编辑推荐：
为解决企业从海量专利中筛选适配技术耗时复杂的问题，研究人员开展基于图注意力网络（GAT）和神经图协同过滤（NGCF）的技术推荐系统研究。实验基于 6797 例数据，获 Recall@5 0.9984、NDCG@5 0.9972，优于 SOTA 模型，助力技术转移与商业化。
在科技高速迭代的当下，企业维持竞争力高度依赖技术创新。然而，从全球海量专利中精准匹配符合企业战略目标的技术犹如大海捞针。传统基于自然语言处理（NLP）或专利因素相似性的推荐方法，仅聚焦技术层面的关联，却忽略技术转移中至关重要的商业化潜力与市场适配性，导致推荐精准度不足。如何打破这一困境，让技术与企业需求实现高效 “联姻”，成为开放创新领域亟待攻克的难题。
为破解上述挑战，相关研究人员开展了基于图神经网络（GNN）的技术推荐系统研究，并将成果发表在《Expert Systems with Applications》。
研究采用的关键技术方法包括：一是利用图注意力网络（Graph Attention Networks，GAT）对企业与专利构成的交互图进行建模，通过捕捉图中节点间的非对称影响（即相邻节点重要性差异），生成企业与专利的最优表征；二是结合神经图协同过滤（Neural Graph Collaborative Filtering，NGCF），在企业 - 专利交互图中传播节点表征，挖掘多跳节点间的潜在关联，实现基于复杂交互的专利推荐。研究数据来源于 6797 例真实技术转移与估值案例。
研究结果
模型性能评估
通过对比多种先进模型，GAT-NGCF 系统展现出卓越性能：在 Recall@5 指标上达到 0.9984，Normalized Discounted Cumulative Gain（NDCG@5）为 0.9972，显著优于传统协同过滤及现有 SOTA 模型，验证了其在技术推荐中的高精度与有效性。
商业化潜力导向的专利 prioritization
系统通过整合企业技术需求与专利特征的交互信息，能够优先推荐高商业化潜力的专利。案例分析表明，其推荐结果与企业战略目标高度契合，为技术转移策略制定提供了可操作的路径。
研究结论与意义
本研究构建的 GAT-NGCF 技术推荐系统，突破了传统方法仅依赖技术相似性的局限，通过图结构建模与协同过滤的深度融合，实现了技术推荐从 “表面匹配” 到 “深度交互理解” 的跨越。其核心价值体现在：
- 方法创新：首次将 GAT 与 NGCF 结合应用于技术推荐领域，为处理企业 - 专利复杂关系提供了新范式，丰富了图神经网络在开放创新场景的应用边界。
- 实践价值：系统可自动化生成定制化技术推荐，大幅降低企业技术筛选成本，提升技术转移成功率，为企业通过开放创新整合外部资源、加速技术商业化提供了关键工具支撑。
- 领域拓展：研究结果为跨行业技术匹配、产学研合作等场景提供了方法论参考，推动了数据驱动的技术创新管理向智能化、精准化方向发展。
尽管研究未明确提及作者单位信息，但其构建的技术框架为全球企业应对技术创新挑战提供了普适性解决方案。未来，随着专利数据维度的进一步丰富（如技术生命周期、市场反馈等），该系统有望在更多应用场景中释放更大效能，持续赋能全球科技创新生态。
