融合多層異構網絡鏈路預測的產學研專利合作關系挖掘

王騫敏　鄢春根　閔超

關鍵詞： 產學研； 專利合作； Ｒ－ＧＣＮ； 多層異構網絡； 技術相似度

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．０５．００６

〔中圖分類號〕Ｇ３０６ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２３） ０５－００５４－１２

隨著中國社會經濟發展， “產學研深度融合”成為新的發展趨勢。十九大報告中強調， 建立以企業為主體、市場為導向、產學研深度融合的技術創新體系。打造系統創新鏈， 豐富融合形式， 拓展融合范圍， 提升融合層次， 實現產學研深度融合， 需要有效發揮高校、科研院所和企業的互補作用， 從而真正實現創新驅動發展。目前， 產學研融合仍存在廣度與深度欠缺， 問題在于各方信息不對稱等問題導致的高校、院所和企業之間存在脫節［１］ 。在產學研的合作研究中， 多從機構合作角度出發， 推薦企業與頂尖院校合作［２－４］ ， 忽略了普通院校與研究機構具有發明實力的學者。因此， 本研究分析了企業與高校及科研單位學者的特征， 在技術相似度的基礎上， 引入Ｒ－ＧＣＮ 多層異構網絡算法， 挖掘合作規律， 并為企業與學者提供合作參考， 使企業與高校或研究機構部分杰出學者建立直接聯系， 對普通院校與研究機構有實力的學者予以關注， 有利于提高產學研合作效率， 深化產學研合作。

１專利合作研究現狀

１.１產學研專利合作研究現狀

專利合作是產學研合作的重要方式之一， 而社會網絡分析法是專利合作分析中的重要研究方法。近年與之相關的研究可分為以下兩類： 一是對合作網絡進行分析， 指出產學研合作進一步發展的方向，如Ｙａｎ Ｈ Ｙ 等［５］ 基于社會網絡， 發現化工領域產學研合作具有無標度和小世界特性， 進一步提出促進合作者互動等建議， Ｐａｕｌｏ Ａ Ｆ 等［６］ 通過動態網絡松弛ＤＥＡ 模型， 靜態角度分析產學研合作的動態變化， 李文靜［７］ 通過分析校企專利合作網絡，指出中小企業自主創新能力不足和高校科研成果轉化率偏低的問題等； 二是通過復雜算法， 對技術潛在合作對象的識別， 如許海云等［３］ 通過擴展多模數據， 引入產學研機構的技術關聯分析、機構間競爭地位分析、合作網絡中機構間核心邊緣分析以及機構類型等變量， 王超等［４］ 則引入機構能力差異性， 豐富了社會網絡分析方法， 提升了潛在合作對象識別準確性。但目前產學研專利合作研究集中于企業與機構， 對企業與學者之間合作的研究較少，忽略了普通院校與研究機構具有發明實力的學者。

產學研的合作， 本質是企業與高校或研究機構部分杰出發明團隊、發明人的合作。專利合作研究中機構合作較多， 頭部研究機構、雙一流高校關注度更高， 忽略了部分院校與研究機構杰出的學者，錯失合作機會。因此， 在產學研融合需求下， 企業真正的合作需求在于尋找合適的學者。

１.２合作關系的鏈路預測

鏈路預測在潛在合作機會的研究中已有所應用。Ｃｈｅｎ Ｗ 等［８］ 、王菲菲等［２］ 、汪志兵等［９］ 利用專利申請合作網絡， 基于共同鄰居的相似性指標對申請者合作網絡進行鏈路預測， 證明了網絡鏈路的可預測性， 并對其進行關系挖掘。在此基礎上進行的鏈路預測， 對合作對象自身特征缺乏深入挖掘，導致預測效果有限。除了基于傳統的網絡拓撲結構的鏈路預測外， 部分學者進行了進一步的探索。這些探索共有兩個方向： 一是提出新的鏈路預測算法， 如Ｌｉ Ｌ Ｘ 等［１０］ 提出了基于非平衡協同效應的鏈路預測方法， 即異質網絡， 李冰等［１１］ 亦將企業—專利異質性網絡引入合作關系預測， 此類算法經數據集驗證， 預測效果有所提升， 但僅包含已有連接、已在網絡中的對象， 忽略了未曾連接、但有潛在連接可能的節點； 二是將鏈路預測與其他算法相結合，如丁敬達等［１２］ 將作者研究內容相似度與合作網絡結構相似性結合， 秦紅武等［１３］ 將Ｋ－ｍｅａｎｓ 算法與鏈路預測算法中的Ｋａｔｚ 指標相結合， 綜合考慮多個維度， 進行科研合作推薦， 此類算法對網絡結構挖掘有限， 多為單層網絡， 尚未引入其他網絡特征。隨著Ｒ－ＧＣＮ 等復雜網絡鏈路預測算法的改進與成熟，將合作對象自身特征與其他網絡特征納入預測影響因素， 提高鏈路預測的效果成為可能。

