CN109947749A - 一种具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法 - Google Patents

Abstract

本发明提供了一种具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法，结合无线或有线网络进行用户某一设备的行为操控数据的采集；将用户数据进行数据预处理，实现各维度空间数据映射到相同的数据空间；通过一种具有遗忘学习能力的自组织聚类算法得到用户若干个潜在的操控行为习惯的预测特征向量；将预测特征向量依据第二步的映射原则进行反映射还原，得到最终的符合用户操控行为习惯的智能推荐方案。该方法能够实现根据大量用户的历史操控记录数据预测用户对智能家居设备的最近期的操控行为习惯，以提高家居设备的智能化的水平。

Description

一种具有遗忘学习能力的智能家居用户操控行为习惯挖掘 方法

技术领域

本发明涉及智能家居领域，特别涉及一种具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法。

背景技术

在智能家居用户操控行为习惯预测与推荐领域中，在传统的单一设备挖掘算法中主要有以下缺点：

①传统算法无法根据用户操控记录的产生记录日期来对用户操控记录的权重进行识别，造成过于陈旧的用户操控记录对当前的用户操控行为习惯的预测产生较大的影响。此种情况下，若过于陈旧的历史记录与近期的历史记录达到接近1∶1甚至更大的比例时，算法所产生的用户操控行为习惯会偏移用户当前的真实操控行为习惯而向用户的历史操控行为习惯倾向，造成算法无法自适应用户操控行为习惯随时间推移而产生的变化。

②大部分高效的传统预测算法需要手动设置用户操控行为习惯的总量以初始化学习器，如K-means聚类预测算法以及基于K-means聚类预测的算法。

传统挖掘算法缺乏自组织初始化学习能力以及无法遗忘用户过于陈旧的操控记录，从而造成算法需要过多的人工干预以及所挖掘到的用户操控行为习惯无法使用用户操控行为习惯的变化而严重偏离用户最新的实际操控行为习惯的缺陷。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法，将用户行为习惯的操作数据进行预处理后，通过基于SOM神经网络以及遗忘规律的用户操控行为习惯挖掘方法来挖掘符合用户操控行为习惯的智能家居操控行为推荐方案。该方法能够实现根据大量用户的历史操控记录数据预测用户对智能家居设备的最近期的操控行为习惯，以提高家居设备的智能化的水平。

本发明的目的通过下述技术方案实现：一种具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法，其特征在于，包括以下步骤：

第一步、结合无线或有线网络进行用户某一设备的行为操控数据的采集；

第二步、将用户数据进行数据预处理，实现各维度空间数据映射到相同的数据空间；

第三步、通过一种具有遗忘学习能力的自组织聚类算法得到用户若干个潜在的操控行为习惯的预测特征向量；

第四步、将预测特征向量依据第二步的映射原则进行反映射还原，得到最终的符合用户操控行为习惯的智能推荐方案。

进一步地，所述第二步的数据预处理包括数据读取与分割、数据清洗与转换两大流程，

所述数据读取与分割是对用户历史操控数据的读取和汇聚，将数据集按照设备的不同进行分割形成n个数据块；

所述数据清洗与转换是对不同的数据块分别进行数据清洗与数据转换，将不同维度空间数据映射到相同的数据空间。

进一步地，所述将不同维度空间数据映射到相同的数据空间是根据以下公式，将其映射到取值范围为0-1之间的空间：

其中，date表示某一维度空间下的原始数据集，min函数是取数据集中的最小值，max函数是取数据集中的最大值。

进一步地，所述第三步的一种具有遗忘学习能力的自组织聚类算法包括两大步骤：

步骤一、初始化聚类预测学习器，将用户的某个智能家居设备的控制记录输入到SOM神经网络中，通过无监督学习由其自组织挖掘得到初始质心向量即用户操控行为习惯的预测特征向量；

步骤二、更新聚类预测学习器，将用户操控行为习惯的预测特征向量分配给其质心向量与控制记录具有最小欧氏距离的类别中并分配类标，计算新一轮类标分配结果中每个类别的新的质心向量。

