一种基于专利的校企合作推荐算法

本发明涉及基于计算机的推荐用方法和工具，具体涉及一种基于专利的校企合作推荐算法和系统。

诸多研究表明校企合作有利于提升国家创新能力和促进经济发展(Temel&Glassman 2013；Audretsch 2014；Lehmann&Menter 2015)。通过校企合作，高校能够实现除传统教学、科研外的“第三个任务”，即科研成果的产业化及商业化(Wang et al.2016)。上个世纪七十年代开始，美国高校就开始将科技成果转化作为其第三任务(Mowery&Ziedonis2015)。对于企业来说，利用高校研究成果能够节约其研发时间及成本，提高其产品创新能力。各个国家都推出了大量的计划以及创新政策来提高高校和产业之间的科技转化(D’Este et al.2013)。相比之下，中国的校企合作开展得相对较晚，上个世纪90年代初才被确定为未来发展新趋势。

长期以来，中国校企合作的形成，主要依靠国家政策推动。政策的演变分为三个阶段 (Li&Lin 2011；Zhu&Cheng 2014)：第一阶段(1990-1995)，国家通过改革拨款制度等方式鼓励高校、科研院所转化技术成果以解决研究和生产脱节的问题。第二阶段(1996-2005)，鼓励具备条件的高校同企业合作，建立技术开发基地和综合性的工程技术中心等，力争校企合作形式的多样化。第三阶段(2006-至今)鼓励建设以企业为主体、校企结合的技术创新体系。这一阶段中，具有标志性意义的是，2011年某同志在清华大学百年校庆上发表重要讲话，明确提出高校应同企业、科研机构开展深度合作，以面向科学前沿、文化传承、行业产业和区域发展建立协同创新的联盟，“2011协同创新计划”(又称“高等学校创新能力提升计划”)应运而生。近几年校企合作的发展取得了很多成果。但资源的倾斜也使得中国现阶段校企合作仍面临着一些局限。第一，校企合作发展区域不平衡。中西部城市校企合作水平普遍低于中国一线城市及东部城市，甚至有部分城市为“孤岛”(Lei&Chen 2011)。第二，发展的产业主要集中于国家所需的高新领域，目前校企合作成果主要分布在科技领域的重点和前沿方向，未能涉及到各行各业，形成“百花齐放”的局面(Zhi&Fan 2012)。第三，校企合作主要集中于少数名校名企，它们因为拥有良好的声誉、科研能力、资金及国家政策等稀缺资源，具有较多的校企合作的机会，合作未能全面惠及到众多高校及企业。排名相对靠后的高校以及知名度不高的企业虽有强烈的校企合作欲望，但是很难到合适的合作者(Xu&Fan 2012)。

在以上背景下，我们进一步地考虑，在中国类似区域、类似的校企合作，能否在国家的政策支持退出后，仍能持续稳定地运行下去的问题。要解决欠发达地区的校企合作可持续性问题必须从遗爱政策推动变为依靠市场化机制的驱动，来实现校企的长期协同合作，为此要发现和建立合作的自组织和自管理机制(Li&Gan2009；Feng et al.2009)，最终到校企协同创新的内生动力。在依靠市场化和自组织机制的导向下，首先需要解决的问题就是如何自发地寻到合适且匹配的合作方，哪些主体间可能产生有效的合作？现实的合作伙伴选择往往是与了解并熟悉的合作者合作，以降低信息不对称的风险，这种合作模式容易产生历史依存性和路径依赖性，导致合作效率低下，合作范围被局限(Wu2016)。为进一步拓展可能的合作渠道，全方位地利用基于亲缘、地缘和业缘所形成的合作关系(Wen2013)，快速地同潜在的合作伙伴匹配，产生连通度极高的校企合作网络，需要对网络化的校企合作进行节点预测，并根据预测结果推断能够产生合作的潜在伙伴。而链接预测方法能够通过已知的网络节点以及网络结构等信息，预测网络中尚未产生连边的两个节点之间未来连接的可能性(Lü2013)，也是本文选择的用以解决校企网络合作伙伴预测及推荐问题的方法。

