间多维邻近性及专利技术的产业链协同效应，分别构建组织-专利异构交互图、组织间邻近关系图和专利间上下游关系图，结合图神经网络与注意力机制实现显式交互信号与隐性关联特征的融合，学习组织与专利的低维向量表示，进而预测潜在交易可能性；最后，在电子信息和芯片制造两个关键领域开展实证研究。研究结果表明，本文模型推荐精度均显著优于其他基线模型，且推荐结果技术覆盖范围广泛，兼顾准确性与多样性，能为专利交易智能化推荐服务提供有效技术支持。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	张志豪
	霍漪林
	袁家旭
	何喜军

关键词 ：专利交易推荐, 大语言模型, 图表示学习, 图数据增强

收稿日期: 2025-09-30

基金资助:国家自然科学基金青年科学基金项目“大模型赋能的高价值专利个性化交易推荐方法与应用研究”（72404020）；中国博士后科学基金第76批面上资助项目“大模型赋能的专利技术供需匹配方法与应用研究”（2024M760177）。

通讯作者: 何喜军，通信作者，1979年生，博士，教授，博士生导师，主要研究方向为数据科学与智能管理，E-mail：hexijun@bjut.edu.cn。 E-mail: hexijun@bjut.edu.cn

作者简介: 张志豪，1991年生，博士，讲师，主要研究方向为数据挖掘与知识产权信息服务；霍漪林，2002年生，硕士研究生，主要研究方向为数据挖掘；袁家旭，2000年生，硕士研究生，主要研究方向为数据挖掘；

引用本文:

张志豪, 霍漪林, 袁家旭, 何喜军. 融合大模型与图表示学习的专利交易推荐[J]. 情报学报, 2026, 45(6): 896-910.
Zhang Zhihao, Huo Yilin, Yuan Jiaxu, He Xijun. Patent Transaction Recommendation via Integrating Large Language Models and Graph Representation Learning. 情报学报, 2026, 45(6): 896-910.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2026.06.009 或 https://qbxb.istic.ac.cn/CN/Y2026/V45/I6/896

