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！

龙图腾网获悉北京理工大学申请的专利一种主客观视角引导下的点击诱导检测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：CN117033804B 。

龙图腾网通过国家知识产权局官网在2026-01-16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：202310804748.6，技术领域涉及：G06F16/9536；该发明授权一种主客观视角引导下的点击诱导检测方法是由施重阳;尹一君设计研发完成，并于2023-07-03向国家知识产权局提交的专利申请。

本一种主客观视角引导下的点击诱导检测方法在说明书摘要公布了：本发明涉及一种主客观视角引导下的点击诱导检测方法，属于自然语言处理技术领域。首先提取点击诱导内容中所包含的帖子的主观感受与客观实体知识，生成主客观偏好分布。然后，分别从主观感受和客观内容关联视角挖掘帖子与文章信息，形成最终的综合内容表示。最后用综合表示进行诱导性标签预测。本方法不仅从主观视角出发获取帖子的语义、写作风格与情感倾向的综合表示，而且还从客观视角出发捕捉帖子与文章的内容关联特征。本方法可以挖掘关键的语言与主观感受线索，能够较为快速地进行判定。本方法从客观实体视角出发，基于帖子与文章内容之间的关联学习客观层面的文本特征，从帖子与文章的内容关联中提取丰富的辅助信息，能够较全面地进行判定。