對于產學研技術合作專利的研究， 已有前人將鏈路預測應用于專利合作中。但鏈路預測以研究網絡結構為主， 忽略了專利合作節點間的發明領域的相似性。企業與學者技術主題存在關聯， 是兩者實現合作的基礎。技術相似度測算為此提供了解決方法。Ｃａｓｓｉ Ｌ 等［１４］ 、呂源等［１５］ 已證明技術接近能夠促進專利合作。因此， 本文將ＲＧＮ 算法與技術相似度杰卡德相似系數（Ｊａｃｃａｒｄ Ｓｉｍｉｌａｒｉｔｙ）、余弦相似度與歐氏距離（Ｅｕｃｌｉｄｅａｎ Ｍｅｔｒｉｃ）３ 個指標相融合， 考慮不同實體的發明領域耦合度， 為多層異構網絡鏈路預測提供了發明內容的補充。

因此， 本文引入多層異構網絡， 包含學者合作網絡與企業—學者合作網絡， 通過深入挖掘企業特征與學者特征， 將節點屬性特征與網絡拓撲信息相結合， 基于關系圖卷積網絡（Ｒ－ＧＣＮ）算法， 發現合作網絡規律， 預測與企業進行合作的潛在發明人， 并篩選具有技術實力與合作可能性的學者， 為企業合作提供參考。

２研究方法

本研究的主要目的是認識企業和學者的合作特征與規律， 預測企業與學者合作可能性， 為企業推薦合適的合作學者。而許海云等［３］ 在研究中采用的假設為合作方技術主題關聯性越大， 則合作潛力越大。學者在合作網絡中， 既可為發明者， 也可為中介者， 為企業與其他學者的合作提供橋梁。另外， 企業選擇合作的學者， 必然存在一定特征。因此， 本研究選擇將多層異構網絡鏈接預測與技術相似度相結合， 選取杰卡德相似系數（集合相似度）、余弦相似度（相對距離）與歐氏距離（絕對距離）３個指標計算企業與學者的ＩＰＣ 主題的技術相似度，并構建了學者—學者、企業—學者兩層網絡， 將企業—學者作為目標網絡， 結合多層節點特征與網絡結構特征， 預測兩者鏈接可能性， 最后將鏈接得分與技術相似度結合， 得到最終的合作預測結果， 研究框架如圖１所示。

２.１技術相似度

目前， 技術相似度測算有３ 種方法， 分別為基于專利引文、專利文本與專利分類組合的相似度測算。由于ＩＰＣ 分類號作為唯一的國際通用的專利文獻分類方法， 由專利審查員根據專利文本內容進行標注， 具有客觀性與權威性， 因此， 本文主要采用基于專利ＩＰＣ 分類組合進行技術相似度的測算。

通過計算企業與各發明人涉及的專利ＩＰＣ 領域的杰卡德相似系數（Ｊａｃｃａｒｄ Ｓｉｍｉｌａｒｉｔｙ）、余弦相似度與歐氏距離（Ｅｕｃｌｉｄｅａｎ Ｍｅｔｒｉｃ）３ 個指標， 綜合考慮集合相似度、相對距離與絕對距離， 并將其作為合作預測的特征。這３ 個指標作為衡量相似度廣泛使用的指標， 杰卡德相似系數考慮集合相似性， 僅判斷相互之間的共同特征一致性問題； 余弦相似度反映了兩者的相對距離， 強調向量方向關系； 歐氏距離表達了兩者的絕對距離， 受到集合元素出現頻率的影響。３ 個指標有各自注重的方面， 又存在一定缺陷， 因此， 本研究將其作為ＲＮＧ 算法的補充，與ＲＮＧ 算法相融合的方式， 既從合作網絡， 又通過兩者的相似度， 預測企業和學者合作可能性。

