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！

龙图腾网获悉西南大学申请的专利基于自适应隐特征分析和优化的用户评分预测装置和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：CN119477061B 。

龙图腾网通过国家知识产权局官网在2025-10-24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：202411529509.5，技术领域涉及：G06Q10/0639；该发明授权基于自适应隐特征分析和优化的用户评分预测装置和方法是由程静娜;吕超;罗辛;张耀月设计研发完成，并于2024-10-30向国家知识产权局提交的专利申请。

本基于自适应隐特征分析和优化的用户评分预测装置和方法在说明书摘要公布了：本发明公开基于自适应隐特征分析和优化的用户评分预测装置、方法，具体包括以下步骤：S1：从服务器获取用户评分历史数据和预测指令；S2：对第一过程参数进行初始化；S3：根据第一过程参数和评分历史数据，构造第一目标函数，在训练过程中实现训练参数的自适应调整，以得到更准确的数据预测，输出第一用户隐性特征矩阵、第一项目隐性特征矩阵；S4：对第二过程参数进行初始化；S5：根据第二过程参数构建第二目标函数，以对第一用户隐性特征矩阵、第一项目隐性特征矩阵进行优化，从而得到更准确的用户、项目特征分析，以得出更准确的预测评分数据，即输出用户评分预测数据。

本发明授权基于自适应隐特征分析和优化的用户评分预测装置和方法在权利要求书中公布了：1.基于自适应隐特征分析和优化的用户评分预测方法，其特征在于，具体包括以下步骤： S1：从服务器获取用户评分历史数据和预测指令； S2：对第一过程参数进行初始化； S3：根据第一过程参数和评分历史数据，构造第一目标函数，输出第一用户隐性特征矩阵、第一项目隐性特征矩阵； 所述S3包括： S3-1：根据真实评分数据和评分历史数据之间的差值，构造第一目标函数ε： 公式1中，P表示第一用户隐性特征矩阵；Q表示第一项目隐性特征矩阵；b,c表示线性偏置项；ru,i表示评分矩阵RΛ中第u行第i列的值；RΛ表示已知评分矩阵；表示用户u对项目i的预测评分；pu,k表示第一用户隐性特征矩阵P中第u个用户的隐特征向量第k维度上的值；qk,i表示第一项目隐性特征矩阵Q中第i个项目的隐特征向量第k维度上的值；bu表示用户u的向量对应的偏置项、cu表示项目i的向量对应的偏置项；λ表示正则化常数；是正则化项的一部分，用于限制特征矩阵的值，防止模型过度拟合，表示用户向量、特征向量的复杂度； S3-2：根据第一目标函数ε，迭代更新P、Q矩阵，以使目标函数值最小化，训练迭代公式如下所示： 公式2中，表示第一用户隐性特征矩阵P中第u行第k列第τ次迭代的更新值；表示第一用户隐性特征矩阵P中第u行第k列第τ-1次迭代的更新值；ητ-1表示第τ代更新时由S3-5得到的学习率；λ表示正则化惩罚项因子；表示真实评分ru,i和预测值之差；表示第一项目隐性特征矩阵Q中第k行第i列第τ代的更新值；表示第一项目隐性特征矩阵Q中第k行第i列第τ-1次的更新值；表示用户u的向量对应的偏置项第τ代的更新值；表示项目i的向量对应的偏置项第τ代的更新值； S3-3：使用遗传算法寻找适合下一轮次更新矩阵的学习率ητ：初始化种群规模大小为N的学习率搜索种群为初始父代种群Pη{P1,…,PN}，其中每一个粒子代表一个学习率η；遍历父代种群，每个父代个体作为parent1，再选择其他任一父代个体作为parent2，根据父代种群中的学习率信息产生新的学习率作为子代种群Pηkid{kid1,…kidN}，算法如下： 交叉算子：kidi＝0.8*parent1+0.2*parent23 变异算子：kidi＝randηmin，ηmaxifrand0，1r4 公式3、4中，kidi表示第i个子代个体，parent1表示第一父代个体，parent2表示第二父代个体，rand0,1表示在0,1范围内生成随机数；r表示变异算子执行的概率； 若随机数小于变异算子执行的概率r，则将kidi赋值为学习率取值范围内的任意一值； 公式5中，FRMASEηj表示父代个体及子代个体对应的第一目标函数值，即在验证集Ω上计算真实值和预测值的均方误差；∣Ω∣表示验证集Ω中包含的样本总数； S3-4：根据更新的学习率对第一目标函数进行迭代优化，并判断迭代控制变量L是否已达到上限Lmax；若是则终止迭代，若否则继续迭代； S3-5：判断第一目标函数的迭代过程是否收敛，若是则终止迭代，若否则继续迭代； S3-6：当第一目标函数迭代终后，利用第一目标函数达到最小值时，输出得到的第一用户隐性特征矩阵P、第一项目隐性特征矩阵Q； S4：对第二过程参数进行初始化； S5：根据第二过程参数构建第二目标函数，使用遗传算法对第一用户隐性特征矩阵、第一项目隐性特征矩阵进行优化得到第二用户隐性特征矩阵、第二项目隐性特征矩阵，从而输出用户评分预测数据。

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西南大学，其通讯地址为：400715 重庆市北碚区天生路2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。