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！

龙图腾网恭喜哈尔滨工程大学申请的专利基于时间间隔的自监督学习协同序列推荐方法、设备和介质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：CN114896515B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202210344092.X，技术领域涉及：G06F16/9536；该发明授权基于时间间隔的自监督学习协同序列推荐方法、设备和介质是由马志强;马晨瑞;韩启龙;宋洪涛;张海涛;王也;李丽洁设计研发完成，并于2022-04-02向国家知识产权局提交的专利申请。

本基于时间间隔的自监督学习协同序列推荐方法、设备和介质在说明书摘要公布了：本发明提出基于时间间隔的自监督学习协同序列推荐方法、设备和介质。本发明使用图神经网络、注意力机制、自监督等技术构建基于时间间隔的自监督学习协同序列推荐模型，利用用户个人信息与交互数据，完成注意力权重改变机制和自监督学习，模型在训练过程中不断更改其中相关参数，充分考虑到了用户的周期性兴趣，并将协同信息与序列信息进行有效的融合，大大提高了个性化推荐性能。

本发明授权基于时间间隔的自监督学习协同序列推荐方法、设备和介质在权利要求书中公布了：1.基于时间间隔的自监督学习协同序列推荐方法，其特征在于，所述方法具体包括以下步骤： 步骤1：获得用户个人信息和用户交互序列数据集，将数据集进行预处理并分为训练集和测试集； 步骤2：构建具有自监督的时间间隔感知序列推荐模型； 步骤3：对步骤2所述构建具有自监督的时间间隔感知序列推荐模型进行训练； 步骤4：将待推荐用户交互序列输入到步骤3中训练后的具有自监督的时间间隔感知序列推荐模型，计算待推荐项目相对于该用户的推荐得分，根据推荐得分将项目推荐给用户； 所述步骤2包括以下步骤： 步骤2.1:获得用户个人信息嵌入表示和用户交互序列的嵌入表示； 在步骤2.1中，令U，I，T分别为数据集中的用户集，项目集，时间集；对于每一个属于U的用户u，设定用户的交互序列为：[i1,t1,i2,t2,···,in,tn]，其中ik属于项目集，tk属于时间集，每一对ik，tk表示用户在时间戳tk处与项目ik交互；O+＝{rui|u∈U,i∈I}； 步骤2.2:构建用户项目二部图，学习得到更佳的用户表示与项目表示； 构造一个二部图G＝{V,E}，其中节点集V＝U∪I包括所有用户和项目，边集E＝O+代表所有历史交互；基于图G，用户和项目之间的邻接矩阵定义为R∈Rm×n，其中m是用户数，n是项目数；对于R中的每个交互对u,i，如果用户u未与项目i交互，则rui＝0；否则，rui是用户u和项目i之间的交互次数；令EI∈Rn×d为项目嵌入层生成的项目嵌入矩阵，ei I为项目i的嵌入向量，EU∈Rm×d为用户嵌入层生成的用户嵌入矩阵，eu U为嵌入用户u的向量，其中ei I∈EI，eu U∈EU，d是嵌入大小； 使用图卷积网络来获取用户的协作信息；首先从用户-项目交互构建邻接矩阵；对于任何交互的用户-项目对u，i，将第l层的信息传递过程定义为： 其中W1,W2∈Rd×d是可训练的权重矩阵，用于在传播过程中提取有用信息，而pui是控制衰减因子的系数；eu l-1是从前一层生成的用户表示，它记住来自其l-1跳邻居的消息；同时加入用户自循环，保证原始信息的保留；eu 0和ei 0分别被初始化为eu U和ei I；然后，可以得到用户u在第l层的表示；用户或项目能够接收从其l跳邻居传播的消息；在第l层，用户u的表示通过以下方式更新： 其中Nu表示用户u的l跳邻居；对项目执行相同的操作；在用l层传播后，获得了用户u和项目i的多个表示；将不同层获得的表征强调不同连接传递的信息连接起来构成每个用户或每个项目的最终嵌入，得到最终的用户表示和项目表示如下： 其中||是串联操作； 步骤2.3:将学习得到的用户表示作为门控循环单元的输入，输入到门控循环单元当中，学习到具有序列信息的用户表示；在步骤2.3中，向序列中的每个项目注入了一个可学习的位置嵌入： 其中ei *是上一步中获得的项目表示；定义Xu＝[e1 s,e2 s,···,eL s]作为没有时间戳的用户交互序列，选择门控循环单元来捕获用户的序列信息： 步骤2.4:将用户表示与序列中的项目之间进行注意力机制，计算用户对于每个项目的注意力得分； 在步骤2.4中，在基于序列信息从门控循环单元获得用户表示后，首先计算序列中每个项目的注意力分数为： 其中△t是项目交互时间和推荐时间之间的时间间隔，N△t|μi u,σi u是均值为μi u和标准差σi u的高斯分布，用π来控制变化比率，这里μ和σ是根据用户购买的项目学习得到的； 步骤2.5:通过注意力权重改变机制，改变用户对于每一个项目的注意力权重的值，并按照改变后的注意力权重重新完成对于项目的聚集，生成更佳的具有序列信息的用户表示；在步骤2.5中，结合从上述调整后的注意力权重中学到的权重来描绘用户表示： 步骤2.6:通过自监督技术，完成具有序列信息与协同信息用户表示的聚合；采用InforNCE在来自真实样本和损坏样本的样本之间的标准二元交叉熵损失作为学习目标，其定义如下： 其中，eu *是图卷积网络得到的用户表示，eu S是门控循环单元得到的用户表示，fD·:Rd×Rd→R是判别器函数，它以两个向量作为输入，然后对它们之间的一致性进行评分；将判别器实现为两个向量之间的点积；该学习目标用于最大化以不同方式学习的用户表示之间的互信息； 步骤2.7:将步骤2.6中优化得到的用户表示与门控循环单元生成的原始用户表示进行有效的融合，获得最终用户表示，并用于之后的推荐；具体地：使用线性策略将权重调整后的用户表示eu adj和通过门控循环单元获得的用户表示eu S进行融合： 其中，eu为最终用户表示。

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哈尔滨工程大学，其通讯地址为：150000 黑龙江省哈尔滨市南岗区南通大街145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”。