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！

龙图腾网获悉四川启鸣达人科技有限公司申请的专利一种多模态偏好驱动的图卷积组合优化学习路径生成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：CN120894204B 。

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：202511434701.0，技术领域涉及：G06Q50/20；该发明授权一种多模态偏好驱动的图卷积组合优化学习路径生成方法是由白翔宇;罗永强;马杰设计研发完成，并于2025-10-09向国家知识产权局提交的专利申请。

本一种多模态偏好驱动的图卷积组合优化学习路径生成方法在说明书摘要公布了：本发明公开了一种多模态偏好驱动的图卷积组合优化学习路径生成方法，包括：获取多模态学习特征数据，并进行多模态特征数据融合处理，得到学习资源初始特征矩阵；构建多关系邻接矩阵，并进行归一化处理，构建归一化传播矩阵；更新图卷积特征，并获得学习增益评分；基于学习增益评分计算综合效用；考虑多约束条件下建立整数规划，筛选获得优化的候选资源；采用边代价函数和学习路径目标函数在优化的候选资源中生成最优学习路径；所述最优学习路径生成过程中，采用动态重规划；所述动态重规划包括掌握度更新、覆盖需求递减和时长预算更新。通过上述方案，本发明具有逻辑简单、多模态融合可靠等优点。

本发明授权一种多模态偏好驱动的图卷积组合优化学习路径生成方法在权利要求书中公布了：1.一种多模态偏好驱动的图卷积组合优化学习路径生成方法，其特征在于，包括以下步骤： 获取多模态学习特征数据，并进行多模态特征数据融合处理，得到学习资源初始特征矩阵；所述多模态特征数据融合处理的表达式为：；其中，表示第个学习资源经过多模态特征提取与融合映射后的学习资源初始特征向量；表示第个学习资源的图像特征向量；表示第个学习资源的文本特征向量；表示第个学习资源的行为特征向量；表示调整模态贡献度的权重矩阵；表示偏置向量；为正整数； 所述学习资源初始特征矩阵的表达式为：；其中，表示1个学习资源经过多模态特征提取与融合映射后的学习资源初始特征向量；表示个学习资源经过多模态特征提取与融合映射后的学习资源初始特征向量；T表示向量转置； 表示学习资源的节点总数； 对学习资源初始特征矩阵构建多关系邻接矩阵，并进行归一化处理，构建归一化传播矩阵；所述多关系邻接矩阵的表达式为： ；其中，表示融合后的多关系邻接矩阵；表示先修关系邻接矩阵；表示相似关系邻接矩阵；表示共现关系邻接矩阵；表示先修关系邻接矩阵对应的融合权重系数；表示相似关系邻接矩阵对应的融合权重系数；表示共现关系邻接矩阵对应的融合权重系数；表示单位矩阵自环权重系数；表示单位矩阵； 所述归一化传播矩阵的表达式为：； 其中，表示节点度矩阵；表示对角矩阵每个非零元素取平方根的倒数； 根据归一化传播矩阵，更新图卷积特征，并获得学习增益评分；其中，更新图卷积特征的表达式为：；其中，表示第+1层图卷积的学习资源节点特征矩阵；表示第层图卷积的学习资源节点特征矩阵；表示非线性激活函数；表示第层图卷积的GCN权重矩阵； 所述学习增益评分的表达式为：；其中，表示第个学生对第个学习资源的学习增益分数； 表示学习增益评分函数；表示第个学生的最终特征向量；表示第个学习资源的最终特征向量； 基于学习增益评分计算综合效用； 根据综合效用的得分，考虑多约束条件下建立整数规划，筛选获得优化的候选资源； 采用边代价函数和学习路径目标函数在优化的候选资源中生成最优学习路径；所述最优学习路径生成过程中，采用动态重规划；所述动态重规划包括掌握度更新、覆盖需求递减和时长预算更新。

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四川启鸣达人科技有限公司，其通讯地址为：610000 四川省成都市青羊区敬业路108号9栋1层1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。