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！

龙图腾网获悉电子科技大学申请的专利一种融和用户兴趣演化和梯度提升算法的个性化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：CN116304299B 。

龙图腾网通过国家知识产权局官网在2026-04-21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：202310003507.1，技术领域涉及：G06F16/9535；该发明授权一种融和用户兴趣演化和梯度提升算法的个性化推荐方法是由蔡世民;刘一龙;宗雨欣;周洲设计研发完成，并于2023-01-03向国家知识产权局提交的专利申请。

本一种融和用户兴趣演化和梯度提升算法的个性化推荐方法在说明书摘要公布了：该发明公开了一种融和用户兴趣演化和梯度提升算法的个性化推荐方法，属于机器学习领域中的推荐系统研究领域。本发明模型推荐的产品与客户在训练数据结束后7天内购买的产品具有较高的符合率。在实验中，通过对原始数据的预处理和特征工程处理，提高了模型的排序和预测精度，提供了一种在该场景下有用的特征工程方法。给出了影响推荐系统排名结果的几个重要特征，为不断提高算法和推荐系统的准确性提供了一定的参考。本发明方法运用领域广泛，不仅仅是服装的个性化推荐，还可以移植到各种不同的推荐领域中，如音乐推荐，书籍推荐等。

本发明授权一种融和用户兴趣演化和梯度提升算法的个性化推荐方法在权利要求书中公布了：1.一种融和用户兴趣演化和梯度提升算法的个性化推荐方法，该方法包括： 步骤1：从数据库中获取用户信息、商品信息和场景信息； 其中用户信息包括：用户的ID、年龄、邮政编码、是否俱乐部成员、是否活跃、是否接受新闻推送；商品信息包括：商品ID、商品码、商品名称、商品类号码、商品类名称、商品颜色、出场日期、生产部门，商品图片这一视觉信息以及商品描述这一文本信息；场景信息包括：用户ID、商品ID、交易日期、交易渠道； 步骤2：数据集划分； 将最后一周的样本作为测试集，之前的样本作为训练集； 步骤3：构建用户兴趣演化的模型； 该模型包含行为序列层、兴趣抽取层、兴趣进化层和MLP网络： 行为序列层：用于把用户n天原始的ID类行为序列转换成embedding行为序列； 兴趣抽取层：用于从embedding数据中提取出interest，使用GRU单元来提取interest： ； ； ； ； 其中，表示GRU中更新门在t时刻的输出值，表示GRU中重置门在t时刻的输出值，表示GRU在t时刻的输入，表示GRU在t时刻新学习到的记忆状态，表示GRU单元控制输入的参数权重，表示GRU中控制上一个时刻隐状态的参数权重，表示参数偏置，上标u，r，h分别表示更新门、重置门和新学习状态，表示sigmoid函数，表示element-wiseproduct，是GRU的输入,也即行为序列层的各行为embedding向量，代表用户的第t个行为的embedding向量，则是GRU的第t个隐状态，经过GRU的兴趣网络后，用户行为向量被进一步抽象化，形成了兴趣状态向量； 兴趣进化层：用于刻画用户兴趣的进化过程，加入attention注意力机制，注意力机制得分： ； 其中，表示注意力机制t时刻的注意力得分，表示注意力单元的参数权重，表示目标项的嵌入向量，T表示总的时刻数量，表示兴趣抽取层在t时刻的输出，通过AUGRUGRUwithAttentionalUpdategate基于注意力更新门的GRU结构，在原更新门的结构上加入了注意力得分，具体形式如下： ； ； 其中，是AUGRU原始的更新门，是为AUGRU设计的attentionalupdategate，是AUGRU的隐藏状态；兴趣进化层的输出作为后续MLP网络的输入； 步骤4：训练模拟用户兴趣演化的模型； 利用步骤2得到的数据集对用户兴趣演化的模型进行训练； 步骤5：构建处理海量数据的梯度提升树模型； 步骤5.1：初始每个商品的模型得分都为0，生成N颗树模型； 步骤5.2：针对每棵树的训练，遍历训练数据集中标签不同的商品对，得到每个样本的Lambda值； 计算方法如下： ； ； 其中，表示商品i排在商品j前面时候的Lambda值，表示把列表中商品i和商品j调换位置后引起MAP指标的变化，表示梯度提升树模型对于商品i的输出得分； 步骤5.3：计算对应的导数，用于后面的牛顿法求解叶子节点的数值； 以所有文档的作为label训练一棵决策树，采用最小化平方误差和来分裂节点:即对于某个选定的feature，选定一个值val，所有小于等于val的样本分到左子节点，大于val的分到右子节点；然后分别对左右两个节点计算Lambda的平方误差和，并加在一起作为这次分裂的代价，进而选出代价最小的feature,val对作为当前分裂点，最后生成一颗叶子节点数为L的决策树； 对上述生成的决策树，采用Newtonstep计算每个叶子节点的数值，即对落入该叶子节点的文档集，计算该叶子节点的输出值； 步骤5.4：更新模型，将当前学习到的决策树加入到已有的LightGBM模型中，用学习率做正则化； 步骤6：训练处理海量数据的梯度提升树模型； 利用步骤2得到的数据集对梯度提升树模型进行训练； 步骤7：模型融合； 将多维矩阵的数据作为输入,分别输入到用户兴趣演化的模型和梯度提升树模型中进行训练学习,得到两个模型的商品得分，将两个模型的得分进行线性加权，得到总的得分，并依此总得分排序得到最终的商品推荐列表； 步骤8：获取预测数据； 从数据库中获取测试集数据，并进行预处理和特征工程得到待测用户数据； 步骤9：经过组合模型预测得到推荐列表； 将所述待测输入融合后的模型中,网络的输出即为对该用户接下来一周将要购买的商品推荐列表预测。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006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。