面向智能车间产品信息的去偏推荐方法和装置制造方法及图纸

本发明专利技术公开了一种1、一种面向智能车间产品信息的去偏推荐方法和装置，包括：(1)获取Adult数据集作为产品信息推荐模型的训练数据集，从训练数据集中提取敏感样本并确定敏感属性；(2)采用SHAP解释器以及正交化操作对训练样本进行敏感属性影响的去偏处理，以得到去偏的样本向量；(3)利用去偏的样本向量对构建的产品推荐模型进行训练，以得到去除敏感属性影响的产品推荐模型；(4)利用采集的各类车间产品信息对步骤(3)训练后的产品推荐模型进行再优化训练，以得到适配各类车间产品信息的个性化产品推荐模型；(5)利用个性化产品推荐模型进行产品信息的去偏推荐，能够实现对车间产品信息的推荐去偏效果。信息的推荐去偏效果。信息的推荐去偏效果。

【技术实现步骤摘要】
面向智能车间产品信息的去偏推荐方法和装置


[0001]本专利技术属于产品信息推荐领域，具体涉及一种面向智能车间产品信息的去偏推荐方法。

技术介绍

[0002]智能车间管理系统是一套多种软硬件结合，以产品生产水平整体提高为核心，通过网络及软件管理系统把数控自动化设备实现了互联互通，智能车间能够使生产设备能力提高、车间物流能力提高、车间能源管理能力提高。
[0003]智能车间产品信息推荐是为客户实现的定制化服务，推荐系统中的偏差和不公平现象是随着深度学习算法的诞生就与生俱来的，而不是人为故意产生的。例如在审美方面，城市的小资情怀和农村的看点是很难共存的。因此，智能车间产品信息推荐应剔除导致不公平现象的敏感属性，以保证推荐结果的公平性。
[0004]专利文献CN103268344A公开了一种无位置偏见影响的广告与页面匹配的方法，包括步骤：a.确定每个搜索页面中所有广告的展示位置、展示次数和点击次数；b.利用统计方法，能够排除广告所在页面位置对广告点击所造成的影响，计算每个页面下刊登的每个广告的固有点击率；c.根据页面与广告的固有点击率，计算页面之间关于广告的相似度关系；d.对于一个待推荐的目标页面，根据相似的其他页面，为其匹配合适的广告。该专利申请通过根据广告展示位置来调整特定页面下特定广告的点击率，以实现对页面匹配广告的推荐。
[0005]专利文献CN114037321A公开了一种面向公平性的众包测试人员推荐方法，包括将一众包任务的需求描述表示为描述性术语向量；根据描述性术语向量与待推荐人员的属性信息，预测各待推荐人员在进行众包任务中的缺陷检测概率；设定包含最大化缺陷发现概率和最小化推荐频率差异在内的若干个公平性目标，并进行多目标优化，获取众包测试人员推荐结果。本专利技术能够减轻不公平问题，产生更公平的推荐。
[0006]以上两个专利文献能够实现对传统算法在推荐过程中的不公平问题，但是并不能解决基于深度学习模型的推荐过程中存在的不公平问题。

