在科学技术飞速发展的21世纪,知识产权的保护变得至关重要,专利作为首要的保护方式,其涵盖90%以上最新的技术信息,且有诸多新型技术只以专利文献的形式公开,通过对专利文献进行知识挖掘与统计分析,能够快速了解国内外相关技术的发展现状和发展趋势,进而为国家和企业制定发展战略提供可靠的依据。近年来,专利申请和授权的数量整体上呈上升趋势。由于专利数量的快速增长,面对海量的专利数据,为了快速找到相关领域的专利文献,专利推荐应运而生。专利推荐即推荐与给定专利相关的现有专利,具有重要意义和挑战。目前,由于专利本身的信息主要以文本的形式呈现,专利推荐算法大多是基于专利的文本内容。借助文本挖掘技术可以从海量的专利文本中提取出高质量的信息,以用于专利推荐。除文本信息外,有的专利推荐算法还加入专利的引文和书目信息,进而可生成多种网络结构,利用文本和网络表示学习方法,文本内容和专利网络中的各种节点被表示成低维、实值的向量,通过对向量的计算实现专利推荐。现有的专利推荐算法有效的整合专利的文本内容和书目信息,但忽略了专利申请时间对权利人的交互行为也具有重要影响。实际生活中,权利人的意图会随着时间而变化,权利人的长期意图随时间变化缓慢,而短期意图变化迅速。从权利人所拥有的专利序列中,我们可以挖掘权利人的长期意图和短期意图,权利人的长期意图可以反映权利人的整体偏好,权利人的短期意图代表权利人的近期需求。因此,本文按照申请时间先后挖掘权利人拥有的专利文本和书目信息,捕获权利人的真实意图,实现更有效的专利推荐。本文的主要工作包括以下内容:1.本文首先介绍专利推荐的研究背景和意义,接着充分调研目前基于专利推荐和基于长短期意图推荐常用方法的研究现状,同时分析每类方法的优缺点,然后重点说明基于专利的文本内容和书目信息的专利推荐算法的不足之处,并针对这些不足之处进行分析。2.针对权利人的意图会随着时间而变化的问题,提出一种基于权利人长短期意图的深度专利推荐算法（ALSI）。该算法首先使用Doc2vec模型训练专利文本内容以获得专利的潜在表示;其次,基于申请先后的专利序列,利用自注意力机制挖掘权利人的短期意图;然后,借助多层感知机将权利人映射到一个公共表示空间,对权利人的长期意图进行建模;最后,将两个意图融合以计算预测的匹配分数。在USPTO-A和USPTO-B的两个专利数据集上进行实验,与对比算法相比,我们提出的ALSI算法在召回率（Recall）和平均倒数排名（MRR）两个评价指标上均有着明显的效果提升。3.针对权利人的长期和短期意图对最终的推荐效果影响不同的问题,提出一种基于权利人长短期意图增强的专利推荐算法（LSTS）。该算法首先基于专利文本内容的相似性,来获取相似专利之间的语义连边,然后构建一个具有语义连边和书目信息的专利异构信息网络,以整合专利的文本内容和书目信息,利用网络表示学习的方法获得专利的潜在表示。其次,基于申请先后的专利序列,利用具有自我注意机制的双向LSTM模型挖掘权利人的短期意图,再借助多层感知机对权利人的长期意图建模。最后,为权利人的长短期意图分配不同的权重以计算预测的匹配分数,进而进行专利推荐。在USPTO-A和USPTO-B的两个专利数据集上的进行实验,与对比算法和ALSI算法相比,我们提出的LSTS算法在召回率（Recall）和平均倒数排名（MRR）两个评价指标上均有着明显的效果提升。