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！

龙图腾网获悉合肥工业大学申请的专利一种问答社区中基于模体的问题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：CN115544373B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202211335432.9，技术领域涉及：G06F16/9535；该发明授权一种问答社区中基于模体的问题推荐方法是由孙见山;李志强;姜元春;刘业政;袁昆;钱洋;柴一栋设计研发完成，并于2022-10-28向国家知识产权局提交的专利申请。

本一种问答社区中基于模体的问题推荐方法在说明书摘要公布了：本发明公开了一种问答社区中基于模体的问题推荐方法，其步骤包括：1、采集数据并构建问答社区网络；2、使用模体挖掘算法挖掘用户网络中的模体，并基于模体构建模体网络；3、使用网络嵌入学习算法学习网络的节点嵌入，学习到回答者对于提问者及问题的偏好；4、融合回答者两方面的偏好，利用评分函数预测回答者对于新问题的匹配程度，依据匹配分数将回答者降序排列，并给前N个用户推荐该问题进行回答，从而完成问题推荐任务。本发明结合了模体挖掘算法和模体网络的嵌入学习算法，利用图神经网络充分捕捉了模体网络中的用户历史交互信息，并充分融合了用户个人特征信息、网络结构信息和文本语义信息，从而实现了更准确的推荐效果。

本发明授权一种问答社区中基于模体的问题推荐方法在权利要求书中公布了：1.一种问答社区中基于模体的问题推荐方法，其特征是按如下步骤进行： 步骤1、采集问答社区中用户的互助关系、问题文本和用户特征信息并进行预处理，从而建立问答社区的提问者集R＝{r1,r2,…,rm…,rM}、回答者集A＝{a1,a2,…,ak,…,aK}、问题集Q＝{q1,q2,…,ql,…,qL}、用户集U＝{u1,u2,…,us,…,uS}，且U＝R∪A；其中，rm表示第m个提问者，ak表示第k个回答者，ql表示第l个问题，us表示第s个用户，M表示提问者总数，K表示回答者总数，L表示问题总数，S表示用户总数，且S≤M+K； 步骤2、建立问答社区中的问题-回答者异构网络G1＝V1,E1,T和用户同构网络G2＝V2,E2，其中，V1表示问题集Q与回答者集A所构成的节点集，即V1＝Q∪A，E1为问题节点与回答者节点间相连的边集合，若第k个回答者ak回答了第l个问题ql，则建立第k个回答者ak节点与第l个问题ql节点间的对应边ql,ak；T为问题和回答者两种节点类型的集合，且T＝{ta,tq}，ta表示节点类型为回答者节点，tq表示节点类型为问题节点；V2表示用户所构成的节点集，即V2＝U，E2为用户集U中用户之间的有向边，并由提问者节点指向回答者节点； 步骤3、初始化回答者在网络G1中的节点嵌入集合其中，表示回答者节点ak在网络G1中的节点嵌入；初始化用户在网络G2中的节点嵌入集合其中，表示用户节点us在网络G2中的节点嵌入； 使用word2vec预训练模型将问题集Q转换为预训练向量，并将预训练向量输入LSTM模型得到问题文本嵌入集合其中，表示第l个问题ql的文本嵌入； 步骤4、分别使用基于元路径的异构信息网络嵌入学习算法和基于模体的图神经网络嵌入学习算法学习G1,G2的节点嵌入； 步骤4.1、基于元路径的异构信息网络嵌入学习算法的处理： 步骤4.1.1、利用式1计算从ta类型的节点ai转移到节点qi+1的转换概率pqi+1∣ai,P： 式1中，P为元路径，ai为元路径P中第i个ta类型的节点，qi+1为元路径P中第i+1个tq类型的节点，Nq为节点ai的tq类型的邻居节点数量； 