欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024110039143
申请人: 南京林业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种公平感知社交推荐方法,其特征在于,包括:

获取社交网络中节点数据和节点交互数据;其中,节点包括用户节点和物品节点;

根据社交网络中节点数据和节点交互数据,采用推荐模型,获得所有节点的去偏后的最终特征;其中,在推荐模型中,根据节点交互数据和节点数据,构建异质社交网络并提取异质社交网络中的节点特征,根据节点特征中的用户节点特征和节点数据中的用户节点数据,对异质社交网络中的第一用户节点特征去偏,根据预设元路径对异质社交网络中结构语义特征去偏,将去偏后的第一用户节点特征和其余节点特征分别与对应的去偏后的结构语义特征进行拼接,获得所有节点初步去偏后的特征,根据所有节点初步去偏后的特征,采用异质图神经网络,获得所有节点的去偏后的最终特征;其中,第一用户节点为含敏感属性的用户节点;

根据所有节点的去偏后的最终特征,采用相似性方法,获得每个用户节点的推荐物品;

所述异质图神经网络预先训练,训练时的损失函数包括基于Wasserstein距离的多方损失项LWD、个体公平性损失项Lind和推荐性能损失项Lutil;

式中,A为节点类型集合,为敏感属性为0的类型为T的节点特征在空间中的分布,为敏感属性为1的类型为T的节点特征在空间中的分布,表示和之间的Wasserstein距离,Cosine(hi,hj)为hi和hj的余弦相似性,hi和hj分别为节点vi和vj的特征向量,Θ[i,j]为Θ中的第i行第j列,Θ为节点原始特征的余弦相似性矩阵,φ(hi,hj)为基于hi和hj进行推荐的结果评分,yij为节点vi和vj之间的交互标签,L为任一推荐性能损失;

每轮训练过程中,各损失项系数根据收敛速度更新;公式为:

λ1=exp(wutil)/(exp(wutil)+exp(wwd)+exp(wind));

λ2=exp(wwd)/(exp(wutil)+exp(wwd)+exp(wind));

λ3=exp(wind)/(exp(wutil)+exp(wwd)+exp(wind));

式中,λ1、λ2和λ3分别为Lutil、LWD和Lind的系数,wutil、wwd和wind分别为Lutil、LWD和Lind的收敛速度。

2.根据权利要求1所述的公平感知社交推荐方法,其特征在于,根据节点特征中的用户节点特征和节点数据中的用户节点数据,对异质社交网络中的第一用户节点特征去偏,包括:根据节点数据中的用户节点数据,提取第一用户节点,并根据敏感属性值将第一用户节点分组,计算组之间的平均特征偏差;

将第一用户节点特征投影到与平均特征偏差正交的方向,获得去偏后的第一用户节点特征。

3.根据权利要求1所述的公平感知社交推荐方法,其特征在于,根据预设元路径对异质社交网络中结构语义特征去偏,包括:根据预设元路径,采用均衡元路径采样方法对异质社交网络进行结构语义采样,获得采样序列;其中,采样序列中,最邻近第一用户节点的敏感属性值不同;

根据采样序列,采用异质Skip-Gram模型,获得去偏后的结构语义特征。

4.根据权利要求1所述的公平感知社交推荐方法,其特征在于,根据所有节点初步去偏后的特征,采用异质图神经网络,获得所有节点的去偏后的最终特征,包括:采用线性变换方式,将不同类型节点的初步去偏后的特征映射到统一维度向量空间;

针对异质社交网络中每一对相邻节点,根据映射后的特征,计算相邻节点之间的特征自注意力值;

根据特征自注意力值进行相邻节点特征传递与聚合,获得所有节点的去偏后的最终特征。

5.根据权利要求4所述的公平感知社交推荐方法,其特征在于,相邻节点之间的特征自注意力值,公式为:式中,euv为相邻节点之间的特征自注意力值,d为缩放因子,hv(c)为信息聚合过程中中心节点特征,hu(t)为信息聚合过程中上下文节点特征。

6.根据权利要求1所述的公平感知社交推荐方法,其特征在于,根据所有节点的去偏后的最终特征,采用相似性方法,获得每个用户节点的推荐物品,包括:针对用户节点A1,从异质社交网络中获取与用户节点A1无直接交互的物品节点集B1;

计算用户节点A1的最终特征与物品节点集B1中各物品节点的最终特征之间的相似度,选取相似度最高的K个物品作为用户节点A1的推荐物品。

7.一种公平感知社交推荐装置,其特征在于,包括:

获取模块,获取社交网络中节点数据和节点交互数据;其中,节点包括用户节点和物品节点;

去偏模块,根据社交网络中节点数据和节点交互数据,采用推荐模型,获得所有节点的去偏后的最终特征;其中,在推荐模型中,根据节点交互数据和节点数据,构建异质社交网络并提取异质社交网络中的节点特征,根据节点特征中的用户节点特征和节点数据中的用户节点数据,对异质社交网络中的第一用户节点特征去偏,根据预设元路径对异质社交网络中结构语义特征去偏,将去偏后的第一用户节点特征和其余节点特征分别与对应的去偏后的结构语义特征进行拼接,获得所有节点初步去偏后的特征,根据所有节点初步去偏后的特征,采用异质图神经网络,获得所有节点的去偏后的最终特征;其中,第一用户节点为含敏感属性的用户节点;

推荐模块,根据所有节点的去偏后的最终特征,采用相似性方法,获得每个用户节点的推荐物品;

所述异质图神经网络预先训练,训练时的损失函数包括基于Wasserstein距离的多方损失项LWD、个体公平性损失项Lind和推荐性能损失项Lutil;

式中,A为节点类型集合,为敏感属性为0的类型为T的节点特征在空间中的分布,为敏感属性为1的类型为T的节点特征在空间中的分布,表示和之间的Wasserstein距离,Cosine(hi,hj)为hi和hj的余弦相似性,hi和hj分别为节点vi和vj的特征向量,Θ[i,j]为Θ中的第i行第j列,Θ为节点原始特征的余弦相似性矩阵,φ(hi,hj)为基于hi和hj进行推荐的结果评分,yij为节点vi和vj之间的交互标签,L为任一推荐性能损失;

每轮训练过程中,各损失项系数根据收敛速度更新;公式为:

λ1=exp(wutil)/(exp(wutil)+exp(wwd)+exp(wind));

λ2=exp(wwd)/(exp(wutil)+exp(wwd)+exp(wind));

λ3=exp(wind)/(exp(wutil)+exp(wwd)+exp(wind));

式中,λ1、λ2和λ3分别为Lutil、LWD和Lind的系数,wutil、wwd和wind分别为Lutil、LWD和Lind的收敛速度。

8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储一个或多个程序,一个或多个程序包括指令,指令当由计算设备执行时,使得计算设备执行权利要求1~6任一所述的方法。

9.一种计算机设备,其特征在于,包括:

一个或多个处理器、以及一个或多个存储器,一个或多个程序存储在一个或多个存储器中并被配置为由一个或多个处理器执行,一个或多个程序包括用于执行权利要求1~6任一所述的方法的指令。