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！

龙图腾网获悉合肥工业大学申请的专利基于互信息解耦的公平个性化推荐方法、设备及存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116010718B 。

龙图腾网通过国家知识产权局官网在2026-04-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310036773.4，技术领域涉及：G06F16/9536；该发明授权基于互信息解耦的公平个性化推荐方法、设备及存储介质是由吴乐;赵宸;邵鹏阳;张琨;汪萌;洪日昌设计研发完成，并于2023-01-10向国家知识产权局提交的专利申请。

本基于互信息解耦的公平个性化推荐方法、设备及存储介质在说明书摘要公布了：本发明公开了一种基于互信息解耦的公平个性化推荐方法、设备及存储介质，该方法的步骤包括：1.构造原始数据，包括：用户对产品的评分矩阵，用户敏感属性矩阵；2.构成敏感嵌入网络学习用户与产品的敏感嵌入，包括：有偏独热编码层、敏感信息编码器、敏感属性预测层；3.构建混合嵌入网络学习用户与产品的混合嵌入，包括：混合独热编码层，混合信息编码器与偏好预测层；4.构建无敏感嵌入网络，学习用户与产品的无敏感嵌入，包括无偏独热编码层、互信息下界优化层，互信息上界优化层。本发明通过对嵌入向量施加双重互信息公平约束，在改善推荐系统公平性的同时，保证了推荐准确性。

本发明授权基于互信息解耦的公平个性化推荐方法、设备及存储介质在权利要求书中公布了：1.一种基于互信息解耦的公平个性化推荐方法，其特征在于，是按如下步骤进行： 步骤1、构造原始数据，包括：用户对产品的评分矩阵，用户敏感属性矩阵： 假设有个用户和个产品，令表示用户集，且，其中，表示第个用户，；令表示产品集，且，其中，表示第个产品，； 令表示第个用户对第个产品是否有交互，若第个用户对第个产品有交互，则令，否则令，从而得到用户对产品的交互矩阵记为； 令用户敏感属性矩阵，其中，表示第个用户的敏感属性值； 步骤2、构建有偏嵌入网络，包括：有偏独热编码层、敏感信息编码器、敏感属性预测层，用于学习用户与产品的有偏嵌入，并得到第个用户的敏感属性预测值； 步骤2.1、所述有偏独热编码层将用户集与产品集分别映射到有偏嵌入空间，从而得到用户的有偏嵌入矩阵、产品的有偏嵌入矩阵，其中，表示第个用户的有偏嵌入向量；表示第个产品的有偏嵌入向量； 步骤2.2、构建敏感信息编码器，包括：个图卷积层，令当前图卷积层为； 将用户的有偏嵌入矩阵和产品的有偏嵌入矩阵输入敏感信息编码器中，并利用式8计算经过第个图卷积层后输出的第个用户的有偏嵌入向量与第个产品的有偏嵌入向量； 8 式8中，表示与第个用户有交互的产品集合，表示与第个产品有交互的用户集合，表示第个图卷积层输出的第个用户的有偏嵌入向量，表示第个图卷积层输出的第个产品的有偏嵌入向量，当，令，令；表示与第个用户有交互的产品集合的数量，表示与第个产品有交互的用户集合的数量； 步骤2.3、所述敏感属性预测层利用式9计算第个用户经过个图卷积层后得到的敏感属性预测值； 9 式9中，表示推断敏感属性的参数；表示第个图卷积层输出的第个用户的有偏嵌入向量；表示Sigmoid激活函数； 步骤3、根据式1计算有偏嵌入网络的损失函数： 1 式1中，是待学习的参数； 步骤4、使用梯度下降法对有偏嵌入网络进行训练，并最小化损失函数，直到损失函数收敛为止，从而得到训练后的有偏嵌入网络及其对应的最优参数；其中，表示用户的最优有偏嵌入矩阵，表示产品的最优有偏嵌入矩阵，表示最优的推断敏感属性的参数； 步骤5、构成混合嵌入网络，包括：混合独热编码层、混合信息编码器、偏好预测层，用于学习用户与产品的混合嵌入，并得到第个用户对第个产品的预测偏好分数 步骤6、根据式2计算损失函数 2 式2中，是待优化的参数，是第个用户的训练数据，代表与有交互的第个产品以及与没有交互的第个产品所构成的产品对；表示第个用户对第个产品的预测偏好分数，表示第个用户对第个产品的预测偏好分数，是正则化项系数，表示L2范数； 步骤7、使用梯度下降法对混合嵌入网络进行训练，并最小化损失函数，直到损失函数收敛为止，从而得到训练后的混合嵌入网络及其对应的最优参数，其中，表示用户的最优混合嵌入矩阵，表示产品的最优混合嵌入矩阵； 步骤8、构建无偏嵌入网络，包括：无偏独热编码层、互信息下界优化层，互信息上界优化层，用于学习用户与产品的无偏嵌入，并得到用户侧互信息下界和产品侧互信息下界、用户侧互信息上界和产品侧互信息上界； 步骤9、根据式3和式4分别计算优化用户侧的损失函数与产品侧的损失函数： 3 4 式3和式4中，与为待优化的参数； 步骤10、使用梯度下降法对无偏嵌入学习网络进行训练，并在每次迭代训练中，先最小化式5所示的损失函数来更新参数，再最小化式6所示的损失函数来更新参数，直到损失函数收敛为止，从而得到训练后的无偏嵌入网络及其对应的最优参数； 5 6 式5中，对应控制用户与产品的互信息下界的超参数，对应控制用户与产品的互信息上界的超参数； 步骤11、通过式7得到满足公平性要求的用户对产品的评分矩阵： 7。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。