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！

龙图腾网恭喜山东科技大学申请的专利一种大小路径独立性划分聚合的图神经网络音乐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：CN119415732B 。

龙图腾网通过国家知识产权局官网在2025-06-06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：202510020099.X，技术领域涉及：G06F16/635；该发明授权一种大小路径独立性划分聚合的图神经网络音乐推荐方法是由段华;赵宇飞;王释铎设计研发完成，并于2025-01-07向国家知识产权局提交的专利申请。

本一种大小路径独立性划分聚合的图神经网络音乐推荐方法在说明书摘要公布了：本发明公开了一种大小路径独立性划分聚合的图神经网络音乐推荐方法，属于深度学习领域，包括如下步骤：步骤1、构建异质图神经网络分类聚合模型，该模型包括路径鉴别器、大路径邻居节点选择模块和路径内聚合模块；步骤2、构建损失函数优化训练异质图神经网络分类聚合模型；步骤3、获取当前用户的音乐数据，输入训练完成的异质图神经网络分类聚合模型，生成个性化的音乐推荐列表。本发明旨在为用户打造更加个性化且精准的音乐推荐体验，帮助用户更深入地探索音乐的丰富性和独特魅力，从而为音乐爱好者呈现一个更加精彩纷呈的音乐世界。

本发明授权一种大小路径独立性划分聚合的图神经网络音乐推荐方法在权利要求书中公布了：1.一种大小路径独立性划分聚合的图神经网络音乐推荐方法，其特征在于，包括如下步骤：步骤1、构建异质图神经网络分类聚合模型，该模型包括路径鉴别器、大路径邻居节点选择模块和路径内聚合模块；步骤2、构建损失函数优化训练异质图神经网络分类聚合模型；步骤3、获取当前用户的音乐数据，输入训练完成的异质图神经网络分类聚合模型，生成个性化的音乐推荐列表；所述步骤1中，异质图神经网络分类聚合模型的工作过程如下：步骤1.1、根据图的拓扑结构采用路径鉴别器将元路径划分为大邻居路径与小邻居路径；步骤1.2、对大邻居路径使用大路径邻居节点选择模块，从拓扑和特征两个层面找出相关性最高的节点进行保留；步骤1.3、对大邻居路径与小邻居路径采用路径内聚合模块进行分类聚合，得到两类节点特征表示；所述步骤1.1的具体过程为：步骤1.1.1、计算每条元路径的度值，公式如下： 其中，为第m条元路径Φm的度值，定义di,j表示Φm的邻接矩阵中第i行第j列的元素，第i行对应第i个节点，第j列对应第j个节点；若第i个节点和第j个节点之间存在边时，则对应设置Φm的邻接矩阵中第i行第j列的元素dij＝1，否则dij＝0；表示所有目标节点v的数量；表示由所有目标节点v构成的集合；步骤1.1.2、计算得到所有元路径的度值集合其中p是元路径的总数量；通过下列公式计算度值之间的相对差异进行路径划分： 其中，Dmin表示最小度值；为第m条元路径Φm的相对差异百分比；最终获得所有元路径的相对差异百分比集合步骤1.1.3、在获得所有元路径的相对差异百分比后，路径鉴别器根据相对差异百分比的值将元路径划分为大邻居路径和小邻居路径，划分规则为：预先设定超参数值τ，若当前元路径的相对差异百分比大于等于τ，则将当前元路径划分为大邻居路径；否则，划分为小邻居路径；所述步骤1.2的具体过程为：步骤1.2.1、在拓扑层面计算大邻居路径Φbig的过境概率 其中，为不同节点的类型，规定为目标节点的类型，为不同邻居节点的类型；分别为对应的边关系；分别为的传递概率；步骤1.2.2、在特征层面，计算目标节点v与邻居节点u的特征相似性： 其中，h′u、h′v分别为hu、hv归一化后的结果，hu、hv分别为目标节点v与邻居节点u的特征向量；表示在大邻居路径Φbig下目标节点v与邻居节点u经过标准化之后的特征相似性；‖·‖为L2范数函数；·为点乘计算；∈是一个极小值；步骤1.2.3、综合特征相似性与拓扑关系来选择大邻居路径中双视角优化的邻居节点： 其中，是在大邻居路径Φbig下目标节点v与邻居节点u的节点重要性得分；是在大邻居路径Φbig下目标节点v与邻居节点u的过境概率；步骤1.2.4、选择出目标节点v在大邻居路径Φbig下与邻居节点u经过相似性选择后的邻居集合 其中，Select_Top·为选择函数；是在大邻居路径φbig下目标节点v与所有邻居节点的节点重要性得分集合；为设定的超参数，表示在大邻居路径φbig下保留的邻居节点数量；所有目标节点在大邻居路径φbig下保留的邻居节点集合构成大邻居路径φbig下的连接关系矩阵由于有多个不同的大邻居路径，因此所有大邻居路径下的连接关系矩阵构成大邻居连接关系矩阵集合Φbig,1、Φbig,2、分别表示不同的大邻居路径，为大邻居路径的总数；分别表示Φbig,1、Φbig,2、下的连接关系矩阵；所述步骤1.3的具体过程为：步骤1.3.1、对于目标节点投影公式如下：x′v＝Wfea·xv9；其中，xv和xv′分别是目标节点v的原始特征和经过特征转换后的投影特征；Wfea是特征投影变换矩阵；步骤1.3.2、对不同大邻居路径下的连接关系矩阵执行子图上的卷积操作捕捉大邻居路径下的节点特征表示： 其中，分别为目标节点v在第e+1层、第e层卷积时的节点特征表示；是经过归一化后的邻接矩阵；是对应的度矩阵；是在第e层卷积时可学习的参数矩阵；其中目标节点v在第0层卷积时的节点特征表示为目标节点v经过特征转换后的投影特征x′v；最终得到大邻居路径Φbig下所有目标节点的节点特征表示为由于有多个不同的大邻居路径，因此所有大邻居路径下所有目标节点的节点特征表示构成的大邻居路径节点特征表示集合为分别表示Φbig,1、Φbig,2、下所有目标节点的节点特征表示；步骤1.3.3、小邻居路径集合为Φsmall,1、Φsmall,2、分别表示不同的小邻居路径，为小邻居路径的总数；按照与步骤1.2.4相同方式，获得小邻居路径Φsmall下的连接关系矩阵所有小邻居路径下的连接关系矩阵构成小邻居连接关系矩阵集合分别为Φsmall,1、Φsmall,2、下的连接关系矩阵；通过以下公式，对不同小邻居路径下的连接关系矩阵执行子图上的卷积操作捕捉小邻居路径下的节点特征表示： 其中，分别为目标节点v在第e+1层、第e层卷积时的节点特征表示；是经过归一化后的邻接矩阵；是对应的度矩阵；是在第e层卷积时可学习的参数矩阵；其中目标节点v在第0层卷积时的特征表示为目标节点v经过特征转换后的投影特征xv′；得到最终小邻居路径Φsmall下的所有目标节点的节点特征表示为由于有多个不同的小邻居路径，因此所有小邻居路径下所有目标节点的节点特征表示构成的小邻居路径节点特征表示集合为分别表示Φsmall,1、Φsmall,2、下所有目标节点的节点特征表示。

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山东科技大学，其通讯地址为：266590 山东省青岛市黄岛区前湾港路579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”。