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！

龙图腾网获悉中山大学申请的专利一种基于层次化对比学习的商品推荐方法及系统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：CN116362833B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202310250420.4，技术领域涉及：G06Q30/0601；该发明授权一种基于层次化对比学习的商品推荐方法及系统是由余晨韵;李凯;谭光设计研发完成，并于2023-03-16向国家知识产权局提交的专利申请。

本一种基于层次化对比学习的商品推荐方法及系统在说明书摘要公布了：本发明公开了一种基于层次化对比学习的商品推荐方法及系统，该方法包括：基于Auto‑Encoder架构，引入全局对比和自身对比学习策略，对用户与商品的交互序列进行优化学习，输出用户的高层兴趣表征与重构后的用户与商品的交互序列并进行融合处理并通过高层对比学习策略进行优化，得到用户的综合表征向量；对重构后的用户与商品的交互序列与用户的综合表征向量进行点乘计算；选取下一时刻用户与候选商品交互的概率对应最大的商品作为下一项推荐商品。通过使用本发明，通过改进用户行为表征的学习以及推荐算法过程以提升商品序列推荐的准确性。本发明作为一种基于层次化对比学习的商品推荐方法及系统，可广泛应用于用户商品推荐技术领域。

本发明授权一种基于层次化对比学习的商品推荐方法及系统在权利要求书中公布了：1.一种基于层次化对比学习的商品推荐方法，其特征在于，包括以下步骤： 基于Auto-Encoder架构，引入全局对比和自身对比学习策略，对用户与商品的交互序列进行优化学习，输出用户的高层兴趣表征与重构后的用户与商品的交互序列； 将用户的高层兴趣表征与用户的低层兴趣表征进行融合处理并通过高层对比学习策略对融合过程进行优化，得到用户的综合表征向量； 对重构后的用户与商品的交互序列与用户的综合表征向量进行点乘计算，得到下一时刻用户与候选商品交互的概率； 选取下一时刻用户与候选商品交互的概率对应最大的商品作为下一项推荐商品； 基于用户的行为序列，将对比学习策略由粗到细划分为整体-片段-元素三个层次； 所述基于Auto-Encoder架构，引入全局对比和自身对比学习策略，对用户与商品的交互序列进行优化学习，输出用户的高层兴趣表征与重构后的用户与商品的交互序列这一步骤，其具体包括： 获取用户与商品的交互序列即用户的低层兴趣表征； 将用户与商品的交互序列输入至Auto-Encoder架构进行学习，所述Auto-Encoder架构包括项目嵌入层、用户编码层和用户解码层； 引入全局对比学习策略，通过重构损失函数和全局对比损失函数对Auto-Encoder架构的学习过程进行优化处理，输出重构后的用户与商品的交互序列； 引入自身对比学习策略，通过自身对比损失函数对Auto-Encoder架构中的项目嵌入层和用户编码层的学习过程进行优化，输出用户的高层兴趣表征； 所述引入全局对比学习策略，通过重构损失函数和全局对比损失函数对Auto-Encoder架构的学习过程进行优化处理，输出重构后的用户与商品的交互序列这一步骤，其具体包括： 基于Jaccard计算所有用户之间的行为序列相似度，为每个用户挑选最相似用户序列作为正样本； 将Jaccard相似度＝0挑选为用户的随机负样本； 根据用户行为序列中商品出现的频数计算用户的流行度倾向，挑出用户的hard负样本行为序列； 将正负样本等数据打包至DataLoader，在预训练阶段送入模型中，经用户编码层产生待优化的用户高层兴趣表征，采用重构损失函数和全局对比损失函数优化，并反向更新商品编码层，输出重构后的用户与商品的交互序列； 所述引入自身对比学习策略，通过自身对比损失函数对Auto-Encoder架构中的项目嵌入层和用户编码层的学习过程进行优化，输出用户的高层兴趣表征这一步骤，其具体包括： 删除用户与商品的交互序列最后1～2位，切片后得到正样本用户； 将用户与商品的交互序列最后1～2位替换为负item，得到替换负样本用户； 在用户与商品的交互序列最后插入1～2位负item，得到增改负样本用户； 将上述正样本用户、替换负样本用户和增改负样本用户送入至用户编码层的编码器中，采用自身对比损失函数优化，输出用户的高层兴趣表征。

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山大学，其通讯地址为：510275 广东省广州市海珠区新港西路135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”。