買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉淮陰工學(xué)院申請(qǐng)的專(zhuān)利一種融合協(xié)同過(guò)濾與Embedding技術(shù)的混合推薦方法獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN117216416B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-09發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202311358647.7，技術(shù)領(lǐng)域涉及：G06F16/9536；該發(fā)明授權(quán)一種融合協(xié)同過(guò)濾與Embedding技術(shù)的混合推薦方法是由高市洪;于坤;金春花;陳曉兵;李強(qiáng)強(qiáng);王浩然;管乾鈞設(shè)計(jì)研發(fā)完成，并于2023-10-19向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本一種融合協(xié)同過(guò)濾與Embedding技術(shù)的混合推薦方法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了一種融合協(xié)同過(guò)濾與Embedding技術(shù)的混合推薦方法，包括步驟：S1：數(shù)據(jù)預(yù)處理，先將數(shù)據(jù)進(jìn)行處理，對(duì)數(shù)據(jù)進(jìn)行清洗和將數(shù)據(jù)轉(zhuǎn)化為指定的格式；S2：用ALS算法訓(xùn)練隱語(yǔ)義模型，根據(jù)用戶評(píng)分表和商品數(shù)據(jù)集計(jì)算用戶商品推薦矩陣；S3：網(wǎng)絡(luò)節(jié)點(diǎn)的向量化，采用Embedding中的node2vec模型實(shí)現(xiàn)節(jié)點(diǎn)向量化，添加商品的側(cè)面信息，完成了商品的向量化之后，計(jì)算商品對(duì)應(yīng)特征向量間的余弦值，然后進(jìn)行推薦，將距離目標(biāo)商品最近的商品推薦給用戶；S4：對(duì)ALS算法和Node2vec算法的推薦結(jié)果進(jìn)行加權(quán)組合，得到最終的混合推薦結(jié)果。在一定程度上解決了某些推薦算法的準(zhǔn)確度較低、可擴(kuò)展性較差、數(shù)據(jù)稀疏性以及推薦系統(tǒng)中容易存在冷啟動(dòng)問(wèn)題的缺點(diǎn)。

本發(fā)明授權(quán)一種融合協(xié)同過(guò)濾與Embedding技術(shù)的混合推薦方法在權(quán)利要求書(shū)中公布了：1.一種融合協(xié)同過(guò)濾與Embedding技術(shù)的混合推薦方法，其特征在于，包括步驟： S1：數(shù)據(jù)預(yù)處理，先將數(shù)據(jù)進(jìn)行處理，對(duì)數(shù)據(jù)進(jìn)行清洗和將數(shù)據(jù)轉(zhuǎn)化為指定的格式； S2：用ALS算法訓(xùn)練隱語(yǔ)義模型，根據(jù)用戶評(píng)分表和商品數(shù)據(jù)集計(jì)算用戶商品推薦矩陣； S3：網(wǎng)絡(luò)節(jié)點(diǎn)的向量化，采用Embedding中的node2vec模型實(shí)現(xiàn)節(jié)點(diǎn)向量化，添加商品的側(cè)面信息，完成了商品的向量化之后，計(jì)算商品對(duì)應(yīng)特征向量間的余弦值，然后進(jìn)行推薦，將距離目標(biāo)商品最近的商品推薦給用戶， 步驟3.1：構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)，先根據(jù)商品瀏覽序列構(gòu)造網(wǎng)絡(luò)，由于瀏覽序列在時(shí)間上存在先后關(guān)系，所以形成的網(wǎng)絡(luò)結(jié)構(gòu)圖是一個(gè)有向圖，其中節(jié)點(diǎn)表示不同商品，邊表示此對(duì)商品在同一序列中存在共現(xiàn)，箭頭的指向表示瀏覽的順序，邊權(quán)重表示兩者在所有序列中共現(xiàn)的次數(shù)； 步驟3.2：采用node2vec實(shí)現(xiàn)節(jié)點(diǎn)向量化，在網(wǎng)絡(luò)結(jié)構(gòu)圖的基礎(chǔ)上，運(yùn)用node2vec算法對(duì)節(jié)點(diǎn)進(jìn)行向量化，在此之前需要完成模型的參數(shù)設(shè)置，設(shè)置模型隨機(jī)游走的步長(zhǎng)walklength，對(duì)于每個(gè)節(jié)點(diǎn)的游走次數(shù)為numwalks，隨機(jī)游走的兩個(gè)轉(zhuǎn)移概率分別設(shè)為節(jié)點(diǎn)向量的維數(shù)dim，向量訓(xùn)練時(shí)采用Skip-Gram模型，設(shè)置其訓(xùn)練窗口的大小windowsize，迭代次數(shù)iter，最終得到商品的向量表示； 步驟3.3：添加商品的側(cè)面信息，側(cè)面信息包括商品品牌、歸屬種類(lèi)、線上評(píng)分，側(cè)面信息是對(duì)商品信息的補(bǔ)充，將側(cè)面信息加入到商品的向量表示中，如果原本的商品向量維數(shù)為X，加入的方式是采用不同的權(quán)值加入作為商品向量的新屬性，通過(guò)比較聚類(lèi)效果，最終將這三個(gè)指標(biāo)以λ1、λ2、λ3的權(quán)值分別補(bǔ)充為商家的第X+1維、X+2維和X+3維，最終得到的商維數(shù)為X+3維，前X維表示商品的原有屬性，后三維表示商品的側(cè)面補(bǔ)充信息； 步驟3.4：匹配相似商品，完成了商品的向量化之后，針對(duì)商品間的相似性進(jìn)行向量度量，在所構(gòu)成的空間中實(shí)現(xiàn)相似商品的合并聚類(lèi)，此時(shí)兩個(gè)節(jié)點(diǎn)間的相似度便轉(zhuǎn)化為兩個(gè)向量之間相似度問(wèn)題，在空間中，距離越近表示差異越小，距離越遠(yuǎn)表示差異越大，根據(jù)向量之間距離的度量標(biāo)準(zhǔn)，此處采用向量間的余弦值作為度量標(biāo)準(zhǔn)，通過(guò)測(cè)量?jī)蓚€(gè)向量間的夾角與矢量長(zhǎng)度，該方法定義兩個(gè)向量之間的余弦值為： ， 其中表示兩個(gè)不同的商品向量，表示向量之間的夾角， 由以上公式刻畫(huà)出的是兩個(gè)商品向量在空間上的位置距離，兩個(gè)商品向量之間的余弦值越大說(shuō)明兩者在空間上的距離越近，相似性越高，反之亦然，每個(gè)商品由此可以得到余弦值，每個(gè)值表示其余商品與該商品的相似度，最后篩選出每個(gè)商品對(duì)應(yīng)余弦值排名前N的商品作為最相似商品的匹配序列，然后按照從小到大的順序進(jìn)行Top-N推薦； S4：對(duì)ALS算法和Node2vec算法的推薦結(jié)果進(jìn)行加權(quán)組合，得到最終的混合推薦結(jié)果。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人淮陰工學(xué)院，其通訊地址為：223200 江蘇省淮安市淮安區(qū)淮城街道竹巷街淮陰工學(xué)院蕭湖校區(qū)；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)”。