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！

申请/专利权人：重庆大学

摘要：本发明涉及一种基于因果图的兴趣点推荐去偏方法，是一个统一的去偏方法，通过结构因果图对吸引力进行干预，通过实现吸引力的正面和正面影响之间的平衡，本发明方法有助于减轻偏差并实现平衡。该方法利用反事实推理和自监督学习来减少负面吸引力影响，通过最大化向量空间中反事实和观测数据之间的一致性来实现。此外，将从多维吸引力中学习的吸引力特征与用户特征相结合，以利用吸引力的正面影响。在实验中，相对于其他模型，该方法在提高低吸引力地点推荐频率的同时，在整体上保持了较好的性能。

主权项：1.一种基于因果图的兴趣点推荐去偏方法，其特征在于：包括如下步骤：S1：获取用户的历史轨迹，设U＝u1，u2…uN为用户集合，其中N为用户数量，L＝l1，l2…lM为地点集合，M为地点数量，li＝idi，cati，loni，lati，代表着第i号签到地点的详细描述，idi，cati，Ioni，lati分别表示第i号签到地点的ID，类别，经度以及纬度；用户ui的出行轨迹定义为每个轨迹的签到地点cj＝ui，lj，tj代表用户ui在时间tj去地点lj签到；S2：构建削弱吸引力负面影响模块WNA，减轻吸引力对用户的负面影响，计算对应的不受负面吸引力影响的反事实增强数据Tca和受吸引力影响的观察增强数据Toa，在每个批次的训练中，将由同一用户生成的Tca与Toa作为正样本，该批次中的其它用户作为负样本对WNA进行训练，当自监督学习损失收敛后表示训练结束，得到训练后的WNA，将输入训练后的WNA得到削弱吸引力影响的用户特征；S3：构建利用吸引力正面影响模块LPA，并使用S2所得削弱吸引力影响的用户特征作为LPA的输入训练LPA，训练过程中，利用梯度下降法对LPA和训练后的WNA的模型参数共同进行更新，当总损失收敛后表示训练结束，得到最优LPA和最优WNA；S4：获取一个新用户的轨迹，使用最优LPA和最优WNA中特征提取器对新用户的轨迹提取用户特征h'P，将h'P与不同地点的嵌入ep进行矩阵乘法计算，最终得到的数值作为各地点的推荐得分，推荐得分越高的地点表示越有可能被新用户所选择，按照推荐得分对推荐得分对应的地点进行降序排列，得到推荐列表。

全文数据：

权利要求：

百度查询： 重庆大学 一种基于因果图的兴趣点推荐去偏方法