本发明授权一种主客观视角引导下的点击诱导检测方法在权利要求书中公布了：1.一种主客观视角引导下的点击诱导检测方法，其特征在于，包括以下步骤： 步骤1：对社交媒体中的帖子文本信息进行初步编码，将每个帖子的文本序列编码为包含其上下文信息的嵌入表示，得到词级别的初始帖子表示； 步骤2：提取帖子的主观感受和客观实体知识，将帖子文本定义为一张无向异构图； 通过分别提取情感与写作风格主观知识，以及客观实体相关的专有名词知识，构建由主观、客观和其他这三种类型集合词汇节点组成的无向异构图，利用帖子初始表征初始化异构动态图网络，并根据上下文动态地更新节点之间的关联矩阵； 然后，以LeakyRelu函数作为激活函数，对异构动态图网络进行更新计算，根据获得的关联矩阵计算得到不同类型节点的关联度之和，分别获得主观感受与客观实体两个视角的词级别偏好权重分布； 步骤3：初始化异构图并更新，生成偏好于两个视角的词级别分布； 在生成异构动态图网络后，根据上下文动态地更新节点之间的关联矩阵；然后，对异构动态图网络进行更新计算，根据获得的关联矩阵计算得到不同类型节点的关联度之和，最终分别获得主观感受与客观实体两个视角的词级别偏好权重分布； 用帖子的初始文本语义嵌入取平均值，作为节点的初始特征表示H0∈Rn×d，其中，d是每个节点向量的维度，n是当前帖子的词项数； 将词汇节点的集合矩阵的表示拼接，即用来初始化该异构图，其中VS为主观感受节点集合，VO为客观实体节点集合，VR为其他节点； 获取当前这该类型节点与其他节点之间的边关系，并用余弦相似性来初始化词汇节点之间相连边权重，得到规范化相关性矩阵A： 其中，和分别是初始节点特征，A0i,j∈[0,1]是连接第i个和第j个节点的边初始权重； 然后，通过矩阵乘法让规范化的度矩阵与相关性矩阵相乘，定义第l层的规范化相关性矩阵为： 其中，Al表示第l层的规范化相关性矩阵，l是当前层数；度矩阵D的计算过程为：其中diag为对角矩阵； 使用异构动态图卷积神经网络GCN进行节点之间的交互，每层GCN使用相同的输入和输出特征维度，包含三种不同类型的节点；采用动态关联矩阵更新每一层节点，并期望最终边的权重能反映上下文的节点对于不同视角的偏好信息； 对每一层GCN，创建一个权重矩阵W，用glorot随机初始化，利用关联矩阵A和状态更新权重矩阵W来更新词汇节点的值；每一层GCN的输入都是上一层的输出，第0层的输入为原始特征向量H0；第l+1层GCN表示为： 其中，是第l层相关矩阵的子矩阵，它的行包含所有节点，列记录它们与类型为τ∈{VS,VO,VR}的节点相关性；表示第l的文本特征向量；Wτ∈Rd×d′是该层中类型为τ的权重矩阵，d表示每个节点向量的维度，d′是输出特征的维度；τ表示三种节点类型的集合；σ·是激活函数； 使用移动平均来更新关联矩阵，每个窗口中的中心词将与其中的其他词连接，这样能够捕获中心词邻域里的局部上下文；对于节点相关矩阵A更新，其计算过程如下式所示： 其中，是更新相关性的可学习权重矩阵；σ为Sigmoid函数；α是取值区间在[0,1]的权衡系数；表示第l+1层的文本特征向量；Al+1表示第l+1层的规范化相关性矩阵，l是当前层数；τ表示三种节点类型的集合，表示更新权重后第l+1层的相关性矩阵； 通过对每个词汇节点的相关矩阵之和进行归一化，获得主观和客观偏好映射分布Msub和Mobj；在经过L层图卷积操作之后，得到关联矩阵AL； 对于第i个节点，分别计算得到偏好主观感受得分和客观实体偏好得分为： 其中，k表示在单一视角相关性矩阵中的位置；AL表示节点的关联性矩阵；表示客观类型词汇节点的关联性矩阵；表示主观类型词汇节点的关联性矩阵；no表示当前帖子中客观词汇节点数；ns表示当前帖子中主观词汇节点数； 步骤4：对于每个帖子所对应的文章，编码其文本信息； 对由词汇序列构成的文章进行编码，再将所得到的词嵌入作为输入，通过双向长短期记忆网络和平均池化层得到词级别的初步隐藏表示； 任取一个帖子所对应的文章Di＝{d1,d2,...,dm}，对于输入的文章文本D，使用Longformer模型编码隐藏表示，表示为： HD＝LongformerD9 其中，HD代表得到的文章初始表示，有效将较长的文本序列信息编码到一个固定长度的向量中，保留了文本序列中的全局依赖关系； 步骤5：分别从主观和客观两个视角出发，建模帖子的主观感受特征与帖子-文章客观内容关联特征； 其中，从主观感受视角出发建模帖子特征，其实现方法如下： 首先，为从语义层面提取引起用户情感共鸣的主观感受偏好的帖子文本表征，对于步骤1得到的语义特征，结合步骤2中得到的主观感受词级别偏好分布，将其作为注意力权重，聚焦于帖子中偏好于主观感受的词汇上； 其次，利用专家知识和词集与帖子中的词汇进行匹配，抽取帖子的情感信号，并将它们连接起来用全连接层获取一个整体的情感嵌入向量，同时，获取不同写作风格信号，作为风格嵌入向量；最后，通过多头注意力机制融合帖子在三个角度的特征，形成综合主观感受的多角度特征表示； 从客观实体视角出发建模帖子-文章内容关联特征，实现方法如下： 第一步，通过文章客观内容学习的局部注意力机制，获得文章结合了客观实体信息的内容表征； 首先建模步骤1得到的帖子初始语义表征；为了结合帖子的客观实体偏好特征创建注意力表示，基于帖子的客观实体词级别分布分数来计算隐藏状态的加权平均值，再结合步骤2所提取到的帖子客观实体偏好分布，通过平均池化层得到关注客观内容的帖子内容表征； 通过步骤1得到文章初始内容表征后，用帖子内容表示向量创建帖子矩阵，并提出关注文章中重要词汇的协同多头注意力机制，由客观偏好的帖子得到文章的客观内容表征； 第二步，采用内容关联学习的全局注意力机制，根据文章与帖子的内容建模关联性； 使用内容关联的全局协同多头注意力网络作为内容交互共享层，显式捕获帖子与文章在内容之间的关联；使用协同注意力网络捕获帖子与文章在内容上的关联，不同注意力分布代表文章对帖子点击诱导程度的不同共享；使用不同的线性投影，将查询、键和值进行投影，再并行执行缩放的点积注意力；最后，将处理后的结果连接起来再次投影，获得蕴含客观实体信息的帖子及其文章的内容关联交互特征； 步骤6：结合主观与客观视角的结果，获取点击诱导的综合特征； 对主观感受和客观内容关联表示连接起来，如下式： c＝[Gsub⊕Gobj] 其中，c表示两个视角的点击诱导综合表征，Gsub表示主观感受的帖子表征；Gobj表示内容关联交互特征； 步骤7：预测点击诱导的诱导性标签； 将综合表征c通过Softmax分类层获取预测的真实性标签分布表示该内容为点击诱导，表示该内容不具有诱导性： 其中，Wf表示映射矩阵；bf表示偏差项； 步骤8：训练神经网络，使用交叉熵作为损失函数计算损失值； 预先设置迭代次数，如果迭代次数满足设置次数，则训练流程结束，实现了点击诱导性标签的预测；如果迭代次数不满足设置次数，则返回步骤1，继续进行下一轮训练。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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”。

以上内容由龙图腾AI智能生成。