1 曹春方, 龚曼宁. 标准定则市场兴——技术标准对专利交易的促进作用研究[J]. 管理世界, 2025, 41(1): 51-66, 107.
2 国家知识产权局. 2025年中国专利调查报告[R/OL]. (2026-04-01). https://www.cnipa.gov.cn/module/download/down.jsp?i_ID=205590colID=88.
3 国家知识产权局. 2024年中国专利调查报告[R/OL]. (2025-01-22). https://www.cnipa.gov.cn/art/2025/1/22/art_88_197320.html.
4 Liu Y, Li K W. A two-sided matching decision method for supply and demand of technological knowledge[J]. Journal of Knowledge Management, 2017, 21(3): 592-606.
5 何喜军, 石安杰, 吴爽爽, 等. 基于知识图谱与强化学习的专利交易推荐研究[J]. 系统工程理论与实践, 2024, 44(10): 3330-3345.
6 冉从敬, 宋凯. 基于混合方法的高校专利个性化推荐模型构建[J]. 情报理论与实践, 2020, 43(10): 93-98.
7 Zhang W X, Liu H Z, Dong Z J, et al. Bridging the information gap between domain-specific model and general LLM for personalized recommendation[C]// Proceedings of the 8th Aisa-Pacific Web and Web-Age Information Management Joint Conference on Web and Big Data. Singapore: Springer, 2024: 280-294.
8 Zhang D K, Yin J, Zhu X Q, et al. Network representation learning: a survey[J]. IEEE Transactions on Big Data, 2020, 6(1): 3-28.
9 Zhang Y, Qian Y, Huang Y, et al. An entropy-based indicator system for measuring the potential of patents in technological innovation: rejecting moderation[J]. Scientometrics, 2017, 111(3): 1925-1946.
10 姜南, 李济宇, 顾文君. 技术宽度、技术深度和知识转移[J]. 科学学研究, 2020, 38(9): 1638-1646.
11 何喜军, 石安杰, 武玉英, 等. 组态视角下基于TOE的可转化专利特征因果推断[J]. 科学学研究, 2022, 40(11): 1979-1990.
12 何喜军, 石安杰, 吴爽爽, 等. 基于Logit模型的技术供需交易影响因素分析[J]. 科技管理研究, 2024, 44(7): 80-86.
13 刘晓燕, 李金鹏, 单晓红, 等. 多维邻近性对集成电路产业专利技术交易的影响[J]. 科学学研究, 2020, 38(5): 834-842, 960.
14 李纲, 余辉, 梁镇涛, 等. 技术交易中供需匹配影响因素研究——基于TOE框架的组态分析[J]. 情报理论与实践, 2022, 45(2): 85-93, 120.
15 马荣康, 刘凤朝. 基于专利许可的新能源技术转移网络演变特征研究[J]. 科学学与科学技术管理, 2017, 38(6): 65-76.
16 刘凤朝, 肖站旗, 马荣康. 多维邻近性对技术交易网络的动态影响研究[J]. 科学学研究, 2018, 36(12): 2205-2214.
17 Ferretti M, Guerini M, Panetti E, et al. The partner next door? The effect of micro-geographical proximity on intra-cluster inter-organizational relationships[J]. Technovation, 2022, 111: 102390.
18 Resnick P, Varian H R. Recommender systems[J]. Communications of the ACM, 1997, 40(3): 56-58.
19 Trappey A J C, Trappey C V, Wu C Y, et al. Intelligent patent recommendation system for innovative design collaboration[J]. Journal of Network and Computer Applications, 2013, 36(6): 1441-1450.
20 Ji X, Gu X J, Dai F, et al. Patent collaborative filtering recommendation approach based on patent similarity[C]// Proceedings of the Eighth International Conference on Fuzzy Systems and Knowledge Discovery. Piscataway: IEEE, 2011: 1699-1703.
21 Jiang L, Yang C C. User recommendation in healthcare social media by assessing user similarity in heterogeneous network[J]. Artificial Intelligence in Medicine, 2017, 81: 63-77.
22 何喜军, 董艳波, 武玉英, 等. 基于异构信息网络嵌入的专利技术主体间交易推荐模型[J]. 情报学报, 2020, 39(1): 57-67.
23 Sun Y Z, Han J W. Integrating clustering with ranking in heterogeneous information networks analysis[M]// Link Mining: Models, Algorithms, and Applications. New York: Springer, 2010: 439-473.
24 Wang Q, Du W, Ma J, et al. Recommendation mechanism for patent trading empowered by heterogeneous information networks[J]. International Journal of Electronic Commerce, 2019, 23(2): 147-178.
25 He X J, Dong Y B, Zhen Z, et al. Weighted meta paths and networking embedding for patent technology trade recommendations among subjects[J]. Knowledge-Based Systems, 2019, 184: 104899.
26 Deng W W, Ma J. A knowledge graph approach for recommending patents to companies[J]. Electronic Commerce Research, 2022, 22(4): 1435-1466.
27 何喜军, 董颖, 张佑, 等. 基于供需知识图谱的燃料电池领域专利交易推荐[J]. 系统工程, 2025, 43(3): 13-25.
28 赵展一, 钟永恒, 王辉, 等. 基于技术关联关系的企业研发潜在合作伙伴识别方法研究综述[J]. 现代情报, 2023, 43(10): 152-163, 177.
29 Liu Y X, Zhang W N, Chen Y F, et al. Conversational recommender system and large language model are made for each other in E-commerce pre-sales dialogue[C]// Findings of the Association for Computational Linguistics: EMNLP 2023. Stroudsburg: Association for Computational Linguistics, 2023: 9587-9605.
30 Wu C H, Wu F Z, Qi T, et al. Empowering news recommendation with pre-trained language models[C]// Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM Press, 2021: 1652-1656.
31 Wu L K, Qiu Z P, Zheng Z, et al. Exploring large language model for graph data understanding in online job recommendations[C]// Proceedings of the AAAI Conference on Artificial Intelligence. Palo Alto: AAAI Press, 2024, 38(8): 9178-9186.
32 Hou Y P, Zhang J J, Lin Z H, et al. Large language models are zero-shot rankers for recommender systems[C]// Proceedings of the 46th European Conference on Information Retrieval. Cham: Springer, 2024: 364-381.
33 Bao K Q, Zhang J Z, Zhang Y, et al. TALLRec: an effective and efficient tuning framework to align large language model with recommendation[C]// Proceedings of the 17th ACM Conference on Recommender Systems. New York: ACM Press, 2023: 1007-1014.
34 张志豪, 刘思航, 马天骥, 等. 大模型驱动下基于企业画像的专利交易个性化推荐研究[J]. 情报理论与实践, 2025, 48(5): 177-186.
35 Harte J, Zorgdrager W, Louridas P, et al. Leveraging large language models for sequential recommendation[C]// Proceedings of the 17th ACM Conference on Recommender Systems. New York: ACM Press, 2023: 1096-1102.
36 Xi Y J, Liu W W, Lin J H, et al. Towards open-world recommendation with knowledge augmentation from large language models[C]// Proceedings of the 18th ACM Conference on Recommender Systems. New York: ACM Press, 2024: 12-22.
37 白如江, 陈启明, 张玉洁, 等. 基于ChatGPT+Prompt的专利技术功效实体自动生成研究[J]. 数据分析与知识发现, 2024, 8(4): 14-25.
38 刘奕涵, 石安杰, 李振威, 等. 粤港澳大湾区专利合作网络结构及链路预测——以芯片领域为例[J]. 中国市场, 2020(35): 32-35.
39 Wang X, He X N, Wang M, et al. Neural graph collaborative filtering[C]// Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM Press, 2019: 165-174.
40 He X N, Deng K, Wang X, et al. LightGCN: simplifying and powering graph convolution network for recommendation[C]// Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM Press, 2020: 639-648.
41 黄春淦, 王桂平, 吴波, 等. 基于轻量级图卷积和隐式反馈增强的多样化推荐[J]. 计算机科学, 2024, 51(S1): 681-691.
42 何喜军, 吴爽爽, 武玉英, 等. 基于属性异构网络表示学习的专利交易推荐[J]. 情报学报, 2022, 41(11): 1214-1228.