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！

龙图腾网获悉山东科技大学申请的专利一种基于复杂网络中多类多关系异质图的短视频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：CN120316358B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202510822128.4，技术领域涉及：G06F16/9535；该发明授权一种基于复杂网络中多类多关系异质图的短视频推荐方法是由段华;赵宇飞;董俊月设计研发完成，并于2025-06-19向国家知识产权局提交的专利申请。

本一种基于复杂网络中多类多关系异质图的短视频推荐方法在说明书摘要公布了：本发明公开了一种基于复杂网络中多类多关系异质图的短视频推荐方法，属于短视频推荐技术领域，包括如下步骤：步骤1、构建面向多类多关系异质图的复杂神经网络模型，该模型包括结构特征编码模块、带权多关系路径聚合模块和特征融合模块；步骤2、构建损失函数以优化训练面向多类多关系异质图的复杂神经网络模型；步骤3、获取当前用户的短视频数据，输入训练完成的面向多类多关系异质图的复杂神经网络模型，生成个性化的短视频推荐列表。本发明为用户提供更加个性化、精准的短视频推荐服务，有助于深入理解视频的多样性和独特性，为用户提供更加美好的观看体验。

本发明授权一种基于复杂网络中多类多关系异质图的短视频推荐方法在权利要求书中公布了：1.一种基于复杂网络中多类多关系异质图的短视频推荐方法，其特征在于，包括如下步骤： 步骤1、构建面向多类多关系异质图的复杂神经网络模型，该模型包括结构特征编码模块、带权多关系路径聚合模块和特征融合模块； 步骤2、构建损失函数以优化训练面向多类多关系异质图的复杂神经网络模型； 步骤3、获取当前用户的短视频数据，输入训练完成的面向多类多关系异质图的复杂神经网络模型，生成个性化的短视频推荐列表； 所述步骤1中，面向多类多关系异质图的复杂神经网络模型的工作过程为： 步骤1.1、构建异质图，通过结构特征编码模块得到每个路径的结构特征编码； 步骤1.2、通过带权多关系路径聚合模块聚合路径邻居，生成每个路径的特征嵌入矩阵； 步骤1.3、通过特征融合模块将路径的结构特征编码与特征嵌入矩阵结合，形成路径的结构嵌入，然后，利用图级注意力机制对不同路径下的节点特征进行融合，生成最终的特征嵌入表示； 所述步骤1.1的具体过程为： 步骤1.1.1、结合图着色过程、四色定理和独热编码，为异质图中的每个路径生成颜色特征编码； 步骤1.1.2、生成序列特征编码； 步骤1.1.3、将颜色特征编码与序列特征编码结合，得到结构特征编码； 所述步骤1.1.1的具体过程为： 步骤1.1.1.1、基于图着色过程为异质图中每个节点进行颜色编码；图着色过程为： 1； 其中，为对异质图的颜色编码；是着色函数； 步骤1.1.1.2、按照四色定理赋予节点颜色特征，具体为：如果，则，为第个节点和第个节点之间的边；为异质图中节点相连的路径集合；和分别是第个节点和第个节点着色后的颜色特征； 步骤1.1.1.3、生成颜色特征编码；具体过程为： 首先，对每个路径进行颜色编码： 2； 其中，为第个路径的颜色编码；第1个节点是的头结点，第个节点是的尾结点，是拼接操作； 由于异质图中有种颜色，所以使用独热编码为每个路径的不同颜色生成颜色编码，得到，； 然后，通过卷积的形式捕获每个路径的颜色特征编码： 3； 其中，是第个路径的颜色特征编码；是的邻接矩阵；是扩充后的颜色编码矩阵；是可学习的参数矩阵；是目标类型节点数量； 所述步骤1.1.2的具体过程为： 首先，对每个路径进行序列编码： 4； 其中，为第个路径的序列编码；是第个节点类型的编码；是异质图中的总节点数量； 然后，根据序列编码，获得每个路径的序列特征编码： 5； 其中，是第个路径的序列特征编码； 所述步骤1.1.3的公式为： 6； 其中，是第个路径的结构特征编码； 所述步骤1.2的具体过程为： 步骤1.2.1、假定第个路径的起始节点分别为和，通过平衡策略来保留边数量的差异性；边权值计算表示为： 7； 其中，表示第个节点与下的所有邻居节点间的边权值；表示在下第个节点与第个节点之间边的数量； 定义为第个路径下所有节点间的边权值矩阵，则在路径集合下有边权矩阵集合，其中表示路径的数量，为第个路径；为第个路径下所有节点间的边权值矩阵； 步骤1.2.2、将每个节点自身的边权值设定为所连节点中的最大边权值，并按路径长度对边权值进行归一化，公式为： 8； 9； 其中，是边权值矩阵的对角线元素；为极大值函数；为第个路径下归一化的边权值矩阵；为路径长度计算函数；是利用长度对归一化后的结果； 步骤1.2.3、获得边权值矩阵后，通过边权值聚合第个路径上的节点特征，得到特征嵌入矩阵： 10； 11； 其中，是节点的初始特征矩阵，为初始特征维度；是经过特征投影后的特征矩阵，为降维后的特征维度；是特征转换矩阵；是可学习的参数矩阵；是第个路径的特征嵌入矩阵；是激活函数。

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山东科技大学，其通讯地址为：250031 山东省济南市天桥区胜利庄路17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”。