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！

龙图腾网获悉天津大学申请的专利一种基于超图增强的对比学习新闻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：CN117033763B 。

龙图腾网通过国家知识产权局官网在2025-08-08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：202310610329.9，技术领域涉及：G06F16/9535；该发明授权一种基于超图增强的对比学习新闻推荐方法是由喻梅;刘钊;赵满坤;张文彬;赵越;于健设计研发完成，并于2023-05-29向国家知识产权局提交的专利申请。

本一种基于超图增强的对比学习新闻推荐方法在说明书摘要公布了：本发明涉及一种基于超图增强的对比学习新闻推荐方法，包括S1、构建用户意图引导的图注意力新闻推荐模型；S2、构建超图增强的对比学习新闻推荐模型；S3、总体损失计算。本发明得益于意图交互学习模型，HGCLRec对用户在选择新闻时的意图趋势进行建模，对高阶邻居信息有更好的整体依赖性；本发明通过超图结构对比学习模型，HGCLRec通过多视图对比学习，实现了稀疏用户新闻交互的数据扩充，对图结构的更有效利用。本发明的HGCLRec比基于传统的神经网络的方法表现得更好，这得益于丰富的对比学习目标。通过超图神经网络的隐藏层对用户的意图和表示进行联合建模，丰富了节点表示，从而提高推荐效果。

本发明授权一种基于超图增强的对比学习新闻推荐方法在权利要求书中公布了：1.一种基于超图增强的对比学习新闻推荐方法，其特征在于：所述方法的步骤为： S1、构建用户意图引导的图注意力新闻推荐模型，该模型通过堆叠基于意图交互学习的注意力层和传播层，进而不断学习更丰富的高阶协同信号，单层网络由意图注意力机制和传播层构成，基于传统图注意力网络中的注意力层，其基本作用是聚合邻域节点的信息，通过加入用户对主题的意图嵌入，对数据的有效利用并获得协同信号，传播层将聚合信息传播到下一层的节点中； S2、构建超图增强的对比学习新闻推荐模型，针对图结构的有效利用应用超图神经网络，设计超边聚合机制来处理表示学习过程中的数据相关性以更好地表示底层数据之间的关系，并通过对比学习将意图交互视图和超图结构视图作为对比学习的两个对比视图进行联合训练，以捕获更富含信息的意图表示和区分度更高的超图数据结构表示，丰富用户表示以改进推荐； S3、总体损失计算，为结合意图交互学习模块和超图结构学习模块的表示，从两个视图将它们应用于对比学习，通过将意图交互学习嵌入和超图结构学习表示相结合，使语义相近的正样本对的表示在表示空间更接近，语义不相近的负样本对的表示距离更远，以达到类似聚类的效果，达到意图交互学习视图和超图结构学习视图相互协作和监督，从而实现用户和新闻的数据增强； 所述步骤S1具体为： 用户u1交互过的新闻集{i1,i2,i3}，构建的意图节点融合了新闻主题，其中显式的表达了用户u1对不同主题的注意力分数，通过图注意力网络实现了更细粒度的意图级别的兴趣建模，为每个意图p∈P分配不同的权重比例，并为每篇新闻文章中提取的主题分配注意力权重，完成更细粒度的不同意图的交互和组合；基于意图交互学习的注意力层表示如公式1所示： 其中：ti是主题t的ID嵌入，它被分配了注意力得分αt，u来量化其重要性，形式如公式2所示： 用户嵌入表示聚合历史新闻的嵌入表示，用户在第l层聚合邻居的左归一化形式如公式3所示： 对称归一化形式如公式4所示： 融合两种归一化方式，在有效利用两种归一化方式的同时能够减轻流行度高节点的影响，得到公式5： 经过L层传播之后，节点能够接收从其L-hop邻居传播的消息，对所有的表示进行平均，将不同层的嵌入与加权和结合起来捕获带有自连接的图卷积的用户和新闻表示，并获得用户u和新闻i的最终嵌入表示，计算方式如公式6所示： 使用用户和新闻表示的内积来预测用户采用该新闻的得分，具体计算方法如公式7所示： 目标函数使用贝叶斯个性化排名BPR损失函数，训练策略目标函数设定如公式8所示： 所述步骤S2具体为： 超图的建立是基于超边的建立，而超边的建立则是基于对节点之间关系来实现的，将K近邻算法和K-Means聚类算法结合起来进行动态超图构建，以利用局部和全局结构；在整体特征图上运用K-Means算法聚类得到初始超边c，根据K近邻算法欧氏距离计算节点到聚类中心距离，最近的topK节点与超边相连，用输入特征嵌入来构建超图结构，因此超边集会随着特征嵌入的网络训练优化而动态调整，通过此方式获得用于高阶数据关系建模的超图结构； 将原始节点信息聚合到超边节点上，通过一层网络将节点层传播到超边层a，超边获得融合了包含节点的信息，计算方法如公式9所示： 传播是将重新获得超边信息a放回到原始节点χ上，计算方法如公式10所示： 最后通过非线性激活函数获得节点经过超图卷积网络在下一层的表示，计算方法如公式11所示： χl+1＝σχ′11 将超图邻接矩阵H和节点特征输入到超图卷积网络中，以获得用户和新闻的节点输出表示，通过以上介绍，卷积运算简化为公式12形式： 所述步骤S3具体为： 通过不同的颜色区分给出了正负样本对，将同一个节点通过不同方法获得的z,χ表示视为正样本对，将不同用户或新闻的节点视为负样本对，HGCLRec模型生成了正负样本对进行比较，采用对比学习目标来最小化正样本对之间的距离，并最大化负样本对间的距离，计算方法如公式13所示： 用超图结构模块进行对比学习损失联合训练，使用多任务学习策略结合传统的排名损失和所提出的对比损失，具体定义如公式14所示：

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天津大学，其通讯地址为：300071 天津市南开区卫津路92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”。