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！

龙图腾网获悉合肥工业大学申请的专利面向社会化推荐的语义与结构视图融合的物品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：CN115935067B 。

龙图腾网通过国家知识产权局官网在2026-03-06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：202211590930.8，技术领域涉及：G06F16/9535；该发明授权面向社会化推荐的语义与结构视图融合的物品推荐方法是由袁昆;姜元仲;孙见山;姜元春;钱洋;柴一栋;刘业政设计研发完成，并于2022-12-12向国家知识产权局提交的专利申请。

本面向社会化推荐的语义与结构视图融合的物品推荐方法在说明书摘要公布了：本发明公开了一种面向社会化推荐的语义与结构视图融合的物品推荐方法，其步骤包括：1提出社会化推荐中隐性关系的定义；2构建异构信息网络并定义元路径；3提取局部评分预测；4提取全局评分预测；5模型融合；6提出针对用户评级行为的约束；7模型训练并得到训练后的深度图模型和训练后的宽度线性注意力模型。本发明能在不同的社交关系分布不平衡性和稀疏性条件下仍能保证推荐的准确性和稳定性。

本发明授权面向社会化推荐的语义与结构视图融合的物品推荐方法在权利要求书中公布了：1.一种面向社会化推荐的语义与结构视图融合的物品推荐方法，其特征在于，是按如下步骤进行： 步骤1、定义社会化推荐中的隐性关系： 步骤1.1、令表示用户集合，表示任意第个用户，，表示物品集合，表示任意第a个物品，； 令用户评分矩阵记为表示用户集合中的所有用户对物品集合中的所有物品的评分，其中，表示任意第个用户对任意第a个物品的评分； 令用户社交矩阵记为表示用户集合中的每个用户是否关注其他用户，其中，表示任意第个用户是否关注任意第个用户，若第个用户关注第个用户，则令，否则，令； 令第个用户的社交好友集合记为；；且； 步骤1.2、令第个用户的隐性社交好友集合记为，其中，表示第个用户的隐性社交好友，表示第个用户所关注的第个用户同时关注了第个用户，表示截止阈值，；；且； 获取对第a个物品和第b个物品均给出评分的用户集合，；利用式1得到用户集合中第个用户对第a个物品与第b个物品之间的评分相似度： 1 式1中，表示第个用户对任意第b个物品的评分；；且； 利用式2得到用户集合中所有用户对第a个物品与第b个物品之间的评分相似度累计值，从而得到第a个物品与其他物品之间的评分相似度累计值集合； 2 根据评分相似度累计值集合对相关物品进行降序排序，从而得到第a个物品的隐性物品关系集合； 步骤2、构建异构信息网络并定义元路径： 将各个用户与各个物品分别作为节点，以各个用户的社交好友集合、隐性社交好友集合作为各个用户节点之间的显、隐性关系，以各个物品的隐性物品关系集合作为各个物品节点之间的隐性关系，从而构建各个节点之间的边，并形成异构信息网络； 定义五种用户元路径，包括三种用户单跳邻居元路径和两种用户双跳邻居元路径；其中，由两个节点及其相连的一条边所组成的三种用户单跳邻居元路径，包括：用户-物品、用户-用户、用户-隐性用户；其中，用户-物品表示用户节点到物品节点及其相连的一条边；用户-用户表示一个用户节点到另一用户节点及其相连的一条边；用户-隐性用户表示一个用户节点到另一隐性用户节点及其相连的一条边； 由三个节点及其相连的两条边所组成的两种用户双跳邻居元路径，包括：用户-用户-物品、用户-隐性用户-物品；其中，用户-用户-物品表示一个用户节点到另一个用户节点及其相连的一条边，以及第二个用户节点到一个物品节点及其相连的一条边，用户-隐性用户-物品表示一个用户节点到一个隐性用户节点及其相连的一条边，以及隐性用户节点到一个物品节点及其相连的一条边； 定义三种物品元路径，包括：物品-用户、物品-隐性物品、物品-隐性物品-用户；其中，物品-用户表示一个物品节点到一个用户节点及其相连的一条边，物品-隐性物品表示一个物品节点到一个隐性物品节点及其相连的一条边，物品-隐性物品-用户表示一个物品节点到一个隐性物品节点及其相连的一条边，以及一个隐性物品节点到一个用户节点及其相连的一条边； 步骤3、提取局部评分预测； 步骤3.1、随机去除异构信息网络中部分节点及其关联边后，得到预处理后的异构信息网络； 步骤3.2、利用一个嵌入层从中获得第个用户的特征向量和第个物品的特征向量，表示特征向量维度； 步骤3.3、搭建由基于注意力机制的图卷积网络、用户局部特征提取模块、物品局部特征提取模块、局部预测模块构成的深度图模型； 