技术实现思路

[0007]鉴于上述，本专利技术的目的是提供一种面向智能车间产品信息的去偏推荐方法，通过使用SHAP解释器以及正交化操作，从而达到车间产品信息的推荐去偏效果。
[0008]为实现上述专利技术目的，实施例提供以下技术方案：
[0009]一种面向智能车间产品信息推荐的去偏方法，包括以下步骤：
[0010](1)获取Adult数据集作为产品信息推荐模型的训练数据集，从训练数据集中提取敏感样本并确定敏感属性；
[0011](2)采用SHAP解释器以及正交化操作对训练样本进行敏感属性影响的去偏处理，以得到去偏的样本向量；
[0012](3)利用去偏的样本向量对构建的产品推荐模型进行训练，以得到去除敏感属性影响的产品推荐模型；
[0013](4)利用采集的各类车间产品信息对步骤(3)训练后的产品推荐模型进行再优化训练，以得到适配各类车间产品信息的个性化产品推荐模型；
[0014](5)利用个性化产品推荐模型进行产品信息的去偏推荐。
[0015]在一个实施例的步骤(1)中，从训练数据集中提取敏感样本并确定敏感属性，包括：
[0016]判断当满足x
A
≠x
′
A
，x
NA
＝x
′
NA
，θ(x)≠θ(x
′
)时，即当数据样本x的属性A的属性值x
A
与数据样本x
′
的属性A的属性值x
′
A
不相等，数据样本x的非属性A的其他属性NA的属性值x
NA
与数据样本x
′
的非属性A的其他属性NA的属性值x
′
NA
相等，推荐模型θ对数据样本x的推荐结果与对数据样本x
′
的推荐结果不相等，则认为属性A为敏感属性，(x,x
′
A
)为敏感样本。
[0017]在一个实施例的步骤(2)中，采用SHAP解释器以及正交化操作对训练样本进行敏感属性影响的去偏处理，包括：
[0018]首先，采用SHAP解释器检测得到训练样本中对模型的推荐结果贡献大的特征向量x
imp
，同时获得敏感属性的特征向量x
A
；然后，将特征向量x
imp
与特征向量x
A
进行正交计算，以消除敏感属性对推荐结果的影响，得到去偏后的样本向量。
[0019]在一个实施例中，所述采用SHAP解释器检测得到训练样本中对模型的推荐结果贡献大的特征向量x
imp
，包括：
[0020]假设第i个训练样本x
i
的第k个特征为x
ik
，模型对训练样本x
i
的预测值为y
i
，以所有训练样本的目标变量的均值为模型的基线y
base
，那么SHAP值服从以下等式：
[0021]y
i
＝y
base
+f(x
i1
)+f(x
i2
)+
…
+f(x
ik
)
[0022]其中，f(x
ik
)为x
ik
的SHAP值，即对最终预测值y
i
的贡献值，当f(x
ik
)>0，说明特征x
ik
提升了预测值，起正向作用；反之，说明特征x
ik
降低了预测值降低，起反向作用。
[0023]在一个实施例的步骤(3)中，构建的产品推荐模型为由全连接层组成的全连接神经网络，每层全连接层采用激活函数ReLU或激活函数SoftMax。
[0024]在一个实施例的步骤(3)和步骤)(4)中，训练产品推荐模型时采用的损失函数为交叉熵损失函数，采用的优化器使用Adam优化器。
[0025]在一个实施例中，还包括步骤(3
’
)从Adult数据集提取数据作为测试样本，利用测试样本对步骤(3)训练后的产品推荐模型进行测试，当测试样本的测试结果满足公平性评估指标机会平等时，则认为经过训练的产品推荐模型达到了公平，其中，机会平等的公式为：
[0026][0027]其中，表示预测结果，A为敏感属性，当上式的左右两边的结果相等或者差在阈值范围内时，则认为产品推荐模型达到了去偏效果。
[0028]为实现上述专利技术目的，实施例还提供了一种面向智能车间产品信息推荐的去偏推荐装置，包括：
[0029]敏感属性确定模块，用于获取Adult数据集作为产品信息推荐模型的训练数据集，从训练数据集中提取敏感样本并确定敏感属性；
[0030]去偏处理模块，用于采用SHAP解释器以及正交化操作对训练样本进行敏感属性影响的去偏处理，以得到去偏的样本向量；
[0031]模型训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向智能车间产品信息的去偏推荐方法，其特征在于，包括以下步骤：(1)获取Adult数据集作为产品信息推荐模型的训练数据集，从训练数据集中提取敏感样本并确定敏感属性；(2)采用SHAP解释器以及正交化操作对训练样本进行敏感属性影响的去偏处理，以得到去偏的样本向量；(3)利用去偏的样本向量对构建的产品推荐模型进行训练，以得到去除敏感属性影响的产品推荐模型；(4)利用采集的各类车间产品信息对步骤(3)训练后的产品推荐模型进行再优化训练，以得到适配各类车间产品信息的个性化产品推荐模型；(5)利用个性化产品推荐模型进行产品信息的去偏推荐。2.根据权利要求1所述的面向智能车间产品信息推荐的去偏方法，其特征在于，步骤(1)中，从训练数据集中提取敏感样本并确定敏感属性，包括：判断当满足x
A
≠x
′
A
，x
NA
＝x
′
NA
，θ(x)≠θ(x
′
)时，即当数据样本x的属性A的属性值x
A
与数据样本x
′
的属性A的属性值x
′
A
不相等，数据样本x的非属性A的其他属性NA的属性值x
NA
与数据样本x
′
的非属性A的其他属性NA的属性值x
′
NA
相等，推荐模型θ对数据样本x的推荐结果与对数据样本x
′
的推荐结果不相等，则认为属性A为敏感属性，(x,x
′
A
)为敏感样本。3.根据权利要求1所述的面向智能车间产品信息推荐的去偏方法，其特征在于，步骤(2)中，采用SHAP解释器以及正交化操作对训练样本进行敏感属性影响的去偏处理，包括：首先，采用SHAP解释器检测得到训练样本中对模型的推荐结果贡献大的特征向量x
imp
，同时获得敏感属性的特征向量x
A
；然后，将特征向量x
imp
与特征向量x
A
进行正交计算，以消除敏感属性对推荐结果的影响，得到去偏后的样本向量。4.根据权利要求3所述的面向智能车间产品信息推荐的去偏方法，其特征在于，所述采用SHAP解释器检测得到训练样本中对模型的推荐结果贡献大的特征向量x
imp
，包括：假设第i个训练样本x
i
的第k个特征为x
ik
，模型对训练样本x
i
的预测值为y
i
，以所有训练样本的目标变量的均...

【专利技术属性】
技术研发人员：刘祥，张英，
申请(专利权)人：余姚市亿盛金属制品有限公司，
类型：发明
国别省市：