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！

龙图腾网获悉北京工业大学申请的专利一种面向低质量数据场景的兴趣点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：CN119622122B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411806912.8，技术领域涉及：G06F16/9537；该发明授权一种面向低质量数据场景的兴趣点推荐方法是由张鹏;石美惠;杜金莲;苏航设计研发完成，并于2024-12-10向国家知识产权局提交的专利申请。

本一种面向低质量数据场景的兴趣点推荐方法在说明书摘要公布了：本发明提出了一种面向低质量数据场景的兴趣点推荐方法。首先利用神经网络将用户偏好分为长期偏好和短期偏好，并利用不同的方法分别学习，具体来说，用注意力机制来捕捉用户的长期偏好，同时用两个不共享参数的长短期记忆网络LongShort‑TermMemory，LSTM学习用户的短期偏好；其次利用对比自监督学习，在时空维度上构建强化数据，并使用对比损失增强LSTM的识别能力，改善模型对数据的理解和表征能力；最后，将长期和短期的输出结合在一起，并通过学习每个用户的加权向量平衡长期、短期偏好的重要性。这种综合方法使得我们能够在应用于低质量数据集时获得更为优秀的推荐结果，为推荐系统的性能提升提供了有力支持。

本发明授权一种面向低质量数据场景的兴趣点推荐方法在权利要求书中公布了：1.一种面向低质量数据场景的兴趣点推荐方法，其特征在于： 首先针对数据集进行预处理，去重，并且将每个用户的签到数据划分为长期数据和短期数据；其次，基于Attention机制和LSTM构建推荐模型，分别学习用户的长期和短期偏好；然后，采用对比自监督学习的方法增强模型的表征能力；通过时空数据增强生成样本的增强视图并计算对比损失；最后，将用户的长期偏好和短期偏好结合，生成个性化的最终推荐结果； 步骤IV：对比自监督学习增强模型表征能力： 步骤IV-1：计算兴趣点之间的相似度： 将兴趣点之间的相似度分为静态相似度和动态相似度； 步骤IV-1-1：计算兴趣点之间的静态相似度： 采用逆用户频率的基于项目的协同过滤ItemCF-IUF来衡量兴趣点之间的相似度；其计算公式如公式6所示： 其中，Ni和Nj分别表示与兴趣点i、兴趣点j交互的用户，ut表示同时与兴趣点i、兴趣点j交互的用户，|Ni|，|Nj|和|Nut|分别表示与兴趣点i交互的用户数量，与兴趣点j交互的用户数量，同时与兴趣点i、兴趣点j交互的用户数量； 步骤IV-1-2：计算兴趣点之间的动态相似度： 使用点积作为相似度度量，将兴趣点i和兴趣点j的表示记为ei和ej，则他们之间的动态相似度的计算如公式7所示： Corei,j＝ei·ej7 步骤IV-1-3：计算兴趣点之间最终的相似度： 将基于记忆的相似度和基于模型的相似度融合为混合相似度，定义为二者之和： Corhi,j＝Coroi,j+Corei,j8 步骤IV-2：构建时空增强数据： 步骤IV-2-1：构建时间数据增强： 在用户签到序列的时间间隔最大的两个兴趣点之间插入目标兴趣点，使得原始序列中最大的时间间隔被新序列中的新时间间隔取代； 步骤IV-2-2：将时间数据增强与空间数据增强结合： 首先介绍序列空间间隔均匀性指标δd的计算： 其中，xi和yi分别表示兴趣点的经度和纬度，将两个兴趣点之间的距离近似为它们之间的直线距离；由公式10，序列的δd越小，其空间间隔越均匀； 对其他兴趣点与插入位置前一个兴趣点之间的混合相似度从高到低排序，取前β个兴趣点作为备选兴趣点；将这β个兴趣点分别带入公式10计算新序列的δd，取能使δd最小的兴趣点作为目标兴趣点v并插入原始序列；β＝10； 步骤IV-3：通过对比自监督学习优化编码器： 给定原始序列Su，对Su使用时空数据增强得到时空分布较均匀的增强序列Sau，Su和Sau被视为正对，其他用户的视图被视为这对数据的负样本；将Su和Sau通过共享的编码器LSTM后得到它们的表示Xu和Xau，再将Xu和Xau通过一层全连接层得到hu和hau；使用NT-Xent损失来优化编码器，对比损失的计算如公式11所示： ； 步骤V：结合用户的长短期偏好得到推荐结果： 步骤V-1：基于用户的线性组合单元： 在输出层使用基于用户的线性组合单元把用户的长期偏好和短期偏好结合起来计算下一个兴趣点的概率，计算公式如下所示： 其中，表示通过长期偏好学习获得下一个兴趣点的输出概率，和分别表示基于位置的LSTM和基于类别的LSTM的输出；αu，βu和γu表示的模型学习到的用户的个性化权重，分别初始化为0.5、0.25和0.25；由于不同用户的长期偏好和短期偏好不同，所以不同用户的αu，βu和γu并不相同，这也是不同用户个性化的体现；但无论怎样，同一用户的αu，βu和γu的取值均为0-1之间，且三者相加等于1；最后，对概率归一化处理,N表示兴趣点的总数量； 步骤V-2：利用联合学习策略辅助推荐任务： 利用联合学习策略，将推荐下一个兴趣点的任务作为主任务，对比自监督学习任务作为辅助任务共同学习，通过反向传播更新模型参数训练模型；首先构建推荐下一个兴趣点任务的损失函数Lre，如公式14所示： 其中，R表示用户总数，N表示候选兴趣点个数，yij是指示变量，当用户i确实访问兴趣点j时yij＝1，否则yij＝0；Oij表示模型计算出的用户i下一步将访问兴趣点j的概率，||Θ||2是避免过拟合的正则化项，λ是正则化系数； 最后，模型的损失函数L定义如下： L＝Lrec+γLssl15 其中，γ是控制对比学习强度的超参数；γ初始化值为0.05-0.2之间。

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北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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”。

以上内容由龙图腾AI智能生成。