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！

龙图腾网获悉湖州师范学院申请的专利基于双门控混合专家模型与傅里叶降噪的多模态序列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：CN120804383B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202511324106.1，技术领域涉及：G06F16/9035；该发明授权基于双门控混合专家模型与傅里叶降噪的多模态序列推荐方法是由王瑞琴;方驰;张雄涛设计研发完成，并于2025-09-17向国家知识产权局提交的专利申请。

本基于双门控混合专家模型与傅里叶降噪的多模态序列推荐方法在说明书摘要公布了：本发明公开了基于双门控混合专家模型与傅里叶降噪的多模态序列推荐方法，包括以下步骤：S1、多模态特征编码：使用BERTViT预训练模型提取文本视觉特征；S2、频域特征去噪：采用傅里叶变换进行频域噪声过滤；S3、双门控混合专家模型：采用并行路径实现自适应多模态融合与时序兴趣建模；S4、多任务联合优化：整合三重辅助对比学习对模型进行联合优化，利用预训练模型BERTViT提取文本和图像特征，引入傅里叶变换对多模态特征进行频域降噪，显著提升了模态表示的鲁棒性，输入依赖型专家通过动态路由实现细粒度的模态交互，共享专家利用带门控机制的时间编码建模用户兴趣的周期性演化，优化特征融合质量，FT‑MSR集成了三重辅助学习任务，缓解了数据稀疏性问题。

本发明授权基于双门控混合专家模型与傅里叶降噪的多模态序列推荐方法在权利要求书中公布了：1.基于双门控混合专家模型与傅里叶降噪的多模态序列推荐方法，其特征在于：包括以下步骤： S1、多模态特征编码：使用 BERTViT 预训练模型提取文本视觉特征； S2、频域特征去噪：采用傅里叶变换进行频域噪声过滤； S3、双门控混合专家模型：采用并行路径实现自适应多模态融合与时序兴趣建模； S4、多任务联合优化：整合三重辅助对比学习对模型进行联合优化； 所述步骤S3双门控混合专家模型通过以下三阶段过程构建： S3‑1、输入依赖型Top‑k专家：通过动态专家路由实现自适应多模态融合； S3‑2、时间感知的共享专家：设置固定数量的共享专家，通过时间编码显式建模用户兴趣演化； S3‑3、用户偏好建模与评分预测：采用序列建模框架SASRec 作为主干网络建模用户偏好，其中独立的 SASRec 编码器用于处理每个模态的特征序列；聚合多模态预测结果，得到用户与候选项目之间的预测评分； 所述步骤S3‑1输入依赖型Top‑k专家包括以下步骤： S3‑1‑1、将三个模态的特向量沿特征维度进行拼接； S3‑1‑2、构建一个MoE 架构，每个专家是一个独立的前馈网络，其结构相同但参数不同； S3‑1‑3、利用门控机制计算专家权重； S3‑1‑4、激活权重最高的 Top‑k 专家，实现细粒度的特征交互建模； 所述步骤S3‑2时间感知的共享专家包括以下步骤： S3‑2‑1、对于给定的交互时间序列生成两类互补的时间嵌入编码：绝对时间编码：捕捉特定时间点的用户偏好；时间间隔编码：建模用户行为的周期性特征； S3‑2‑2、结合了以上两种嵌入表示时间上下文； S3‑2‑3、使用时间门控机制计算每个共享专家的权重； S3‑2‑4、由所有共享专家协同建模，得到最后的输出； S3‑2‑5、整合以上两条路径的建模结果，得到最终的项目嵌入； 所述步骤S4多任务联合优化中主任务通过交叉熵损失优化交互预测，引入以下三个辅助对比学习任务增强表示学习并缓解数据稀疏性： S4‑1、ID 对比，对于每个批次构建一个ID对比损失，最大化用户序列嵌入与其交互项嵌入之间的相似性； S4‑2、困难负样本生成，通过线性插值 ID 和文本模态的归一化表示来合成困难负样本增强模型的判别力，得到一个增广的训练样本集，构建对比损失以最大化同一用户在 ID 和文本模态的序列表示之间的相似性； S4‑3、跨模态序列对比，给定文本序列嵌入和图像序列嵌入，随机掩码文本序列嵌入的特征并使用图像序列嵌入中相同位置的特征来替换，获得增广的文本序列嵌入，构建对比损失以最大化同一用户的增广文本序列嵌入和原始文本序列嵌入之间的相似性增强跨模态表示的质量，同理，计算得到图像模态的对比损失，总损失取二者的平均值，将辅助任务与主任务集成以优化模型参数。

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湖州师范学院，其通讯地址为：313000 浙江省湖州市吴兴区二环东路759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。