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！

龙图腾网获悉复旦大学申请的专利一种基于多行为多视图的危机场景下的信息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：CN117874338B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202410006707.7，技术领域涉及：G06F16/9535；该发明授权一种基于多行为多视图的危机场景下的信息推荐方法是由卢暾;成海波;李东胜;张鹏;顾宁设计研发完成，并于2024-01-03向国家知识产权局提交的专利申请。

本一种基于多行为多视图的危机场景下的信息推荐方法在说明书摘要公布了：本发明公开了一种基于多行为多视图的危机场景下的信息推荐方法。该方法的具体步骤如下：1根据危机场景的特性对数据进行预处理，并获得推荐候选池；2将用户向量、项目向量以及项目文本内容作为模型的输入；3经过嵌入层获得用户初始嵌入及项目初始嵌入；4经过候选生成层，对用户的多行为利用多视图进行表示学习；5根据结果和损失更新模型参数，不断训练直至达到收敛停止条件；6经过排序层获得TOPN推荐列表；7保存模型，在新数据中加载模型并得到推荐列表。本发明通过提高危机场景下的信息推荐模型的准确性，将多行为、多视图等与危机场景的特性充分结合，从而提升该特殊场景下的推荐任务效果。

本发明授权一种基于多行为多视图的危机场景下的信息推荐方法在权利要求书中公布了：1.一种基于多行为多视图的危机场景下的信息推荐方法，其特征在于，其基于信息推荐模型，将多行为、多视图与危机场景的特性充分结合，学习多种行为中的语义信息以及多种视图中的偏好特征，从多维角度提升危机场景下的信息推荐准确性问题；信息推荐模型包括嵌入层、候选生成层和排序层；嵌入层，用于为整个模型输入用户初始嵌入和项目初始嵌入；候选生成层用于提供TOPN推荐结果，其包括图视图和序列视图两个部分；排序层，用于对上层的TOPN结果进行重排，得到最终的推荐列表； 具体步骤如下： 步骤1：对原始数据进行预处理 计算平均一条信息被交互的时长，将超过该时长未被交互的信息直接从推荐候选池中删除； 步骤2：进行序列视图和图视图的嵌入初始化 用户初始嵌入由用户ID生成，序列视图中的项目初始嵌入由项目特征编码和项目文本预训练向量拼接而成，图视图中的项目初始嵌入直接采用项目文本预训练向量； 步骤3：将用户初始嵌入和项目初始嵌入输入到序列和图两种视图中进行表示学习 在序列视图中分别对用户个体层面的不同行为建立的不同序列进行编码，得到用户在行为下的单一表示，再将单一用户表示进行融合，得到集成的序列视图中的用户表示；在图视图中建立基于多行为的用户-项目-属性无向图，利用用户嵌入传播、项目嵌入传播和基于多行为的项目-项目传播进行学习，从而得到序列视图中的用户表示和项目表示；同时考虑到危机场景的时效性，在序列中的项目初始嵌入和图传播过程中加入时间衰减函数确定时间权重，序列视图中的项目表示为序列视图项目的初始嵌入数乘时间衰减函数；图视图则在传播的过程中将边权重设置为时间衰减函数； 步骤4：将步骤3的结果进行拼接，得到融合的用户表示u和项目表示v，表示向量拼接操作； ； 步骤5：用融合的用户表示和项目分别计算基于用户的得分和基于项目的得分，融合两种得分得到最终得分，并利用最终得分构建辅助损失； 步骤6：构建三种对比学习任务，即多行为对比学习、多视图对比学习和行为区分对比学习，并构建不同的辅助损失； 多行为对比学习的目标是学习用户不同行为之间的差异，行为区分对比学习的目标是最小化同一用户的不同单一行为表示之间的差异，并最大化不同用户之间的差异，多视图对比学习的目标是使得同一用户的序列视图和图视图用户表示比其他用户更接近； 步骤7：将步骤5和步骤6中的辅助损失整合为总损失进行学习； 步骤8：根据步骤7的损失跳转超参，循环训练直至收敛； 步骤9：将步骤8中给出的前M个结果输入到排序层，利用排序算法进行重新排序，获得重排后的推荐列表，并保存模型； 步骤10：对于新数据，用步骤1的方法进行处理后，加载步骤9中的模型并获得TOPN推荐列表。

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复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220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。