在技术创新的时代,知识产权保护变得越来越重要,专利作为知识产权的主要形式,申请和授权的数量逐年增加。专利申请流程中,申请人和审查员需要引用与申请相关的现有专利,以确定该专利的新颖性。但是面对日益剧增的专利数量,申请人和审查员越来越难以有效、准确地找到合适的专利引文。专利引文推荐是克服这一困难不可或缺的解决方案,聚焦于自动地从专利数据库中搜索与目标专利相关的专利引文列表,进行推荐。专利数据的核心是文本内容,它描述了一篇专利的技术思想和所要保护的范围。因此,已有的专利引文推荐方法大多侧重于基于文本内容,例如,利用关键词搜索或者文本语义的获取进行推荐。近年来,异构信息网络因其对不同类型信息强大的建模能力,被广泛的应用到推荐系统中。一些学者,引入专利结构信息构建异构信息网络,进一步提高推荐效果。然而,现有的方法都是基于已有的结构以及关系去构建异构信息网络,这会忽略专利文本对象之间存在的潜在相似性,从而导致原本相似的专利在网络中距离却很远。本文将潜在的语义信息和现有的专利结构信息进行关联,更好的学习结构和语义信息。具体地,本文利用文本内容相似性和主题相似性获取专利的潜在语义关系,并将语义关系与专利结构信息进行有效的融合,然后使用网络表示学习的方法学习网络中结点的特征,以此来挖掘专利之间深层次的结构和语义信息,进而进行专利引文推荐。除此之外,本文还同时考虑固定层次结构的文本特点和异构的结构特点,进一步的提升专利引文推荐的效果。本文的主要工作如下:1)针对异构信息网络中蕴含潜在的语义关系,本文提出一种基于语义异构信息网络嵌入的专利引文推荐方法（SHINE）。首先,基于专利的主题和文本内容的联合相似性,得到专利之间潜在的语义关系（语义链接）;其次,将语义链接和专利的结构信息融合到一个异构信息网络中,并利用Skip-Gram模型的网络表示学习方法将这两种信息映射到公共的向量空间中;最后,通过多模态相似度的线性组合计算专利之间的相似性,并返回相关引文的列表。在两个公开的专利数据集USPTO-A和USPTO-B进行了实验。与对比方法相比,本文提出的方法SHINE在平均精度（AP）、曲线下面积（AUC）和召回率三个评价指标取得了明显的优势。2)针对专利文本信息和结构信息的特点,本文提出一种基于层次语义异构信息网络嵌入的专利引文推荐（HSHINE-PCR）来进一步扩展SHINE。首先,根据专利文本固定层次结构的特点得到固定层次向量,进而获取语义链接;然后将语义关系和专利的结构信息融合在一起,构建异构信息网络。考虑到专利结构信息的异构性,采用异构SkipGram模型的网络表示学习方法将二者信息映射到同一低维空间中,同时获取网络中结点的向量表示;最后同样采用多模态相似度的线性组合进行专利引文推荐。在USPTOA和USPTO-B的基础上,增加了一个更大数量级的USPTO-C数据集,试验结果表明所提出的方法与对比方法以及1)中的方法相比,有较好的提升。