本发明要提供一种基于专利的校企合作推荐算法，解决现有技术中不能实现预测和推荐校企网络合作伙伴的问题。

为实现上述目的，本发明采用了如下的技术方案：

一种基于专利的校企合作推荐算法，包括如下步骤：

S1、建立UIC网络，UIC网络用快照Gt＝(t,V,Et,At,Wt)表示，其中，T是时间窗的大小，t∈(1,2,L,T)；V＝{v1,v2,L,vn}，v1,v2,L,vn表示每个专利申请人，V是所有专利申请人的集合，专利申请人的总数量有n个；E表示所有边的集合，边表示某两个专利申请人合作时在图中连接起来的边；A1,A2,L,AT是图G1,G2,L,GT的邻接矩阵，图Gt表示t时刻所有专利申请人构成的连线图，当专利申请人有合作关系时在图Gt中有连线；集合At中个体为At(vi,vj)，At(vi,vj)的值表示专利申请人vi与专利申请人vj具有合作关系，即存在一条连接i与j的边，i∈(1,2,L,n)， j∈(1,2,L,n)；集合Wt中个体为wt(vi,vj)，wt(vi,vj)表示t时刻专利申请人vi与专利申请人vj之间边的权值，

S2、根据PL(x)计算采样路径集合QL(x)，x∈V，PL(x)表示t时刻从节点x开始的长度为L的路径集合，节点为专利申请人，R等于采样路径集合QL(x)中路径的条数；

S3、根据PL(y)计算采样路径集合QL(y)，y∈V，PL(y)表示t时刻从节点y开始的长度为L的路径集合；

S4、计算t'(L,x,y)，t'(L,x,y)为t(L,x,y)的近似值，t(L,x,y)表示t从节点x到节点y的路径采样集；

S5、计算t'(L,y,x)，t'(L,y,x)为t(L,y,x)的近似值，t(L,y,x)表示t从节点y到节点x的路径采样集；

S6、计算式中，dx表示从x指向其他节点的连线的数量，dy表示从y指向其他节点的连线的数量，|E|时t时刻UIC网络中现有链路的数量；

S7、计算

相比于现有技术，本发明具有如下有益效果：

体现了两个节点x和y合作的概率有多大，越大，推算出来的两个节点x和y 合作的概率就越大，因此能够实现给企业推荐合伙伙伴预测，通过该推荐算法，预测了关注的企业未来的合作方向，方便了知道了竞争对手等未来的合作对象，以便于做出决策，实现利益最大化。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

图1为故障发生概率下的运行时间；

图2为路径长度为L的运行时间。

为了使本发明实现的技术手段、创作特征、达成目的与作用更加清楚及易于了解，下面结合附图和具体实施方式对本发明作进一步阐述：

本实施例提出了一种基于专利的校企合作推荐算法，包括如下步骤：

S1、建立UIC网络，UIC网络用快照Gt＝(t,V,Et,At,Wt)表示，其中，T是时间窗的大小，t∈(1,2,L,T)；V＝{v1,v2,L,vn}，v1,v2,L,vn表示每个专利申请人，V是所有专利申请人的集合，专利申请人的总数量有n个；E表示所有边的集合，边表示某两个专利申请人合作时在图中连接起来的边；A1,A2,L,AT是图G1,G2,L,GT的邻接矩阵，图Gt表示t时刻所有专利申请人构成的连线图，当专利申请人有合作关系时在图Gt中有连线；集合At中个体为At(vi,vj)，At(vi,vj)的值表示专利申请人vi与专利申请人vj具有合作关系，即存在一条连接i与j的边，i∈(1,2,L,n)， j∈(1,2,L,n)；集合Wt中个体为wt(vi,vj)，wt(vi,vj)表示t时刻专利申请人vi与专利申请人vj之间边的权值，

S2、根据PL(x)计算采样路径集合QL(x)，x∈V，PL(x)表示从节点x开始的长度为L的路径集合，节点为专利申请人，R等于采样路径集合QL(x)中路径的条数；

S3、根据PL(y)计算采样路径集合QL(y)，y∈V，PL(y)表示从节点y开始的长度为 L的路径集合；

S4、计算t'(L,x,y)，t'(L,x,y)为t(L,x,y)的近似值，t(L,x,y)表示t时刻从节点x到节点 y的路径采样集；

S5、计算t'(L,y,x)，t'(L,y,x)为t(L,y,x)的近似值，t(L,y,x)表示t时刻从节点y到节点 x的路径采样集；

S6、计算式中，dx表示从x指向其他节点的连线的数量，dy表示从y指向其他节点的连线的数量，|E|时t时刻UIC网络中现有链路的数量；

S7、计算

步骤S2包括：

S21、命QL(x)＝null，xk0＝x

S22、计算转移概率矩阵TP：

S221、计算变换矩阵式中，γ是阻尼因子，且0<γ<1，设变换矩阵A1,T中某个元素为aij；

S222、计算vi的邻集N(vi)，N(vi)＝{v|v∈V,(v,vi)∈E}，这个式子表示：计算节点vi，将在边集E中所有与vi相邻(即有直接连线)的其他节点v，这里的所有节点v就组成了vi的邻集N(vi)；

