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元学习的响应式推荐方法、系统及设备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：CN115409579B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202211072658.4，技术领域涉及：G06Q30/0601；该发明授权一种基于元学习的响应式推荐方法、系统及设备是由周明强;李坤朋;代开浪;钱致远;李梦娇设计研发完成，并于2022-09-02向国家知识产权局提交的专利申请。

本一种基于元学习的响应式推荐方法、系统及设备在说明书摘要公布了：本发明提供了一种基于元学习的响应式推荐方法、系统及设备，方法包括：构建基于元学习的响应式推荐模型，基于元学习的响应式推荐模型包括异构信息网络的元学习器和ID嵌入表示生成器；利用获取的数据，对基于元学习的响应式推荐模型进行训练，得到训练完成的基于元学习的响应式推荐模型以及模型优化参数；获取待推荐用户的用户‑商品历史评分数据，并基于评分数据、训练完成的推荐模型以及模型优化参数，获得目标推荐商品并推荐给用户。本发明采用基于元学习的响应式推荐方法，引入元学习和ID嵌入表示生成器，从而从根源上解决了现有的老用户兴趣变化的响应性问题以及新用户和新商品的初始响应问题，导致推荐准确性低、用户满意度低的问题。

本发明授权一种基于元学习的响应式推荐方法、系统及设备在权利要求书中公布了：1.一种基于元学习的响应式推荐方法，其特征在于，包括步骤： S1、构建基于元学习的响应式推荐模型；所述基于元学习的响应式推荐模型包括异构信息网络的元学习器和ID嵌入表示生成器，所述异构信息网络的元学习器包括用户嵌入表示模块、商品嵌入表示模块、嵌入表示连接层、评分预测器； 所述用户嵌入表示模块，将用户的嵌入表示记为其计算方式为： 其中，为用户u的基础嵌入表示，通过用户ID从嵌入矩阵中查找获得；fU·是一个映射函数，为多层感知机MLP，它将用户u的multi-hot形式的属性向量映射到与相同的空间，得到用户的属性嵌入表示；所述属性向量包括用户年龄、性别；为可训练的权重矩阵，将语义嵌入表示转换到与相同的空间；α与β分别为和的系数，决定了它们在中的重要性； 其中，语义嵌入表示的计算可表示为： 其中，ωu是hu的权重，子嵌入表示hu可通过聚合其邻居节点的嵌入表示得到： 其中，g·是一个均值聚合函数，是用户u在异构信息网络G中的采样邻居集合； 所述商品嵌入表示模块，对于商品i，通过与用户相同的网络结构得到商品嵌入表示其计算方式为： 其中，为商品i的基础嵌入表示，通过商品ID从嵌入矩阵中查找获得；fI·是一个映射函数，为多层感知机MLP，它将商品i的multi-hot形式的属性向量映射到与相同的空间，得到商品的属性嵌入表示；所述属性向量包括商品价格、类别；为可训练的权重矩阵，将语义嵌入表示转换到与相同的空间；λ与θ分别为和的系数，决定了它们在中的重要性； 其中，语义嵌入表示的计算可表示为： 其中，ωi是hi的权重，子嵌入表示hi可通过聚合其邻居节点的嵌入表示得到： 其中，g·是一个均值聚合函数，是商品i在异构信息网络GI中的采样邻居集合； 所述嵌入表示连接层，将所述用户嵌入表示模块得到的用户嵌入表示和所述商品嵌入表示模块得到的商品嵌入表示进行拼接，得到最终的嵌入表示； 所述评分预测器，将所述最终的嵌入表示输入至评分预测器，生成用户对商品的评分；具体地，评分预测器使用MLP来建模用户和商品嵌入表示之间的关系，将用户u对商品i的预测评分计算为： 其中，M·表示多层感知机，表示向量拼接操作； 所述ID嵌入表示生成器，它通过神经网络将新用户u或新商品i的属性或作为输入信息，输出ID嵌入表示，该过程可形式化为： 其中，和分别为用户和商品的初始嵌入表示，和分别为用户和商品的子嵌入表示，和gI·分别为对应的ID嵌入表示生成器，是一个多层感知机； S2、利用获取的数据，对所述基于元学习的响应式推荐模型进行训练，得到训练完成的基于元学习的响应式推荐模型以及模型优化参数κ1,κ2,κ3； S21、获取所有用户的用户-商品历史评分数据R＝{u,i,ru,i}，将R按用户划分为多个子集R1,R2,...,Rm，并对模型参数进行初始化； S22、在每个训练周期，以用户为单位划分多个批次Batches＝{B1,B2,...