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！

龙图腾网获悉中国科学技术大学申请的专利基于用户群组采样的推荐方法、装置、设备和存储介质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：CN116821484B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202310706789.1，技术领域涉及：G06F16/9535；该发明授权基于用户群组采样的推荐方法、装置、设备和存储介质是由陈恩红;刘淇;陈宇杰;黄振亚;于润龙设计研发完成，并于2023-06-13向国家知识产权局提交的专利申请。

本基于用户群组采样的推荐方法、装置、设备和存储介质在说明书摘要公布了：本发明公开了一种基于用户群组采样的推荐方法、装置、设备和存储介质。该推荐方法基于从互联网平台获取的用户的隐式反馈数据，通过在动态更新的模型上对物品熵进行建模，在优化中充分利用物品全局评分信息和用户共同的交互行为，采样更为可靠的相似用户群组。使用成对的群组偏好范式学习用户群组偏好，挖掘出用户潜在喜欢的物品，在改进模型推荐效果的同时还具有高度的可解释性和算法通用性。

本发明授权基于用户群组采样的推荐方法、装置、设备和存储介质在权利要求书中公布了：1.一种基于用户群组采样的推荐方法，其特征在于，所述方法包括： 步骤1、数据收集，从互联网在线平台获取用户的隐式反馈数据； 步骤2、数据预处理，根据步骤1中获取的隐式反馈数据划分训练数据和测试数据，用随机梯度下降算法并结合训练数据来优化用户和物品特征，基于随机初始化或引入群组偏好的对级排序目标学习，得到当前模型下用户的隐向量表示和物品的隐向量表示； 步骤3、相似性矩阵计算，基于全部用户对物品的预测评分为每个物品计算评分熵，再基于两两用户之间共同交互过的物品的预测评分差建模用户之间相似性，结合物品的评分熵加权计算得到用户之间的相似性矩阵； 步骤4、用户群组采样，在每一次的更新中，随机选定一位用户，依照预先计算的相似性矩阵选取与该用户最相似的指定数量的用户构成用户组； 步骤5、结合不同目标采样对应数量的正负物品样本，形成基于群组偏好的排序对继续优化，根据模型最终学习的结果，按照预测的用户对物品的偏好程度，将排名靠前的若干物品作为用户可能喜欢的物品推荐给用户； 步骤2包括： 使用表示用户集合，使用表示物品集合；其中，n和m分别表示用户的数量和物品的数量；对于每个用户u∈U，已经在物品集上表达了正反馈；为建模用户偏好，使用矩阵分解模型，其预测用户对于物品评分通过计算得到；其中，fui表示用户u对物品i的预测评分，Uu·表示描述用户u特征的隐向量，Vi·表示描述物品i特征的隐向量；进行推荐的目标即是从未交互过的物品集合中为每位用户按照用户对物品预测评分降序排列得到一个个性化的物品列表； 在步骤2中引入贝叶斯个性化排名BPR，BPR假设用户u偏好交互过的物品i胜过未交互物品j，即优化一种相对顺序，使得用户u对物品i的排序相对物品j的排序更靠前；BPR的成对偏好范式为： fBPR＝fui-fuj 其中， 针对真实世界中用户总是互相联系，个性化的偏好会受到群组效应的影响这一情况，引入基于群组偏好的贝叶斯个性化排名G-BPR，以向成对排序目标中引入了群组偏好；用户群组G对于物品i的群组偏好由G中用户的个体偏好估计得到： 为更好学习个体偏好和群偏好，将二者线性组合得到融合偏好fGui＝ρfGi+1-\rhofui；其中，ρ是一个权衡参数； 针对在物品i的融合偏好fGui大概率大于用户u在未交互过的物品上的偏好fuj，引入群组偏好的成对偏好顺序优化目标： fG-BPR＝fGui-fuj； 基于以上的优化目标，最大化一个优化成对排序目标的最大似然函数作为目标函数，基于矩阵分解的模型，通过随机梯度下降的方式优化用户特征隐向量和物品特征隐向量。

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科学技术大学，其通讯地址为：230026 安徽省合肥市包河区金寨路96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”。

以上内容由龙图腾AI智能生成。