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！

龙图腾网获悉湖州师范学院申请的专利基于轻量级图卷积注意力网络的用户偏好建模的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：CN115438258B 。

龙图腾网通过国家知识产权局官网在2025-07-18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：202211044168.3，技术领域涉及：G06F16/9535；该发明授权基于轻量级图卷积注意力网络的用户偏好建模的方法是由王瑞琴;蒋云良;楼俊钢设计研发完成，并于2022-08-30向国家知识产权局提交的专利申请。

本基于轻量级图卷积注意力网络的用户偏好建模的方法在说明书摘要公布了：本发明提出了一种基于轻量级图卷积注意力网络的用户偏好建模的方法，包括以下步骤：S1.使用仅具有邻域聚合的轻量级GCN来建模静态用户偏好；S2.使用基于最近交互项的时间感知GAT来建模动态用户偏好；S3.将静态用户偏好和动态用户偏好相结合，输入双通道深度神经网络模型，进行特征交互学习和匹配分数预测。该发明能够以端到端的方式同时捕获用户的静态和动态偏好，通过使用不同的GNN方法能够有效地捕获静态和动态用户偏好，该方法显著优于目前最先进的推荐方法。

本发明授权基于轻量级图卷积注意力网络的用户偏好建模的方法在权利要求书中公布了：1.基于轻量级图卷积注意力网络的用户偏好建模的方法，其特征在于：包括以下步骤： S1.使用仅具有邻域聚合的轻量级GCN来建模静态用户偏好； S2.使用基于最近交互项的时间感知GAT来建模动态用户偏好；动态用户偏好的建模过程包括以下步骤： S2.1将当前用户、目标项、最近交互项和交互时间的嵌入表示组合起来，输入注意力网络；注意力网络负责学习最近交互项对于用户动态偏好建模的重要性权重： 其中，Wk和bk分别表示注意力网络第k层的权重矩阵和偏置向量；bk表示注意力网络的层数；σ·表示激活函数；和分别表示当前用户、目标项、最近交互项和交互时间的嵌入，xj是将上述四个嵌入连接起来得到的组合向量，用作注意力网络的输入； S2.2将历史交互项的交互时间距离当前时间的时间间隔进行划分，然后经过线性变换得到交互时间的嵌入表示： tsj＝minT-tj60,δ 其中，tj表示当前用户与项目j的交互时间，T是预测时的当前时间，tsj表示交互时间和预测时间之间的时间间隔，min函数用于设置时间间隔的阈值为δ，Wt表示时间嵌入的变换矩阵； S2.3通过softmax函数对注意力系数进行归一化： 其中RKu表示用户u的最近k个交互项； S2.4用户动态偏好向量被建模为当前用户最近k个交互项的嵌入表示的加权和： 其中和分别表示用户u和历史交互项j的嵌入 S3.将静态用户偏好和动态用户偏好相结合，输入双通道深度神经网络模型，进行特征交互学习和匹配分数预测；该方法的实现基于时间感知的轻量级图卷积注意力网络LightGCAN，包括：输入层、嵌入层、表示层、交互层和输出层； 所述输入层包括两个矩阵：用户-项目交互矩阵和交互时间矩阵其中m和n分别表示用户和项目的数量，R是一个隐式反馈矩阵，如果用户u和项目i之间存在交互，则rui＝1，否则rui＝0，T通过时间戳记录了用户和项目之间的交互时间，其维数与R相同，所述输入层提供了用户和项目的初始特征表示和xu、xi均为多热向量，分别对应于R的第u行和第i列； 所述嵌入层为全连接层，用于将稀疏的用户和项目表示转换为稠密的潜在嵌入表示，进而被用作用户偏好建模表示层的输入； 所述表示层包括两个GNN模型：LightGCN和TGAT，分别用于静态和动态的用户偏好建模，将得到的静态和动态用户偏好进行组合并送入交互层，进行高阶特征交互学习； 所述交互层包括两个DNN模型：DMF和MLP，用于根据不同的深度学习策略学习不同的特征交互，最后将获得的特征交互向量串联起来送到输出层，进行用户-项目匹配分数的预测； 步骤S3具体包括以下步骤： S3.1静态和动态的用户偏好表示通过向量级联的形式进行组合，以获得用户偏好表示；将从嵌入层和LightGCN获得的项目嵌入向量也进行组合，以获取项目特征表示： 其中，和分别表示静态用户偏好和项目特征，表示用户u的嵌入，eu和ei分别表示用户偏好向量和项目特征向量；表示基于项目i的嵌入；生成的用户和项目表示将被用作高阶特征交互学习模型DMF和MLP的输入； S3.2基于DMF的特征交互学习：DMF模型具有基于用户组件和项目组件的多层双通道结构，在每个组件中，当前层的输出用作下一层的输入；在每一层中，通过线性变换和非线性激活操作将输入向量投影为隐藏向量： 其中，和分别表示第k层中用户u和项目i的隐藏表示；这里 和分别表示用户组件第k层的权重矩阵和偏置向量；和则表示项目组件第k层的权重矩阵和偏置向量； 通过多层DMF模型的迭代学习，用户和项目表示被映射到低维潜在嵌入空间： 其中，L1表示DMF模型的层数，pu和qi分别表示学习得到的用户u和项目i的潜在表示； 用户-项目特征交互被定义为用户和项目潜在表示向量的乘积： 其中表示由DMF模型学习的高阶特征交互向量； S3.3基于MLP的特征交互学习：MLP是一个典型的深度学习模型，首先将用户和项目的特征向量组合起来，然后在其上再经过多个隐藏层来学习高阶用户-项目特征交互： z0＝[eu||ei] 其中，和αk分别表示第k层的权重矩阵、偏置矢量和激活函数，H1表示输出层的权重矩阵，L2表示模型的层数，表示由MLP模型学习的高阶特征交互向量； S3.4匹配分数预测：首先让DMF和MLP分别运行，然后通过向量级联的方式将两个模型的输出向量组合起来，最后将组合嵌入向量输入到LightGCAN的输出层，进行匹配分数预测： 其中H2表示输出层的权重矩阵； S3.5模型训练：LightGCAN为基于隐式反馈信息的CF模型，使用二进制交叉熵损失作为目标函数，以最小化预测匹配分数和隐式反馈信息之间的差异： 其中，是用户u和项目i之间的预测匹配分数，rui是交互矩阵R中观察到的隐式反馈信息，R+和R-分别为正样本集和负样本集，Θ是模型的超参数。

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湖州师范学院，其通讯地址为：313000 浙江省湖州市吴兴区二环东路759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”。