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！

龙图腾网恭喜南京大学申请的专利一种基于图对比学习和社交网络增强的推荐方法及系统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：CN114036406B 。

龙图腾网通过国家知识产权局官网在2025-05-27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：202111301586.1，技术领域涉及：G06F16/9536；该发明授权一种基于图对比学习和社交网络增强的推荐方法及系统是由胡伟;隋文正设计研发完成，并于2021-11-04向国家知识产权局提交的专利申请。

本一种基于图对比学习和社交网络增强的推荐方法及系统在说明书摘要公布了：本发明公开了一种基于图对比学习和社交网络增强的推荐方法及系统，包括以下步骤：给定用户的历史行为和社交数据，首先从中抽取用户的交互记录和朋友关系，并分别构建为交互二部图和社交网络，两图均以矩阵形式存储；接下来获取每个节点的一阶邻居、高阶邻居，根据每个节点的一阶邻居、高阶邻居使用图对比学习方法训练得到所有节点的特征表示；根据用户历史交互记录使用图神经网络推荐模型进一步训练得到所有节点最终的特征表示；接下来对于每一个用户，计算其与每个物品的向量相似度，选取相似度较高的物品推荐给该用户。本发明能够有效获取用户的偏好兴趣，在数据稀疏的情况下能有效提升推荐系统的性能，并获得更为稳定的推荐效果。

本发明授权一种基于图对比学习和社交网络增强的推荐方法及系统在权利要求书中公布了：1.一种基于图对比学习和社交网络增强的推荐方法，其特征在于，包括以下步骤：1.1对于当前给定的用户历史行为数据和社交数据，从历史行为数据中抽取出用户对物品的交互记录并形成一个交互二部图，所述交互二部图的邻接矩阵以R表示，从社交数据中获取朋友关系并形成社交网络，所述社交网络的邻接矩阵以S表示；1.2基于所述步骤1.1得到的邻接矩阵，首先生成不同类型的元路径的邻接矩阵，用以获取节点的高阶邻居，然后使用图神经网络分别计算每个节点的一阶邻居的第三特征表示和高阶邻居的第五特征表示，利用对比损失函数、第三特征表示和第五特征表示和梯度下降法来使对比损失函数收敛，得到收敛后的节点的第六特征表示；1.3基于所述步骤1.2得到的特征表示，使用图神经网络计算出用户和物品用以计算偏好分数的特征表示，然后根据所述步骤1.1得到的交互记录，使用贝叶斯个性化排序损失函数不断更新和优化图神经网络推荐模型；1.4基于所述步骤1.3得到的图神经网络推荐模型，获取所有用户和物品的特征表示，然后对于每个用户，计算该用户与未被推荐给该用户的物品的向量相似度，选取向量相似度排名靠前的物品推荐给该用户；所述步骤1.2包括以下步骤：2.1首先定义四种元路径及其邻接矩阵的计算方式：用户-物品-用户为RRT，用户-用户-物品为SR，物品-用户-物品为RTR，用户-用户-用户为SS；对于每一种类型的元路径，使用交互二部图的邻接矩阵R和社交网络的邻接矩阵S进行相应的矩阵相乘，获得所述元路径对应的邻接矩阵；2.2使用图注意力网络聚合每个节点的一阶用户邻居和一阶物品邻居，得到一阶用户邻居的第一特征表示和一阶物品邻居的第二特征表示，然后使用类型级别的第一注意力机制聚合所述第一特征表示和第二特征表示，得到该节点的一阶邻居的第三特征表示；然后使用图卷积网络聚合与该节点相关联的每条元路径，得到每条元路径的第四特征表示，再使用元路径级别的第二注意力机制聚合不同元路径，得到该节点的高阶邻居的第五特征表示；2.3根据所述步骤2.2生成的第三特征表示和第五特征表示，将同一节点的第三特征表示和第五特征表示作为正例，将不同节点的第三特征表示和第五特征表示作为负例，以此生成正负例对，然后利用对比损失函数和梯度下降法进行训练，并不断对所有特征表示进行更新，待对比损失函数收敛后，获得所有节点的特征表示；所述步骤1.3包括以下步骤：3.1使用所述步骤1.2所得到的第六特征表示作为所有节点的初始特征表示，然后使用图神经网络对各个节点进行邻居节点的聚合操作，作为每个节点的第七特征表示；3.2根据所述步骤1.1所得到的交互记录构造用于训练推荐模型的正负例样本对，并使用贝叶斯个性化排序损失函数和梯度下降法更新各个用户节点和物品节点的特征表示和图神经网络推荐模型的参数，待损失收敛后，得到用户和物品最终的特征表示。

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南京大学，其通讯地址为：210093 江苏省南京市鼓楼区汉口路22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”。