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！

龙图腾网恭喜合肥工业大学;安徽无攸科技有限公司申请的专利一种基于信息瓶颈去噪的多媒体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：CN117271808B 。

龙图腾网通过国家知识产权局官网在2025-03-25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：202311351239.9，技术领域涉及：G06F16/435；该发明授权一种基于信息瓶颈去噪的多媒体推荐方法是由吴乐;杨永晖;张琨;洪日昌;汪萌;周海林;程文正设计研发完成，并于2023-10-18向国家知识产权局提交的专利申请。

本一种基于信息瓶颈去噪的多媒体推荐方法在说明书摘要公布了：本发明公开了一种基于信息瓶颈去噪的多媒体推荐方法，包括：1.构造异构数据：用户对产品的交互矩阵，产品的多媒体内容数据；2.使用预训练模型提取产品多媒体内容特征；3.根据多媒体内容特征构造产品关联矩阵；4.基于深度图神经模型学习用户和产品表征矩阵；5.基于信息瓶颈理论最小化多媒体内容与其表征之间的互信息，计算损失函数；6.基于用户和产品表征矩阵重构交互矩阵，计算损失函数；7.联合步骤5‑6的损失函数进行多任务学习，更新模型参数至模型收敛。本发明基于信息瓶颈的思想，在满足推荐任务的需求下学习最少的多媒体内容信息，可以有效的去除多媒体内容中的冗余信息，从而能实现更加精准的多媒体推荐。

本发明授权一种基于信息瓶颈去噪的多媒体推荐方法在权利要求书中公布了：1.一种基于信息瓶颈去噪的多媒体推荐方法，其特征在于，是按如下步骤进行：步骤1、构造异构数据，包括：用户对产品的交互矩阵，产品的多媒体内容数据；步骤1.1、令U表示用户集，且U＝{u1,…ua,…,ub,…uM}，ua表示第a个用户，ub表示第b个用户，M表示用户的总数，1≤a,b≤M；令V表示产品集，且V＝{v1,…,vi,…,vj,…,vN}，vi表示第i个产品，vj表示第j个产品，N表示产品的总数，1≤i,j≤N；令rai表示第a个用户ua对第i个产品vi的交互数据，则用户对产品的交互矩阵R＝{rai}M×N；步骤1.2、令C＝{C1,...,Ck,...,CK}表示产品集V的多媒体内容，其中，表Ck示产品集V中第k种模态的多媒体内容，且表示产品集V中第k种模态的多媒体内容，表示第i个产品vi的第k种模态的多媒体内容，K表示模态总数，1≤k≤K；步骤2、使用预训练模型提取产品多媒体内容特征：分别使用各模态的预训练模型对相应模态的多媒体内容进行特征提取，得到K种模态的多媒体特征矩阵集合{F1,...,Fk,...,FK}；其中，Fk表示第k种模态的多媒体特征矩阵；步骤3、根据多媒体特征矩阵集合{F1,...,Fk,...,FK}构造产品关联矩阵：步骤3.1、根据式1计算产品集V中各模态的相似度矩阵集合{S1,...,Sk,...,SK}：Sk＝L2Fk×L2FkT1式1中，Sk表示产品集V中第k种模态的相似度矩阵，L2Fk表示产品集V中第k种模态归一化后的多媒体特征矩阵，T表示矩阵转置；步骤3.2、根据式2对产品集V中各模态的相似度矩阵集合{S1,...,Sk,...,SK}进行稀疏化处理，得到各模态的关联矩阵集合{S'1,...,S'k,...,S'K}： 式2中，表示产品集V中第k种模态的相似度矩阵Sk的第i行第j列的元素值，表示产品集V中第k种模态的关联矩阵S'k的第i行第j列的元素值，表示产品集V中第k种模态的相似度矩阵Sk的第i行的全部元素值，TopK'表示降序排序的前K'个；步骤3.3、根据式3计算产品集V的关联矩阵S'： 步骤3.4、根据式4计算表征传播矩阵A： 由式5计算归一化后的表征传播矩阵 式5中，D表示矩阵A的度矩阵；步骤4、基于深度图神经模型学习用户和产品表征矩阵：步骤4.1、使用高斯分布随机初始化用户表征矩阵P＝{p1,...,pa,...,pM}，其中，pa表示第a个用户ua的d1+Kd2维表征向量；其中，d1表示用户协同表征维度，d2表示内容表征维度；使用高斯分布随机初始化产品协同表征矩阵Q＝{q1,...,qi,...,qN}，其中，qi表示第i个产品vj的d1维表征向量；步骤4.2、由式6计算产品集V中各模态的多媒体内容表征矩阵T＝[T1,...,Tk,...,TK]：Tk＝MLPkFk6式5中，MLPk是第k个多层感知机，表示第k个模态的多媒体内容表征矩阵；步骤4.3、构建产品表征矩阵E＝[Q,T]；并利用图神经网络对{P,E}进行处理，得到用户最终表征矩阵Hu和产品最终表征矩阵Hv；步骤5、基于信息瓶颈理论最小化多媒体内容与其表征之间的互信息，并计算损失函数：步骤5.1、使用PCA算法对多媒体特征矩阵集合{F1,...,Fk,...,FK}进行降维，得到降维后的多模态特征矩阵{F'1,...,F'k,...,F'K}，其中，表示第k种模态Fk降维后的多媒体特征矩阵；步骤5.2、根据式10构建信息瓶颈损失函数Lθ1： 式10中，θ1表示K个多层感知机对应的参数，HSIC,表示希尔伯特-施密特独立性指标；步骤6、基于用户和产品表征矩阵重构交互矩阵，计算损失函数：步骤6.1、根据式11预测第a个用户ua对第i个产品vi的交互概率r'ai： 式11中，δ是sigmoid激活函数；表示用户最终表征矩阵Hu中的第a行表征向量的转置；表示产品最终表征矩阵Hu中的第i行表征向量；步骤6.2、根据式12计算重构损失函数Lθ2： 式12中，θ2表示重构交互矩阵涉及的全部参数，且θ2＝[P,Q,θ1]；Da是第a个用户ua的全部训练数据，且Da＝{i,j|i∈Ra,j∈V-Ra}；Ra表示第a个用户ua的交互产品集合；表示产品最终表征矩阵Hv中的第j行向量；步骤7、联合各个损失函数进行多任务学习，以更新模型参数至模型收敛：步骤7.1、根据式13建立多任务优化目标Lθ：Lθ＝Lθ1+αLθ2+β||[P,Q,]||213式13中，θ＝[P,Q,θ2]是全部待优化参数，α和β分别用于调控信息瓶颈损失函数和正则项的权重；步骤7.2、通过梯度下降法对所述优化目标Lθ进行求解，以更新参数θ，直到Lθ收敛至最小值，从而得到最优参数θ*；步骤7.3、根据式14预测第a个用户ua对第i个产品vi的最优交互概率从而得到用户集U对产品集V预测的交互矩阵用于实现产品推荐： 式14中，表示用户最优表征矩阵Hu*中第a个用户ua的最优表征向量，表示产品最优表征矩阵Hv*中第i个产品vi的最优表征向量。

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合肥工业大学;安徽无攸科技有限公司，其通讯地址为：230601 安徽省合肥市蜀山区丹霞路合肥工业大学翡翠湖校区；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”。