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！

龙图腾网获悉哈尔滨工业大学申请的专利一种基于数据因果图与反事实推理的用户偏好预测方法、系统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：CN119782623B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411979263.1，技术领域涉及：G06F16/9535；该发明授权一种基于数据因果图与反事实推理的用户偏好预测方法、系统及存储介质是由何慧;尹晟;杨洪伟;武兴隆;邰煜;张伟哲设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种基于数据因果图与反事实推理的用户偏好预测方法、系统及存储介质在说明书摘要公布了：本发明一种基于数据因果图与反事实推理的用户偏好预测方法、系统及存储介质，涉及行为序列推荐领域，为解决现有的评分公式未充分考虑物品文本信息，且缺乏针对性去偏操作，可能将模型固有的偏差传递至最终的推荐结果中的问题。包括：步骤1、采集用户‑物品交互和物品文本数据；步骤2、构建大模型，基于大模型的序列推荐构建数据因果图，进行干预操作构建反事实世界并进行评分预测，通过计算序列与物品在真实世界和反事实世界中的匹配度、计算在真实世界和反事实世界中物品文本和序列的联合特征匹配度以及计算文本信息与序列的匹配程度，并引入超参λ2控制文本信息对结果的影响尺度，生成最终的预测评分公式；步骤3、通过大模型生成推荐结果。

本发明授权一种基于数据因果图与反事实推理的用户偏好预测方法、系统及存储介质在权利要求书中公布了：1.一种基于数据因果图与反事实推理的用户偏好预测方法，其特征在于，包括如下步骤： 步骤1、采集用户-物品交互信息数据，对用户-物品交互信息数据进行预处理得到序列集合，采集物品文本信息数据，对文本信息数据进行预处理得到文本信息集合； 步骤2、构建大模型，所述大模型的评分预测过程，基于大模型的序列推荐构建数据因果图，进行干预操作构建反事实世界并进行评分预测，通过计算序列与物品在真实世界和反事实世界中的匹配度、计算在真实世界和反事实世界中物品文本和序列的联合特征匹配度以及计算文本信息与序列的匹配程度，并引入超参数控制文本信息对结果的影响尺度，生成最终的预测评分公式； 步骤3、将序列集合和文本信息集合输入所述大模型生成推荐结果； 步骤2中所述大模型包括基于大模型的物品文本表示学习模块和基于图神经网络的序列表示学习模块；所述基于大模型的物品文本表示学习模块通过大语言模型提取物品文本的高质量语义嵌入，结合线性层映射和多层感知机生成适配推荐任务的物品表示；所述基于图神经网络的序列表示学习模块利用会话图和全局图捕捉物品的局部顺序关系和跨会话共现关系，生成用户行为序列的综合表示； 所述基于图神经网络的序列表示学习模块的功能实现过程为： 会话图的构建方式未：构建每个会话s为一个有向会话图其中点集中的顶点是会话s中的顶点，边集中的任意一条边代表在该序列中物品的先后顺序，代表物品i在物品j之前被交互； 对于节点vi的表示由其上一层表示以及邻居节点的特征加权聚合得到，即： 其中权重αij是基于节点间相关性计算的注意力权重，用以动态调整邻居节点对目标节点更新的影响力，eij为节点vi和vj的相关性得分，结合了物品嵌入表示的特征表示和通过可学习参数W4和注意力向量a进行非线性变化得到： 全局图的构建方式为：图中每个节点vi表示一个物品，若物品vi和vj在至少一个用户会话中共同出现，则在vi和vj之间建立边vi，vj，边的权重通过物品间的共现频率定义，即： 其中freqvi，vj是vi和vj的共现次数，freqvi和freqvj分别是物品vi和vj出现的次数； 信息传播通过基于注意力机制的加权和来聚合邻居节点的信息；邻居特征的加权聚合公式为： 邻居节点的重要性由会话上下文敏感的权重函数πvi，vj计算，用于区分不同邻居对当前物品的重要程度，权重为： 其中是当前会话中的物品进行平均池化得到的特征向量，即： 其中，wij为物品之间的权重，⊙表示逐元素乘法，||表示拼接，W5和q1是可学习参数； 信息聚合步骤将当前物品的特征表示hv与从邻居传播来的特征进行融合，通过非线性变换生成新的物品表示，即： 其中W6是线性变换权重矩阵，ReLU是激活函数； 堆叠多层传播机制捕获高阶邻居信息，每层通过前一层的物品表示和邻居表示计算生成，第k层的表示定义为： 首先，通过全局图学习物品的高阶特征表示，并结合会话特征生成物品的综合表示，每个物品的最终表示为： 对物品表示和逆序位置表示pl-i+1进行拼接，进过非线性变化生成新的表示，即： 其中W7和b4是可学习参数； 最后，将物品的加权表示组合成最终的会话表示，即： 权重βi由软注意力机制进行动态计算获得： W8，W9，q2，b5为可学习参数； 初步的会话特征s′利用会话中所有物品的平均表示计算获得，即： 其中l为序列长度； 步骤2中大模型的评分预测过程具体包括如下步骤： 计算序列与物品在真实世界和反事实世界中的匹配度，即： 计算在真实世界和反事实世界中物品文本和序列的联合特征匹配度，即： 计算文本信息与序列的匹配程度，即： 引入超参λ2来控制文本信息对结果的影响尺度，生成最终的预测评分公式： 式中，s为序列表示，为物品vi的物品表示，Qh，s为物品固有特征和序列特征之间的匹配度，Ps，l为序列和文本特征对评分的影响，Ph，l，s建模物品固有特征、序列特征和文本特征的影响，E是一个转换矩阵，θs为序列的文本感知因子，是向量的Hadamard积，σ是Sigmod函数； 所述大模型的损失函数为： 其中采用二元交叉损失熵函数： 其中m是候选物品集的大小即所有候选物品的数量，yi∈{0，1}是真实标签。

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哈尔滨工业大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区西大直街92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”。