S223、设转移概率矩阵TP中某个元素为tpij，(这个分母的含义是：对任意的vi邻集中的点vk，计算其在转移矩阵A1T中的元素(i,k)的值，然后求和。tpij计算式子中分子的意思就是转移矩阵A1T中的元素(i,j)的值。)

S23、命k＝0；

S24、命j＝0，k＝k+1；

S25、命j＝j+1；

S26、从转移概率矩阵TP中随机选择一个节点，该节点为Nkj，并命向量Pk中第j个元素等于节点Nkj；

S27、判断j是否大于L，若是则进行步骤S28；若否则进行步骤S25；

S28、命QL(x)中第k行各个元素依次等于向量Pk中个元素；

S29、判断k是否大于R，若是则进行步骤S30；若否则进行步骤S25；

S30、结束。

步骤S3包括：

S31、命QL(y)＝null，yk0＝y

S32、计算转移概率矩阵TP：

S321、计算变换矩阵式中，γ是阻尼因子，且0<γ<1，设变换矩阵A1,T中某个元素为aij；

S322、计算vi的邻集N(vi)，N(vi)＝{v|v∈V,(v,vi)∈E}；此式和步骤S2中一样；

S323、设转移概率矩阵TP中某个元素为tpij，此式和步骤S2中一样；

S33、命k＝0；

S34、命j＝0，k＝k+1；

S35、命j＝j+1；

S36、从转移概率矩阵TP中随机选择一个节点，该节点为Xkj，并命向量Pk中第j个元素等于节点Xkj；

S37、判断j是否大于L，若是则进行步骤S28；若否则进行步骤S25；

S38、命QL(y)中第k行各个元素依次等于向量Pk中个元素；

S39、判断k是否大于R，若是则进行步骤S30；若否则进行步骤S25；

S40、结束。

步骤S4包括：

S41、对于所有节点对x和y设t'(L,x,y)＝0；

S42、计算在误差范围ε内的样本大小R并且设置概率为P；

S43、对于采样路径集合QL(x)每个路径P均进行如下计算：

S431、命i＝1；

S432、设ui是路径p上的中间节点；

S433、

S434、i＝i+1；

S435、判断i是否大于L，若是则进行步骤S44；若否则进行步骤S432；

S44、结束。

步骤S5包括：

S51、对于所有节点对y和x设t'(L,y,x)＝0；

S52、计算在误差范围ε内的样本大小R并且设置概率为P；

S53、对于采样路径集合QL(y)每个路径P均进行如下计算：

S531、命i＝1；

S532、设zi是路径p上的中间节点；

S533、

S534、i＝i+1；

S535、判断i是否大于L，若是则进行步骤S44；若否则进行步骤S432；

S54、结束。

通过下式计算R：

式中，ε是给定的约束误差，t(L,x,y)和近似的t'(L,x,y)的误差不大于ε，c是调节因子，是专家等经过经验设置的常数。

采用上述建立的UIC网络结构如下：以重庆市汽车行业校企合作的网络为样本描述其总体特征。在特征参数方面，我们主要分析关键网络参数指标：网络平均路径长度以及网络密度，前者反映网络合作的广度，后者反映网络合作的深度。平均路径长度衡量的是网络合作匹配的速度和效率(Chen&Guan 2010)。指的是节点间的平均距离，在校企合作网络中这一指标代表着任意两个节点之间实现合作的最短距离中，所需通过中间合作者的平均个数(Feng&Wang 2008)，即两个任意合作者最多需要通过几个人“搭桥”就能够取得联系。平均路径长度越小，网络中的知识、信息等资源的传递效率越高(Watts1999)。在本样本的合作关系中，根据程序运行的结果，样本网络的特征参数路径长度值如表2。从表2中，我们可以看出重庆市汽车产业校企合作网络的路径长度从2011年到2016年总体趋势是增加的，可能的原因是随着协同创新主体的增加，网络结构发生了重大变化，合作的链条变长，合作伙伴匹配速度有所降低，但合作范围得到了扩大。最初的校企合作仅仅依靠最紧密的合作伙伴，故2011年的路径长度仅为1.949，合作效率高，合作伙伴搜索与匹配较为容易，到2012年的路径长度为4.181，中间产生了系统性的突变，证明2012年的合作方式与2011年比有了本质的区别，具体原因本文将在接下来的阶段分析中进一步说明，而在2012年以后到2016年的时间里，网络结构较为稳定，路径长度没有突变发生，校企合作和协同创新进入了新的合作模式中。

