基于知识图谱与强化学习的专利交易推荐研究

• 全文链接
• 请求原文

作   者：

何喜军;  石安杰;  吴爽爽;  武玉英; 

作者机构：

北京工业大学经济与管理学院; 

关键词：

燃料电池;  专利供需知识图谱;  强化学习;  专利交易推荐; 

期刊名称：

系统工程理论与实践

i s s n：

1000-6788

年卷期：

2024 年 44 卷 010 期

页   码：

3330-3345

摘   要：

筛选影响专利交易的多维特征,构建专利供需知识图谱PSD-KG,引入强化学习并构建专利交易推荐模型KG-RL-PTR,基于实体相似关系及组织历史交易信息设计奖励函数,指导智能体在PSD-KG上根据组织所处环境推理出有效路径,以寻找潜在优质专利完成交易推荐.通过燃料电池领域专利数据的实证研究,得出:第一,与Ekar、DDPG、DeepPath等方法对比, KG-RL-PTR模型推荐性能表现最优;第二,组织间技术邻近是专利交易推荐的关键路径,社会邻近、地理邻近及制度邻近等路径对交易推荐也有促进作用;第三,多维邻近关系路径交互作用共同影响专利交易关系的形成,且技术邻近和组织间信任在推荐中扮演重要角色.该模型依据推理路径给出推荐结果,推荐结果具有新颖性及可解释性.