近年来,随着专利数量的日益庞杂,从海量专利中获取有效信息已愈发困难,在此背景下,用于挖掘有效信息的推荐算法已逐渐应用到专利领域中。然而,作为推荐算法中的关键技术,文本聚类算法在推荐系统的应用过程中存在一定不足。首先,作为聚类算法的输入表征,功效特征在专利中十分重要,如何精确提取专利中的功效信息是目前面临的挑战。其次,在专利聚类分析方面,基于IPC分类分析的方法是粗粒度的,无法与专利内容紧密结合,不能实现跨领域的专利聚类分析。最后,在专利推荐方面,如何解决推荐中的冷启动问题以及专利的精确推荐仍是一大挑战。本文针对以上问题进行了如下工作:（1）提出了一种知识增强语义表示（ERNIE）和卷积神经网络（CNN）相结合的模型（FEI-Joint）,通过该模型提取专利文献的功效特征。在ERNIE层中加入功效词表对训练结果做修正,CNN层中采用动态更新权重的训练方式,最终获得功效特征矩阵。（2）为实现对专利功效特征聚类,提出一种具有早期淘汰策略与类合并思想的自组织神经网络（ERCM-SOM）。针对SOM算法效率与准确率较低的问题,该算法在寻找获胜神经元的过程中提前淘汰掉不可能获胜的神经元,使聚类效率提高。另一方面,在聚类的最终阶段利用距离与密度相结合的类合并算法提高聚类准确率。（3）基于上述的功效特征聚类算法,结合用户注册时填写的用户信息以及用户的浏览记录,引入时间迁移模型,构建了基于功效特征聚类的协同过滤专利推荐模型。该模型为用户提供了具有实时性的专利推荐,并实现基于功效特征聚类的专利推荐方法的应用。本文对FEI-Joint模型、ERCM-SOM算法和改良推荐算法的有效性以及整合后的推荐服务可用性分别进行了实验。实验证明,与TF-IDF、LDA、CNN在特征提取后的聚类效果相比,FEI-Joint模型在F-measure方面明显提高。ERCM-SOM算法与KMeans、SOM算法相比F-measure值提高的同时,时间较SOM算法有明显缩短。对比IPC的专利分类,采用基于功效特征的聚类方法可实现跨领域的专利聚类效果,为设计者借鉴其他领域的设计方式奠定基础。在结合功效特征聚类和加入时间迁移模型的推荐模型中,各项指标均得到一定的提升,证实了其良好的推荐效果。