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！

龙图腾网恭喜吉林大学申请的专利一种基于多粒度异质属性图对比学习的期刊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：CN116541594B 。

龙图腾网通过国家知识产权局官网在2025-06-20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：202310482963.9，技术领域涉及：G06F16/9535；该发明授权一种基于多粒度异质属性图对比学习的期刊推荐方法是由李瑛;梁钰;张洁琳;杜伟;张晓;孙睿涵设计研发完成，并于2023-04-28向国家知识产权局提交的专利申请。

本一种基于多粒度异质属性图对比学习的期刊推荐方法在说明书摘要公布了：本发明公开了一种基于多粒度异质属性图对比学习的期刊推荐方法，涉及数据分析技术领域，该期刊推荐方法包括以下步骤：数据处理、多粒度语义特征提取、基于异质图神经网络对比学习的多粒度结构特征提取和自适应学习。本发明基于异质图神经网络、对比学习、卷积神经网络和文本预处理方法，将文本处理为多粒度并从语义和结构方向下分别进行处理，使用分层自适应学习来将这些处理后的特征整合成一个最终的最优文本特征，使用softmax来得到最终的分类结果；并在考虑到论文和期刊的特殊性下整合了多个损失函数来训练模型。最终达到了只基于论文内容的针对特定研究领域的期刊推荐高质量效果。

本发明授权一种基于多粒度异质属性图对比学习的期刊推荐方法在权利要求书中公布了：1.一种基于多粒度异质属性图对比学习的期刊推荐方法，其特征在于，包括以下步骤： 步骤1）数据处理，收集论文的摘要和标题，并从中提取论文的文档粒度、句子粒度、单词粒度、主题粒度和标题粒度的信息； 步骤2）多粒度语义特征提取，将文档粒度、句子粒度、单词粒度的信息输入进多粒度语义特征提取模块，通过预训练和由卷积层与全连接层组成的特征加强网络得到三种粒度下的语义特征、和； 步骤3）基于异质图神经网络对比学习的多粒度结构特征提取，将文档粒度、句子粒度、单词粒度、主题粒度和标题粒度的信息输入进基于异质图神经网络对比学习的多粒度结构特征提取模块，构建全局异质属性图，根据全局异质属性图构建全局异质拓扑图，然后构建四个局部子图，使用基于双层注意力机制的异质图卷积对构建好的全局异质属性图、全局异质拓扑图和四个局部子图进行预训练，使用交叉回路图对比学习随机选取好正负对，然后将预训练好的图分别通过-一个全连接网络来进一步增强特征，得到六种视角的结构特征； 基于异质图神经网络对比学习的多粒度结构特征提取的具体步骤如下： 步骤S1：结构角度下，输入文本的文档、句子、单词、标题和主题五个粒度的信息来构建全局异质属性图，具有D、S、T、W四种节点，D-W,D-S,D-T,T-W,S-W五种连接； 步骤S2：通过将全局异质属性图中的D和S节点的属性向量替换为无语义信息的TFIDF向量以及节点W的属性向量替换为无语义信息的one-hot向量，构成为全局异质拓扑图； 步骤S3：从全局异质拓扑图中分离出三个局部子图，由除D以外的每种类型的节点和节点D组成：D-W，D-T，D-S，局部子图包含全局异质拓扑图中两种类型的节点和对应的连接关系，将D-S局部图中S节点的属性向量替换为Sent2vec向量得到第四个局部子图D-Sv； 步骤S4：使用基于双层注意力机制的异质图卷积来对以上构建的六个图进行预训练，得到预训练后的向量；提取全局异质拓扑图、全局异质属性图和四个局部子图中多维节点信息和结构，使用交叉回路图对比学习随机选取好正负对； 步骤S5：将预训练过的全局异质拓扑图、全局异质属性图和四个局部子图的D节点的属性向量分别输入到全连接层中进行进一步的特征增强，并将这些全连接层的输出，获得六种视角的结构特征； 步骤4）自适应学习，使用分层自适应学习来将三种语义特征和六种结构特征融合为一个最优的文本特征，其中，整合多种损失函数训练模型； 步骤5），使用softmax对进行分类，得到期刊推荐结果。

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吉林大学，其通讯地址为：130012 吉林省长春市前进大街2699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”。