随着我国国家知识产权战略步伐的加快实施,以及创新创业浪潮的兴起,专利申请和授权的数量都在以迅猛的势头增加。发明人在撰写及申请专利之前需要查阅大量和自己研究内容相似的专利文献以把握研究热点,面对如此庞大的专利数据,需要一种有效的方式挖掘专利文本中隐藏的信息,以便将专利准确的推荐给发明人。如何根据发明人的兴趣偏好进行个性化的专利推荐已经逐渐成为了一个研究热点。本文在专利文本数据的基础上,研究如何挖掘出发明人的兴趣进而对其进行个性化推荐。论文的主要研究内容包括:(1)针对发明人研究兴趣难以建模的问题,研究了基于潜在狄利克雷分布(Latent Dirichlet Allocation,LDA)的发明人的建模方法。该方法针对发明人的现有专利,构建发明人—专利—特征词的三层模型,并在三层模型的基础上进一步挖掘发明人的兴趣偏好,进而计算发明人的兴趣分布。(2)针对专利推荐不准确的问题,提出了一种基于文本聚类的专利推荐算法。该方法通过文本聚类算法对专利进行领域划分,在与发明人兴趣相似的领域中计算专利与发明人之间的相似度,根据产生的推荐列表完成专利的推荐。通过基于聚类算法的专利推荐,解决了传统的直接计算专利间相似度的方法造成推荐准确度较低的问题。(3)结合发明人兴趣模型和文本聚类算法,设计并实现了本文提出的基于文本聚类的专利推荐算法。在使用主题模型对专利进行领域划分的基础上,结合发明人的兴趣偏好、待推荐专利和发明人研究领域之间的相似度对发明人进行专利推荐,提高了专利推荐结果的有效性和可信度。通过对实验的结果进行分析和评价,验证了本文所提出的专利推荐方法的可行性和有效性。本文以专利文本为研究对象,分别从发明人的兴趣提取和专利聚类入手,完成了基于文本聚类的专利推荐算法研究,丰富了专利推荐的研究方法,推动了专利推荐的应用及发展。