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！

龙图腾网获悉哈尔滨理工大学;哈尔滨工业大学;中数(深圳)时代科技有限公司申请的专利一种基于联邦学习的多模态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：CN117076514B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202311115010.5，技术领域涉及：G06F16/2457；该发明授权一种基于联邦学习的多模态推荐方法及系统是由张宏国;高宇航;叶子;马超;黄海;于海宁;吴英东设计研发完成，并于2023-08-31向国家知识产权局提交的专利申请。

本一种基于联邦学习的多模态推荐方法及系统在说明书摘要公布了：本发明一种基于联邦学习的多模态推荐方法及系统，涉及计算机信息推荐技术领域，为解决现有方法难以保障多方的数据不出本地、断绝数据在上传过程中的隐私泄露并实现高精度的推荐的问题。包括：步骤1：多个客户端分别对本地数据集进行预处理；步骤2：服务器端构建多模态模型及损失函数，并下发至各客户端；步骤3：各客户端对模型进行训练，将最优模型参数上传至服务器端；步骤4：服务器端对各模型参数进行聚合得到聚合模型，并对其进行训练，再次下发到客户端；步骤5：客户端对模型再次进行验证和测试，得到多模态推荐模型，实现联邦多模态推荐。本发明在保护用户隐私的前提下，有效地融合多个分布式数据源的信息，进行个性化的推荐。

本发明授权一种基于联邦学习的多模态推荐方法及系统在权利要求书中公布了：1.一种基于联邦学习的多模态推荐方法，其特征在于，所述方法基于联邦学习模型，包括一个服务端和多个客户端，包括如下步骤： 步骤1：多个客户端分别对本地数据集进行预处理，本地数据集包括文本和图像，将预处理的数据集划分为训练集、验证集和测试集； 步骤2：服务器端构建多模态模型及损失函数，并将所述多模态模型及损失函数下发至各客户端； 步骤3：各客户端基于训练集对服务器端下发的模型进行训练，通过反向传播更新网络参数，采用验证集验证模型性能，采用测试集对每轮训练的模型进行测试，将最优测试结果的模型参数上传至服务器端； 步骤4：服务器端接收到各客户端上传的模型参数后，对不同客户端上传的模型参数进行聚合得到聚合模型，服务端基于本地数据集对所述聚合模型进行训练，并将训练后的聚合模型再次下发到客户端； 步骤5：客户端对服务器端下发的模型再次进行初始化，并基于验证集和测试集对模型进行验证和测试，得到多模态推荐模型，模型根据用户嵌入与所有候选项嵌入的内积，得到候选项目的推荐结果，实现联邦多模态推荐； 步骤2中损失函数的构建方法为： 步骤21、将预处理后的用户数据和项目数据输入至下发的模型得到模态特定特征表示为，其中表示来自完整模态的特定模态，表示特征的维数；使用基于多层感知器MLP的投影函数将其投影到一个潜在的低维上； 步骤22、使用带有残留连接的骨干网对U‑I交互图的结构进行编码； 步骤23、利用多模态潜在空间转换器，得到三种类型的潜在嵌入，包括：用户ID嵌入、项目ID嵌入和单模态项目嵌入； 步骤24、将三种嵌入输入至对比视图生成器中，生成三种对比视图； 步骤25、基于三种视图，构建最终的损失函数； 步骤21 基于的方法为： 其中，，表示投影函数 的MLP中的线性变换矩阵及偏差； 步骤24中对比视图生成器嵌入率下的对比视图的方法为： 其中，输入向量h表示待处理的特征或表示，表示服从伯努利分布的随机变量，其中p为成功的概率，用作控制元素丢弃的概率，表示对输入向量h进行元素级别的随机丢弃操作，其中每个元素独立地以概率p被置为0，以概率1‑p保留原值； 步骤25中得到最终的损失函数为： 其中和为正则化惩罚； 为图重构损失，表示接收一个正反馈的用户和项目对u，i作为输入，基于在线表示生成的对比视图，并定义一个对称损失函数，然后求他们的之间的余弦相似度，并对其中的和停止梯度算子： 为跨通道特征对准损失，表示对于项目的每个单模态潜嵌入求余弦相似度： 为内模态特征掩码损失，表示对随机嵌入进行掩码，表示稀疏嵌入，得到掩码损失： 。

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哈尔滨理工大学;哈尔滨工业大学;中数(深圳)时代科技有限公司，其通讯地址为：150080 黑龙江省哈尔滨市南岗区学府路52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。