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！

龙图腾网获悉江西师范大学申请的专利一种基于自注意力和对比学习的在线兴趣组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：CN117171447B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202310432747.3，技术领域涉及：G06F16/9536；该发明授权一种基于自注意力和对比学习的在线兴趣组推荐方法是由黄晓梅;秦敏;易玉根设计研发完成，并于2023-04-21向国家知识产权局提交的专利申请。

本一种基于自注意力和对比学习的在线兴趣组推荐方法在说明书摘要公布了：本发明公开了一种基于自注意力和对比学习的在线兴趣组推荐方法，通过兴趣组推荐模型SCL4GR向用户推荐在线兴趣组，兴趣组推荐模型由节点嵌入模块、序列编码模块、推荐生成模块和对比学习模块组成，推荐方法包括：首先构建三个社交网络，然后使用图卷积网络GCN获取用户和在线兴趣组的表征向量；然后将表征向量嵌入至Transformer模型中，以捕获用户兴趣变化的模式；最后利用推荐生成模块将动态兴趣与用户表征向量进行拼接，得到用户的当前偏好，并将该偏好输入具有softmax函数的多层全连接神经网络中，得到所有候选兴趣组的概率分布，进而向用户推荐在线兴趣组。本发明方法与循环神经网络、马尔可夫链等传统方法相比，模型的适应性和执行效率方面都有显著提高。

本发明授权一种基于自注意力和对比学习的在线兴趣组推荐方法在权利要求书中公布了：1.一种基于自注意力和对比学习的在线兴趣组推荐方法，其特征在于，通过兴趣组推荐模型向用户推荐在线兴趣组，所述兴趣组推荐模型由节点嵌入模块、序列编码模块、推荐生成模块和对比学习模块组成； 所述节点嵌入模块，是通过图卷积网络GCN，将在线网络的每个节点转换为一个向量，编码其特征和结构信息，得到用户和在线兴趣组的表征向量； 所述序列编码模块，用于将转换后的在线网络节点嵌入至Transformer模型中，以捕获用户兴趣变化的模式，得到隐藏在用户行为序列中的动态兴趣； 所述推荐生成模块，用于将动态兴趣与用户表征向量进行拼接，得到用户的当前偏好，并将该偏好输入具有softmax函数的多层全连接神经网络中，得到所有候选兴趣组的概率分布； 所述对比学习模块，用于以不同社交网络作为节点的不同视图，通过对比学习任务来强化监督任务； 所述通过兴趣组推荐模型向用户推荐在线兴趣组，方法如下： 步骤1、根据对用户社会关系的不同看法构建在线网络、离线网络和集成网络三个社交网络，并获取用户在线网络中所有的节点信息，输入至节点嵌入模块，由节点嵌入模块将在线网络的每个节点转换为向量，并编码其特征和结构信息，得到用户和在线兴趣组的表征向量，具体包括以下内容： 令在线网络表示为Gon＝＜U,G,Aon＞，其中，U表示用户集，U＝{u1,u2,...,un}；G表示在线兴趣集，G＝{g1,g2,...,gm}；E表示事件集，E＝{e1,e2,...,ek}；Aon表示边集，即一个用户参加了在线兴趣组，则在用户与兴趣组之间有一条边相连； 设用户U的嵌入向量为兴趣组G的嵌入向量为其中d为向量维度，上标0表示初始向量； 由于用户参加的兴趣组可以反映用户的兴趣爱好，而参加兴趣组的用户也可以作为该兴趣组的特征用于度量两个兴趣组的相似性，因此利用这个特点在相连的用户和兴趣组间进行信息传播，通过图卷积网络GCN，对于用户节点u，将其周围邻居用聚合函数聚合得到第一层GCN后用户的表征向量： 上式中，表示第一层GCN后用户的表征向量，Nu是用户U的一阶邻居以及用户自己的集合，du为用户节点u的度加1，dg是节点g的度，是用于提取信息的权重矩阵，d′是变换后的维度，是偏置，σ·是激活函数； 同理，通过图卷积网络GCN，对于兴趣组节点g，将其周围邻居用聚合函数聚合得到第一层GCN后兴趣组G的表征向量； 由于高阶关联信息对评估用户与兴趣组之间的相关性具有重要影响，因此往往需要堆叠多个GCN层以获得用户u和兴趣组g的最终表征向量； 假设堆叠l个GCN层,这样一个用户或兴趣组就可收到来自l跳邻居传播过来的信息；在第l跳步，用户u的表征的迭代计算公式为： 其中，是可训练的权重矩阵，dl,dl-1分别是第l和第l-1层的变换维度，是第l-1层输出的兴趣组表征； 同理，计算得到第l层GCN层兴趣组g的表征向量 通过堆叠多个GCN层，并将最后一层GCN的输出作为用户u和兴趣组g的最终表征向量，分别记为 步骤2、将节点转换后所得用户和在线兴趣组的表征向量嵌入至序列编码模块，以捕获用户兴趣变化的模式，得到隐藏在用户行为序列中的动态兴趣，具体包括以下内容： 令Su＝[gu,1,...,gu,i,...,gu,t]表示用户u的在线交互兴趣组序列，为了利用输入序列的次序信息，通过位置编码方法将位置向量加入到兴趣组表征向量中；然后通过Transformer编码模型在一个Transformer层中同时为每个位置计算兴趣组表征向量，再将所有位置的兴趣组表征向量堆叠为一个矩阵用于计算用户对兴趣组的注意力权重，得到隐藏在用户行为序列中的动态兴趣； 每一层的兴趣组表征向量堆叠矩阵计算公式如下： Bl-1＝LNGl-1+DropoutMHGl-13 TrmGl-1＝LNBl-1+DropoutPFFNBl-14 其中，d为变换维度，l∈{1...L}表示第l层，LN·，Dropout·，MH·分别表示层归一化、dropout和多头注意力操作，PFFN·表示点向前馈网络； 步骤3、利用推荐生成模块将动态兴趣与用户表征向量进行拼接，得到用户的当前偏好，并将该偏好输入具有softmax函数的多层全连接神经网络中，得到所有候选兴趣组的概率分布，进而向用户推荐相应的在线兴趣组。

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师范大学，其通讯地址为：330022 江西省南昌市紫阳大道99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。