公开(公告)号：CN118708818A

公开(公告)日：2024-09-27

申请号：CN202410940744.5

申请日：2024-07-12

Applicant: 桂林电子科技大学

Inventor： 胡丽娟 ,  耿琪昌 ,  郑卓远

IPC: G06F16/9535 ,  G06F18/214 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/08 ,  G06Q10/04 ,  G06Q10/0639

Abstract: 本发明公开了一种基于因果去偏的群组推荐方法：首先，通过建立因果图和结构因果模型(SCM)，深入分析群组推荐中的因果关系，针对推荐系统中存在的偏差问题使用因果机制的去偏模块，减少混淆因子造成的因果效应。其次，将群组项目对和群组用户对分别通过超图卷积和自注意力机制得到不同的群组偏好表示，然后通过注意力机制动态调整权重。最后通过贝叶斯个性化排名损失(BPR)优化得到最终的推荐列表，该发明在群组推荐的公平和质量上都得到了提升。

公开(公告)号：CN119252491A

公开(公告)日：2025-01-03

申请号：CN202411440879.1

申请日：2024-10-15

Applicant: 桂林电子科技大学

Inventor： 郑卓远 ,  蔡云鹏 ,  杨玉洁 ,  蒋重庆

IPC: G16H50/30 ,  G16H50/50 ,  G16H50/70 ,  G06F18/2415 ,  G06N7/01

Abstract: 本发明公开了一种适用于不可度量医学数据的特征选择方法。本发明适用于辅助医学诊断和模式识别相关领域中的不可度量数据处理及分类。本方法能够在不引入噪声的前提下，快速准确的剔除不可度量数据中的冗余信息，从而保留相关的重要特征。本方法的主要步骤为：(1)对数据进行预处理；(2)生成已有样本的先验概率；(3)建立目标样本的识别模型；(4)给出识别模型对应的目标函数；(5)用等价的优化问题表示目标函数；(6)对优化问题求解；(7)模型可解释性分析；(8)模型效果及评估。该方法利用了数据本身的概率信息进行特征选择，避免了人为的对数据添加额外的错误信息，能够从大规模不可度量数据中选择出重要的特征。

公开(公告)号：CN118690157A

公开(公告)日：2024-09-24

申请号：CN202410815653.9

申请日：2024-06-24

Applicant: 桂林电子科技大学

Inventor： 胡丽娟 ,  郑卓远

IPC: G06F18/2113 ,  G06F18/10 ,  G06N7/01

Abstract: 本发明公开了一种基于邻域互信息的因果特征选择方法，首先利用邻域互信息学习每个特征变量的因果结构，然后通过特征变量之间的互信息发现目标变量的配偶变量，从而揭示目标变量与类变量的因果机制。具体来说，第一阶段使用规范化的邻域互信息发现特征之间的关联程度，获得目标变量的父子变量(PC)集合，并标记相关性最强的特征。然后第二阶段利用条件互信息寻找每个目标变量的配偶变量(SP)集合。最后是第三阶段，识别第一阶段的强相关特征，检查是否有忽略的特征并将它们找回，输出PC和SP的交集，即目标变量的马尔可夫毯(MB)的结果。