买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国人民大学申请的专利一种基于距离几何的商品分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116975730B 。

龙图腾网通过国家知识产权局官网在2025-07-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310975113.2，技术领域涉及：G06F18/2413；该发明授权一种基于距离几何的商品分类方法是由魏哲巍;崔冠宇设计研发完成，并于2023-08-03向国家知识产权局提交的专利申请。

本一种基于距离几何的商品分类方法在说明书摘要公布了：本发明实现了一种基于距离几何的商品分类方法。通过S1将商品及商品之间的关系建模成图，S2得到初始嵌入矩阵，S3学习商品间的距离信息，S4设置超参数、传播次数，S5将传播后得到的矩阵维度降低，得到预测矩阵，S6使用交叉熵损失函数计算损失，反向传播算法优化，S7重复到算法在一定迭代步数内在验证集上的分类精度不再提升，则停止更新模型参数；将测试集商品的特征输入模型，最终得到输出的预测。从而实现了提高分类精度、应对同配图和异配图场景、在空域上具有可解释性、在计算复杂度层面有优势的技术效果。

本发明授权一种基于距离几何的商品分类方法在权利要求书中公布了：1.一种基于距离几何的商品分类方法，其特征在于：包括步骤S1-S7： 步骤S1:将商品及商品之间的关系建模成图G，其中商品为节点，商品之间的关系为边，使用邻接矩阵A来表示，所有节点附带的特征形成矩阵X，训练集节点附带有标签Y； 步骤S2:先使用多层感知机对商品的原始特征X进行维度变换，从原来的F维降低到d维，得到初始嵌入矩阵Z0，其中Z0＝ReLUReLUXWa+baWb+bb；上式中，Wa是一个F×d维的参数矩阵，ba是一个d维的参数向量，Wb是一个d×d维的参数矩阵，bb是一个d维的参数向量； 步骤S3:从Z0中学习商品间的距离信息； 步骤S4:设置超参数α,β,γ为[0,1]中的实数，传播次数为K，执行下列过程K次，记k次传播后所得的商品嵌入矩阵为Zk； 步骤S5:将K次传播后得到的矩阵Zk经过一个线性变换降维，从原来的d维降低到类别数c维，得到预测矩阵数学形式为 步骤S6:使用交叉熵损失函数计算预测矩阵与真实标签Y在训练集上的损失，之后使用反向传播算法优化所有可学习参数；其中，交叉熵损失函数被定义为N为商品数，M为商品类别数，yic为商品类别标签，当商品i属于类别c时，yic＝1，否则为0，pic为模型预测的商品i属于类别c的概率； 步骤S7:重复步骤S2至S7，直到算法在不超过1500次迭代后在验证集上的分类精度不再提升，则停止更新模型参数；将测试集商品的特征输入模型，经过步骤S2至S6，最终得到输出的预测结果，即商品所属的类别； 步骤S4还包括，在第k次传播过程中，对每一个商品节点i，执行下列步骤： 步骤S4.1:对商品i的每一个邻居商品节点j，计算然后将它们求和，记为其中，di以及dj分别为商品i和j的度数，即它们各自的邻居商品数，Zk,i以及Zk,j是矩阵Zk中商品i,j对应的表示向量； 步骤S4.2:对商品i的每一个邻居商品节点j,计算然后将它们求和，记为其中，Mij是步骤S3.3中计算出的商品i,j之间的距离； 步骤S4.3:将商品i的表示向量更新为T3＝1-αT1+βT2+αZ0,i；其中α,β为步骤S4中设定的超参数； 步骤S4.4:将商品i的表示向量T3经过一个线性变换Wk-1得到T4，即T4＝T3Wk-1； 步骤S4.5:将商品i的表示向量更新为Zk,i＝ReLUγT4+1-γT3；其中γ为步骤S4中设定的超参数； 步骤S6中使用Adam优化器，定义优化器的学习率以及L2正则项为在{0.0001,0.0005,0.001,0.005,0.01,0.05,0.1}范围中取值的超参数，在验证集上选择所有超参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民大学，其通讯地址为：100872 北京市海淀区中关村大街59号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。