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！

龙图腾网获悉西安电子科技大学申请的专利基于共识偏好及个性化偏好的物品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：CN117171435B 。

龙图腾网通过国家知识产权局官网在2025-07-25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：202311124094.9，技术领域涉及：G06F16/9535；该发明授权基于共识偏好及个性化偏好的物品推荐方法是由慕彩红;罗佳申;刘逸;田强设计研发完成，并于2023-09-01向国家知识产权局提交的专利申请。

本基于共识偏好及个性化偏好的物品推荐方法在说明书摘要公布了：本发明提出了一种基于共识偏好及个性化偏好的物品推荐方法，实现步骤为：构建表征构造模型CF的训练样本集、推荐模型UPN的训练样本集和测试样本集；构建表征构造模型CF；初始化参数；对表征构造模型CF进行训练；获取训练好的表征构造模型；构建共识偏好及个性化偏好拟合推荐模型UPN；初始化参数；对共识偏好及个性化偏好拟合推荐模型UPN进行训练；获取训练好的共识偏好及个性化偏好拟合推荐模型UPN；获取物品推荐结果。本发明共识偏好及个性化偏好拟合推荐模型中的全连接网络具有较强的拟合能力，可同时拟合用户的共识偏好与个性化偏好，在更细微的层面更精准地捕获用户的个性化偏好，有效提高了物品推荐的准确性。

本发明授权基于共识偏好及个性化偏好的物品推荐方法在权利要求书中公布了：1.一种基于共识偏好及个性化偏好的物品推荐方法，其特征在于，包括以下步骤： 1构建表征构造模型CF的训练样本集LCF、推荐模型UPN的训练样本集LUPN和测试样本集Ltest； 2构建表征构造模型CF： 构建包括顺次连接的嵌入层、层组合模块和预测层，以及图卷积模块的表征构造模型CF，图卷积模块包括顺次连接的H个图卷积神经网络GCN，嵌入层的输出还与第一个图卷积神经网络GCN1的输入相连，层组合模块的输入还与每个图卷积神经网络的输出相连，其中H≥1； 3初始化参数： 初始化迭代次数为t，最大迭代次数为T，T＞1000，表征构造模型CF嵌入层的参数的值为服从标准正态分布的随机数，并令t＝0； 4对表征构造模型CF进行训练： 将训练样本集LCF作为表征构造模型CF的输入进行前向传播，得到每个用户um与两个物品in1、in2交互的概率值 5获取训练好的表征构造模型： 采用BPR损失函数，并通过概率值计算表征构造模型CF的损失值LBPR，然后通过LBPR对嵌入层参数的偏导对进行更新，得到本次迭代的推荐模型CFt，最后判断t＞T是否成立，若是，得到训练好的表征构造模型CF*，否则，令t＝t+1，CF＝CFt，并执行步骤4； 6构建共识偏好及个性化偏好拟合推荐模型UPN： 构建包括训练好的表征构造模型CF*中的嵌入层，以及与其顺序连接的包括K个全连接网络的全连接模块，损失函数为正例拟合损失函数的共识偏好及个性化偏好拟合推荐模型UPN，其中： 其中，为物品in的交互向量的第m个元素，为UPN输出物品交互预测向量的第m个元素，为物品in的负例掩码，K≥2，rand为[0,1]区间内的随机数，γ表示UPN的推荐偏好度，表示物品in的曝光度，即交互in的用户数占用户总数的比例。 7初始化参数： 初始化迭代次数为t，最大迭代次数为T，T＞1000，共识偏好及个性化偏好拟合推荐模型UPN第k个全连接网络的权值偏置为服从标准正态分布的随机数，UPN的推荐偏好度γ，学习率为lr，并令t＝0，UPNt＝UPN； 8对共识偏好及个性化偏好拟合推荐模型UPN进行训练： 将训练样本集LUPN作为共识偏好及个性化偏好拟合推荐模型UPN的输入进行前向传播，得到单个物品in与所有用户的交互预测向量 9获取训练好的共识偏好及个性化偏好拟合推荐模型UPN： 采用正例拟合损失函数并通过交互预测向量与UPN的训练样本集LUPN样本中的计算推荐模型UPN的损失值然后通过对UPN模型参数的偏导对进行更新，得到本次迭代的推荐模型CFt，最后判断t＞T是否成立，若是，得到训练好的推荐模型UPN*，否则，令t＝t+1，UPNt+1＝UPNt，并执行步骤8； 10获取物品推荐结果： 将测试样本集Ltest作为训练好的共识偏好及个性化偏好拟合推荐模型UPN*的输入进行前向传播，得到物品in与所有用户的交互预测向量其中的第m个元素为用户um与物品in的交互预测概率 将用户um与所有未交互过的物品的交互概率进行由大到小的排序，其中前Topk个物品即为用户um推荐的物品。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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”。