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！

龙图腾网获悉江西财经大学申请的专利基于域间知识迁移与交叉注意力的多领域推荐方法与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：CN120470160B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202510949256.5，技术领域涉及：G06F16/9035；该发明授权基于域间知识迁移与交叉注意力的多领域推荐方法与系统是由钱忠胜;刘钧杰;陈超;范赋宇设计研发完成，并于2025-07-10向国家知识产权局提交的专利申请。

本基于域间知识迁移与交叉注意力的多领域推荐方法与系统在说明书摘要公布了：本发明提出一种基于域间知识迁移与交叉注意力的多领域推荐方法与系统，首先，对各领域用户‑项目嵌入进行特征学习，通过挖掘高阶相似性关系区分多领域内的相似行为用户，以克服对重叠用户的强依赖性，同时引入对比学习机制对齐跨域行为特征，有效实现信息传递；其次，制定一种交叉注意力机制，使目标领域能动态聚合其它领域的关键信息，生成领域特定表示，适应复杂数据分布并平衡特征差异；最后，融合特征学习后的各领域嵌入获取全局通用领域嵌入，通过多层感知机实现自适应映射，与领域特定表示融合构建兼具全局共性与领域特性的最终预测表示，适应用户偏好动态变化的场景，提高推荐的准确性。

本发明授权基于域间知识迁移与交叉注意力的多领域推荐方法与系统在权利要求书中公布了：1.一种基于域间知识迁移与交叉注意力的多领域推荐方法，其特征在于，所述方法包括如下步骤： 步骤1、获取不同领域的用户‑项目交互数据，为每个领域构建独立的用户‑项目交互图，利用GCN对用户‑项目交互图进行传播，并在传播过程中，通过邻域聚合学习领域内特征，以得到各自领域的整体嵌入； 步骤2、基于各自领域的整体嵌入，通过随机漫步策略构建高阶相似性矩阵，识别多领域内的相似行为用户，并采用对比学习机制对多领域内的相似行为用户进行跨域行为特征对齐，得到各自领域对齐后的整体嵌入； 步骤3、为每个领域设计交叉注意力机制，以目标域为主，非目标域为辅，将对各自领域对齐后的整体嵌入采用跨领域交互的方式进行注意力计算，以使每个域均能从非目标域获取互补信息，以得到各领域的特定表示； 步骤4、将各自领域的整体嵌入融合为全局通用领域嵌入，再将全局通用领域嵌入调整为针对特定领域的自适应表示，将特定领域的自适应表示与各领域的特定表示拼接，为各领域做预测，以得到各领域的用户‑项目预测交互评分； 在所述步骤1中，在传播过程中，通过邻域聚合学习领域内特征，以得到各自领域的整体嵌入具体包括如下步骤： 采用Xavier方法对每个领域用户‑项目交互图进行独立的随机初始化得到用户嵌入，对应的过程存在如下关系式： ； 其中，表示均匀分布，和分别表示对应输入与输出的节点数，表示用户的初始嵌入； 采用Xavier方法对每个领域用户‑项目交互图进行独立的随机初始化得到项目嵌入； 将用户嵌入以及项目嵌入映射到低维向量空间中，在低维向量空间中，基于GCN的邻域聚合策略对每个领域的用户、项目嵌入进行多层迭代更新，以得到各领域中经特征学习后用户和项目嵌入；其中，对每个领域的用户、项目嵌入进行多层迭代更新过程中，每次迭代更新的过程存在如下关系式： ； 其中，表示平衡自身信息与邻居信息的超参数，；和分别表示用户和项目的邻居节点集，表示用于在邻居聚合过程中调整嵌入大小的归一化项，分别表示当前领域第层的用户和项目的嵌入； 将经特征学习后用户嵌入和经特征学习后项目嵌入进行整合，得到该领域的整体嵌入，对应的过程存在如下关系式： ； 其中，表示领域的整体嵌入，表示向量的拼接，分别表示领域中经特征学习后用户和项目的嵌入，分别表示领域中经特征学习后用户集和项目集的嵌入； 在所述步骤2中，基于各自领域的整体嵌入，通过随机漫步策略构建高阶相似性矩阵，识别多领域内的相似行为用户具体包括如下步骤： 采用欧式距离来衡量任意两个用户嵌入向量之间的差异，并利用负指数函数将距离转化为相似性得分，将所有用户两两间的相似性得分按照用户索引排列成矩阵，即得到用户相似性矩阵，对应的过程存在如下关系式： ； 其中，表示用户相似性矩阵，表示用户与用户的相似性得分，表示的一般元素，分别表示用户与用户的嵌入向量，，表示用来调节领域内用户相似性分布平滑度的温度参数，；表示L2范数； 对相似性矩阵实施行归一化，得到转移概率，并按照用户索引排列构造转移概率矩阵，对应的过程存在如下关系式： ； 其中，表示转移概率矩阵，表示的第行第列元素，表示求和指标变量，表示的一般元素； 设定漫步步数为，通过连续乘积计算步后的传递概率矩阵，对应的过程存在如下关系式： ； 其中，表示步后的传递概率矩阵； 根据计算得到的步后的传递概率矩阵，采用自环机制构造高阶相似性矩阵，对应的过程存在如下关系式： ； 其中，表示高阶相似性矩阵，表示调控自环信息与高阶邻居信息融合比例的权重衰减因子，，表示单位矩阵； 根据不同领域的数据分布特性动态的设定高阶相似性阈值，将任意两用户与用户的高阶相似性与高阶相似性阈值进行比较，对应的过程存在如下关系式： ； 其中，表示高阶相似性阈值，表示户与用户的高阶相似性； 根据比较结果，将所有领域中满足相似性判定的用户划分为相似行为用户，未满足条件的用户则归为非相似行为用户，得到相似行为用户嵌入和非相似行为用户嵌入，对应的过程存在如下关系式： ； 其中，表示用户集，表示相似行为用户集，表示非相似行为用户集，表示相似行为用户嵌入，表示非相似行为用户嵌入； 在所述步骤4中，将各自领域的整体嵌入融合为全局通用领域嵌入，对应的过程存在如下关系式： ； 其中，表示全局通用领域嵌入； 在所述步骤4中，再将全局通用领域嵌入调整为针对特定领域的自适应表示，对应的过程存在如下关系式： ； 其中，表示特定领域的自适应表示，表示由多层全连接网络及非线性激活函数构成的适应层，表示针对每个领域单独学习的参数集。

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江西财经大学，其通讯地址为：330000 江西省南昌市经济技术开发区双港东大街169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”。