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！

龙图腾网获悉杭州电子科技大学申请的专利基于并行提取特征的异质图神经网络的商品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：CN117196750B 。

龙图腾网通过国家知识产权局官网在2025-08-15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：202310421150.9，技术领域涉及：G06Q30/0601；该发明授权基于并行提取特征的异质图神经网络的商品推荐方法是由胡海洋;汪启航设计研发完成，并于2023-04-19向国家知识产权局提交的专利申请。

本基于并行提取特征的异质图神经网络的商品推荐方法在说明书摘要公布了：本发明公开基于并行提取特征的异质图神经网络的商品推荐方法。以商品为节点，用户行为为边，且不同行为设置不同边权重值构建商品关系图，突出用户维度特征。并行提取特征的异质图神经网络包括内部特征提取模块，外部特征提取模块和元路径模块。内部特征提取模块通过注意力机制学习同类型节点特征，采样强相关节点。外部特征提取模块通过特征空间和拓扑空间，结合注意力机制捕获网络拓扑结构中远距离节点间依赖关系，增强不同类型节点间多维信息传播特征的提取能力。元路径模块提取深层语义信息。使用并行提取特征的异质图神经网络，以优化异质图神经网络的特征嵌入的学习性能，解决已有模型特征提取能力不足、无法捕获节点的长距离依赖等问题。

本发明授权基于并行提取特征的异质图神经网络的商品推荐方法在权利要求书中公布了：1.基于并行提取特征的异质图神经网络的商品推荐方法，其特征在于所述方法包括如下步骤： 步骤（1）：获取电子商务商品数据，包括商品属性和用户行为； 步骤（2）：对电子商务商品数据进行预处理；具体是： 根据电子商务商品数据构建商品关系图G，所述商品关系图G中商品为节点，商品属性为节点属性，边为用户行为；所述商品关系图G采用特征矩阵X进行表示；所述特征矩阵X中元素值为0表示两商品节点之间没有直接相连，元素值大于0表示两商品节点之间直接相连的关系，且元素值为1对应的用户行为是用户在一段时间内点击了这两个商品，元素值为2对应的用户行为是用户将两个商品同时放入购物车，元素值为3对应的用户行为是用户同时下单了这两个商品； 基于用户行为，对商品关系图G中各节点提取元路径； 步骤（3）：对特征矩阵X进行初始类型分类： 根据电子商务中原始商品分类，从特征矩阵X中抽取同类型节点以及这些节点在特征矩阵X中原始的边关系，形成同类型特征矩阵X1； 步骤（4）：采用内部特征模块，提取同类型特征矩阵； 步骤（5）：采用外部特征模块，采用随机注意力机制结合网络拓扑空间和节点特征空间学习中长距离依赖关系，提取不同类型节点间的特征； 步骤（6）：采用元路径模块，挖掘元路径中的高级语义信息，进一步更新网络拓扑结构，提取关系矩阵； 步骤（7）：采用图卷积模块，根据同类型特征矩阵、不同类型节点间的特征、关系矩阵，输出分类结果； 步骤（8）：根据商品节点分类结果进行商品推荐；具体是：根据图卷积模块分类后的同一类别商品在商品关系图G中的边进行累加，根据累加值判断用户对该类别商品的兴趣，进而进行商品推荐； 步骤（4）具体是： 4-1内部特征模块通过注意力机制学习同类型节点特征，更新节点特征： 给定一对同类型节点,，注意力机制学习节点,的两者相关性，即节点对节点的贡献；的计算公式如下所示： ； 其中,分别是节点,的嵌入向量，表示注意力机制； 4-2对通过SoftMax函数进行归一化处理，得到节点的权重值，其公式如下： ； 其中表示节点的个数；（）表示归一化函数； 4-3对节点的权重值与阈值比较，即判断两个同类型节点之间的相关性，若大于阈值，则认为这两个同类型节点存在强相关性，不做任何处理，反之则认为这两个同类型节点为弱相关节点，将同类型特征矩阵X1中对应的元素更新为0； 4-4通过一个全连接层输出更新后同类型特征矩阵； 步骤（5）具体是： 5-1采用随机注意力机制结合节点特征空间学习中长距离依赖关系，具体过程如下： 5-1-1在节点特征空间中，经过节点特征映射后，根据节点的特征矩阵X和节点相似度，取相似度最高的k个节点建立图，其邻接矩阵为； 所述节点相似度采用余弦相似度的计算，公式如下所示： ； 其中和分别表示邻接矩阵中节点和节点的特征向量； 5-1-2对特征矩阵X基于邻接矩阵不断更新，得到节点嵌入信息； 5-2采用随机注意力机制结合网络拓扑空间学习中长距离依赖关系具体过程如下： 5-2-1在网络拓扑空间中，根据特征矩阵X建立网络拓扑结构GT，其邻接矩阵为； 5-2-2对特征矩阵X根据邻接矩阵不断更新，得到节点嵌入信息； 5-2-3在网络拓扑中，用门机制来决定注意力模块中提取的各个节点特征向量之间的注意力值是否有效，为1表示有效，为0表示无效，以此阻断网络拓扑结构上不相邻节点或是弱相关节点对应的注意力数值向后传递； ； 其中,是网络拓扑结构GT中节点,的嵌入向量，表示注意力机制，表示阈值； 5-3采用随机注意力机制结合网络拓扑空间和节点特征空间学习中长距离依赖关系，是通过带参数共享的GCN，提取网络拓扑空间和节点特征空间的公共信息，得到公共嵌入；具体过程如下： 5-3-1分别对邻接矩阵和通过共享参数GCN进行公共嵌入信息的提取； 5-3-2初始化，迭代次数m=0，公共嵌入信息=特征矩阵X； 5-3-3使用激活函数得到公共嵌入信息，公式如下： ； ； 其中Relu表示激活函数，是网络拓扑空间和节点特征空间的共享权重矩阵，做对称归一化处理，分别表示节点特征空间和网络拓扑空间第m次迭代后更新特征矩阵X； 5-3-4判断是否满足=、=，若是则输出最终节点嵌入信息，若否则更新m=m+1，返回步骤5-2-3； 5-3-5将相加求平均得到节点特征空间和网络拓扑空间的共同嵌入； 5-4将步骤5-1输出的节点嵌入信息，步骤5-2输出的节点嵌入信息以及步骤5-3输出的公共嵌入，进行加权得到最终嵌入；公式如下： ； 其中、、分别是、、的权重值。

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 浙江省杭州市下沙高教园区2号大街；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”。