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！

龙图腾网恭喜广州锐竞信息科技有限责任公司申请的专利抗稀疏的云网络成对互动评比电商推送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：CN118014675B 。

龙图腾网通过国家知识产权局官网在2025-04-01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：202311859273.7，技术领域涉及：G06Q30/0601；该发明授权抗稀疏的云网络成对互动评比电商推送方法是由宋亮;陈庆才设计研发完成，并于2023-12-30向国家知识产权局提交的专利申请。

本抗稀疏的云网络成对互动评比电商推送方法在说明书摘要公布了：本申请的抗稀疏的云网络成对互动评比电商推送方法，解决反馈矩阵稀疏，导致隐式反馈推荐性能显着下降的问题。利用一种称为层叠减噪自编码器的云网络模型，提取项目内容的深层特征,集成到隐式反馈的成对互动评比模型中，并且允许两者之间进行双向交互，对辅助数据提取的特征可以提高对隐式反馈矩阵互动评比模型的预测能力,对隐式反馈矩阵的互动评比模型又可以反过来指导辅助数据的特征学习。互动云网络评比提高了电商推荐算法的性能，而且采用成对评比作为优化目标降低了算法的时间复杂度。采用云网络方法比主题模型能够更好地获取项目辅助数据的特征，有效减轻数据稀疏性的影响。商品推送结果更加精确，电商推送算法实用高效。

