近年来,信息技术和科学研究迅猛发展,专利的发明和创造急剧增长,公开的专利信息数据呈现爆发式的涌现,如今,人们已经意识到专利信息是技术和研究的重要信息源泉。面对海量的专利信息出现,人们需要使用有效而准确的方式提取专利信息中有用的知识,更需要可靠的方式对得到的特定信息应用分析和推论,如何对专利数据进行深度而有效的挖掘,已经逐渐变成了一个研究热点。本文在专利数据的基础上,研究如何利用信息检索的相关知识对专利和发明人数据进行针对性的数据挖掘,包括发现具有影响力的发明人、专利的研究热点、发明人的兴趣以及针对兴趣的发明人推荐。首先,本文研究和分析了基于关联的同构网络Page Rank排序算法,并在此基础上对算法进行改进,提出了适用于专利数据的Inventor-Ranking发明人影响力排序算法,该算法不仅充分利用了发明人之间和发明人与专利之间的关联关系,且效率更高,排序结果更加符合实际。其次,本文针对专利信息的结构特点,通过对LDA主题模型的研究,提出利用该模型的概率分布检测专利技术热点的算法,在实际应用场景下,利用LDA主题模型检测的热点关键词更加精确和全面。最后,在LDA主题模型基础上,提出一种基于主题模型的发明人个性化推荐算法,将发明人的兴趣通过概率分布表示,计算发明人的主题概率分布之间的相似度并排序,给出发明人的推荐列表,通过与向量空间模型(VSM)和隐马尔可夫模型(HMM)的实验进行对比,结果表明基于LDA主题模型的发明人个性化推荐算法准确率更高,性能更好,更能满足发明人的个性化需求。