}进行训练，将用户集Ru随机划分为支持集和查询集且保证其中Ru表示用户u的用户-商品历史评分数据； S23、构建任务其中和分别对应元学习中的支持集和查询集，和分别表示用户u和商品i的相关信息，具体表示为： 其中，u和i分别表示用户和商品的ID，和分别表示用户u和商品i的属性向量，和分别为用户u在多层网络GU，商品i在多层网络GI中的采样邻居集合： S24、根据对应元学习中的支持集对所述基于元学习的响应式推荐模型进行内循环元学习训练，对所述评分预测器的参数进行局部更新； 局部更新，具体步骤为：通过全局先验参数κ2对特定于任务Tu的参数进行初始化，然后在上计算损失 最后，更新κ得到特定于任务Tu的参数κ2,u： 其中，α表示局部更新步长，表示梯度； S25、根据对应元学习中的查询集对所述基于元学习的响应式推荐模型进行外循环元学习训练，对所述异构信息网络的元学习器的参数进行全局更新，得到训练完成的基于元学习的响应式推荐模型； 全局更新，具体步骤包括： 首先，对于任务Tu，在步骤S24得到κ2,u后，在查询集上，基于用户嵌入表示模块、商品嵌入表示模块、嵌入表示连接层以及评分预测器，计算损失反映了任务内更新对Tu的适应效果，即先验知识κ2对Tu的适应能力； 其次，为泛化κ2适应任务的能力，全局更新在多个任务的损失上共同优化κ2，κ1,κ2的更新过程为： 其中，B为采样的一批用户，β表示全局更新的步长，κ1为嵌入表示模块参数； 最后，重复执行步骤S24中的局部更新以及步骤S25中的全局更新，直至收敛，得到优化后的参数κ1、κ2； S26、对ID嵌入表示生成器进行训练 将ID嵌入表示生成器IDEG的参数记为κ3，在IDEG训练的过程中冻结步骤S25得到的优化后的κ1、κ2，只训练κ3，所述ID嵌入表示生成器是多层感知机； 对所述ID嵌入表示生成器进行训练，得到优化的参数κ3，具体步骤包括： 将系统中的历史评分数据R、用户和商品的采样邻居用户和商品的属性向量xU、xI、局部更新学习率η1、全局更新学习率η3、的用户和商品嵌入模块参数κ1以及评分预测器参数κ2输入至所述ID嵌入表示生成器进行训练，输出所述ID嵌入表示生成器的优化参数κ3； S3、获取待推荐用户的用户-商品历史评分数据，并基于所述待推荐用户的用户-商品历史评分数据、所述训练完成的基于元学习的响应式推荐模型以及模型优化参数，获得目标推荐商品，并将所述目标推荐商品推荐给用户； 其中，所述训练完成的基于元学习的响应式推荐模型包括结合ID嵌入表示生成器的用户嵌入表示模块、结合ID嵌入表示生成器的商品嵌入表示模块和评分预测器，所述结合ID嵌入表示生成器的用户嵌入表示模块同时为新老用户生成用户嵌入表示；如果用户u为老用户，则其相应的ID嵌入表示和分别从和ΦU中查找获得，否则通过和gU·对属性嵌入表示进行转换而获得，其中和gU·分别为基础嵌入表示和子嵌入表示的IDEG，为用户u相关的输入信息，和ΦU分别为基础嵌入表示和子嵌入表示的嵌入矩阵，P*∈PU； 所述结合ID嵌入表示生成器的商品嵌入表示模块同时为新老商品生成商品嵌入表示；如果商品i为老商品，则其相应的ID嵌入表示和分别从和ΦI中查找获得，否则通过和gI·对属性嵌入表示进行转换而获得，其中和gI·分别为基础嵌入表示和子嵌入表示的IDEG，为商品i相关的输入信息，和ΦI分别为基础嵌入表示和子嵌入表示的嵌入矩阵； 步骤S3具体包括： S31、对于待推荐用户u，根据其最近的k项商品评分数据构建支持集并将需要预测的商品构建为查询集 S32、对于支持集根据步骤S24的内循环元学习训练，进行L次局部更新，得到适应任务的参数κ2,u； S33、对查询集先基于所述结合ID嵌入表示生成器的用户嵌入表示模块和结合ID嵌入表示生成器的商品嵌入表示模块生成对应的用户嵌入表示和商品嵌入表示，利用嵌入表示连接层生成最终的嵌入表示并输入至评分预测器，利用得到的κ2,u，并根据下式对查询集中的商品进行评分计算，得到用户对查询集中的商品的评分预测值，评分预测的过程可以表示为： 其中，M表示多层感知机，和分别表示用户和商品的相关输入信息，κ为网络参数，包括κ1,κ2,u,κ3；其中，和κ用于为用户和商品生成嵌入表示和以及计算评分，即与等价； S34、根据所述评分预测值，获得目标推荐商品，并将所述目标推荐商品推荐给用户。

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：400030 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。