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！

龙图腾网获悉山东建筑大学申请的专利基于元学习图神经网络面向冷启动的推荐系统及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：CN115905687B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202211366516.9，技术领域涉及：G06F16/9535；该发明授权基于元学习图神经网络面向冷启动的推荐系统及方法是由袁卫华;李璐;张志军;范玉敏;王星设计研发完成，并于2022-11-01向国家知识产权局提交的专利申请。

本基于元学习图神经网络面向冷启动的推荐系统及方法在说明书摘要公布了：本发明公开了基于元学习图神经网络面向冷启动的推荐系统及方法，属于网络推荐技术领域，本发明要解决的技术问题为如何克服针对冷启动用户交互数据稀疏无法准确动态建模用户偏好的缺陷，采用的技术方案为：该系统包括二部图构建层、图嵌入层、序列编码层及元学习层。该方法具体如下：获取数据集中的交互数据，利用交互数据构建用户‑物品二部图；基于二部图利用图卷积网络构建序列间物品的高阶关系，生成准确的用户及物品的嵌入表示；利用序列编码层学习序列内物品的转移信息，结合注意力机制为用户生成动态的兴趣表示；利用元学习层实现快速适应冷启动推荐任务。

本发明授权基于元学习图神经网络面向冷启动的推荐系统及方法在权利要求书中公布了：1.一种基于元学习图神经网络面向冷启动的推荐系统，其特征在于，该系统包括， 二部图构建层，用于获取数据集中的交互数据，利用交互数据构建用户-物品二部图； 图嵌入层，用于基于用户-物品二部图通过图卷积网络建模序列间物品的高阶关系，生成准确的用户及物品嵌入表示； 序列编码层，用于建模序列内物品的动态变化并通过注意力网络建模用户偏好； 元学习层，用于快速适应冷启动推荐任务； 其中，序列编码层具体如下： 经过图嵌入层后用户u的交互序列表示为 以用户序列su作为输入，将每个物品vq与其之前的物品按交互顺序生成交互物品对集其中，每个交互序列中的第一个物品由于之前没有其他交互项，将第一个物品的交互物品对集定义为 每个物品对通过L层的神经网络获得两个物品间的映射关系，具体如下： rl＝ReLUWlrl-1+bl； 其中，表示向量m与向量n连接；vi与vq分别表示头实体和尾实体；L为神经网络层数，l∈{1,…,L-1}；Wl和bl表示第l层的权重矩阵和偏置向量，表示最终物品vi与物品vq的转移信息；v表示物品；q表示尾部实体；r表示拼接后的物品向量；r的上标表示层数； 由于每个物品对集中存在多个物品对，在为每个物品生成物品转移表示时，聚合所有的转换信息，公式如下： 在获得序列内每个物品的转换信息后，将序列间物品相关性信息与序列内物品间的转移信息相结合，生成最终的用户兴趣表示； 为了捕捉每个用户不断变化的兴趣，使用注意力网络为每个输入的隐状态生成一个权重，用该权重表示用户当前行为对最终偏好的影响，用户交互序列中最后一项对下一交互项起重要作用，故在生成注意力权重时考虑最后交互项vn的影响，公式如下： 其中，表示物品vq在用户u的最终决策上的权重；W2,W3,W4,b2,b2为多层感知网络的参数，表示的物品vq的影响权重； 考虑序列内物品顺序相关性和时间动态的用户兴趣被表示为： 在获得用户当前兴趣的表示后，采用经典的矩阵因式分解方法来推断用户对物品的偏好； 用户u对物品vp的预测得分是用户兴趣Iu和物品嵌入的内积，用户将与物品交互的概率被定义为预测分数： 利用贝叶斯个性化排名损失来学习参数，使用户观察到的交互项的概率估计高于其未观察到的物品，BPR损失函数定义为： 其中，Ti表示第i个任务的训练样本，即Ti＝{u,v,v-|u,v∈R+,u,v-∈R-}；R+与用户交互的物品集合；R-表示与用户没有交互历史的物品集合；θ表示可学习的参数；λ是L2正则化参数，用于缓解过拟合问题。

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山东建筑大学，其通讯地址为：250014 山东省济南市临港开发区凤鸣路山东建筑大学；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。