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！

龙图腾网获悉重庆大学申请的专利一种基于超图神经网络和扩散模型的地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：CN119441636B 。

龙图腾网通过国家知识产权局官网在2026-02-13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：202411489641.8，技术领域涉及：G06F16/9537；该发明授权一种基于超图神经网络和扩散模型的地点推荐方法是由曾骏;潘胤辰;李跃;郭岳屹;柳玲;高旻设计研发完成，并于2024-10-24向国家知识产权局提交的专利申请。

本一种基于超图神经网络和扩散模型的地点推荐方法在说明书摘要公布了：本发明涉及一种基于超图神经网络和扩散模型的地点推荐方法，构建兴趣点推荐模型，兴趣点推荐模型依次包括局部轨迹流超图模块、时空特征编码、多维特征融合网络、全局超图表征学习模块、特征优化模块、聚合层、频域学习层和线性预测层。分析了用户的长轨迹，并将其划分为时空区域，构建了三个全局超图，旨在全面捕捉用户的整体行为模式。为了更好地优化轨迹意图表征，提出基于改进的扩散模型的特征优化模块。通过引入多维全局表示，以确保一个更稳定和可控的反向过程，并利用特征归一化和改进的Transformer网络，增强的扩散模型更适合于推荐系统。设计损失函数训练兴趣点推荐模型，训练好的兴趣点推荐模型用于对新用户推荐下一兴趣点。

