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！

龙图腾网获悉成都理工大学申请的专利一种大模型与智能推荐的智能体构建方法和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：CN120277272B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202510765642.9，技术领域涉及：G06F16/9535；该发明授权一种大模型与智能推荐的智能体构建方法和系统是由黄于鉴;明泰;侯婷;李鑫磊;夏佳宏;刘晓敏;曾彤飞;王澄;赵双;杜明珊;温泉设计研发完成，并于2025-06-10向国家知识产权局提交的专利申请。

本一种大模型与智能推荐的智能体构建方法和系统在说明书摘要公布了：本发明涉及智能推荐技术领域，特别是涉及一种大模型与智能推荐的智能体构建方法和系统，构建方法包括：基于提示工程构建基于大语言模型的基础智能体；基于Milvus向量数据库和所述大语言模型构建记忆机制、推荐机制，并基于所述推荐机制构建反馈学习机制；将所述记忆机制、推荐机制、反馈学习机制嵌入所述基础智能体，构建智能体，其中，所述智能体的输入为用户信息，输出为推荐列表以及推荐解释。本发明利用大语言模型，构建一个能够理解和处理复杂用户需求、进行任务规划并使用推荐系统等工具的智能推荐智能体，并采用虚拟数字人的方式应用智能体，实现与用户的语音交互等功能。

本发明授权一种大模型与智能推荐的智能体构建方法和系统在权利要求书中公布了：1.一种大模型与智能推荐的智能体构建方法，其特征在于，包括： 基于提示工程构建基于大语言模型的基础智能体； 基于Milvus向量数据库和所述大语言模型构建记忆机制、推荐机制，并基于所述推荐机制构建反馈学习机制； 将所述记忆机制、推荐机制、反馈学习机制嵌入所述基础智能体，构建智能体，其中，所述智能体的输入为用户信息，输出为推荐列表以及推荐解释； 构建所述记忆机制包括： 基于所述Milvus向量数据库构建长期记忆，基于所述大语言模型的上下文构建短期记忆，其中，构建所述长期记忆包括： 获取用户与物品数据并进行预处理，其中，所述用户与物品数据包括用户数据、物品数据、用户与物品交互数据； 对预处理后的用户与物品数据进行特征提取，并对提取的特征以及每次推荐任务中智能体的行为和结果进行向量化处理，获取向量数据； 将所述向量数据存储到所述Milvus向量数据库并建立索引，完成长期记忆的存储； 其中，对用户数据、物品数据、用户与物品交互数据进行数据预处理，包括去除噪声、处理缺失值； 对预处理后的用户与物品数据进行特征提取包括： 用户活跃度计算： 其中，表示用户的集合；表示第个物品的交互集合，表示物品个数； 矩阵分解： 将用户-物品评分矩阵R分解为两个低维矩阵和，为用户潜在因子，为物品潜在 因子，通过用户历史行为，以显式评分表示，挖掘用户兴趣和物品属性的匹配关系： 其中，表示第i个物品潜在因子的转置矩阵，为用户-物品评分矩阵； 分词： 将原始文本内容切分为原子级token： 其中，tokenize表示BertTokenizer提供的分词方法；text表示原始文本内容； 表示第个token，； 将token映射为其对应的整数ID： 其中，dict表示BertTokenizer预训练后的词汇表；[CLS]表示句首标记；[SEP]表示句尾分隔符标记； 编码： 计算初始隐藏状态： 其中，表示可学习权重矩阵；表示可学习偏置项；P表示位置编码；S表示段 嵌入，表示token映射后的整数ID； 通过多层Transformer编码器提取从局部到全局的语义特征： 其中，表示全局层数，表示层的语义特征，表示层的语义特征，LN表 示层归一化层；Att表示自注意力机制，捕捉序列内所有位置的全局依赖关系；FNN表示前馈 网络，对层归一化的结果进行非线性变换，学习复杂的局部特征交互； 进行所述向量化处理的方法为： 其中，表示离散的类别索引；为权重矩阵，表示特征向量； 构建所述推荐机制包括： 利用所述Milvus向量数据库的近邻搜索功能，筛选与用户向量数据相似度前n的推荐； 对所述推荐进行排序和筛选，获取推荐列表，并基于用户信息和推荐列表生成推荐解释； 其中，利用所述Milvus向量数据库的近邻搜索功能，筛选与用户向量数据相似度前n的推荐包括： 对所述推荐进行排序和筛选，获取推荐列表，并基于用户信息和推荐列表生成推荐解释包括： 其中，是表示激活函数；表示CNN特征提取；表示用户-物品Embedding的外积 运算，表示用户对物品的点击概率或评分； 构建所述反馈学习机制包括： 采集用户对所述推荐列表的反馈行为； 通过奖励函数对所述反馈行为进行评估，获取用户满意度并存储为历史经验，并加入下一次推荐任务中； 所述奖励函数通过对用户反馈行为进行赋值，并取若干行为赋值的均值，通过预设的满意度区间，判断所述均值对应的用户满意度； 其中，对用户反馈行为进行赋值： 其中，表示显式正反馈的次数；表示用户对物品得到首次曝光时间，单位：秒，；表示用户对物品的最后一次显式负反馈时间距当前时间的天数，表示 用户对物品的反馈评估赋值； 计算用户满意度： 其中，表示用户历史交互的所有物品集合，表示用户的满意度。

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成都理工大学，其通讯地址为：610059 四川省成都市成华区二仙桥东三路1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”。