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(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉南京郵電大學申請的專利一種基于多模態(tài)用戶偏好的云邊端協(xié)同服務匹配方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN118133042B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-09-05發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202410283038.8，技術領域涉及：G06F18/22；該發(fā)明授權一種基于多模態(tài)用戶偏好的云邊端協(xié)同服務匹配方法是由王海艷;季挺;駱健設計研發(fā)完成，并于2024-03-13向國家知識產(chǎn)權局提交的專利申請。

本一種基于多模態(tài)用戶偏好的云邊端協(xié)同服務匹配方法在說明書摘要公布了：本發(fā)明屬于服務匹配和深度學習技術領域，公開了一種基于多模態(tài)用戶偏好的云邊端協(xié)同服務匹配方法，在云邊端場景下，本發(fā)明基于機器學習和深度學習模型在感知量可控的條件下分別通過用戶短期偏好信息和長期服務使用記錄數(shù)據(jù)進行服務匹配，其中，通過用戶的多模態(tài)信息數(shù)據(jù)，以循環(huán)神經(jīng)網(wǎng)絡模型和注意力機制作為分類器進行偏好信息識別，以K近鄰算法用于用戶長期訪問序列來獲取用戶的長期偏好。本發(fā)明利用多模態(tài)數(shù)據(jù)的特點和機器學習、深度學習眾多的方法模型，對用戶因服務調(diào)用會產(chǎn)生大量的多模態(tài)數(shù)據(jù)進行充分提取，為云邊端場景下服務自適應匹配提供有力支持。

本發(fā)明授權一種基于多模態(tài)用戶偏好的云邊端協(xié)同服務匹配方法在權利要求書中公布了：1.一種基于多模態(tài)用戶偏好的云邊端協(xié)同服務匹配方法，其特征在于：云邊端協(xié)同服務匹配方法包括集成注意力機制的用戶偏好信息識別方法和基于K近鄰的用戶服務使用記錄挖掘方法，具體的， 所述集成注意力機制的用戶信息識別方法為：利用TextCNN模型和VGG16模型進行用戶多模態(tài)偏好挖掘，分別提取文本數(shù)據(jù)和圖像數(shù)據(jù)，基于注意力機制的分類網(wǎng)絡，通過對文本數(shù)據(jù)和圖像數(shù)據(jù)的聯(lián)合訓練，TextCNN模型和VGG16模型識別用戶的興趣點并深入理解上下文信息，提升了服務匹配的準確性，TextCNN模型和VGG16模型的決策層上將所述文本數(shù)據(jù)和圖像數(shù)據(jù)的分類成果合并，維持不同類型數(shù)據(jù)對服務選擇的影響，并得出最終的綜合分類決策，得到短期得分S1i； 所述基于K近鄰的用戶服務使用記錄挖掘方法為：利用K近鄰序列對用戶長期偏好進行分析，基于用戶以往的瀏覽記錄，通過計算用戶歷史瀏覽記錄即用戶序列與其他序列之間的共有訪問服務數(shù)量與總訪問服務數(shù)量的比例來衡量相似度，找出用戶可能訪問的下一個服務，得到長期評分S2i，最終將根據(jù)兩種方法得到的向量進行加權融合得出服務的綜合評分，按照綜合評分的高低進行排序為用戶匹配評分最高的前K項服務；其中： 所述集成注意力機制的用戶信息識別方法具體包括以下步驟： 步驟1.1、數(shù)據(jù)的采集與預處理：通過數(shù)據(jù)的采集與預處理模塊實現(xiàn)數(shù)據(jù)的獲取與處理的即時進行，獲得文本數(shù)據(jù)與圖像數(shù)據(jù)，對獲得的文本數(shù)據(jù)與圖像數(shù)據(jù)進行預處理； 步驟1.2、文本和圖像信息的特征提取：在文本分析中，使用TextCNN模型提取文本數(shù)據(jù)，在圖像處理中，使用VGG16模型提煉原始圖像數(shù)據(jù)； 步驟1.3、通過注意力機制處理文本數(shù)據(jù)和圖像數(shù)據(jù)：編碼文本數(shù)據(jù)的上下文和跨不同媒介的語義內(nèi)容，整合并處理來自TextCNN模型和VGG16模型的數(shù)據(jù)，得到多模態(tài)的數(shù)據(jù)； 步驟1.4、融合偏好特征確定分類結(jié)果：采用加權融合方法將步驟1.3得到的多模態(tài)的數(shù)據(jù)結(jié)合起來，將融合多模態(tài)后得到的用戶向量與服務向量相乘獲得服務的短期得分S1i； 所述步驟1.2中使用VGG16模型提煉原始圖像特征具體包括以下步驟： 步驟1.2.1、原始圖像首先經(jīng)過TextCNN模型和VGG16模型的卷積層，所述卷積層與圖像的局部區(qū)域相連接，通過點積運算來提取圖像的特征； 步驟1.2.2、TextCNN模型和VGG16模型的卷積層負責提取圖像特征，激活函數(shù)ReLU規(guī)范圖像尺寸和增強非線性特性； 步驟1.2.3、設置池化層降低圖像特征的維度，以減少噪聲并提高計算效率； 步驟1.2.4、圖像特征被送入TextCNN模型和VGG16模型的全連接層完成圖像特征處理過程； 在所述步驟1.3中，通過注意力機制在處理文本數(shù)據(jù)時，初始步驟是將輸入的語句轉(zhuǎn)換成向量形式，隨后將生成的向量與對應的注意力權重相乘，產(chǎn)生加權的上下文向量；通過注意力機制在處理圖像數(shù)據(jù)時，注意力機制用來識別和強化關鍵的視覺信息，進一步定位引起用戶關注的區(qū)域，結(jié)合VGG16模型，注意力機制透過分析特征圖內(nèi)部各空間位置的關聯(lián)性矩陣，提取圖像的重要上下文特征； 所述基于K近鄰的用戶服務使用記錄挖掘方法具體包括以下步驟： 步驟2.1、基于用戶以往的瀏覽記錄，找出用戶可能訪問的下一個服務：通過計算用戶歷史瀏覽記錄即用戶序列與其他序列之間的共有訪問服務數(shù)量與總訪問服務數(shù)量的比例來衡量相似度，公式為： sims,n＝|s∩n||s∪n| 其中s表示當前用戶序列，n表示文本數(shù)據(jù)和圖像數(shù)據(jù)中的其他序列； 步驟2.2、通過相似度評分，篩選出與用戶序列最接近的K個序列，形成當前序列的近鄰序列集合Ns； 步驟2.3、根據(jù)服務在近鄰序列集合Ns中出現(xiàn)的頻率為服務賦分值，得到服務的長期評分S2i； 步驟2.4、將步驟2.3得到的長期評分與短期評分S1i相結(jié)合，得出服務的綜合評分Si； 步驟2.5、按照綜合評分Si的高低進行排序，并為用戶匹配評分最高的前K項服務，服務總評分Si的表達式為： Si＝S1i+S2i。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或?qū)＠麢嗳?a target="_blank" rel="noopener noreferrer nofollow" href="https://iptop.www.hzsmkbearing.com.cn/list?keyword=%E5%8D%97%E4%BA%AC%E9%82%AE%E7%94%B5%E5%A4%A7%E5%AD%A6&temp=1">南京郵電大學，其通訊地址為：210046 江蘇省南京市棲霞區(qū)文苑路9號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。