进一步地，所述更新聚类预测学习器的过程中，采用基于遗忘规律的遗忘因子来更新每个类别的质心向量的特征值，遗忘因子是一个介于0-1的权重因子，表示如下：

其中，r_i表示针对某一智能家居设备的某一条操控记录；d(r_i)表示该条记录的产生日期；d_o表示该智能家居设备的最新的操控记录的产生日期。

进一步地，所述第四步的反映射还原是依据第二步的映射原则，根据如下公式进行的：

其中，date表示某一维度空间下的原始数据集，min函数是取数据集中的最小值，max函数是取数据集中的最大值；表示对数据x进行小于或等于x的数值取整。

本发明相对于现有技术具有如下的优点及效果：

本发明有利于更高效率形成一种更适合用户体验的智能家居操控行为推荐方案，同时增强了智能家居操控行为推荐方案的可扩展性，填补了传统算法的不足。

本发明提出一个基于遗忘规律的遗忘因子，使得本发明所提出的算法具有遗忘学习能力，以能跟人类一样慢慢遗忘掉用户一些过时的历史操控记录，从而避免过于陈旧的用户操控记录对当前的用户操控行为习惯预测产生巨大的负面影响，达到提高算法对用户操控行为习惯随时间推移而产生的变化的自适应能力。本发明提出采用SOM神经网络来自组织初始化学习器的思路，以实现算法的全自动化以及提高算法的自组织能力。

本发明大大克服了传统方法缺乏自组织初始化学习能力以及无法遗忘用户过于陈旧的操控记录，从而造成算法需要过多的人工干预以及所挖掘到的用户操控行为习惯无法使用用户操控行为习惯的变化而严重偏离用户最新的实际操控行为习惯的缺点。

附图说明

图1是具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法的整体流程框图；

图2是数据预处理的流程框图；

图3是数据读取与分割的流程框图；

图4是具有遗忘学习能力的自组织聚类算法的体系结构图；

图5是SOM神经网络的体系结构图；

图6是遗忘规律曲线图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

本实施例提出了一种具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法，其特征在于，包括以下步骤：

第一步、结合无线或有线网络进行用户某一设备的行为操控数据的采集；第二步、将用户数据进行数据预处理，实现各维度空间数据映射到相同的数据空间；第三步、通过一种具有遗忘学习能力的自组织聚类算法得到用户若干个潜在的操控行为习惯的预测特征向量；第四步、将预测特征向量依据第二步的映射原则进行反映射还原，得到最终的符合用户操控行为习惯的智能推荐方案。

图1是本发明的具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法的整体流程框图。主要包括数据预处理、通过具有遗忘学习能力的自组织聚类算法进行用户操控行为习惯聚类得到其预测特征矩阵、将得到的用户操控行为习惯的预测特征矩阵根进行还原，形成最终的符合人类需要的智能推荐方案等部分。

图2示出了数据预处理阶段的流程框图。第二步的数据预处理包括数据读取与分割、数据清洗与转换两大流程。

(1)数据的读取与分割，其是对用户历史操控数据的读取和汇聚，将数据集按照设备的不同进行分割形成n个数据块。具体流程框图如图3所示：

①用户历史操控数据的读取和汇聚：在数据加载的模块，本发明提供了在线以及离线入口。

在线入口支持直接从MySQL数据库根据用户ID读取相应的用户操控记录后进行操控行为习惯预测；

离线入口则支持输入符合主流规范的csv文件路径后根据文件路径进行CSV本地记录文件的读取后进行操控行为习惯预测；

②用户操控记录矩阵的形成：根据用户记录中所操控的智能家居设备的唯一标识进行数据分割。假设有该用户有n个不同的智能家居设备，则本实施方式会将该用户的操控记录分割并形成n个针对不同设备的用户操控记录数据块。

(2)数据清洗与转换，其是对不同的数据块分别进行数据清洗与数据转换，将不同维度空间数据映射到相同的数据空间。

①数据清洗：数据清洗主要任务为数据缺失值的处理，本发明提出使用热卡填充法处理：对于一个包含缺失值的变量，热卡填充法在数据库中找到一个与它最相似的对象，然后用这个相似对象的值来进行填充。不同的问题可能会选用不同的标准来对相似进行判定。

②数据转换：在用户操控记录中，每一列代表不同的数据空间，而且数据空间之间往往取值范围(如日期和操控状态数)导致数据维度的不一致，为了实现数据维度的一致性，需要将不同空间的数据映射到相同的空间，因此提出使用公式(1)将其映射到取值范围为0-1之间的空间。

其中date表示某一维度空间下的原始数据集，min函数是取数据集中的最小值，max函数是取数据集中的最大值。

图4是本发明的具有遗忘学习能力的自组织聚类算法的体系结构图。其是根据第二步所生成的N个针对不同用户设备的用户操控记录矩阵进行用户操控行为习惯预测的流程框图即改进的聚类预测的体系结构图(图中仅描述了N个不同的用户设备的其中某一设备的处理示例)。如果需要针对N个不同的用户设备进行用户操控行为习惯预测则需要依次输入N个设备后并一一对应不同的用户设备重复本实施方式N次。本发明的后续将继续针对单一设备的用户操控行为习惯的预测进行说明。

