Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 商标交易 积分商城 国际服务 IP管家助手 科技果 科技人才 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 西安交通大学董博获国家专利权

西安交通大学董博获国家专利权

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!

龙图腾网获悉西安交通大学申请的专利基于知识图谱的软件定义科教资源动态协同推荐方法及系统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:CN119622115B

龙图腾网通过国家知识产权局官网在2026-03-24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:202411728989.8,技术领域涉及:G06F16/9536;该发明授权基于知识图谱的软件定义科教资源动态协同推荐方法及系统是由董博;冯伟;孙凯;师斌;李睿;郑庆华设计研发完成,并于2024-11-28向国家知识产权局提交的专利申请。

基于知识图谱的软件定义科教资源动态协同推荐方法及系统在说明书摘要公布了:基于知识图谱的软件定义科教资源动态协同推荐方法及系统的,包括:构建人工智能知识图谱;获取科教机构的科教资源数据,抽取科教资源数据中的知识实体,连接到人工智能知识图谱,得到科教资源知识图谱;构建包含图更新和时序特征融合的用户偏好网络模型,对本地资源特征用户特征进行提取,得到各个客户端本地的资源特征与用户特征;基于科教资源知识图谱构建本地的知识图谱,各个客户端本地的资源特征作为初始特征进行模型训练,直到模型收敛;将用户和资源输入图神经网络进行预测,并将评分高的资源推荐给各个用户。本发明极大地拓宽了推荐系统的数据来源和覆盖范围,实现了真正意义上的多源科教资源推荐。

本发明授权基于知识图谱的软件定义科教资源动态协同推荐方法及系统在权利要求书中公布了:1.基于知识图谱的软件定义科教资源动态协同推荐方法,其特征在于,包括: 基于人工智能知识实体和实体间的关系,构建人工智能知识图谱;获取科教机构的科教资源数据,抽取科教资源数据中的知识实体,连接到人工智能知识图谱,得到科教资源知识图谱; 构建包含图更新和时序特征融合的用户偏好网络模型,对本地资源特征用户特征进行提取,得到各个客户端本地的资源特征与用户特征; 基于科教资源知识图谱构建本地的知识图谱,各个客户端本地的资源特征作为初始特征进行模型训练,直到模型收敛; 将用户和资源输入图神经网络进行预测,并将评分高的资源推荐给各个用户; 构建包含图更新和时序特征融合的用户偏好网络模型,对本地资源特征用户特征进行提取,得到各个客户端本地的资源特征与用户特征,包括: 在每个客户端,通过将“用户—资源”的偏好关系进行图建模,构建用户偏好网络;利用偏好关系构建交叉熵损失函数,对模型进行训练,当模型收敛后,得到各个客户端本地的资源特征与用户特征; 基于科教资源知识图谱构建本地的知识图谱,各个客户端本地的资源特征作为初始特征进行模型训练,直到模型收敛,包括: 模型搭建:面向科教资源推荐场景,基于图卷积神经网络构建推荐网络; 模型训练:在构建的模型基础上,构建损失函数,并将数据输入模型进行损失计算并通过反向传播更新模型参数,直到模型收敛; 模型搭建,包括: 图更新结果抽取:将当前时刻的图和的图进行对比,删除时刻的图内容,得到更新图,随后在上进行处理; 特征嵌入模块:在每一层,为每种边类型分配一个维的嵌入,并同时使用边类型嵌入和节点嵌入来计算注意力分数: 其中表示节点和节点之间的边的类型,是一个可学习的矩阵,用于转换类型嵌入; 残差链接模块:加了预激活残差连接,用于跨层节点表示,假设是边的注意力权重,是激活函数,当在第层的特征维度发生改变时,使用可学习的线性转换对特征进行转换,并将转换后的特征进行残差聚合: 同样的,对于边特征的学习同样引入残差模块,具体如下: 多头注意力模块:引入多头注意力机制,借助个独立的注意力模块分别对特征进行学习,并对学习的特征进行拼接得到最终的特征表示,对应的更新规则如下: 最终输出层层的输出结果为: 时序特征融合:时刻之前的个时刻学习到的特征分别为,随后利用循环神经网络对特征进行处理,融合得到包含历史信息的特征如下: 偏好信息预测:输出的特征随后输入基于多层感知机构建的预测模块,对于每个时刻学习到的特征用户特征和资源特征,将特征拼接后输入多层感知机,得到预测评分如下 ; 模型训练,包括: 构建交叉熵:在训练过程通过模拟图的动态变化过程以增强学习到的模型与真实演化情况拟合,具体的,对于训练过程中涉及的每个时刻,分别构建对应的训练集合,对于中包含的真实标签和对应的预测标签机和,构建交叉熵损失如下: 模型更新:接着利用神经网络的反向传播计算梯度并对参数进行优化,评估是否到达停止条件,如果模型未收敛,则继续训练直到模型收敛。

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安交通大学,其通讯地址为:710049 陕西省西安市碑林区咸宁西路28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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。