步骤3.3.1、将输入基于注意力机制的图卷积网络中进行处理，得到五种用户元路径的输出向量，包括：基于用户-物品元路径的嵌入向量，基于用户-用户元路径的嵌入向量，基于用户-用户-物品元路径的嵌入向量，基于用户-隐性用户元路径的嵌入向量，基于用户-隐性用户-物品元路径的嵌入向量； 步骤3.3.2、用户局部特征提取模块利用式3对五种用户元路径的输出向量进行处理，得第个用户的局部特征嵌入向量： 3 式3中，⊕表示并置运算，表示用户局部特征提取模块中的多层前馈神经网络； 步骤3.3.3、将第个用户的特征向量和第个物品的特征向量输入基于注意力机制的图卷积网络中进行处理，得到三种物品元路径的输出向量，包括：基于物品-用户元路径的嵌入向量，基于物品-隐性物品元路径的嵌入向量，基于物品-隐性物品-用户元路径的嵌入向量； 步骤3.3.4、物品局部特征提取模块利用式4对三种物品元路径的输出向量进行处理，输出第个物品的局部特征嵌入向量： 4 式4中，表示物品局部特征提取模块中的多层前馈神经网络； 步骤3.3.5、将，输入局部预测模块中，并利用式5得到第个用户对第个物品的局部评分预测： 5 式5中，表示局部预测模块中的多层前馈神经网络； 步骤4、提取全局评分预测； 步骤4.1、根据第个用户隐性社交好友集合，利用嵌入层从中获得第个用户的潜在特征向量和潜在影响力向量，并根据第个物品的隐性物品关系集合，利用嵌入层从中获得第个物品的潜在特征向量和潜在影响力向量； 步骤4.2、搭建由用户全局特征提取模块、物品全局特征提取模块、全局预测模块构成的宽度线性注意力模型； 步骤4.2.1、用户全局特征提取模块基于三种用户单跳邻居元路径，利用式6~式9得到第个用户的全局特征嵌入向量： 6 7 8 9 式8中，表示第个用户对第个用户的注意力权重，表示第个用户对隐性社交好友中第个用户的注意力权重，表示第个用户对第个物品的注意力权重，表示第个用户已给出评分的物品的集合；，，，，，为六个可训练参数矩阵，，，为三个偏置向量；σ为激活函数，表示归一化函数；表示转置； 步骤4.2.2、所述物品全局特征提取模块利用式10获得第个物品的全局特征嵌入向量： 10 式10中，表示第个物品对第个隐性相似物品的注意力权重； 步骤4.2.3、将，输入全局预测模块中，并利用式11得到第个用户对第个物品的全局评分预测： 11 式11中，为第个用户的用户偏差，为第个物品的物品偏差，为所有用户对所有物品的评分相加后的均值； 步骤5、利用式12获得第用户对第个物品评分预测结果： 12 式12中，表示评分权重系数； 步骤6、构建针对用户评分行为的约束； 步骤6.1、定义用户对物品的评级三元组，其中，表示用户实体，表示物品实体，表示评级关系，通过TransH算法计算特征向量，包括：用户实体特征向量，物品实体特征向量，评级关系特征向量； 根据式13和式14得到，在关系r的超平面的用户实体特征投影向量和物品实体特征投影向量： 13 14 式13和式14中，为对应超平面的法向量； 步骤6.2、利用式15构建评级三元组的评分函数： 15 步骤6.3、利用式16构建边际损失函数： 16 式16中，表示，表示另一个物品实体，表示取代所生成的虚假三元组，；表示虚假三元组的评分函数； 步骤7、利用式17构建深度图模型的损失函数： 17 式17中，λ1，λ2为正则化参数，表示所有用户特征向量所构成矩阵，表示所有物品特征向量构成的矩阵； 利用式18构建宽度线性注意力模型的损失函数： 18 式18中，λ3为正则化参数，表示所有用户潜在特征向量所构成矩阵，表示所有物品潜在特征向量构成的矩阵，表示所有用户潜在影响力向量所构成矩阵，表示所有物品潜在影响力构成的矩阵； 步骤7、利用梯度下降法分别对所述深度图模型和宽度线性注意力模型进行训练，并相应计算损失函数和损失函数以更新模型参数，直到损失函数收敛为止，从而得到训练后的深度图模型和训练后的宽度线性注意力模型； 步骤8、将某一个目标用户的物品集合、用户评分矩阵、目标用户社交好友集合和隐性社交好友集合分别输入训练后的深度图模型和训练后的宽度线性注意力模型中，并相应得到目标用户的局部评分预测和全局评分预测，从而利用式11计算目标用户对物品的评分，并选择评分排名靠前的K物品推荐给目标用户，从而完成目标用户的物品推荐。

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合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193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。