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！

龙图腾网获悉中国人民大学申请的专利一种序列推荐中的对偶增强倾向性得分估计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：CN115599972B 。

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：202211270803.X，技术领域涉及：G06F16/9035；该发明授权一种序列推荐中的对偶增强倾向性得分估计方法是由徐君;徐晨;陈旭;董振华;文继荣设计研发完成，并于2022-10-17向国家知识产权局提交的专利申请。

本一种序列推荐中的对偶增强倾向性得分估计方法在说明书摘要公布了：本发明通过网络安全领域的方法，实现了一种序列推荐中的对偶增强倾向性得分估计方法。设计一个发生用户行为时，由Transformer层和Prediction层组成的前序推荐模型作为基础模型的架构，从系统收集的目标用户‑物品对u,i的上下文信息构成的实值向量eu作为输入得到最终的对于用户行为的预测推荐结果，并且通过设计一个学习倾向性得分的网络结构给所述用户行为赋权，使得推荐模型可以得到准确的用户行为的预测推荐结果。本发明提供了一种新的IPS估计方法以弥补序列推荐中的曝光或选择偏差。从物品和用户的角度评估倾向性得分，提供了理论的可靠性和端到端的学习。对四个真实数据集的大量实验结果表明，在无偏测试设置下，DEPS可以显著优于最先进的基线。

本发明授权一种序列推荐中的对偶增强倾向性得分估计方法在权利要求书中公布了：1.一种序列推荐中的对偶增强倾向性得分估计方法，其特征在于：发生用户行为时，由Transformer层和Prediction层组成的前序推荐模型作为基础模型的架构，从系统收集的目标用户-物品对u,i的上下文信息构成的实值向量eu作为输入得到最终的对于用户行为的预测推荐结果，并设计学习倾向性得分的网络结构给所述用户行为赋权，通过赋权结合习无偏的前序模型的训练方法对所述基础模型的架构基于加权后的数据学习，直到推荐模型得到准确的用户行为的预测推荐结果； 所述学习倾向性得分的网络结构，利用对偶的GRU神经网络来估计倾向性得分，在发生用户行为时从用户侧和商品侧两个角度分别估计所述倾向性得分，即为所述用户行为赋权； 所述无偏的前序模型的训练方法，同步学习倾向性得分和利用学习好的倾向性得分，从而得到准确的前序推荐模型； 所述对偶的GRU神经网络来估计倾向性得分的方法为：首先分别使用两个GRU单元来估计两个角度的倾向性得分，其中GRU1是从物品角度处理序列的GRU单元，GRU2是从用户角度处理序列的GRU单元； 从物品角度处理序列估计的倾向性得分的方法为：给定一个元组表示记录在时间戳t时，用户u访问系统并与物品i交互，用户u之前在t之前交互过物品序列为物品i在时间t之前与物品i交互的用户序列为其中表示为从物品角度估计的倾向性得分，即其表示为物品表达的嵌入ei和GRU网络中最后一层,即第ilu,t的输出；序列作为GRU网络的输入，从而将物品角度的估计倾向得分写为： 其中yilu,t是其最后一层的GRU输出，即对应于lu,t层GRU的输出，lu,t表示用户u在时间t之前交互的物品数，GRU扫描中的物品如下：在第k层，需要物品嵌入的第k项eik作为输入的嵌入，并输出yik，其每一层的表示如下，k＝1,…,lu,t： yik,zk＝GRU1eik,zk-1 其中zk和zk-1是第k和k-1步骤的隐藏向量； 其中表示为从物品角度估计的倾向性得分，即其表示为用户表达的嵌入eu和GRU网络中最后一层第ilu,t的输出的点积，序列 作为GRU网络的输入，将用户角度的估计倾向得分写为： 其中yuli,t是其最后一层,即第ilu,t层的GRU输出，即对应于li,t层GRU的输出，GRU扫描中的用户如下：在第k层，k＝1,…,li,t，li,t表示在时间t之前与物品i交互的用户数，需要第k项euk作为输入的嵌入，并输出yuk，它表示了子序列[u1,u2,…,uk]： yuk,zk＝GRU2euk,zk-1 其中zk和zk-1是第k和k-1步骤的隐藏向量。

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中国人民大学，其通讯地址为：100872 北京市海淀区中关村大街59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”。