本发明授权抗稀疏的云网络成对互动评比电商推送方法在权利要求书中公布了：1.抗稀疏的云网络成对互动评比电商推送方法，其特征在于，互动云网络评比利用一种层叠减噪自编码器的云网络模型，提取项目内容的深层特征,集成到隐式反馈的成对互动评比模型中，并且允许两者之间进行双向交互，对辅助数据提取特征提高对隐式反馈矩阵互动评比模型的预测能力,对隐式反馈矩阵的互动评比模型又反过来指导辅助数据的特征学习；P1-互动云网络评比模型：是一种云网络和互动筛选的混合式成对评比模型,结合项目内容的深层特征学习和用户稀疏的隐含偏好,具体地，互动云网络评比模型采用一种云网络模型，CKF层叠减噪自编码器，学习项目内容的深层特征，在辅助数据稀疏时，CKF学习有效特征并将学习到的项目内容的深层特征集成到隐式反馈的互动评比模型中，来捕获商品和用户之间的相似度和隐含关系；模型紧密地耦合用于内容数据的深度表征学习和用于隐式反馈矩阵的互动评比，通过双向交互，从辅助数据学习特征，平衡辅助数据和隐式反馈矩阵的影响；P2-互动云网络评比算法：将层叠减噪自编码器CKF作为互动云网络评比的内容特征提取部分，通过一层减噪自编码器学习到隐藏层，隐藏层的值又作为下层减噪自编码器的输入，多个减噪自编码器减噪自编码器层叠获得最顶层的输出即是层叠减噪自编码器提取的项目内容数据特征，互动筛选模型结合项目内容数据特征，并以成对偏好评比为直接优化目标，采用坐标上升通过交替优化云网络的权重、偏差参数、反馈矩阵的潜在用户因子、潜在项目因子，来优化目标函数，具体地，给定潜在用户矩阵和潜在项目矩阵参数的当前估算，CKF云网络通过反向传播干净输入和重构输入计算重构误差，计算项目内容矩阵和反馈矩阵分解出的项目矩阵之间的误差，更新权重、偏差参数，然后给定权重、偏差参数的当前估算，将提取的项目内容特征融入到用户项目反馈矩阵的互动评比模型，基于牛顿迭代法更新用户特征矩阵，项目特征矩阵，训练重复以上过程，直到样本数据更新完毕，或模型参数全部收敛；互动云网络：协同进行内容数据的深层表征学习和评级反馈矩阵的互动筛选；互动云网络是一个联合概率框架,具有两个无缝集成组件：一个感知云组件和一个职责特定组件；互动云网络的概率图形模型：枢纽因子Q＝{J}，感知云组件在概率图形模型中表示为链结构的多个非线性处理层的云网络模型的概率公式，结点和边在感知云组件中较简单，在特定职责的组件描述更复杂的分布和变量间的关系；考虑电商推荐采用隐式反馈作为训练和测试数据，项目J的整个集合由J*S矩阵Xc表示，其中第j行是基于大小S的词汇集合的项目j的词袋向量Xc,j，用户I定义为I*J二进制评级矩阵R＝[Rij]I*J，给定R中部分评级和内容数据Xc，问题是预测R中其它评级；矩阵Xc对层叠减噪自编码器CKF起干净输入的作用，噪音压制矩阵J*S由X0表示，CKF的层1的输出由X1表示，其是J*K1矩阵，X1的行j由X1,j*表示，W1和b1分别是层1的权重矩阵和偏差向量，W1,*n表示W1的列n，L层数，采用W+表示所有层的权重矩阵和偏差的集合；生成互动云网络：采用层叠减噪自编码器CKF作为一个感知云组件，生成互动云网络的过程定义：1对于层叠减噪自编码器网络的每一层1：a对于权重矩阵W1的每一列n，绘制： b绘制偏差向量： c对于X1的每一行j,绘制： 2对于每个项目j：a绘制一个干净的输入： b绘制潜在项目偏移矢量： 然后将潜在项目向量设置为： 3为每个用户绘制一个潜在用户向量： 4为每个用户-项目对ij绘制评级Rij： λw，λn，λu，λs和λv是超参数，Cij是置信参数，如果为Rij＝1，Cij＝a，否则Cij＝b，中间层XL2用作评级和内容数据之间的关联项，该中间层，连同潜在偏移量△j，是使互动云网络同时学习有效特征表示并捕获商品之间相似度关系的关键，为了计算效率，将λs取值到无穷大；最大后验估算：使后验概率最大化等同于最大化U，V,{X1}，Xc，{W1}，{b1}的联合对数似然性，编码器函数fe·，W+取得损坏项目j的内容向量X0,j*作为输入并计算项目的编码，以及函数fr·，W+以X0,j*作为输入，计算项目j的编码，然后计算重构的内容向量；对于ui和vj，给定当前W+计算L相对于ui和vj的梯度并将它们设置为零，导致以下更新规则：ui←VCiVT+λuIK-1VCiRi 其中是对角矩阵,Ri＝Ri1，...，RiJT是包含用户i的所有评级的列向量，Cij反映可信度由a和b控制；给定U和V,学习到采用反向传播学习算法的每层的权重W1和偏差b1，似然函数相对于W和b的似然梯度如下： 通过交替更新U,V，W1和b1，找到L的局部最优；成对评比推荐：构建个性化评比矩阵分解模型，令H表示用户的集合，M表示项目的集合，通过将矩阵与0值相乘来生成负数据：定义： 通过采用项目对来训练数据,直接优化项目对进行评比，将缺失的值与负向项目联合纳入到评比模型中，从集合F尝试重建每个用户的喜好＞h，如果用户h已查看项目m，即h,m∈S,然后假设用户优先于该项目而非其它所有未观察到的项目；基于个性化评比矩阵分解的MF学习模型：从用户对产品的隐式反馈着手，建立模型，模型目标是为每个用户项目对h,x都计算到一个实数个性化评比矩阵分解模型优化准则是对三元组h，x，y∈DF，首先将模型中的预测值进行分解，定义为： 预测的问题视作对矩阵进行估算F：H×M，通过矩阵分解对矩阵F降维，将F分解为两个低秩矩阵H,M的乘积：H：|H|×k,M：|M|×k： 其中k是特征矩阵的维度，H第h行的行向量是用户喜好的特征向量，M第x行的行向量是项目x的特征向量，公式写成： 该模型的参数表示为Φ＝H,M，H,M就是隐变量，H即是对应对用户的未观测偏好，M是项目的未观测特征，对这两种特征建立模型；估算用户是否喜欢一个项目超过另一个项目，优化以下目标函数： 其中，σ是Sigmoid函数，α是复杂度控制正则化参数。

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广州锐竞信息科技有限责任公司，其通讯地址为：510000 广东省广州市黄埔区国际生物岛螺旋大道51号官洲生命科学创新中心A栋第28层04、05单元；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”。