買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜南京大學申請的專利一種基于圖對比學習和社交網(wǎng)絡增強的推薦方法及系統(tǒng)獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114036406B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-27發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202111301586.1，技術(shù)領(lǐng)域涉及：G06F16/9536；該發(fā)明授權(quán)一種基于圖對比學習和社交網(wǎng)絡增強的推薦方法及系統(tǒng)是由胡偉;隋文正設計研發(fā)完成，并于2021-11-04向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于圖對比學習和社交網(wǎng)絡增強的推薦方法及系統(tǒng)在說明書摘要公布了：本發(fā)明公開了一種基于圖對比學習和社交網(wǎng)絡增強的推薦方法及系統(tǒng)，包括以下步驟：給定用戶的歷史行為和社交數(shù)據(jù)，首先從中抽取用戶的交互記錄和朋友關(guān)系，并分別構(gòu)建為交互二部圖和社交網(wǎng)絡，兩圖均以矩陣形式存儲；接下來獲取每個節(jié)點的一階鄰居、高階鄰居，根據(jù)每個節(jié)點的一階鄰居、高階鄰居使用圖對比學習方法訓練得到所有節(jié)點的特征表示；根據(jù)用戶歷史交互記錄使用圖神經(jīng)網(wǎng)絡推薦模型進一步訓練得到所有節(jié)點最終的特征表示；接下來對于每一個用戶，計算其與每個物品的向量相似度，選取相似度較高的物品推薦給該用戶。本發(fā)明能夠有效獲取用戶的偏好興趣，在數(shù)據(jù)稀疏的情況下能有效提升推薦系統(tǒng)的性能，并獲得更為穩(wěn)定的推薦效果。

本發(fā)明授權(quán)一種基于圖對比學習和社交網(wǎng)絡增強的推薦方法及系統(tǒng)在權(quán)利要求書中公布了：1.一種基于圖對比學習和社交網(wǎng)絡增強的推薦方法，其特征在于，包括以下步驟：1.1對于當前給定的用戶歷史行為數(shù)據(jù)和社交數(shù)據(jù)，從歷史行為數(shù)據(jù)中抽取出用戶對物品的交互記錄并形成一個交互二部圖，所述交互二部圖的鄰接矩陣以R表示，從社交數(shù)據(jù)中獲取朋友關(guān)系并形成社交網(wǎng)絡，所述社交網(wǎng)絡的鄰接矩陣以S表示；1.2基于所述步驟1.1得到的鄰接矩陣，首先生成不同類型的元路徑的鄰接矩陣，用以獲取節(jié)點的高階鄰居，然后使用圖神經(jīng)網(wǎng)絡分別計算每個節(jié)點的一階鄰居的第三特征表示和高階鄰居的第五特征表示，利用對比損失函數(shù)、第三特征表示和第五特征表示和梯度下降法來使對比損失函數(shù)收斂，得到收斂后的節(jié)點的第六特征表示；1.3基于所述步驟1.2得到的特征表示，使用圖神經(jīng)網(wǎng)絡計算出用戶和物品用以計算偏好分數(shù)的特征表示，然后根據(jù)所述步驟1.1得到的交互記錄，使用貝葉斯個性化排序損失函數(shù)不斷更新和優(yōu)化圖神經(jīng)網(wǎng)絡推薦模型；1.4基于所述步驟1.3得到的圖神經(jīng)網(wǎng)絡推薦模型，獲取所有用戶和物品的特征表示，然后對于每個用戶，計算該用戶與未被推薦給該用戶的物品的向量相似度，選取向量相似度排名靠前的物品推薦給該用戶；所述步驟1.2包括以下步驟：2.1首先定義四種元路徑及其鄰接矩陣的計算方式：用戶-物品-用戶為RRT，用戶-用戶-物品為SR，物品-用戶-物品為RTR，用戶-用戶-用戶為SS；對于每一種類型的元路徑，使用交互二部圖的鄰接矩陣R和社交網(wǎng)絡的鄰接矩陣S進行相應的矩陣相乘，獲得所述元路徑對應的鄰接矩陣；2.2使用圖注意力網(wǎng)絡聚合每個節(jié)點的一階用戶鄰居和一階物品鄰居，得到一階用戶鄰居的第一特征表示和一階物品鄰居的第二特征表示，然后使用類型級別的第一注意力機制聚合所述第一特征表示和第二特征表示，得到該節(jié)點的一階鄰居的第三特征表示；然后使用圖卷積網(wǎng)絡聚合與該節(jié)點相關(guān)聯(lián)的每條元路徑，得到每條元路徑的第四特征表示，再使用元路徑級別的第二注意力機制聚合不同元路徑，得到該節(jié)點的高階鄰居的第五特征表示；2.3根據(jù)所述步驟2.2生成的第三特征表示和第五特征表示，將同一節(jié)點的第三特征表示和第五特征表示作為正例，將不同節(jié)點的第三特征表示和第五特征表示作為負例，以此生成正負例對，然后利用對比損失函數(shù)和梯度下降法進行訓練，并不斷對所有特征表示進行更新，待對比損失函數(shù)收斂后，獲得所有節(jié)點的特征表示；所述步驟1.3包括以下步驟：3.1使用所述步驟1.2所得到的第六特征表示作為所有節(jié)點的初始特征表示，然后使用圖神經(jīng)網(wǎng)絡對各個節(jié)點進行鄰居節(jié)點的聚合操作，作為每個節(jié)點的第七特征表示；3.2根據(jù)所述步驟1.1所得到的交互記錄構(gòu)造用于訓練推薦模型的正負例樣本對，并使用貝葉斯個性化排序損失函數(shù)和梯度下降法更新各個用戶節(jié)點和物品節(jié)點的特征表示和圖神經(jīng)網(wǎng)絡推薦模型的參數(shù)，待損失收斂后，得到用戶和物品最終的特征表示。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人南京大學，其通訊地址為：210093 江蘇省南京市鼓樓區(qū)漢口路22號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。