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！

龙图腾网获悉杭州电子科技大学申请的专利基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐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：CN116991908B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202311034684.2，技术领域涉及：G06F16/2457；该发明授权基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法是由李尤慧子;韦余欣;张新;殷昱煜设计研发完成，并于2023-08-16向国家知识产权局提交的专利申请。

本基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法在说明书摘要公布了：本发明公开了一种基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法，包括：用户‑兴趣点交互序列模块、表示学习嵌入层、多变量Hawkes时空点过程序列建模、用户偏好捕获和推荐的注意机制。本发明首先处理用户与兴趣点交互数据，得到用户‑兴趣点交互序列；将交互序列和用户信息输入表示学习嵌入层，构建时序及用户特征表示；进一步，通过注意力机制融合用户交互序列特征表示得到用户长短期偏好特征；最后通过多变量Hawkes时空点过程模型结合用户长短期偏好特征进行用户兴趣点推荐；通过计算损失函数优化参数，使得模型能够动态自适应融合目标用户长期静态偏好以及短期动态偏好，执行顺序推荐以满足目标用户实时需求。

本发明授权基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法在权利要求书中公布了：1.一种基于多变量Hawkes时空点过程嵌入注意力的兴趣点推荐方法，其特征在于， S1、从原始数据中抽取有效数据，构建用户-兴趣点交互数据； S2、根据用户-兴趣点交互数据，通过元素级乘法操作构建用户访问兴趣点事件发生概率的基础强度；并通过逐元素相乘构建用户行为序列中的历史序列对当前兴趣点的初始激发程度向量； S3、计算用户对历史行为的注意力权重 S3-1、将用户u历史访问兴趣点h的特征表示矩阵vu，h输入线性层vu,hWh+bh，其中为可训练模型参数,再经过非线性激活函数relu,获得历史访问序列隐特征表示矩阵公式为： Hvecu,h＝reluvu，hWh+bh； S3-2、将用户u的特征表示向量vu与历史访问序列隐特征表示矩阵Hvecu,h相乘经过Softmax函数获得用户u对不同历史兴趣点注意力向量公式为： attu，h＝SoftmaxxHvecu，hvu； S4、通过基于注意力自适应方法来利用和融合用户偏好，进而确定用户长短期偏好动静态权重、长期偏好静态权重和短期偏好动态权重； S5、构建关于用户的指数核函数，其计算过去事件发生对当前事件发生的历史影响随时间及空间的指数衰减Kut-th,s-sh，其中，Kt-th，s-sh是用户u关于|t-th|和|s-sh|的指数核函数，其计算历史影响随时间的指数衰减；|t-th|是当前时刻t与历史时刻th之间时间差；|s-sh|是当前时刻t访问的位置s与历史访问位置sh之间距离差； S6、采用多变量Hawkes时空点过程对用户行为序列建模，所构建模型表达式如下： 根据历史序列预测和推荐下一个兴趣点，将结果带入模型中， 其中是在时刻t时，用户u更偏好s位置处兴趣点i的概率；μu，i是用户u访问兴趣点i事件发生概率的基础强度；是用户u的长期偏好静态权重；是用户u的短期偏好动态权重；attu，h是用户u对不同历史兴趣点注意力向量；αu，h，i是用户u行为序列中的历史序列h对当前兴趣点i的初始激发程度向量；Su，t是t时刻用户u的历史访问序列； S7、计算用户u在时刻t对兴趣点i′感兴趣的概率，对于每个兴趣点i′∈I，条件分布pi′|us，t在整个兴趣点集合I上，公式为： S8、对用户u在时刻t采样负样本，负样本为兴趣点特征表示，用负样本兴趣点k′特征表示替换上述i′特征表示为 S9、计算损失，并对Hawkes时空点过程参数进行优化。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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”。