在我国庞大的专利文献数据中,存在很多在技术上取得重要突破的核心专利,这些专利能够引领行业发展,促进行业巨变,并带来巨大的社会和经济价值。在专利公开早期能够准确地预测出这些专利,不仅有助于国家确定技术发展战略方针,优化政府部门决策,加快行业技术发展速度和提高国家技术竞争力,也可以帮助企业在激烈的竞争环境中发现市场机会,发掘合作伙伴,并且通过市场专利购买,围绕核心专利提前布局专利网等方式优化技术战略,增强核心竞争力,获得市场先机,从而有效减少企业研发成本,提高市场定位精度和收益。当前众多核心专利挖掘的研究方法上均存在一定程度的不足之处,如:采用德尔菲法、层次分析法等定性评价法,程序复杂、效率较低,过度依靠个人主观判断;布拉德福定律评价法基于对专利某一类别数量的统计结果,无法对单独个体进行定量分析,不利于个别核心专利的有效发掘;基于单一指标或多指标的方法仅采用外部指标进行识别预测,需要人为确定专利特征,专利特征的提取也依靠数据库的完整程度及个人经验,存在专利特征提取不充分等问题;而基于专利网络等的研究中,多通过引文网络、同族专利等专利的特有网络结构来发掘核心专利群或突破技术,因此无法针对个别专利进行分析,并忽略了其他专利特有的网络结构,具有一定的局限性。以上这些方法多为现有核心专利的识别方式,无法解决大量数据下的未来核心专利预测问题。而在现有核心专利预测的研究中,多为基于专利外部特征指标,结合分类模型算法进行预测,这类方法会存在如上述的专利外部特征指标提取不完整、依靠个人经验判断等问题,同时也忽略了专利网络内部丰富的潜在信息,导致预测效果不尽如人意。本文提出了基于发明人与专利的关系构建专利与专利之间的关系网络图,通过图嵌入和图神经网络模型分别提取专利特征向量,并采用分类模型进行预测的方法。通过逻辑回归（Logistics Regression）、随机森林（Random Forest）、朴素贝叶斯（Naive Bayes）、支持向量机（SVM）、Adaboost等多种分类模型对某一行业的专利在未来能否成为核心专利进行预测。该方法弥补了当前众多研究方法的不足。首先,通过发明人作为纽带构建专利之间的关系网络,并基于图嵌入的思想,将网络中的专利表示为多维的空间特征向量,提取了专利网络中的潜在特征,丰富了专利预测的指标信息;其次,本文引入最新的图神经网络模型,解决了图嵌入方法仅根据专利在网络的位置输出特征向量无法有效提取节点自身特征的问题,利用Graphsage模型基于构建好的专利网络关系图,通过聚合目标节点邻居特征属性的方式输出目标节点的特征向量。有效地解决了仅通过专利外部特征或专利的图嵌入空间特征向量的指标单一化问题,不仅丰富了节点特征信息,而且可以将两者的信息进行更有效的融合。本文选取了当今关注度较高的通信行业,以收录在中国知识产权局的通信上市公司专利作为研究对象进行实证分析。实验结果表明,通过构建专利关系网络图的方式提取的专利特征向量比传统的专利外部特征作为指标的预测效果更佳,而图神经网络方法提取的特征向量有效地聚合了专利的外部特征和网络关系图中的空间特征,预测效果比前两种单一方法及将两种特征信息放在一起预测的效果更优,验证了图神经网络在专利预测任务上的可行性。