另一个关键网络特征参数是网络密度，网络密度是指网络中实际边数与最大可能边数的比率，取值范围在0—1之间，在本样本网络中用以衡量网络中合作关系的紧密程度和合作频度。根据我们的研究结果(如表2所示)，总体趋势上，从2011年到2016年，网络密度稳步上升，显示重庆市汽车行业校企协同创新网络的合作在深度上有了更多的拓展，合作得到了加强，体现在合作的数量和紧密程度得到了增加。频繁的合作能够促使合作者更多地加强对其他合作主体的认识及判断，降低信息不对称带来的合作破灭的风险，带来紧密的合作关系。而紧密、良好的合作关系会促使合作者之间产生共同的行为预期和行为规范，有助于同类型合作伙伴的匹配与推荐，有力地促进合作的形成(Wang&Zhang 2016)。另一方面，在2011年到2012年这一时间段同样出现了突变，从2011年的0.002到2012 年的0.011，网络密度从极低的状态跳升到了相对较高的水平，之后趋于稳定，证明重庆市汽车行业校企合作网络的网络性质在2012发生了系统性改变，并持续到现在。

表1样本合作网络特征参数

在进行了网络结构、网络发展关键时间段分析和局部网络分析后，我们对TS-VLP方法和我们研究的主题的适用性进行进一步的讨论和验证

数据集适用性

为进一步验证TS-VLP算法对本文数据集的适用性，我们将本文的数据集和著名数据集Reality Mining进行了对比运算，Reality Mining数据集是麻省理工学院实验收集的数据集，本实验的目的是探索智能手机的功能，使社会科学家能够在传统的基于调查的方法或传统的模拟基础方法之外研究人类互动。研究对象为麻省理工学院媒体实验室的75名学生或教员，以及毗邻媒体实验室的麻省理工学院斯隆商学院(MIT Sloan businessschool)的 25名新生。在75名媒体实验室参与者中，20名是即将入学的硕士生，5名是即将入学的麻省理工学院新生其余的则在媒体实验室至少待了一年。

作为一个标准数据集，Reality mining数据集在很多网络分析研究中都被广泛使用，并作为一个评价标准的验证数据集。在实验中，我们将我们的数据集(UIC Date)与Reality mining进行了比较。我们关注两个参数，一个是错误发生的概率，另一个是样本路径的长度。在几个实验过程中可以发现，该数据集使用本文提及算法的效果并不良好。

下面是两个实验结果。

如图1所示，该结果中，我们可以发现错误发生的概率更小，运行时间更短。但与Reality mining数据集相比，我们的UIC Date处理方法具有更好的性能。我们分析了这个原因，因为Reality mining实际是在一个相对区域较小的范围内收集的数据集，其用户节点之间的关系密集度较UIC节点而言更为密集，并且，Reality Mining数据集的数据在时段处理上比较明显，好友创建过程的时序性并不明显，在时序方法的时刻处理上数据量很少，因此，我们的算法针对这类数据集反而不能很快地收敛到一个结果。

图1中可以看出，不同的采样路径长度对运行时间的影响，同时，我们也对两个数据集进行了运行结果测试和比较。从图1可以看出，当采样路径为2或3时，RealityMining数据集使用TS-VLP算法的运行效果好于UICData，这正好体现了Reality Mining数据集的特点，好友推荐往往是在一个极小的范围内实现。然而，在3到6之间，UIC Data数据集使用TS-VLP算法，呈现出更加稳定且较短的运行时间过程，显示合作关系推荐不同于好友关系推荐，能够容纳更长的采样路径，能够用本算法进行更快的收敛和精炼。而当采样路径长度超过6之后，UICData的运行时间变化曲线就变陡了。这验证了本文前述论证中，依据小世界六度分隔理论，将采样路径长度设定为6的合理性。

预测精确度讨论

我们首先将我们对γ的取值和合作发明人所在城市个数，及其与预测精确度的关系进行了讨论，如下表显示：

表2 The value ofγchanged efforts

上面的表格显示,我们改变了γ值做了不同的测试。在我们的测试中，我们选择了正在合作的发明人的城市。当只有两个城市选择,γ值取0.2和0.4的正确率是不同的。γ值更小,正确率越高。当有10个城市,γ值和正确率越高。在我们的测试中，当城市数目达到20，γ值取0.8更合适。数据集涉及到的城市越多，γ的取值越大能有效地增加预测的精确度。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。