本发明的具有遗忘学习能力的自组织聚类算法包括两大步骤：

步骤一、初始化聚类预测学习器。将用户的某个智能家居设备的控制记录输入到SOM神经网络中，通过无监督学习由其自组织挖掘得到初始质心向量即用户操控行为习惯的预测特征向量。

为解决实现算法的组组织学习，避免过多的人工干预，本发明提出使用SOM神经网络进行自主的聚类预测学习器初始化。SOM神经网络的体系结构图如图5所示。

SOM神经网络是一种人工神经网络，它可以通过使用无监督学习来产生输入样本的低维离散表示图，常用于解决低维度的聚类问题。SOM神经网络不同于其他人工神经网络，主要因为它引入了竞争性学习的机制而不是传统神经网络的纠错学习机制SOM神经网络有一个输入层和一个竞争层。输入层主要负责输入样本和权重向量。竞争层是SOM神经网络的核心，主要任务是执行输入数据集的点积，然后具有最大值的输出神经元将赢得竞争并获得使用公式(2)更新其邻域中所有神经元的权重的权利，以便神经元对类似输入具有更强的响应。

ω(t+1)＝ω(t)+η(t)*(x-ω(t)) (2)

其中η表示学习率，是一个有关迭代次数t和获胜神经元的领域半径n(即可获得更新权力的神经元距离获胜神经元的最大拓扑距离)的函数，该函数定义如公式(3)所示。

η(t+1)＝η(t)*e^(-n) (3)

步骤二、更新聚类预测学习器。将用户操控行为习惯的预测特征向量分配给其质心向量与控制记录具有最小欧氏距离的类别中并分配类标，计算新一轮类标分配结果中每个类别的新的质心向量。

本步骤中还包括两个流程：

流程一：数据点的类标分配。将每个数据点分配给其质心向量与该记录具有最小欧氏距离的类别中并分配类标。整个流程一可以用公式(4)来表示：

其中，r_p代表一个数据点即一条用户操控记录；表示第j个类别的质心向量；表示类别的质心向量。利用公式(4)，可以将数据点r_p分配给符合公式(4)定义的类别

流程二：更新类心向量。为减轻陈旧的历史操控记录对当前用户操控行为习惯的负面影响，提出一个基于遗忘规律的遗忘因子来降低陈旧操控记录的权重的同时提高最近的操控记录的权重，以求得到更好的用户操控行为习惯预测结果。接下来将对本发明提出的改进版聚类预测更新策略进行说明。

遗忘现象会发生人们日常生活的方方面面，例如刚记住的英文单词在大脑中还没存储几天便会忘得差不多了，事实上这是所有人类历经遗忘过程时的正常自然现象。人类的大脑虽然拥有记忆能力，但与此同时人类也会必然面临遗忘这个自然过程。从生理学角度来讲，人们在学习和记忆信息的过程中，如果不对之前学习或记忆的知识进行不断地强化巩固或记忆，便会逐渐被遗忘，并且遗忘速度也不是一成不变的，而是在最开始遗忘的相对较快，随着时间的逐渐推移其遗忘速度会逐渐变慢，呈现出非线性遗忘。德国著名的心理学家艾宾浩斯，是发现遗忘规律的第一人。如图6所示，图中横轴表示时间(天数)，纵轴表示学习中记住的知识数量，曲线表示记忆数量随时间变化的规律。

类似地，用户的操控行为习惯也会随着时间的推移有所变化，即用户的旧习惯会慢慢被用户遗忘。例如，用户A半年前是一名国家政府部门的工作人员，他每个工作日早上8点就会起床然后打开面包机烤面包来做早餐。然而半年后的今天，他退休了，那么他就不用早起去上班，所以也就改为了早上9点半才打开面包机烤面包来做早餐。也就是说，半年前的面包机的操控记录已经偏离了用户A现在的操控行为习惯，所以半年前的操控记录就应该被学习器慢慢遗忘掉。因此在遗忘规律的启发下，我们提出了一个遗忘因子来降低陈旧的操控记录的权重的同时提高最近的操控记录的权重，力求能够挖掘出用户最新的操控行为习惯。本发明提出的遗忘因子如公式(5)所示，它是一个介乎0-1的权重因子。

