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！

龙图腾网获悉数力聚(北京)科技有限公司申请的专利基于人工智能的个性化政务服务推荐方法及系统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：CN119557518B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202510113384.6，技术领域涉及：G06F16/9535；该发明授权基于人工智能的个性化政务服务推荐方法及系统是由王敏敏设计研发完成，并于2025-01-24向国家知识产权局提交的专利申请。

本基于人工智能的个性化政务服务推荐方法及系统在说明书摘要公布了：本发明公开了基于人工智能的个性化政务服务推荐方法及系统，方法包括数据采集、数据预处理、用户分类模型构建、服务推荐模型构建和个性化服务推荐。本发明涉及智能政务服务技术领域，具体是指基于人工智能的个性化政务服务推荐方法及系统，本发明通过数据采集得到原始个性化推荐数据；采用数据清洗、数据编码、数据归一化和数据集分割的数据预处理方法；采用基于优化算法的聚类模型进行用户分类，能够有效地将复杂的用户数据分组，提升数据的可解释性和结构化程度；采用结合双向门控循环单元的改进变压器模型进行政务服务推荐，能够有效地提取用户信息和政务服务数据的时序特征，捕捉长期依赖关系，提升个性化推荐的精度。

本发明授权基于人工智能的个性化政务服务推荐方法及系统在权利要求书中公布了：1.基于人工智能的个性化政务服务推荐方法，其特征在于：该方法包括以下步骤： 步骤S1：数据采集，通过数据采集，得到原始个性化推荐数据集，所述原始个性化推荐数据集，具体包括历史推荐原始数据集和当前推荐原始数据集，所述历史推荐原始数据集和所述当前推荐原始数据集，具体都包括用户基础信息数据、用户行为数据和政务服务数据，所述历史推荐原始数据集，还包括历史服务记录数据、历史用户偏好数据和政务服务种类标签数据； 步骤S2：数据预处理，对采集到的原始数据进行预处理，得到初步待处理数据集、初步推荐训练集和推荐测试集； 步骤S3：用户分类模型构建，用于构建用户分类所需的模型，具体为通过构建基于优化算法的聚类模型，得到用户分类模型，并采用所述用户分类模型对所述初步待处理数据集和所述初步推荐训练集进行处理，得到待处理数据集和推荐训练集； 步骤S4：服务推荐模型构建，用于政务服务推荐所需的模型，具体为通过构建结合双向门控循环单元的改进变压器模型，并作为服务推荐模型，所述结合双向门控循环单元的改进变压器模型，具体包括特征提取模块、变压器模块、特征融合模块和输出模块； 步骤S5：个性化服务推荐，具体为通过所述服务推荐模型进行个性化服务推荐，得到个性化服务推荐参考数据； 所述服务推荐模型构建，具体包括以下步骤： 步骤S41：特征提取模块构建，具体为构建用于从输入数据中提取特征的双向门控循环单元，所用公式如下： ； 式中，表示前向隐藏状态，表示双向门控循环单元前向函数，表示特征提取模块的输入数据，表示后向隐藏状态，表示双向门控循环单元后向函数，表示特征提取模块的输出特征，表示拼接操作； 步骤S42：变压器模块构建，用于构建对特征提取模块的输出特征进行进一步处理的变压器模块，具体为构建采用动态稀疏多头自注意力机制的变压器模块，步骤包括： 步骤S421：计算每个头部的查询、键和值，所用公式如下： ； 式中，表示第h个头部的查询，表示第h个头部的键，表示第h个头部的值，表示动态稀疏多头自注意力机制的输入特征，表示第h个头部的查询变换矩阵，表示第h个头部的键变换矩阵，表示第h个头部的值变换矩阵； 步骤S422：计算每个头部中每个查询向量与键的相似度，所用公式如下： ； 式中，表示相似度计算函数，表示第h个头部的第个查询向量，表示取最大值函数，表示第h个头部的第个键向量，T表示转置操作，表示第h个头部的键向量的维度，表示第h个头部的键的键向量总数； 步骤S423：计算每个头部的动态稀疏自注意力，步骤包括： 步骤S4231：抽取查询向量，具体为将查询向量按照与键的相似度从高到低进行排序，抽取排序前Qn个查询向量，组成采样查询，剩余的查询向量组成剩余查询； 步骤S4232：基于采样查询计算自注意力，所用公式如下： ； 式中，表示基于采样查询计算的第h个头部的自注意力，表示softmax函数，表示第h个头部的采样查询； 步骤S4233：基于剩余查询计算自注意力，所用公式如下： ； 式中，表示基于剩余查询计算的第h个头部的自注意力，表示第h个头部的值的值向量总数，表示第h个头部的第个值向量； 步骤S4234：计算头部的动态稀疏自注意力，所用公式如下： ； 式中，表示第h个头部的动态稀疏自注意力； 步骤S424：计算动态稀疏多头自注意力机制的输出，所用公式如下： ； 式中，表示动态稀疏多头自注意力机制的输出特征，表示连接函数，表示第一个头部的动态稀疏自注意力，表示第二个头部的动态稀疏自注意力，表示自注意力线性变换权重矩阵； 步骤S425：构建变压器模块，具体为通过所述计算每个头部的查询、键和值、所述计算每个头部中每个查询向量与键的相似度、所述计算每个头部的动态稀疏自注意力与所述计算动态稀疏多头自注意力机制的输出，进行所述动态稀疏多头自注意力机制的设计，并基于所述动态稀疏多头自注意力机制，构建变压器模块； 步骤S43：特征融合模块构建，用于构建将特征提取模块的输出特征和变压器模块的输出特征进行融合的特征融合模块，具体为基于交叉注意力机制和门控机制构建特征融合模块，步骤包括： 步骤S431：设计交叉注意力机制，所用公式如下： ； 式中，Cq表示交叉注意力查询，Ck表示交叉注意力键，Cv表示交叉注意力值，表示交叉注意力查询变换矩阵，表示交叉注意力键变换矩阵，表示交叉注意力值变换矩阵，表示变压器模块的输出特征，表示交叉注意力机制的输出特征，表示交叉注意力键的维度； 步骤S432：设计门控机制，步骤包括： 步骤S4321：计算选择门控值，所用公式如下： ； 式中，表示选择门控值，表示sigmoid函数，表示选择门控值计算中的可学习矩阵，表示选择门控值计算中的偏置项，表示逐元素加法； 步骤S4322：计算强度门控值，所用公式如下： ； 式中，表示强度门控值，表示双曲正切函数，表示强度门控值计算中的可学习矩阵，表示强度门控值计算中的偏置项； 步骤S433：计算特征融合模块输出，所用公式如下： ； 式中，Fu表示特征融合模块输出的融合特征； 步骤S44：输出模块构建，用于构建处理特征融合模块输出的融合特征并得到模型输出的输出模块，具体为构建基于softmax分类函数的输出模块，所用公式如下： ； 式中，表示模型输出的推荐预测结果，表示模型输出权重，表示全连接函数，用于将特征融合模块输出的融合特征映射到输出空间，表示模型输出偏置项； 步骤S45：构建模型并训练，具体为基于所述特征提取模块构建、所述变压器模块构建、所述特征融合模块构建和所述输出模块构建，进行结合双向门控循环单元的改进变压器模型的构建，并基于所述推荐训练集训练模型，基于所述推荐测试集验证模型性能，模型损失函数选择交叉熵损失函数，得到结合双向门控循环单元的改进变压器模型，并作为服务推荐模型。

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数力聚(北京)科技有限公司，其通讯地址为：100036 北京市海淀区翠微中里14号楼四层B567；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”。