２.２Ｒ －ＧＣＮ（ Ｒｅｌａｔｉｏｎａｌ Ｇｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔ?ｗｏｒｋｓ）

Ｒ－ＧＣＮ 最先由Ｓｃｈｌｉｃｈｔｋｒｕｌｌ Ｍ 等［１６］ 在ＧＣＮ 的基礎上提出， 通過在關系圖的多個推理步驟中使用編碼器模型來積累信息， 改進鏈路預測的模型。本研究使用Ｒ－ＧＣＮ 模型， 主要由于Ｒ－ＧＣＮ 包容性強， 能構建不同類型節點與關系的多層網絡， 通過整合各層信息， 節點所積累的信息既包含了自身屬性信息， 也承載了其他層的網絡結構信息。多層網絡相對于單層網絡， 網絡節點數得到了極大的擴展。企業與學者單層合作網絡包含節點為： 事實存在合作的企業與學者， 不包含從未與企業合作的學者。而加入了學者合作網絡后， 所有相互合作過的學者都在網絡中。將未與企業合作的學者加入到潛在合作對象中是本研究的主要目的之一。

本研究構建兩層網絡， 第一層為學者與學者合作的同構無向網絡， 第二層為企業與學者合作的異構有向網絡， 是目標層網絡， 其中企業為源節點，學者為目標節點。在本文場景下， 企業與學者的合作網絡， 除企業自身屬性與發明者屬性外， 模型還整合學者合作網絡的結構特征， 如企業Ａ 與學者ａ合作， 學者ａ與學者ｂ合作， 企業Ａ 雖與學者ｂ 未直接合作， 但在網絡中鏈接的概率高于其他節點。Ｒ－ＧＣＮ 模型對企業與學者鏈路預測時， 能將多層網絡信息與節點信息整合入模型， 提升模型預測效果。

本研究Ｒ－ＧＣＮ 算法節點更新計算如圖２所示。節點表示是Ｒ－ＧＣＮ 算法的主體， Ｒ－ＧＣＮ 中目標節點的表示有３ 個來源： 一是為保留自身的屬性與結構信息， 節點進行ＳＥＬＦ ＬＯＯＰ； 二是對節點的鄰居節點特征與自身特征聚合， 得到節點表示結果； 三是從其他層鄰居節點特征和節點的關系得到， 聚合為節點表示結果。計算過程如下： ①輸入與節點實體相關的特征， 并映射到隱層空間； ②遍歷每一種關系下， 疊加每一個點的鄰居點的特征進行聚合； ③加上一層的中心節點特征， 經過一個激活函數輸出作為中心節點的輸出特征。

對兩個節點的特征向量執行逐元素點乘來計算二者距離， 將得到的值作為預測分數。本研究選擇Ｈｉｎｇｅ Ｌｏｓｓ 作為損失函數， 用于計算二分類問題的損失， 適用于兩個節點間鏈接與否。迭代終止條件為兩次迭代之間Ｌｏｓｓ 值變化小于０ ０００１。最后使用Ｓｉｇｍｏｉｄ 函數對得到的分數進行歸一化， 得到鏈路預測結果。

２.３特征變量選擇

本研究分別從企業與學者兩方面構建節點特征， 其中企業特征主要來源于企業發布的年報， 分為經營狀況與企業規模、技術吸收能力、研發投入與專利成果４ 個維度； 學者（發明者）特征主要來源于專利數據， 分為技術能力和合作傾向２ 個維度。具體指標及其解釋如表１ 所示。

在以往對產學研合作的影響因素的研究中， 企業的經營狀況與規模對產學研合作存在影響已被證明［１７－１８］ 。本研究將企業的經營狀況與規模維度作為產學研合作的影響因素加入模型， 由模型進行訓練， 其指標涵蓋企業營收、成本、利潤、資產、成立時長等各方面。

技術吸收能力［１８－１９］ 指企業對新技術認識及吸收并應用于商業的能力。企業技術吸收能力越強，就越有動力與外部研發能力合作。本研究將企業的技術人員、研發人員、核心技術人員和高學歷員工的數量及其占比作為衡量企業技術吸收能力的指標。

企業的研發投入是產學研合作的基礎， 是企業對技術重視程度的直接體現。企業的研發投入與產學研合作順利進行為正向相關［２０］ 。本研究選擇研發費用、研發投入總額與資本化研發投入作為對企業的研發投入情況的３ 個指標。

