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！

龙图腾网获悉湖北大学申请的专利一种基于知识图谱与多目标优化的图书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：CN119903238B 。

龙图腾网通过国家知识产权局官网在2025-08-12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：202510078899.7，技术领域涉及：G06F16/9535；该发明授权一种基于知识图谱与多目标优化的图书推荐方法及系统是由张䶮;李明;许伶俐;蒋碧波;杨超;宁坤坤;朋浩林;王宇设计研发完成，并于2025-01-17向国家知识产权局提交的专利申请。

本一种基于知识图谱与多目标优化的图书推荐方法及系统在说明书摘要公布了：本发明属于图书推荐技术领域，公开了一种基于知识图谱与多目标优化的图书推荐方法，利用多任务学习框架和涟漪传播网络同时学习用户和项目表示。本发明为了更加精准地获取用户对物品的感兴趣程度以及用户潜在的偏好，从而引入涟漪传播网络从用户的浏览记录中提取关键信息挖掘用户潜在的兴趣偏好，获得用户实体的表示。之后采用结合注意力机制的门控循环单元GRU解决高阶语义传播衰减，继而生成用户的最终表示。本发明针对目前大多数图书推荐方法只在意推荐结果的准确率，但只考虑准确率已经不能满足阅读者的个性化需求，并且只用一个指标来衡量推荐算法的优劣是不可取的，引入多目标优化算法对推荐列表进一步优化，得到最终的推荐列表。

本发明授权一种基于知识图谱与多目标优化的图书推荐方法及系统在权利要求书中公布了：1.一种基于知识图谱与多目标优化的图书推荐方法，其特征在于，包括以下步骤： 步骤1，参数初始化：初始化用户嵌入向量、项目嵌入向量、知识图谱中的实体嵌入和关系嵌入，所述参数通过随机初始化或预训练获得； 步骤2，知识图谱嵌入任务：基于知识图谱中的实体和关系，利用嵌入模型将知识图谱嵌入至高维向量空间，以捕获知识图谱的语义和结构信息； 步骤3，推荐任务：基于用户嵌入向量、项目嵌入向量和知识图谱嵌入向量，计算用户与图书的匹配得分，并预测用户感兴趣的图书； 步骤4，联合优化：结合知识图谱嵌入任务和推荐任务的目标函数，优化模型参数，提升嵌入表达能力和推荐精度； 步骤5，多目标优化：基于推荐准确性、多样性和公平性多个目标，利用加权损失函数或Pareto最优解方法，实现推荐任务的多目标优化； 所述推荐任务： 在推荐模块，用涟漪传播网络代替原有的用户向量表示方法,将得到的最终用户表示U和项目表示V共同作为该模块的输入； 给定交互矩阵Y和知识图谱G，用户u的h层邻居节点定义为如下式： 式中：h＝1，2...,H为传播层数；为用户u历史项目集合； 然后将作为知识图谱的种子集，沿着知识图谱中的连接路径通过类似波纹的传播方式构建用户u的层级兴趣集合，兴趣集合定义为: 将项目向量h和候选实体向量v拼接，通过Softmax函数进行标准化得到权重p，以权重p动态融合用户历史项目获得用户兴趣表示，定义为： 经上述计算，得到多层用户兴趣表示集合： 使用重置门rt控制信息的遗忘程度；使用更新门zt对前一时刻隐藏状态信息进行遗忘和选择性保留；基于更新门的激活结果计算获得候选隐藏状态在此基础上进行计算获得当前时刻t的隐藏状态ht，计算过程如下所示: rt＝σWrxt+Urht-1 zt＝σWzxt+Uzht-1 其中，σ表示Sigmoid激活函数；Wr和Ur表示重置门的权重参数；Wz和Uz表示更新门的权重参数；符号*表示Hadamard乘积； 按照内层至外层的顺序将获取到的用户u在知识图谱中不同链路长度下的实体响应输入GRU，为了对该偏好扩散集进行关键特征提取，采用注意力机制为GRU提取到的特征向量进行权重分配，进而生成用户的最终向量表示u，如式下所示: 其中，n表示偏好扩散集扩散的最大链路长度；为用户u对偏好扩散集的实体响应o在GRU单元中的隐藏状态向量表示；θjn为当前第j个隐藏状态向量对应的权重，表示该隐藏状态向量的相对重要性； 最后，将用户最终向量表示和候选项目向量表示进行组合，经过计算得到预测的用户点击概率，公式如下所示: 所述联合优化： 为了优化模型性能，采用如下的损失函数： 式中：第一项F为交叉熵损失；第二项是知识图谱嵌入单元损失，λ1是损失值参数；第三项为L2正则化损失，λ2是正则化参数。

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湖北大学，其通讯地址为：430000 湖北省武汉市武昌区友谊大道368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”。