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！

龙图腾网恭喜杭州电子科技大学申请的专利一种基于图微分方程和孪生学习的服务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：CN117313787B 。

龙图腾网通过国家知识产权局官网在2025-03-11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：202311199968.7，技术领域涉及：G06N3/042；该发明授权一种基于图微分方程和孪生学习的服务推荐方法是由王东京;郭刚明;周思远;杨宇轩;张新;俞东进;邓水光设计研发完成，并于2023-09-18向国家知识产权局提交的专利申请。

本一种基于图微分方程和孪生学习的服务推荐方法在说明书摘要公布了：本发明公开了一种基于图微分方程和孪生学习的服务推荐方法，包括以下步骤：输入用户的历史服务交互数据；读取并处理用户的历史服务交互数据；利用线性时空嵌入和基于嵌入的自注意模块来规范和生成自适应嵌入；通过图微分方程构建模型，利用时间图序列和感知间隔的注意力机制来学习动态的兴趣转移；孪生学习与服务推荐。上述技术方案首先是通过求解用户交互行为的图微分方程，显式利用了用户兴趣的连续变化，然后利用时间图序列和感知间隔的注意力机制来学习动态的兴趣转移。最后，把孪生学习用到推荐过程中，直接从基础真值标签的特征表示中学习。通过与正样本的比较来推断未来使用服务的概率，为用户提供更加精准的服务推荐。

本发明授权一种基于图微分方程和孪生学习的服务推荐方法在权利要求书中公布了：1.一种基于图微分方程和孪生学习的服务推荐方法，其特征在于，包括以下步骤：步骤1、获取用户的历史服务交互数据；步骤2、将每个用户的历史服务交互数据按照时间戳进行先后排序，得到每个用户行为序列文件，其中每一行对应一个用户的服务交互序列；步骤3、对于服务交互序列进行线性时空嵌入并基于线性时空嵌入的服务交互序列通过自注意模块生成自适应嵌入；步骤4、通过图微分方程构建GDE模型，利用时间图序列和感知间隔的注意力机制来学习动态的兴趣转移；步骤4-1：构建时间序列图和时间序列邻接矩阵给定一个用户节点u和一组服务节点Su＝{sj}n，表示用户u访问过n个服务，服务交互序列Lu＝{s0，s1，...，sm}，交互时间戳Ti＝{t0，t1，...，tm}，在任意时间戳tk，将用户访问历史表示为一个异构图Gtk＝Etk，vu，Vtk，其中vu是用户的节点嵌入，Vtk是用户访问的服务的自适应嵌入，Etk是由访问频率加权的用户-服务交互集合的边，在大小为w的时间窗口中，图序列G＝{Gt1，Gt2，Gt3，...，Gtw}，对于每一个Gti用实时间戳ti，i∈{1，2，...，w}扩充其表示，在S中形成元素Gti＝Eti，vu，Vti，ti，边集Ei只记录了ti之前的用户-服务交互记录；对于给定的图Gti＝Eti，vu，Vti，ti，首先将Vti扩展为w个访问的服务序列，并且边缘权重Eti将降级为i个one-hot向量，表示在时间窗口内当前交互的服务索引，将one-hot向量的值分配给扩展Vti中相同交互的服务，则第i个邻接矩阵可以在前i-1行中包含前w-1个邻接矩阵，并将第i行中所选服务的交互记录相加，对于矩阵中的每一行，权值之和等于行数，表示离散时间；对于矩阵中的每一列，权值之和表示每个服务的交互频率的历史变化；步骤4-2：构建应用于服务推荐场景的GDE模型GDE模型：给定一个图表示服务自适应嵌入集，表示由访问频率加权的用户-服务交互集合的边的one-hot向量，其中n表示节点的个数，m表示边的个数，d1表示节点嵌入的维度，d2表示边嵌入的维数，GDE模型表示为：其中FG为图值函数，利用可训练参数Θt拟合Gw.r.t的导数，时间t∈T为dt是t的嵌入维数，通过求解初值G0＝GE0，vu，V0，0，可得任意时刻t的Y＝Gt，公式如下：步骤4-3：图增量逼近学习将一个实时区间[Ti，Tj]中的样本序列表示为{t1，t2，...，tN}，t1＝Ti，tN＝Tj，N是ODE神经网络的层数，表示在两个离散样本之间形成连续性所需的插值步骤，给定图Gt1，预测GtN公式如下： 利用积分的可加性，可以得到方程的部分离散形式： 对于从t1到tN的图增量，记为ΔG，将增量近似视为ti和ti+1的函数，并替换导数表示法，公式改写为： 其中IG为图值函数，步骤4-4：感知间隔图更新通过序列图的间隔感知更新机制来学习参数拟合函数IG，首先按顺序计算每个Gti的时间序列邻接矩阵对Vt中的节点嵌入进行排序，以获取一系列自适应嵌入作为其中xi表示第i个访问的服务的自适应嵌入，给定一个时间序列图增量逼近的更新公式如下： X和u的更新是单层GCN，其中聚合权重由时间序列邻接矩阵和余弦相似度加权参数λ的组合计算得出，可以通过对行进行一阶微分来计算相应的权重，并将其与Xi直接相乘以获得Xi+1的表示，s是在时间ti+1上预测的服务嵌入中每个节点嵌入的权重；步骤5、GDE模型的孪生学习与服务推荐，通过计算真实标签和其他标签嵌入之间的内积得到的推荐分数之间的交叉熵损失来正则化学习过程： 其中表示正样本，即真实标签，表示其他负样本，P表示为数据集中所有服务的集合，将孪生损失应用于时间窗口中的每个预测，最终训练损失函数如下： 其中，Twindow表示固定时间窗口中的一组时间戳，λ是一个可调的超参数，用于对正则化损失进行加权，利用公式计算任意给定时刻tN的图序列GtN，这个过程可以被视为t1和tN之间的插值，对于时序图GtN的计算是通过递归计算Gti来进行的，其中ti是插值时间戳，时序图Gt包含一系列历史访问Xw和随时间变化的用户表示向量u，利用两者的组合来进行预测，第i个服务的推荐得分由内积计算： 其中表示在时间t时最后一次访问的服务的自适应嵌入，ut是用户在时间ti的顺序自适应嵌入，最后选择Predi中概率最高的top-K服务作为推荐列表中的候选。

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杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158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”。