對于科技型企業， 專利成果是其研發能力的直接體現， 也能側面表現企業對技術的重視程度。專利分３ 種類型： 一是發明專利， 指對產品、方法或者其改進所提出的新的技術方案， 需申請后經過實質審查授權生效， 因此， 發明專利分為申請的發明專利與已授權的發明專利； 二是實用新型專利， 對產品的形狀、構造或者其結合所提出的適于實用的新的技術方案， 無需經過實質審查； 三是外觀設計專利， 指對產品的形狀與圖案、色彩與形狀等作出的富有美感并適于工業應用的新設計， 無需實質審查。本研究將專利總量及各類專利數量作為衡量企業專利成果的指標。

學者的技術實力與合作傾向是產學研中企業選擇合作時考慮的重要因素［２１］ 。本研究綜合考慮了學者作為參與者與第一發明人兩種角色時， 對發明做出的不同貢獻。技術實力包含學者發明數量、質量、覆蓋面， 本研究將發明涉及ＩＰＣ 數、發明專利數、發明權利要求總量、發明轉讓總次數、發明被引證總次數５ 類指標衡量學者技術實力。另外， 參考學者歷史與其他發明人和其他申請人合作情況，用專利申請人總量、專利發明人總量和與企業合作次數作為衡量合作傾向的指標。

２.４模型評估

本研究使用技術相似度與鏈路預測模型得出最終合作預測結果， 為企業推薦合適的合作學者。ＲＧＣＮ模型的企業—學者層作為目標層， 最終產出全連接層， 即企業與所有學者相連接， 并產出鏈接概率。考慮到模型實際應用只需選擇鏈接概率較高的節點進行推薦， 因此， 選擇企業節點鏈接概率前１５０的節點進行模型評估。本研究采用準確率（Ａｃｃｕｒａ?ｃｙ）、召回率（Ｒｅｃａｌｌ）、ＡＵＣ（Ａｒｅａ Ｕｎｄｅｒ Ｃｕｒｖｅ）、均方誤差（ＭＳＥ）、Ｆ－Ｓｃｏｒｅ、平均倒數排名（ＭＲＲ）６ 個指標評估模型性能。其中Ｆ－Ｓｃｏｒｅ 作為用于精確度（Ｐｒｅｃｉｓｉｏｎ）與召回率（Ｒｅｃａｌｌ）調和平均， 綜合反映了預測結果的精確度與召回率， 本研究為企業推薦合作學者， 更注重召回率， 因此取β 為２， 計算公式如式（２）：

３實證分析

３.１數據來源與分析工具

本文專利合作數據與發明者特征數據來源于ＩＮＣＯＰＡＴ 專利數據平臺， 樣本選取了江浙滬醫藥生物領域２０１７—２０２１ 年的發明專利， 分別從企業端與學者端構建了檢索式， 其中學者端選取了ＩＮ?ＣＯＰＡＴ 專利數據中申請人類型為“大專院校” “科研單位” “機關團體” 的專利； 企業端選取了同花順數據庫中江浙滬生物醫藥滬深兩市上市公司， 與ＩＮＣＯＰＡＴ 上“工商上市代碼” 相對應， 檢索各企業涉及專利。由于檢索式較為復雜， 篇幅所限， 暫不展示。對企業端與學者端檢索后， 經過進一步人工篩選、去重與處理， 最終得到２３３８７條專利數據。江浙滬上市企業數據來源于同花順數據庫， 共１０３ 家企業數據。

為處理研究發明人中重名與合作專利發明人單位歸屬問題， 確認發明人身份， 本研究將發明人及申請人相對應， 即發明人隸屬于申請單位。對于多個單位的同一發明人， 根據發明人與其他發明人、其他申請單位的關系， 以及研究主題相關性等因素， 進行修正標引。最終無法識別部分選擇第一申請人作為發明人的單位。

本研究共構建了兩層網絡， 第一層為學者之間的合作網絡， 第二層為企業與學者合作的網絡， 其中第二層為目標網絡。網絡節點數與鏈接數如表２所示。

３.２產學研合作網絡描述

本研究合作網絡共有兩層， 企業—學者合作網絡為目標層。企業—學者合作網絡如圖３ 所示， 企業—學者合作網絡整體上較為稀疏， ３７ 家企業與２２２ 名學者實現了合作。度中心度作為衡量節點中心度的指標， 表示節點與其他節點的聯系多少［１９］ 。學者多與一家企業進行合作， 平均度中心度僅為１.０５， 而企業的合作學者較多， 平均度中心度為６.１２。

