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！

龙图腾网获悉南京邮电大学申请的专利基于噪声增强的对比学习图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：CN117056597B 。

龙图腾网通过国家知识产权局官网在2026-01-09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：202310991236.5，技术领域涉及：G06F16/9535；该发明授权基于噪声增强的对比学习图推荐方法是由宋玉蓉;付顺发;蒋国平设计研发完成，并于2023-08-08向国家知识产权局提交的专利申请。

本基于噪声增强的对比学习图推荐方法在说明书摘要公布了：本发明公开了一种基于噪声增强的对比学习图推荐方法。该方法包括以下步骤：1、在嵌入模块中利用用户项目交互关系构造用户项目二部图并初始化用户项目的特征表示；2、在用户项目消息传递模块中捕获涉消息传递下用户项目之间的隐式关系以及具有高阶关系的感知协作信号；3、在图对比模块中利用噪声进行图增强，通过对比正负样本使节点分布更加均匀；4、在预测模块中对每个用户和物品的最终表征进行点积获得最后的预测值。本发明能够缓解流行度偏差以及数据稀疏性问题，提高推荐精度，实现良好的个性化推荐效果。

本发明授权基于噪声增强的对比学习图推荐方法在权利要求书中公布了：1.一种基于噪声增强的对比学习图推荐方法，其特征在于，包括以下步骤： 步骤1、建立问题：建立一个统一的用户项目二部图来建模所研究的问题，明确模型的输入及输出，其中，用户用u表示，项目用i表示，当用户u和项目i交互，就会建立一条边u,i； 步骤2、初始嵌入层：使用嵌入向量u0∈Rd和i0∈Rd来描述一个用户和一个项目，其中d是嵌入维度，用户嵌入向量和项目嵌入向量分别用嵌入矩阵和来表示； 步骤3、用户的嵌入传播层：对相邻节点的项目进行嵌入组合，以通过用户-项目的交互进行建模；图卷积运算定义为下式，模型通过其进行消息聚合， 其中，表示在第L层嵌入传播层后得到的项目i的表示，Nu,Ni分别表示用户和项目的邻居集合；使用对称归一化项来避免随着图卷积操作而造成的嵌入规模的增加； 步骤4、项目的嵌入传播层：对相邻节点的用户进行嵌入组合，以通过用户-项目的交互进行建模；图卷积运算定义为下式，模型通过其进行消息聚合， 其中，表示在第L层嵌入传播层后得到的用户u的表示，Nu和Ni分别为用户和项目的邻居节点集合；使用对称归一化项来避免随着图卷积操作而造成的嵌入规模的增加； 步骤5、消息传播与图对比：对初始用户嵌入向量和项目嵌入向量进行消息传播，在消息传播过程中向其中分别添加不同的噪声，以得到初始数据的阳性表示以及阴性表示；具体包括：首先构造需要添加的噪声，形式上，给定一个节点i以及其在d维嵌入空间的表示ei，根据以下公式构造噪声： Δ′＝ω⊙signzi,Δ″＝-ω⊙signzi,ω∈Rd～U0,1 其中噪声向量Δ′i,Δ″i满足‖Δ‖2＝∈，∈是一个很小的常数，这个量级约束使得Δ在数值上等于半径为∈的超球上的点，添加噪声后的每一层按照以下公式传播： 步骤6、预测：在经过L层传播后，得到了不同层的用户项目表示，将不同层的用户项目表示结合得到最终表示，将用户项目最终表示进行内积以获得该用户对项目的交互概率，最后利用损失函数对模型进行训练；具体包括：将各层传播后的表征取平均值得到最终表示： 其中，E0∈R|N|*d是待学习的节点嵌入，E是预测的最终表示，|N|是节点数，L是传播层数，是无自连接的归一化无向邻接矩阵； 对推荐任务和对比任务进行联合训练，分别采用BPR损失和InfoNCE损失进行训练，对得到的每一个用户项目最终表示进行内积以获得它们交互的概率： L＝Lrec+λLcl 其中，σ是sigmoid函数，eu,ei分别是用户表示和与之交互的物品表示，ej是从没有与之交互的物品中随机抽取的某一个的表示，z′,z″是从添加了噪声后学习到的阳性表示和阴性表示，τ是控制模型平滑性的温度参数,λ为对比损失的权重系数，InfoNCE损失促进了互为正样本的z′i,z″i之间的一致性，同时最小化互为负样本的z′i,z″j之间的一致性。

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南京邮电大学，其通讯地址为：210023 江苏省南京市栖霞区文苑路9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。