步骤4.1.2、按照步骤4.1.1的过程得到从tq类型的节点qi+1转移到节点ai+2的转换概率pai+2∣qi+1,P；其中，ai+2为元路径P中第i+2个ta类型的节点； 步骤4.1.3、通过负采样对元路径P进行处理，并得到正样本集D和负样本集D'，从而利用式2构建似然函数并利用优化策略对似然函数进行优化，得到优化后的参数集合Θ1： 式2中，Θ为待优化的参数集合，并包含四个部分：提问者的所有嵌入、回答者在G1中的嵌入、回答者在G2中的嵌入、LSTM的参数；表示在网络G1中以第l个问题ql为中心节点的嵌入，为在网络G1中的中心节点的相邻节点的嵌入，σ表示Sigmoid函数，所述优化策略为使正样本集D似然最大化，负样本集D'似然最小化； 基于优化后的参数集合Θ1，利用基于元路径的异构信息网络嵌入学习算法对VQ,VA进行处理，从而得到更新后的问题文本嵌入集合及更新后回答者嵌入集合其中，表示在网络G1中第l个问题ql的节点嵌入，表示在网络G1中第k个回答者ak的节点嵌入； 步骤4.2、基于模体的图神经网络嵌入学习算法的处理： 步骤4.2.1、使用模体挖掘算法ESU挖掘用户同构网络G2中的模体，得到网络G2中的模体集合M＝{m0,m1,…,mj…,mJ-1}，其中，mj表示第j个模体；J表示模体的总数； 基于模体集合M，利用式3生成模体网络： 式3中，为基于模体mj生成的模体网络，并用相邻矩阵来表示；y,z分别表示相邻矩阵中的行数和列数； 步骤4.2.2、利用式4构建损失函数 式4中，为基于模体网络生成的节点嵌入，是us的相邻节点，为基于模体网络生成的us的相邻节点的嵌入，Pn是负采样的概率分布，Pnc为节点的概率分布，表示服从Pnc概率分布的节点的期望，Q是负样本数目，表示相邻矩阵转置，σ表示Sigmoid函数； 基于优化后的参数集合Θ2，利用基于模体的图神经网络嵌入学习算法对WU进行处理，从而得到更新后的用户嵌入集合其中，为用户节点us在模体网络中的节点嵌入； 步骤4.2.3、利用式5合并基于J个模体网络的用户节点嵌入，从而得到合并后的用户嵌入集合 式5中，αj为对应第j个模体网络的节点嵌入的权重；表示合并后得到的用户us的用户嵌入； 区分用户嵌入集合WU中的提问者和回答者，从而得到网络G2中的提问者嵌入集合和回答者嵌入集合其中，表示提问者节点rm在网络G2的节点嵌入，表示回答者节点ak在网络G2的节点嵌入； 步骤5、对于一个查询γ＝rm,ql，生成查询γ下的回答者集Aγ，并令a*为第l个问题ql的最佳回答者，且a*∈Aγ； 利用式6构建评分函数F： 式6中，表示回答者a-在G1网络中的节点嵌入，表示回答者a-在G2网络中的节点嵌入，表示回答者a*在G1网络中的节点嵌入，表示回答者a*在G2网络中的节点嵌入，va表示回答者a在G1网络中的节点嵌入，wa表示回答者a在G2网络中的节点嵌入，且但即回答者a为第l个问题ql的回答者，而回答者a-不是第l个问题ql的回答者； 步骤6、假设第l个问题ql对应的提问者为rm，则利用式7计算第k个回答者ak与第l个问题ql的匹配得分 式7中，F为评分函数，且满足式6中的不等式条件； 步骤7、利用式8构建优化目标SRank,D'|Θ2： 式8中，表示回答者a*与第l个问题ql的匹配得分，表示回答者a与第l个问题ql的匹配得分，表示回答者a-与第l个问题ql的匹配得分； 通过基于梯度的算法和反向传播交替最大化式2和8的目标函数、最小化式4的损失函数，从而得到优化后的参数集合Θ3； 步骤8、根据优化后的参数集合Θ3，对于某一个用户rm提出的第l个问题ql，根据式7计算所有回答者的匹配得分，并按照得分高低进行降序排序，选择前N个用户形成推荐列表，并邀请推荐列表中的用户回答第l个问题ql。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。