合作上市企業中新和成、康緣藥業在網絡中度中心度最高， 是網絡中的核心節點。企業—學者網絡中企業度中心度如表３所示。節點度中心度越高， 在網絡內連接的節點越多， 其影響力越大。

上市企業選擇合作的學者多為頂尖大學或優秀醫院。其中浙江大學學者最多， 為６０ 人， 浙江工業大學、中國人民解放軍海軍軍醫大學、上海中醫藥大學附屬龍華醫院分列２、３、４ 名。

３.３產學研合作鏈路預測

３.３.１模型構建

本研究將Ｒ－ＧＣＮ 鏈路預測模型與技術相似度相結合， 分別計算企業與學者的Ｒ－ＧＣＮ 鏈接概率與杰卡德相似系數、余弦相似度、歐氏距離， 通過邏輯回歸模型將四者融合， 得到最終合作概率。

企業—學者合作的整體樣本是企業與學者的全連接層， 即每一個企業都與所有學者相連， 得到其合作的可能性。將企業與學者存在合作關系作為正樣本， 未發生合作關系視為負樣本。在正樣本中根據企業節點劃分２∶１的訓練集與測試集。

在Ｒ-ＧＣＮ 模型實際建模過程中， 由于Ｒ－ＧＣＮ適用于有向網絡， 為方便賦予節點特征， 在實踐階段， 將上述學者—學者、企業—學者兩層無向網絡分割３ 層， 分別為學者合作網絡與企業—學者有向合作網絡、學者—企業有向合作網絡， 分別使用ＧＣＮ 卷積模塊生成單層節點向量表示。完成后對三層網絡堆疊， 進行信息傳遞， 構建一個多層的圖神經網絡來生成節點的向量表示， 生成異構圖網絡中發生鏈接的節點與邊的模式， 至此構成了模型的輸入層。其中節點特征經過ｍａｘ、ｍｉｎ、ｆｉｒｓｔ、ｌａｓｔ、ａｖ?ｅｒａｇｅ、ｓｕｍ、ｓｔｄ 等擴展處理后， 輸入層中學者特征為１１２ 維， 企業特征為８８ 維。之后構建了兩個隱藏層， 一個輸出層。由于本研究為企業—學者鏈接與否的二分類問題， 因此輸出層神經元設置為２。

經過實驗， 隱藏層層數為２ 時， 模型收斂速度較快， 效果較好。結合實驗與考慮到模型過擬合問題， 將模型隱藏層數設置為２。在確定隱藏層層數為２ 層后， 神經元個數設置初始節點為２０， 迭代次數為４０ 次， 而后逐１０ 個增加神經元個數， 確定最佳收斂區間。本研究進行了多遍訓練， 取Ｌｏｓｓ均值作為結果。實驗結果如圖４ 所示， 在神經元為３０個時， 模型可以經過多次迭代收斂， 且神經元為最小個數。

多次迭代訓練結果如圖４ 所示， 可以看出當模型迭代３７次后， 測試集與訓練集的模型損失變化較小， 直至不變， 完成Ｒ－ＧＣＮ 模型訓練。

得到Ｒ－ＧＣＮ 模型預測結果與技術相似度指標后， 將兩者進行邏輯回歸擬合。為提高模型穩定性， 對各指標進行ＷＯＥ轉化， 再進行模型訓練。選擇使用Ｌ２正則約束， 步長設置為０.０１， 最大迭代次數設為１００，最終得到邏輯回歸模型如式（４）：

Ｐｒｅｄ ＝ ｓｉｇｍｏｄ （ ０.６７７４ ＋ ０.２１７１ .Ｊａｃｃａｒｄ ＋０.２１７０?Ｃｏｓｉｎｅ ＋１.３１３９?Ｅｕｃｌｉｄｅａｎ ＋０.４６８３.ｓｉｇ?ｍｏｄ（Ｒ－ＧＣＮ）） （４）

３.３.２模型評估

采用準確率（Ａｃｃｕｒａｃｙ）、召回率（Ｒｅｃａｌｌ）、ＡＵＣ（Ａｒｅａ Ｕｎｄｅｒ Ｃｕｒｖｅ）、均方誤差（ＭＳＥ）、Ｆ－Ｓｃｏｒｅ、平均倒數排名（ＭＲＲ） ６ 個指標， 將構建的Ｒ－ＧＣＮ鏈路預測模型與各個技術相似度指標在訓練集與測試集上的表現進行對比， 結果如表４ 所示。Ｒ－ＧＣＮ鏈路預測模型表現如圖５所示。