本发明授权一种基于超图神经网络和扩散模型的地点推荐方法在权利要求书中公布了：1.一种基于超图神经网络和扩散模型的地点推荐方法，其特征在于：构建兴趣点推荐模型，所述兴趣点推荐模型依次包括局部轨迹流超图模块、时空特征编码、多维特征融合网络、全局超图表征学习模块、特征优化模块、聚合层、频域学习层和线性预测层； S1：采用局部轨迹流超图模块获得类别感知的用户意图表征Xl：获取若干用户的轨迹序列构成数据集，为每个用户的轨迹序列构建基于POI的超图Gp＝Vp,Ep和基于POI地点类别的POI类别超图Gc＝Vc,Ec，其中Vp代表Gp的签到地点的集合，Vc代表Gc中的签到地点类别的集合，Ep和Ec分别代表Gp和Gc中超边的集合，表示两种超图的加权关联矩阵和的定义如下： 其中，r表示超边中POI的签到次数，n表示在滑动窗口下POI地点在超边上面出现的次数； 采用双阶段信息传递聚合计算方法对POI超图Gp计算POI的意图表征Xv，对POI类别超图Gc计算POI类别的意图表征Xc；再通过Xv和Xc计算每条轨迹序列对应的初步用户意图表征Xcv，最后计算每条轨迹序列对应的位置感知的用户意图表征Xl； 采用时空特征编码计算每条轨迹序列对应的时空表征ef； 采用多维特征融合网络得到每条轨迹序列对应的最终用户意图表征Xf； 将每个用户的轨迹序列分割为以24小时为界限的短轨迹，基于所有用户的多条短轨迹构建一个全局短轨迹交互超图Gtra＝Vtra,Etra；其中Vtra代表超图的节点集合，而Etra是超边集合，表示该超图拓扑结构的关联矩阵的定义如下： 其中，关联矩阵中元素为1的实际意义为该行代表的地点出现在该列代表的短轨迹上； 针对代表用户这条轨迹的超边e∈Etra,它的度为该超边连接的节点数，表示了用户轨迹覆盖的地点数量，因此其表示为所有超边的度构成对角超边度矩阵Dtrae；分配权重We给每一条超边，所有超边权重共同构成了一个对角矩阵其中，每一个节点v∈Vtra,该节点的度由对角矩阵以及超边权重的矩阵乘法获得所有节点的度构成对角节点度矩阵Dtrav； 设计全局超图卷积网络，计算每条轨迹的全局视角下的用户意图表征γtra，使用自注意力机制将ef、γtra和Xl进行融合得到Xf； 所述S1中，计算Xl的过程如下： 对于POI超图采用双阶段信息传递聚合计算方法计算POI的意图表征Xv； 对数据集中的POI地点进行浅层神经网络的嵌入，通过一个嵌入层E将输入的POI地点映射成一个维度为dτ的嵌入向量Xn，同时通过如下公式对超边的表征初始化得到超边初始化后特征其中|ev|表示每一条超边e∈Ep上的节点数； 开始两阶段传播的超图卷积操作，首先是“节点到超边”的过程，运作机制如下： 其中为一个特征变换矩阵，使用了LeakyReLU为激活函数，并且使用softmax函数对超边中所有节点的系数进行归一化处理，Xe表示超边嵌入表征； 其次，沿着“超边到节点”的路径传播学习到高级意图信息到每个节点，利用全局信息更新节点表征，丰富节点蕴含的高阶用户意图的协同信号，过程如下： 其中Ev是包含所有POI点v的超边集合，为一个特征变换矩阵，使用了LeakyReLU为激活函数，并且使用softmax函数对包含节点vi的所有超边进行归一化； 通过N层超图卷积计算，初步获得对POI地点和POI类别的意图表征，然后将两者相连接，得到轨迹序列对应的初步用户意图表征Xcv，如下所示： 其中Xc表示POI类别的意图表征； 采用基于反向位置编码的软注意机制对一个用户轨迹序列中各个POI的重要性进行建模得到位置感知的用户意图表征Xl； 其中为一个特征变换矩阵，为一个特征变换矩阵,为一个特征变换矩阵,为偏置项,使用了tanh为激活函数；Pt‑i+1表示第i个时间步长对应的位置嵌入，表示最后一个POI的意图表征，第i个POI对应的意图表征； 所述S1中，计算每条轨迹序列对应的时空表征ef的过程如下： 对于时间信息，使用Time2Vector方式对轨迹序列中的时间进行编码，对于空间信息，采用简单线性的方法，并将两者连接： 其中是一个可以学习的矩阵，Time2Vec是一种时间编码方式，vtime是时间信息，vdistance是空间信息，v是POI，Su是轨迹序列；S2：采用全局超图表征学习模块得到最终全局端表征Xglobel： 构建全局用户交互超图Gg＝Vg,Eg，其中Vg代表超图的节点集合也就是签到地点的集合；而Eg是用户的超边集合；使用计算γtra一样的运作机制，得到用户的行为模式表征Xg； 所述Gtra根据时间阈值24小时划分得到，以此得到全局时间超图表征Xtem； 构造一个基于空间阈值的全局空间超图，并利用Haversine Formula计算了点间的空间距离Δs；当Δs小于空间阈值时候说明两个签到点在一条超边上，由此构建全局空间超图Gspa＝Vspa,Espa，其中Vspa代表超图的节点集合也就是签到地点的集合；而Espa是空间区域的超边集合；使用计算γtra一样的运作机制，得到用户全局空间超图表征Xspa； 最后，通过嵌入层根据用户ID嵌入用户表征然后融合入Xg、Xtem、Xspa和Xuser得到每条轨迹序列对应的最终全局表征Xglobel，如公式所示： 其中，代表着向量拼接的操作，ωglobel可学习权重矩阵； S3：特征优化模块中使用改进的扩散模型得到每条轨迹序列对应的使用全局表征特征优化后的意图表征Xdif； S4：在聚合层，将Xdif与Xglobel和Xl进行相加得到每条轨迹序列对应的综合表征Xfinal： S5：在频域学习层将Xfinal转换到频域后得到序列表示并对进行编码得到将作为在线性预测层的输入，输出为预测的每条轨迹序列对应的用户的下一个兴趣点兴趣点的访问时间和兴趣点的类别计算损失并根据更新兴趣点推荐模型中的所有参数，当损失不再下降即得到最优兴趣点推荐模型； S6：对于一个新用户，获取该新用户的历史轨迹序列，将新用户的历史轨迹序列输入最优兴趣点推荐模型，输出为该新用户可能访问的下一个兴趣点，下一兴趣点的访问时间和下一个兴趣点的类别。

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重庆大学，其通讯地址为：400044 重庆市沙坪坝区沙正街174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。