传统企业合作伙伴推荐方法过度依赖技术特征而忽视多维因素影响。本研究旨在探究企业合作关系的多维影响因素及推荐机制,为企业寻找合适合作伙伴和制定有效创新策略提供技术支持。本研究提出一种基于交叉多头对比学习网络(cross-attenti...传统企业合作伙伴推荐方法过度依赖技术特征而忽视多维因素影响。本研究旨在探究企业合作关系的多维影响因素及推荐机制,为企业寻找合适合作伙伴和制定有效创新策略提供技术支持。本研究提出一种基于交叉多头对比学习网络(cross-attention multi-head contrastive network,CAMC-Net)的企业合作伙伴推荐方法,融合企业、专利和政策数据,通过交叉多头注意力机制建模企业关系的双向互补特性,并引入对比学习策略优化企业表示空间分布。以新能源产业为例,在专利IPC(International Patent Classification)分类号为H02P和H10的企业合作数据集上进行验证,CAMC-Net模型在企业关系识别任务上AUC(area under the curve)分别达到0.9425和0.9251,准确率分别为0.8644和0.8387,F1值分别达到0.8707和0.8471,优于基线模型。通过消融实验证明了政策数据与模型组件的有效性。但现有的研究数据主要基于单一领域,未来需探索跨领域企业合作伙伴推荐方法;同时,模型缺乏对多模态数据的考虑,需要探索更高效的多模态特征融合策略。展开更多
文摘传统企业合作伙伴推荐方法过度依赖技术特征而忽视多维因素影响。本研究旨在探究企业合作关系的多维影响因素及推荐机制,为企业寻找合适合作伙伴和制定有效创新策略提供技术支持。本研究提出一种基于交叉多头对比学习网络(cross-attention multi-head contrastive network,CAMC-Net)的企业合作伙伴推荐方法,融合企业、专利和政策数据,通过交叉多头注意力机制建模企业关系的双向互补特性,并引入对比学习策略优化企业表示空间分布。以新能源产业为例,在专利IPC(International Patent Classification)分类号为H02P和H10的企业合作数据集上进行验证,CAMC-Net模型在企业关系识别任务上AUC(area under the curve)分别达到0.9425和0.9251,准确率分别为0.8644和0.8387,F1值分别达到0.8707和0.8471,优于基线模型。通过消融实验证明了政策数据与模型组件的有效性。但现有的研究数据主要基于单一领域,未来需探索跨领域企业合作伙伴推荐方法;同时,模型缺乏对多模态数据的考虑,需要探索更高效的多模态特征融合策略。
