買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉天津大學申請的專利一種基于超圖增強的對比學習新聞推薦方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN117033763B 。

龍圖騰網通過國家知識產權局官網在2025-08-08發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310610329.9，技術領域涉及：G06F16/9535；該發明授權一種基于超圖增強的對比學習新聞推薦方法是由喻梅;劉釗;趙滿坤;張文彬;趙越;于健設計研發完成，并于2023-05-29向國家知識產權局提交的專利申請。

本一種基于超圖增強的對比學習新聞推薦方法在說明書摘要公布了：本發明涉及一種基于超圖增強的對比學習新聞推薦方法，包括S1、構建用戶意圖引導的圖注意力新聞推薦模型；S2、構建超圖增強的對比學習新聞推薦模型；S3、總體損失計算。本發明得益于意圖交互學習模型，HGCLRec對用戶在選擇新聞時的意圖趨勢進行建模，對高階鄰居信息有更好的整體依賴性；本發明通過超圖結構對比學習模型，HGCLRec通過多視圖對比學習，實現了稀疏用戶新聞交互的數據擴充，對圖結構的更有效利用。本發明的HGCLRec比基于傳統的神經網絡的方法表現得更好，這得益于豐富的對比學習目標。通過超圖神經網絡的隱藏層對用戶的意圖和表示進行聯合建模，豐富了節點表示，從而提高推薦效果。

本發明授權一種基于超圖增強的對比學習新聞推薦方法在權利要求書中公布了：1.一種基于超圖增強的對比學習新聞推薦方法，其特征在于：所述方法的步驟為： S1、構建用戶意圖引導的圖注意力新聞推薦模型，該模型通過堆疊基于意圖交互學習的注意力層和傳播層，進而不斷學習更豐富的高階協同信號，單層網絡由意圖注意力機制和傳播層構成，基于傳統圖注意力網絡中的注意力層，其基本作用是聚合鄰域節點的信息，通過加入用戶對主題的意圖嵌入，對數據的有效利用并獲得協同信號，傳播層將聚合信息傳播到下一層的節點中； S2、構建超圖增強的對比學習新聞推薦模型，針對圖結構的有效利用應用超圖神經網絡，設計超邊聚合機制來處理表示學習過程中的數據相關性以更好地表示底層數據之間的關系，并通過對比學習將意圖交互視圖和超圖結構視圖作為對比學習的兩個對比視圖進行聯合訓練，以捕獲更富含信息的意圖表示和區分度更高的超圖數據結構表示，豐富用戶表示以改進推薦； S3、總體損失計算，為結合意圖交互學習模塊和超圖結構學習模塊的表示，從兩個視圖將它們應用于對比學習，通過將意圖交互學習嵌入和超圖結構學習表示相結合，使語義相近的正樣本對的表示在表示空間更接近，語義不相近的負樣本對的表示距離更遠，以達到類似聚類的效果，達到意圖交互學習視圖和超圖結構學習視圖相互協作和監督，從而實現用戶和新聞的數據增強； 所述步驟S1具體為： 用戶u1交互過的新聞集{i1,i2,i3}，構建的意圖節點融合了新聞主題，其中顯式的表達了用戶u1對不同主題的注意力分數，通過圖注意力網絡實現了更細粒度的意圖級別的興趣建模，為每個意圖p∈P分配不同的權重比例，并為每篇新聞文章中提取的主題分配注意力權重，完成更細粒度的不同意圖的交互和組合；基于意圖交互學習的注意力層表示如公式1所示： 其中：ti是主題t的ID嵌入，它被分配了注意力得分αt，u來量化其重要性，形式如公式2所示： 用戶嵌入表示聚合歷史新聞的嵌入表示，用戶在第l層聚合鄰居的左歸一化形式如公式3所示： 對稱歸一化形式如公式4所示： 融合兩種歸一化方式，在有效利用兩種歸一化方式的同時能夠減輕流行度高節點的影響，得到公式5： 經過L層傳播之后，節點能夠接收從其L-hop鄰居傳播的消息，對所有的表示進行平均，將不同層的嵌入與加權和結合起來捕獲帶有自連接的圖卷積的用戶和新聞表示，并獲得用戶u和新聞i的最終嵌入表示，計算方式如公式6所示： 使用用戶和新聞表示的內積來預測用戶采用該新聞的得分，具體計算方法如公式7所示： 目標函數使用貝葉斯個性化排名BPR損失函數，訓練策略目標函數設定如公式8所示： 所述步驟S2具體為： 超圖的建立是基于超邊的建立，而超邊的建立則是基于對節點之間關系來實現的，將K近鄰算法和K-Means聚類算法結合起來進行動態超圖構建，以利用局部和全局結構；在整體特征圖上運用K-Means算法聚類得到初始超邊c，根據K近鄰算法歐氏距離計算節點到聚類中心距離，最近的topK節點與超邊相連，用輸入特征嵌入來構建超圖結構，因此超邊集會隨著特征嵌入的網絡訓練優化而動態調整，通過此方式獲得用于高階數據關系建模的超圖結構； 將原始節點信息聚合到超邊節點上，通過一層網絡將節點層傳播到超邊層a，超邊獲得融合了包含節點的信息，計算方法如公式9所示： 傳播是將重新獲得超邊信息a放回到原始節點χ上，計算方法如公式10所示： 最后通過非線性激活函數獲得節點經過超圖卷積網絡在下一層的表示，計算方法如公式11所示： χl+1＝σχ′11 將超圖鄰接矩陣H和節點特征輸入到超圖卷積網絡中，以獲得用戶和新聞的節點輸出表示，通過以上介紹，卷積運算簡化為公式12形式： 所述步驟S3具體為： 通過不同的顏色區分給出了正負樣本對，將同一個節點通過不同方法獲得的z,χ表示視為正樣本對，將不同用戶或新聞的節點視為負樣本對，HGCLRec模型生成了正負樣本對進行比較，采用對比學習目標來最小化正樣本對之間的距離，并最大化負樣本對間的距離，計算方法如公式13所示： 用超圖結構模塊進行對比學習損失聯合訓練，使用多任務學習策略結合傳統的排名損失和所提出的對比損失，具體定義如公式14所示：

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人天津大學，其通訊地址為：300071 天津市南開區衛津路92號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。