公开(公告)号：CN119005306A

公开(公告)日：2024-11-22

申请号：CN202410251542.X

申请日：2024-03-05

Applicant: 桂林电子科技大学

Inventor： 古天龙 ,  王磊 ,  王学敏 ,  包旭光 ,  常亮

IPC: G06N5/02 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/094

Abstract: 该方法实现了部分观察敏感属性实现反事实公平图表示学习方法。其主要考虑到由于用户隐私偏好差异导致可直接观察的敏感属性存在一定程度缺失情况，无法针对敏感属性缺失的个体数据学习得到正确的反事实公平图表示。为此，我们特意提出该学习方法。我们借用图神经网络中具有相同敏感属性的个体更容易聚集在一起的原理，部署了一个敏感属性估计器，根据缺失敏感属性节点的非敏感属性值以及其邻居节点的特征属性值，用来准确预测缺失敏感属性节点的真实敏感属性值。通过敏感属性估计器的补全操作后，我们就可以得到敏感属性补全后的真实图数据，这样就可以学习得到所有节点的反事实公平图表示。

公开(公告)号：CN118761729A

公开(公告)日：2024-10-11

申请号：CN202410842419.5

申请日：2024-06-26

Applicant: 桂林电子科技大学

Inventor： 常亮 ,  耿琪昌 ,  王学敏 ,  朱创营 ,  曾宇 ,  甘尧瑞

IPC: G06Q10/10 ,  G06Q50/00 ,  G06N3/0442 ,  G06N3/094 ,  G06N3/0464 ,  G06N3/042

Abstract: 本发明公开了一种减少流行度偏差的多视图群组推荐方法：首先设计了一个鉴别器来检测项目的偏差，使模型可以减轻项目端的流行度偏差以提升项目的公平性。其次为了弥补提升模型的公平性带来的推荐效用的损失，设计了组级、项目级、信任度级和成员级四个不同的视图，来捕捉群组、用户和项目三者之间的高阶交互信息。最后将群组的信任度与相似度结合丰富群组之间的数据。本发明方法考虑了群组推荐任务与公平任务的联系，通过多视图的方法使得模型能够更准确的表示群组偏好，并通过对抗训练能够减轻模型项目端的流行度偏见。该发明在推荐的效果和公平性上都得到了提升。