申请/专利权人：中山大学

申请日：2024-01-11

公开（公告）日：2024-04-12

公开（公告）号：CN117874360A

主分类号：G06F16/9536

分类号：G06F16/9536;G06Q30/0601;G06N3/042;G06N3/0455;G06N3/084;G06F16/36;G06N5/022;G06F18/25;G06N3/048

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明涉及推荐系统技术领域，尤其涉及一种基于图优化和可控生成的可解释性推荐方法及系统，包括利用图神经网络编码模型对用户‑物品交互图进行表征学习，得到推荐图谱表征，通过神经协同过滤模型对推荐图谱表征进行预测，得到用户‑物品偏好评分；基于用户‑物品偏好评分和用户‑物品交互图，利用图神经网络解释器进行互信息优化解释，生成最优解释子图和最优图节点解释特征子集；以最优图节点解释特征子集为可控条件预测用户对物品的偏好，生成可控解释文本。本发明通过神经协同过滤模型和图神经网络解释器两种模型相关和模型无关的解释方式共同解释探测推荐算法，有效地平衡推荐效果和解释质量，有助于建立用户对推荐系统的信任。

主权项：1.一种基于图优化和可控生成的可解释性推荐方法，其特征在于，包括以下步骤：构建用户-物品交互图，并利用图神经网络编码模型对所述用户-物品交互图进行表征学习，得到推荐图谱表征；所述推荐图谱表征包括用户行为偏好状态表征、物品节点表征和用户-物品交互关系表征；利用神经协同过滤模型对所述推荐图谱表征进行预测，得到用户-物品偏好评分；构建基于图结构的图神经网络解释器，并基于所述用户-物品偏好评分和所述用户-物品交互图，利用所述图神经网络解释器进行互信息优化解释，生成最优解释子图和最优图节点解释特征子集；基于所述推荐图谱表征，以所述最优图节点解释特征子集为可控条件，利用文本生成器预测用户对物品的偏好，生成可控解释文本。

全文数据：

权利要求：

百度查询： 中山大学 一种基于图优化和可控生成的可解释性推荐方法及系统

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