由圖６ 與表４ 可知， Ｒ－ＧＣＮ 鏈路預測模型整體ＴＯＰ１５０ 正樣本占比最高， 達到９４.７６％， ＡＵＣ、召回率、Ｆ２－ｓｃｏｒｅ 表現高于杰卡德相似系數、余弦相似度、歐氏距離３ 個指標， 但ＭＲＲ 指標低于１０％， 說明排序效果不佳。杰卡德相似系數、余弦相似度、歐氏距離３ 個指標的ＴＯＰ１５０ 正樣本占比、ＡＵＣ、召回率與Ｆ２－ｓｃｏｒｅ 表現不佳， 但準確率較高， ＭＲＲ 指標表現較好。因此， 將４ 個指標通過邏輯回歸模型進行擬合訓練后， 形成新的模型， 其表現得到了大幅提升。

模型評估結果如表４ 所示。Ｒ－ＧＣＮ 與３ 個技術相似度指標的組合模型， 前１５０ 為正樣本的占比仍維持在較高水平， 達到８９.９６％， 準確率、ＡＵＣ、召回率與Ｒ－ＧＣＮ 鏈路預測模型都有小幅提升， 且ＭＲＲ 指標大幅提升， 說明結合后的模型預測準確性、覆蓋面等性能更好， 排序性更優。圖７ 為ＲＧＣＮ與３ 個技術相似度指標相結合的模型表現， 亦驗證了訓練集與測試集預測概率分布、正負類別概率分布、概率累計分布基本一致， 模型較為穩定。

３.３.３預測結果

根據各企業與各學者合作預測結果進行排名，排名結果如表５ 所示， Ｒ－ＧＣＮ 與３ 個技術相似度指標的組合模型排名效果遠優于其他四者。實際合作的學者在組合模型中普遍排名靠前， 驗證了算法的有效性。

選取參與發明總專利數大于２， 第一發明專利數大于１， 且具有一定發明實力的學者作為推薦企業合作學者。表６ 為各企業與各學者合作預測部分結果， 結果去除已合作的學者。本研究推薦了部分普通院校的杰出學者， 如杭州師范大學的章鵬飛、溫州醫科大學的張宏宇、浙江中醫藥大學的丁興紅等， 實現了在產學研中關注普通院校杰出學者的研究目標。

在預測結果中， 以新和成為例， 本研究推薦了江南大學東為富（前２２名都已與新和成實現合作）， 他于２０２０—２０２１年申請了４項由他為第一發明人的專利， 主要研究方向為高分子材料共混改性、聚合物納米符合材料等研究， 與新和成企業高分子復合新材料的產業方向相符。且新和成有豐富的產學研合作經驗， 與浙江大學、寧波工程學院等學校均有合作， 對學者發明具備市場化能力。

４結論

基于產學研合作關系挖掘的實踐， 本研究在技術相似度的基礎上， 引入了多層異構網絡鏈路預測算法， 融合學者合作網絡與企業—學者合作網絡，在產學研合作的鏈路預測算法中綜合考慮了合作網絡結構與合作技術內容。對不同類型的節點構建了不同的特征變量， 其中企業分為經營狀況與規模、技術吸收能力、研發投入與專利成果４ 個維度１５個指標， 學者分為２ 個維度８個指標。對生物醫藥領域專利數據集中分別評估了技術相似度、多層異構網絡鏈路算法與技術相似度與多層異構網絡鏈路預測相結合算法的精確度、覆蓋率以及排序性多項指標， 證明了技術相似度與多層異構網絡鏈路預測相結合算法在各項指標中均表現較優。因此， 本文構建的融合多層異構網絡鏈路預測與技術相似度的算法是有效且具可行性的， 指導企業尋找合適的合作學者， 在產學研合作關系的預測和合作學者的推薦中具有理論意義與實踐價值。后續研究應加入學者在論文等理論上的研究維度特征， 全方面評估學者的發明潛力， 挖掘學者研究特征對產學研合作的作用機制； 本研究以靜態網絡為主， 后續可考慮加入動態合作網絡， 結合企業關注領域的變化， 實現動態推薦。