随着全球专利数量的快速增长,企业如何快速发现与自身技术发展和创新战略高度相关的专利就变得愈发重要。目前企业在海量的数据库中查找专利主要使用IPC（International Patent Classification）分类号、技术领域关键词或二者之间的组合,然而这些传统方式检索到的专利数据不可避免包含大量噪声,一方面IPC分类号有时显得过于宽泛,而基于领域关键词的布尔查询也很难精准覆盖企业的所有技术领域,另一方面对于企业具体的研发或知识产权管理人员而言,其个人知识储备往往也很难完全满足整个公司的技术发展战略需求。因此,面对快速增长的海量专利数据,企业如何及时高效地识别出与企业自身技术发展战略高度相关的专利、提高企业管理决策效率,从而提升竞争优势,就成为当前信息管理和信息系统研究领域的重要课题之一。针对上述管理科学问题,基于企业技术偏好的专利推荐逐渐成为当前主流的解决方案之一,但是在专利推荐过程中,如何及时高效地为企业找到符合其创新战略和技术偏好的专利依然存在较大挑战,其中如何对海量专利文本进行自然语言处理就是关键问题之一。2019年以来,相较于传统的词袋模型和静态预训练模型,以BERT（Bidirectional Encoder Representations from Transformers）为代表的动态预训练模型可以更加准确挖掘出文本的内在上下文信息,并更好地解决一词多义问题。与此同时,考虑到专利数据的滞后性和单一性的局限,本文将多源数据融合理论引入到企业专利推荐领域,可以更为全面地分析和把握企业技术偏好和技术发展战略等动态信息,从而可以为企业提供更加合理有效的专利推荐。本文的主要创新点:（1）目前国内外关于动态预训练模型和专利推荐相结合的研究较少,本文将二者结合的研究结果显示,动态预训练Pub Med BERT模型在专利推荐领域效果较好,专利推荐查准率高达88%,显著优于目前专利文本挖掘领域常用的TFIDF以及Doc2Vec模型;（2）本研究将多源数据融合理论应用到企业专利推荐领域,提出了一种多源数据融合视角的企业专利推荐框架。通过收集企业描述、专利、推特、招聘等多源数据,不仅可以更好识别企业技术偏好,还可以巧妙地解决新用户推荐“冷启动”问题。