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！

龙图腾网获悉湖南师范大学申请的专利一种基于自监督学习的多模态鲁棒推荐方法及系统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：CN119579269B 。

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：202411417578.7，技术领域涉及：G06Q30/0601；该发明授权一种基于自监督学习的多模态鲁棒推荐方法及系统是由肖林;胡佳俊;宋启亚;高协平设计研发完成，并于2024-10-11向国家知识产权局提交的专利申请。

本一种基于自监督学习的多模态鲁棒推荐方法及系统在说明书摘要公布了：本发明公开了一种基于自监督学习的多模态鲁棒推荐方法及系统，本发明包括从原始数据中提取用户和物品各模态的模态特征作为初始的嵌入向量，并构建各个模态下的用户‑物品异构图，以及物品‑物品同构图；针对各模态的初始的嵌入向量进行多模态特征编码，将各模态增强后的最终嵌入向量进行多模态特征融合；进行多模态特征对齐以提取出最终用户嵌入向量和最终物品嵌入向量，以此计算得到用户对物品的最终预测评分并排序，选取指定的前K个物品作为推荐给用户的推荐列表并输出。本发明旨在消除多模态数据中固有噪声的影响，提高整个多模态推荐系统的推荐效果。

本发明授权一种基于自监督学习的多模态鲁棒推荐方法及系统在权利要求书中公布了：1.一种基于自监督学习的多模态鲁棒推荐方法，其特征在于，包括利用基于自监督学习的推荐模型从原始数据中获取推荐给用户的推荐列表： S1，从原始数据中提取用户和物品各模态的模态特征作为初始的嵌入向量，并构建各个模态下的用户-物品异构图，以及物品-物品同构图； S2，针对各模态的初始的嵌入向量进行多模态特征编码，包括：基于初始的嵌入向和用户-物品异构图利用图卷积网络捕获高阶特征得到最终嵌入向量，并基于物品-物品同构图提取物品之间的语义关系来增强最终嵌入向量； S3，将各模态增强后的最终嵌入向量进行多模态特征融合； S4，将各模态的最终嵌入向量、融合的最终嵌入向量进行多模态特征对齐以提取出最终用户嵌入向量和最终物品嵌入向量； S5，根据最终用户嵌入向量和最终物品嵌入向量计算得到用户对物品的最终预测评分并排序，选取指定的前K个物品作为推荐给用户的推荐列表并输出； 步骤S2中基于初始的嵌入向和用户-物品异构图利用图卷积网络捕获高阶特征得到最终嵌入向量时，所采用的图卷积网络包括个图卷积网络层，任意第层得到的嵌入向量的函数表达式为： 上式中，为第层得到的嵌入向量，为用户u与物品i在用户-物品异构图中的单跳邻居，为第层得到的嵌入向量，m为模态，模态m取值为id、v和t分别表示ID模态、图像模态以及文本模态；且捕获高阶特征得到的最终嵌入向量的函数表达式为： 上式中，为模态m下的最终嵌入向量，且有： 上式中，和分别为模态m下最终嵌入向量的用户嵌入向量和物品嵌入向量； 步骤S2中基于物品-物品同构图提取物品之间的语义关系来增强最终嵌入向量包括： S2.1，根据下式计算物品-物品同构图中各对物品之间的相似分数： ， 上式中，为模态下物品和物品之间的相似分数，和分别为模态下物品和物品原始的模态特征，m为模态，模态m取值为id、v和t分别表示ID模态、图像模态以及文本模态； S2.2，利用KNN算法对各对物品之间的相似分数进行聚类，并根据下式保留K个得分最高的邻居的相似度分数的值为1、其余邻居的相似度分数的值为0； S2.3，根据下式采用稀疏矩阵乘法聚合计算任意模态下得到的物品之间的语义关系： ， 上式中，为模态下物品i的嵌入向量，为物品i的单跳邻居，为模态下物品的嵌入向量，物品为在物品i的单跳邻居中的物品； S2.4，将物品之间的语义关系来增强对应模态的最终嵌入向量； 步骤S2.4中将物品之间的语义关系来增强对应模态的最终嵌入向量的函数表达式为： ， 上式中，为模态下增强后的最终嵌入向量，和分别为模态m下最终嵌入向量的用户嵌入向量和物品嵌入向量，“”为连接操作，为模态下物品i的嵌入向量。

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湖南师范大学，其通讯地址为：410081 湖南省长沙市岳麓区麓山路36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。