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！

龙图腾网获悉河海大学申请的专利基于Transformer和GNN融合模型的科研用户画像构建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：CN120217170B 。

龙图腾网通过国家知识产权局官网在2025-08-01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：202510704621.6，技术领域涉及：G06F18/2415；该发明授权基于Transformer和GNN融合模型的科研用户画像构建方法是由张雪洁;陈一涵;王龙宝;朱云;周芝君;黄宣宣;吴述彬;郭嘉君;毕雅迪设计研发完成，并于2025-05-29向国家知识产权局提交的专利申请。

本基于Transformer和GNN融合模型的科研用户画像构建方法在说明书摘要公布了：本发明公开了基于Transformer和GNN融合模型的科研用户画像构建方法，基于论文合著和引文数据信息，构建科研网络图数据集；采用简化的Transformer模型计算节点与全局节点的注意力，根据注意力分数更新节点特征；然后将更新后的节点特征输入图神经网络中，聚合节点邻域信息；最后将模型输出与图结构信息相结合得到最终的节点特征，根据自定义的损失函数调整模型参数，预测节点的用户画像标签。本发明解决了现有图神经网络方法难以直接用于科研用户画像构建的问题，针对科研网络的特点，提升模型的可扩展性和预测准确性，有效预测科研用户画像标签。

本发明授权基于Transformer和GNN融合模型的科研用户画像构建方法在权利要求书中公布了：1.基于Transformer和GNN融合模型的科研用户画像构建方法，其特征在于：具体步骤如下： S1、基于论文合著和引文数据信息，以学者或论文为节点，学者之间的合著关系或论文引用关系为边，构建科研网络图G； S2、采用简化的Transformer模块计算科研网络图G的节点信息和结构信息中的中心节点和全局所有节点的相似度，得到注意力分数矩阵，然后将注意力分数矩阵与节点原始特征线性变换后得到更新后的节点特征，形成更新后的节点特征矩阵； S3、将S2中得到的更新后的节点特征矩阵作为GNN融合模型的输入，GNN融合模型具体为融合Transformer和图神经网络的模型，通过图神经网络结合邻居节点的特征和节点自身的特征来迭代更新节点的特征； S31：残差连接：为了缓解‌梯度消失和爆炸问题，在简化的Transformer模块中引入残差连接；这同时有助于保留一些信息，增加简化的Transformer模块的表达性能： ； 其中，β是残差连接的超参数，H结合了N个节点上的全对注意力信息和自环信息；前者允许模型捕获其他节点的影响，而后者保留中心节点的信息； S32：图神经网络层：将Transformer模块得到更新节点矩阵作为输入，图神经网络通过结合邻居节点的特征和节点自身的特征来迭代更新节点的特征，帮助模型有效地捕获邻域相关节点的信息；图神经网络每一层都有两个重要的函数，对于k=1,2,…,K，具体计算过程如下： ； ； 其中AGGREGATE表示聚合函数，功能是从每个节点的邻居节点处汇总信息；Nv表示第v个节点的邻居节点的集合，表示节点v信息的总和；COMBINE表示结合函数，功能是通过结合来自邻居节点的聚合信息和当前的节点特征来更新节点的特征，最后一层的节点特征矩阵HK可以看作是最终的节点特征矩阵； S4、使用科研网络图的节点信息和结构信息，通过图神经网络模型得到图拓扑信息，与根据简化的Transformer模块和S3中得到的节点特征相结合得到最终的节点特征，基于最终的节点特征采用softmax函数进行精准的标签预测； S41：结构信息：为了提升最终预测的准确率，需要在模型中加入图G的结构信息；与现有大多方案使用位置编码不同，这里采用将模型输出特征与GNN在输出层的传播嵌入通过加权求和方式相结合，具体公式如下： ； 其中α是一个权重超参数，GNN模块是一个简单的GNN架构，Hout即为最终的节点特征矩阵； S42：标签预测：通过注意力计算、模型融合和结构信息计算得到最终的节点特征，进行节点的标签预测，可以利用softmax函数进行预测，具体公式如下： ； S43：损失函数：进行标签预测后，需要设置损失函数衡量模型预测值与实际值之间的差异，通过最小化损失函数来优化模型参数，具体公式如下： ； 其中表示节点i的预测标签，n表示标签节点的数量，loss表示交叉损失函数，整个模型可以通过反向传播使目标函数O最小化而得到最优的模型参数。

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河海大学，其通讯地址为：210024 江苏省南京市鼓楼区西康路1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”。