《Expert Systems with Applications》：Graph-based technology recommendation system using GAT-NGCF
編輯推薦：
為解決企業從海量專利中篩選適配技術耗時復雜的問題，研究人員開展基于圖注意力網絡（GAT）和神經圖協同過濾（NGCF）的技術推薦系統研究。實驗基于 6797 例數據，獲 Recall@5 0.9984、NDCG@5 0.9972，優于 SOTA 模型，助力技術轉移與商業化。
在科技高速迭代的當下，企業維持競爭力高度依賴技術創新。然而，從全球海量專利中精準匹配符合企業戰略目標的技術猶如大海撈針。傳統基于自然語言處理（NLP）或專利因素相似性的推薦方法，僅聚焦技術層面的關聯，卻忽略技術轉移中至關重要的商業化潛力與市場適配性，導致推薦精準度不足。如何打破這一困境，讓技術與企業需求實現高效 “聯姻”，成為開放創新領域亟待攻克的難題。
為破解上述挑戰，相關研究人員開展了基于圖神經網絡（GNN）的技術推薦系統研究，并將成果發表在《Expert Systems with Applications》。
研究采用的關鍵技術方法包括：一是利用圖注意力網絡（Graph Attention Networks，GAT）對企業與專利構成的交互圖進行建模，通過捕捉圖中節點間的非對稱影響（即相鄰節點重要性差異），生成企業與專利的最優表征；二是結合神經圖協同過濾（Neural Graph Collaborative Filtering，NGCF），在企業 - 專利交互圖中傳播節點表征，挖掘多跳節點間的潛在關聯，實現基于復雜交互的專利推薦。研究數據來源于 6797 例真實技術轉移與估值案例。
研究結果
模型性能評估
通過對比多種先進模型，GAT-NGCF 系統展現出卓越性能：在 Recall@5 指標上達到 0.9984，Normalized Discounted Cumulative Gain（NDCG@5）為 0.9972，顯著優于傳統協同過濾及現有 SOTA 模型，驗證了其在技術推薦中的高精度與有效性。
商業化潛力導向的專利 prioritization
系統通過整合企業技術需求與專利特征的交互信息，能夠優先推薦高商業化潛力的專利。案例分析表明，其推薦結果與企業戰略目標高度契合，為技術轉移策略制定提供了可操作的路徑。
研究結論與意義
本研究構建的 GAT-NGCF 技術推薦系統，突破了傳統方法僅依賴技術相似性的局限，通過圖結構建模與協同過濾的深度融合，實現了技術推薦從 “表面匹配” 到 “深度交互理解” 的跨越。其核心價值體現在：
- 方法創新：首次將 GAT 與 NGCF 結合應用于技術推薦領域，為處理企業 - 專利復雜關系提供了新范式，豐富了圖神經網絡在開放創新場景的應用邊界。
- 實踐價值：系統可自動化生成定制化技術推薦，大幅降低企業技術篩選成本，提升技術轉移成功率，為企業通過開放創新整合外部資源、加速技術商業化提供了關鍵工具支撐。
- 領域拓展：研究結果為跨行業技術匹配、產學研合作等場景提供了方法論參考，推動了數據驅動的技術創新管理向智能化、精準化方向發展。
盡管研究未明確提及作者單位信息，但其構建的技術框架為全球企業應對技術創新挑戰提供了普適性解決方案。未來，隨著專利數據維度的進一步豐富（如技術生命周期、市場反饋等），該系統有望在更多應用場景中釋放更大效能，持續賦能全球科技創新生態。
