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！

龙图腾网获悉山东科技大学申请的专利一种面向多类多关系网络的音乐类别划分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：CN121278132B 。

龙图腾网通过国家知识产权局官网在2026-02-17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：202511843778.3，技术领域涉及：G06F16/65；该发明授权一种面向多类多关系网络的音乐类别划分方法是由段华;赵宇飞;吴宜柯设计研发完成，并于2025-12-09向国家知识产权局提交的专利申请。

本一种面向多类多关系网络的音乐类别划分方法在说明书摘要公布了：本发明公开了一种面向多类多关系网络的音乐类别划分方法，属于深度学习领域，构建面向多类多关系异质图的语义双路感知与拓扑相似性聚合模型进行进行音乐类别划分；该方法包括如下步骤：获取当前用户的音乐数据，构建异质图；构建拓扑特征相似性聚合模块，该模块基于拓扑相似性通过分析网络连接模式识别结构相似的节点，并选择拓扑相似度最高的节点进行特征聚合；构建语义双路感知聚合模块，聚合差异化学习多类多关系异质图中的复杂语义信息；构建损失函数优化训练模型，实现音乐类别划分。本发明旨在为用户打造更加高效且精准的音乐分类体验，帮助用户更深入地探索音乐的丰富性和独特魅力，从而为音乐爱好者呈现一个更加精彩纷呈的音乐世界。

本发明授权一种面向多类多关系网络的音乐类别划分方法在权利要求书中公布了：1.一种面向多类多关系网络的音乐类别划分方法，其特征在于，构建面向多类多关系异质图的语义双路感知与拓扑相似性聚合模型SDSTS进行进行音乐类别划分，该模型包括拓扑特征相似性聚合模块和语义双路感知聚合模块；该方法包括如下步骤： 步骤1、获取当前用户的音乐数据，构建异质图作为模型的输入数据； 步骤2、构建拓扑特征相似性聚合模块，该模块基于拓扑相似性通过分析网络连接模式识别结构相似的节点，并选择拓扑相似度最高的节点进行特征聚合； 拓扑特征相似性聚合模块的具体工作过程为： 步骤2.1、将异质图输入拓扑特征相似性聚合模块，对异质图中的所有元路径，基于公式1计算任意两节点间的拓扑相似度； 1； 其中，是第个节点和第个节点的拓扑相似度；是异质图的邻接矩阵；是邻接矩阵的第行第列元素，第行对应第个节点，是所有可能的邻居节点；为邻居节点总数；是邻接矩阵的第行第列元素，第行对应第个节点； 步骤2.2、对于每个节点，选择相似度最高的前个节点构建拓扑相似度矩阵：  2；  3； 其中，是求最大值对应的索引函数，用于筛选出使最大的前个节点；为第个节点和第个节点的拓扑相似度；为节点集合；是与第个节点拓扑相似度最高的前个节点构成的集合；是第个节点和第个节点的拓扑相似度矩阵； 步骤2.3、通过公式4对所有节点类型进行节点特征转换，将节点的原始特征矩阵投影到相同的维度上；针对拓扑特征维度，通过公式5对拓扑相似度矩阵执行图卷积操作，捕捉拓扑相似性对应的节点特征表示； 4；  5；其中，是经过特征转换函数将节点的原始特征矩阵投影到特定维度后的特征表示； 是激活函数；是捕捉拓扑相似性后的节点特征表示；是拓扑相似度矩阵；是特征转换函数；是节点的原始特征矩阵；、是可学习的参数矩阵；是可学习的参数向量； 步骤3、构建语义双路感知聚合模块，用于聚合差异化学习多类多关系异质图中的复杂语义信息； 语义双路感知聚合模块的具体工作过程为： 步骤3.1、定义一个元路径集合，为第个元路径，为元路径总数；根据关系将元路径集合分为三类：对称关系路径集、非对称关系路径集、单关系路径集； 步骤3.2、对于给定的元路径的对称关系路径集，采用卷积策略聚合节点特征，同时，利用注意力机制将不同的对称关系路径进行融合： 6； 7； 8； 9； 其中，是的节点特征嵌入矩阵；是的邻接矩阵，为对称关系路径集中的第个对称关系路径；是可学习的参数矩阵；是的注意力得分；是当前集合的所有节点数量；是注意力系数；是双曲正切激活函数；、分别是可学习的参数矩阵、参数向量；为节点在第个对称关系路径下的特征向量； 是的注意力分数值；为指数函数；是元路径下对称关系路径的最终嵌入；为对称关系路径总数； 对所有元路径的对称关系路径集通过公式6‑公式9执行卷积与注意力融合，生成对称语义特征表示； 步骤3.3、对于给定的元路径下的非对称关系路径集执行连接关系融合与节点注意力加权：  10；  11；  12； 其中，是元路径下所有非对称关系路径的连接关系，以邻接矩阵的形式表示； 是元路径下的任意一条非对称关系子路径；是非对称子路径对应的邻接矩阵；是注意力系数；是节点对节点的注意力分数值；是激活函数； 、、分别是节点、节点、节点的特征嵌入向量；是节点在元路径下非对称路径的最终表示； 对所有元路径的非对称关系路径集通过公式10‑公式12执行连接关系融合与节点注意力加权，生成非对称语义特征表示； 步骤3.4、对单关系路径集中所有的单关系路径通过公式13捕捉语义特征表示，得到单关系路径的最终特征嵌入矩阵：  13； 其中，是单关系路径集的最终特征嵌入矩阵；为单关系路径集的邻接矩阵；是可学习的参数矩阵； 步骤4、构建损失函数优化训练语义双路感知与拓扑相似性聚合模型，实现音乐类别划分。

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山东科技大学，其通讯地址为：250000 山东省济南市天桥区胜利庄路17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。