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！

龙图腾网获悉南京邮电大学申请的专利图协同过滤推荐模型的预测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：CN117112921B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202310845815.9，技术领域涉及：G06F16/9536；该发明授权图协同过滤推荐模型的预测方法是由宋玉蓉;王奇;李汝琦;曲鸿博设计研发完成，并于2023-07-10向国家知识产权局提交的专利申请。

本图协同过滤推荐模型的预测方法在说明书摘要公布了：本发明提供了一种图协同过滤推荐模型的预测方法，通过对交互特征进行筛选来过滤噪声，提高推荐结果的准确性，并且引入了节点级的原型对比学习任务来挖掘用户或项目之间的潜在特征，缓解协同过滤所面临的数据稀疏的问题。另外，通过重写超图卷积公式使得卷积过程只需要一次，避免了传统图协同过滤模型多次卷积所引起的特征平滑的问题，使得推荐系统模型的效率和性能都得到了提升。

本发明授权图协同过滤推荐模型的预测方法在权利要求书中公布了：1.一种图协同过滤推荐模型的预测方法，其特征在于，主要包括以下步骤： 步骤1，建立问题：根据用户与项目的交互矩阵A∈Rm×n建立一个二部图，明确模型的输入输出； 步骤2，初始嵌入层：使用嵌入向量uk∈Rd和ik∈Rd来描述一个用户和一个项目，其中d是嵌入维度； 步骤3，特征筛选：利用模型的图卷积滤波器对交互特征进行筛选并且只进行一层卷积，该一层卷积会卷到任意远的节点； 步骤4，原型对比学习任务：利用空间中语义相似的集群中心的嵌入来与目标节点构建对比对，该集群中心的节点即为原型，使用期望最大化算法来推断原型，此时目标节点的对比学习任务能够通过与原型之间的对比来完成； 步骤5，嵌入传播层：模型中的嵌入传播层建立在GCN的消息传递架构上，用来捕获协同过滤信号以及用户与项目交互的图结构；所述模型使用超图卷积，并用特征筛选的滤波器重写卷积公式； 步骤6，结果预测：在经过嵌入传播层的卷积以及对比任务的学习后，通过pooling函数得到用户u和项目i的最终表示形式,建立目标用户u对项目i进行交互的可能性公式，将用户u对项目i的最终表示进行结合作为最终的交互预测，利用损失函数进行模型训练； 所述步骤3具体包括： 将交互图G划分为平滑GS图、粗糙GR图和噪声GN图，它们分别由平滑、粗糙和噪声特征组成，使用在GS和GR上的嵌入生成最终表示，而来自GN的嵌入被过滤掉，即为带通滤波器： 其中λt代表对应交互特征的特征值，代表useritem； 使用超图卷积，用户和项目的交互表示为： 其中，Du,Di是用户和项目的对角度矩阵，R表示用户和项目的交互矩阵，RT表示该矩阵的转置矩阵，使用滤波器代替超图卷积中原来的特征值组成的对角阵，则在超图上生成的嵌入表达式如下： 其中E表示嵌入矩阵，{P,π}表示前m个最平滑或者最粗糙的{特征向量，特征值}，PT表示P的转置矩阵； 所述步骤5具体包括： 将平滑超图上生成的嵌入表示如下： 其中，分别是user邻接矩阵和item邻接矩阵中最平滑的m1和n1个{特征向量，特征值}，γ·输出不同特征的重要性权重，EU和EI分别代表user和item的嵌入矩阵，在具有最粗糙的m2和n2个{特征向量，特征值}的粗糙超图上进行嵌入，以便学习其异质性： 其中，分别是user邻接矩阵和item邻接矩阵中最粗糙的m2和n2个{特征向量，特征值}。

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南京邮电大学，其通讯地址为：210023 江苏省南京市栖霞区文苑路9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。