申请/专利权人：东北大学

申请日：2020-12-18

公开（公告）日：2023-11-24

公开（公告）号：CN112435103B

主分类号：G06Q30/0601

分类号：G06Q30/0601;G06F16/9535;G06F16/36;G06F16/9536

优先权：

专利状态码：有效-授权

法律状态：2023.11.24#授权;2021.03.19#实质审查的生效;2021.03.02#公开

摘要：本发明提供一种事后多样性解释的智能推荐方法及系统，根据用户历史交易记录收集包含商品解释说明信息的样本数据，构建样本集，并对样本集中的每条样本数据进行预处理，然后将无可解释的推荐模型作为黑盒模型，将n种可解释算法作为黑盒模型的基线模型，利用预处理后的样本数据对模型进行训练，根据生成的KL散度值筛选出最优匹配基线模型，本发明给出了一种精确度与可解释性同时兼顾的推荐方法，为没有可解释的算法提供了高精度的事后可解释，同时赋予推荐结果多样的解释，提高了用户对推荐算法的忠诚度与满意度。

主权项：1.一种事后多样性解释的智能推荐方法，其特征在于，包括如下步骤：步骤1：根据用户历史交易记录收集包含商品解释说明信息的样本数据，构建样本集；步骤2：对样本集中的每条样本数据进行预处理，包括：步骤2.1：对每条样本数据是否有文本评论、社交关系、商品特征进行标记；步骤2.2：利用公式1对每条样本数据中的商品评分值进行归一化处理，将商品评分值限制在0,1范围内， 式中，x表示每条样本数据中的商品评分值，xmax表示样本集中所有样本数据评分值中的最大值，xmin表示样本集中所有样本数据评分值中的最小值，x*表示归一化处理后的商品评分值；步骤3：将无可解释的推荐模型作为黑盒模型，将n种可解释算法作为黑盒模型的基线模型；步骤4：利用预处理后的样本数据对黑盒模型、基线模型同时进行训练，输出推荐结果，并生成相应模型参数的概率分布；步骤5：筛选出与黑盒模型推荐结果一致的基线模型，作为候选基线模型；步骤6：利用KL散度计算黑盒模型生成的概率分布与各候选基线模型生成的概率分布之间的散度值；步骤7：将所有的散度值进行从小到大排序，选取前K个散度值对应的基线模型作为黑盒模型的最优匹配基线模型，其中K小于等于n；步骤7：利用K个最优匹配基线模型生成黑盒模型输出的推荐商品的K种可解释说明。

全文数据：

权利要求：

百度查询： 东北大学 一种事后多样性解释的智能推荐方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD