专利数据是人们在生产和科研活动中发明创造的技术信息的集合,可以反映各技术领域中的最新技术动向和发展趋势,是促进自主创新和提高国家竞争能力的战略性信息资源。专利数据不仅包含技术描述文本,还包含发明人、申请人、专利引用及层次标签等信息,丰富的数据种类体现专利数据的异质特性。大多专利分析方法面临大数据学习问题,需要利用表示学习方法,实现对信息的压缩和融合。对专利数据进行表示学习,旨在研究专利文本及其多种异质信息,利用表示学习方法将专利数据转化为低维稠密的向量表示,充分挖掘战略竞争情报,具有较强的理论意义和应用价值。现有的面向专利数据的表示学习方法多针对专利文本进行研究,但专利文本通常具有很强的专业性和创新性,多义词和同义词极大地影响表示学习效果;同时专利数据为具有异质特性的半结构化数据,现有方法未充分利用其异质信息,难以适应其复杂的数据结构。本文综合考虑专利数据的异质特性,首先针对专利文本表示中存在的多义词词义辨析和同义词词义关联问题,研究融合文本、发明人、申请人的专利表示学习方法;其次,分析专利引文和层次标签所体现的专利数据在结构和文本语义上的关联关系,研究融合文本、引用关系、层次标签的专利表示学习方法。本文的主要贡献如下:1.提出融合异质主题模型和词嵌入的专利文本表示方法（HTW）。该方法利用专利数据的异质特性,构建融合专利文本、发明人和申请人的异质主题模型,以发明人、申请人的领域信息区别多义词在不同专利中的词义,引入词嵌入增强对同义词的语义关联。将模型应用于专利推荐任务,实验结果及案例分析表明HTW模型获取的专利文本表示能有效学习同义词和多义词的语义信息,提高专利推荐任务的精确度。2.提出融合层次标签的专利属性网络表示学习方法,生成融合文本、引用关系、层次标签的专利表示。首先尝试将层次标签信息融入网络嵌入中,提出层次标签增强的属性网络嵌入框架（HLANE）,以现有的网络嵌入方法获取初始化专利表示,通过标签-属性注意力层建模标签层之间的关联关系,指导专利在不同层次的学习,生成多层次的专利表示;其次,在HLANE基础上,深入研究联合学习和数据分布不平衡问题,提出融合层次标签分布的专利属性网络嵌入（HANS）,通过构建有向层次结构编码器,对标签依赖关系建模,拟合层次标签分布,再构建基于注意力的融合模块来实现层次标签和网络结构的联合学习。实验表明本文提出的方法能够利用层次标签信息强化专利表示。