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！

龙图腾网获悉北京联合大学申请的专利一种基于动态图神经网络的活动推荐方法、系统及装置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：CN119884497B 。

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：202510384846.8，技术领域涉及：G06F16/9535；该发明授权一种基于动态图神经网络的活动推荐方法、系统及装置是由彭霞;吴亚朝设计研发完成，并于2025-03-28向国家知识产权局提交的专利申请。

本一种基于动态图神经网络的活动推荐方法、系统及装置在说明书摘要公布了：本发明提供了一种基于动态图神经网络的活动推荐方法、系统及装置，涉及社交网络技术领域，方法主要包括：从社交网站爬取活动数据集；提取活动特征；将用户参加过的活动特征，纳入用户特征；动态构建用户的社交关系图;学习社交关系图的演化规律，得到社交聚合的用户特征；通过多层感知机，计算每个用户对目标活动的偏好值，构建活动推荐模型，预测用户对目标活动的偏好值，将所有用户对所有目标活动的预测值进行排序后，向目标用户推荐最偏好的若干个目标活动。本方案能根据用户的动态行为构建动态社交网络，捕捉用户社交网络在时序上的变化；可计算不同用户之间的关系权重，让用户之间的社交关系计算更有依据，从而达到更高的活动推荐准确度。

本发明授权一种基于动态图神经网络的活动推荐方法、系统及装置在权利要求书中公布了：1.一种基于动态图神经网络的活动推荐方法，其特征在于，包括： 步骤1、从社交网站爬取活动数据集；所述活动数据集包括活动信息数据、活动成员数据及用户加入兴趣小组数据； 步骤2、从活动数据集中，提取活动特征；将用户参加过的活动特征，纳入用户特征；基于用户特征，动态构建用户的社交关系图;通过长短期记忆网络，学习社交关系图的演化规律，得到社交聚合的用户特征；所述活动特征包括活动内容特征及活动上下文特征；所述活动内容特征，包括活动标题特征、活动标签特征、活动类型特征及活动描述特征；所述活动上下文特征包括活动举办时间特征及活动举办地点特征； 提取活动类型特征的具体方法为：通过one‑hot编码对活动类型进行编码，将活动信息数据中每一个活动类型表示为一个向量；在每个活动类型特征向量中，只有活动所属类型的索引位置取值为1，其余索引位置取值为0；定义表示第个活动的活动类型特征； 提取活动标题特征、活动标签特征及活动描述特征的具体方法为：将活动信息数据中的活动标题、活动标签及活动描述组合成一个连续文本；对连续文本进行分词及去除停用词处理后，得到散列文本；通过LDA主题模型，从散列文本中提取活动主题特征，计算每个活动在主题上的分布，得到活动文本特征；定义表示第个活动的活动文本特征； 所述活动举办时间特征包括周特征及日特征； 所述周特征包括工作日和周末，用于统计每个活动在工作日和或周末举行的天数；所述周特征表示为二元分布；定义表示第个活动的周特征； 所述日特征，用于统计活动举办的开始时间；定义表示第个活动的日特征； 所述活动举办地点特征，即空间特征，用于统计活动举办地点的经纬度；定义表示第个活动的空间特征； 所述活动特征，具体向量形式表示为： ； 其中，表示特征拼接； 社交关系图的动态构建方法包括： 步骤a1、在用户加入兴趣小组数据及活动成员数据中，筛选处于同一个兴趣小组且参加过相同活动的用户： 将一个用户参加过的活动按照举办时间排序，得到一组带有时间的活动序列，表示活动总数；定义表示第个用户参加过的活动集合，表示第个用户参加过的活动集合，表示第个用户和第个用户共同参加过的活动集合，具体表达式为： ； 定义表示第个用户加入的兴趣小组集合，表示第个用户加入的兴趣小组集合，表示第个用户和第个用户共同加入的兴趣小组集合，具体表达式为： ； 步骤a2、再定义表示用户之间的社交关系图；图中的节点表示用户；图中的边表示用户之间的社交关系，具体表达式为： ； 其中，表示第个用户与第个用户之间的社交关系，表示第个用户和第个用户共同加入的兴趣小组的数量，表示第个用户和第个用户共同参加过的活动的数量； 步骤a3、按照时间顺序，为不同时期的社交关系图添加时间戳，得到时间序列静态图及相应的邻接矩阵； 步骤a4、通过注意力机制及图卷积神经网络，学习用户在时间序列静态图中的社交特征：所述注意力机制，用于进行邻域节点聚合；多个所述图卷积神经网络与多个所述时间序列静态图一一对应，动态构建得到用户依据时间顺序划分的社交网络序列；步骤3、基于各用户的用户特征与各目标活动的活动特征之间的特征相似度，通过多层感知机，计算每个用户对目标活动的偏好值，构建活动推荐模型，预测用户对目标活动的偏好值，将所有用户对所有目标活动的预测值进行排序后，向目标用户推荐最偏好的若干个目标活动； 所述特征相似度的具体计算公式为：；其中，表示相似度函数，用于计算特征之间的相似度； 所述偏好值的具体计算公式为： ； 其中，表示第个用户对第个目标活动的偏好值；表示多层感知机隐藏层的权重矩阵；表示多层感知机隐藏层的偏置项；表示多层感知机隐藏层的ReLU激活函数；表示多层感知机输出层的Sigmoid激活函数； 所述活动推荐模型的损失函数为BCE损失函数，且当预测值越接近实际值时，BCE损失函数值越小，具体公式为： ； 其中，表示训练数据集的样本量，且在训练数据集中：当用户实际参加了活动时，标签记为1；当用户实际没有参加活动时，标签记为0；表示第个用户是否参加活动的真实值；表示活动推荐模型预测第个用户是否会参加活动的概率；表示正则化系数；表示正则化项。

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北京联合大学，其通讯地址为：100101 北京市朝阳区北四环东路97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。