公开(公告)号：CN110737778B

公开(公告)日：2022-05-31

申请号：CN201910831234.3

申请日：2019-09-04

Applicant: 北京邮电大学

Inventor： 欧中洪 ,  刘科孟 ,  吴金盛 ,  谭言信 ,  宋美娜 ,  宋俊德

IPC: G06F16/36 ,  G06F16/9535 ,  G06F40/295 ,  G06N3/04 ,  G06N3/08 ,  G06Q50/18

Abstract: 本发明公开了一种基于知识图谱和Transformer的专利推荐方法，包括以下步骤：爬取专利资源库构建知识图谱；通过图卷积网络和注意力机制的混合模型挖掘知识图谱，得到用户和专利的内容特征表示向量；通过Transformer模型挖掘用户信息，得到用户历史偏好的序列特征向量；将内容特征表示向量和序列特征向量级联结合，输入Transformer模型的Softmax层计算，得到多个候选专利被推荐的概率值；对多个概率值进行Top‑k排序，得到Top‑k个专利作为目标用户的推荐结果。该方法采用知识图谱丰富特征表示，采用Transformer挖掘行为序列特征，提高推荐结果的精准性和可解释性。

公开(公告)号：CN110737778A

公开(公告)日：2020-01-31

申请号：CN201910831234.3

申请日：2019-09-04

Applicant: 北京邮电大学

Inventor： 欧中洪 ,  刘科孟 ,  吴金盛 ,  谭言信 ,  宋美娜 ,  宋俊德

IPC: G06F16/36 ,  G06F16/9535 ,  G06F40/295 ,  G06N3/04 ,  G06N3/08 ,  G06Q50/18

Abstract: 本发明公开了一种基于知识图谱和Transformer的专利推荐方法，包括以下步骤：爬取专利资源库构建知识图谱；通过图卷积网络和注意力机制的混合模型挖掘知识图谱，得到用户和专利的内容特征表示向量；通过Transformer模型挖掘用户信息，得到用户历史偏好的序列特征向量；将内容特征表示向量和序列特征向量级联结合，输入Transformer模型的Softmax层计算，得到多个候选专利被推荐的概率值；对多个概率值进行Top-k排序，得到Top-k个专利作为目标用户的推荐结果。该方法采用知识图谱丰富特征表示，采用Transformer挖掘行为序列特征，提高推荐结果的精准性和可解释性。

公开(公告)号：CN110457461A

公开(公告)日：2019-11-15

申请号：CN201910620204.8

申请日：2019-07-10

Applicant: 北京邮电大学

Inventor： 欧中洪 ,  吴金盛 ,  谭言信 ,  宋美娜 ,  宋俊德

IPC: G06F16/335 ,  G06F16/35 ,  G06F17/27 ,  G06Q50/18

Abstract: 本发明公开了一种基于隐语义主题的专利推荐方法及装置，其中，方法包括以下步骤：根据专利摘要和标题获取多个专利关键词；根据多个专利关键词利用开源词向量库进行词向量转换，并基于k-means构建隐语义主题树；通过隐语义主题树获取每个专利的主体分布，并构建主题召回列表，及根据余弦公式得到主体分布相似度，以根据主体分相似度进行专利推荐。该方法可以通过利用包含外部知识的词向量库，引入专利的语义主题信息，能更加语义化匹配用户目标，获得更加精准的推荐结果，并通过构建隐语义主题树，基于语义上的近邻主题召回进行主题相似度排序，达到进行多层次语义精准推荐。