其中，r_i表示针对某一智能家居设备的某一条操控记录；d(r_i)表示该条记录的产生日期；d_o表示该智能家居设备的最新的操控记录的产生日期。

接下来将介绍如何将该遗忘因子应用到聚类预测学习器的更新策略中，从而使得本发明所提出的改进的聚类预测算法较标准的聚类预测算法具有对陈旧的用户操控记录存在识别与遗忘功能。聚类预测学习器的更新策略指的是根据步骤二的流程一所得到的最新的数据点类标分配情况来更新每个类别的质心向量。标准的聚类预测学习器更新策略为通过分别计算类别中所有数据点的不同特征值的平均值来更新质心向量的特征值，而在本发明中提出了使用结合有遗忘因子的更新策略来更新每个类别的质心向量的特征值，具体如公式(6)所示：

在计算得到新一轮类标分配结果中每个类别的新的质心向量之后，若数据点的类标不再改变，说明算法已经收敛，则进行输出操作，输出用户针对该设备的操控行为习惯即用户操控行为习惯的预测特征矩阵；否则重复流程一和二。

通过以上所描述的一种具有遗忘学习能力的自组织聚类算法，得到了若干个用户潜在的操控行为习惯的预测特征向量。将难以理解的特征数值转换为可理解的且符合设备的操控状态取值范围的字符，有利于生成用户可理解、设备可识别的推荐方案。依据本发明数据预处理阶段的映射原则，提出使用公式(7)将特征数据映射回原始空间。

其中，date表示某一维度空间下的原始数据集，min函数是取数据集中的最小值，max函数是取数据集中的最大值；表示对数据x进行小于或等于x的数值取整，如为更加合理化地处理特征数据，提出通过“+0.5”子项实现四舍五入取整，如

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法，其特征在于，包括以下步骤：

第一步、结合无线或有线网络进行用户某一设备的行为操控数据的采集；

第二步、将用户数据进行数据预处理，实现各维度空间数据映射到相同的数据空间；

第三步、通过一种具有遗忘学习能力的自组织聚类算法得到用户若干个潜在的操控行为习惯的预测特征向量；

第四步、将预测特征向量依据第二步的映射原则进行反映射还原，得到最终的符合用户操控行为习惯的智能推荐方案。

2.根据权利要求1所述的一种具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法，其特征在于，所述第二步的数据预处理包括数据读取与分割、数据清洗与转换两大流程，

所述数据读取与分割是对用户历史操控数据的读取和汇聚，将数据集按照设备的不同进行分割形成n个数据块；

所述数据清洗与转换是对不同的数据块分别进行数据清洗与数据转换，将不同维度空间数据映射到相同的数据空间。

3.根据权利要求2所述的一种具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法，其特征在于，所述将不同维度空间数据映射到相同的数据空间是根据以下公式，将其映射到取值范围为0-1之间的空间：

其中，date表示某一维度空间下的原始数据集，min函数是取数据集中的最小值，max函数是取数据集中的最大值。

4.根据权利要求1所述的一种具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法，其特征在于，所述第三步的一种具有遗忘学习能力的自组织聚类算法包括两大步骤：

步骤一、初始化聚类预测学习器，将用户的某个智能家居设备的控制记录输入到SOM神经网络中，通过无监督学习由其自组织挖掘得到初始质心向量即用户操控行为习惯的预测特征向量；

步骤二、更新聚类预测学习器，将用户操控行为习惯的预测特征向量分配给其质心向量与控制记录具有最小欧氏距离的类别中并分配类标，计算新一轮类标分配结果中每个类别的新的质心向量。

5.根据权利要求4所述的一种具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法，其特征在于，所述更新聚类预测学习器的过程中，采用基于遗忘规律的遗忘因子来更新每个类别的质心向量的特征值，遗忘因子是一个介于0-1的权重因子，表示如下：

其中，r_i表示针对某一智能家居设备的某一条操控记录；d(r_i)表示该条记录的产生日期；d₀表示该智能家居设备的最新的操控记录的产生日期。

6.根据权利要求1所述的一种具有遗忘学习能力的智能家居用户操控行为习惯挖掘方法，其特征在于，所述第四步的反映射还原是依据第二步的映射原则，根据如下公式进行的：

其中，date表示某一维度空间下的原始数据集，min函数是取数据集中的最小值，max函数是取数据集中的最大值；表示对数据x进行小于或等于x的数值取整。