CN110442810B - 一种基于DeepFM推荐算法的移动端BIM模型智能缓存方法 - Google Patents

Abstract

本发明公开了一种基于DeepFM推荐算法的移动端BIM模型智能缓存方法，通过用户对构件的历史查询，对DeepFM推荐模型进行训练，学习用户、构件潜在的低阶、高阶特征组合关系，对构件进行点击率预测，并根据构件点击率大小进行分级，为用户按照分级顺序对构件进行缓存。最后基于用户反馈的数据对原有用户历史进行更新，对推荐模型进行迭代。本方法提供了基于深度学习DeepFM推荐算法的移动端BIM模型智能缓存实现，可自动化地为用户进行智能分级缓存。通过本方法把BIM模型按用户感兴趣程度划分，有效提高移动端缓存显示模型的速度与流畅性。

Description

一种基于DeepFM推荐算法的移动端BIM模型智能缓存方法

技术领域

本发明涉及移动端BIM模型缓存技术领域，具体涉及一种基于DeepFM推荐算法的移动端BIM模型智能缓存方法。

背景技术

现阶段，随着BIM轻量化技术的发展，人们实现了在移动端对BIM模型进行实时查看。但是，受限于移动端的硬件性能，大多数BIM轻量化平台或实现在移动端上对BIM模型进行浏览的软件，均或多或少存在模型加载时间长、浏览过程不流畅、网络带宽要求高以及智能化程度低的问题。这极大的影响移动端用户在模型浏览时的体验。

因为上述平台或软件的轻量化策略是对一整个模型进行轻量化，即对BIM模型进行压缩。但是即使压缩比大，轻量化效果很好，当源文件尺寸异常庞大时，轻量化之后的文件依旧很大。将大文件读入内存，进行模型渲染显示，依旧是对硬件内存、显存和网络很大的考验。特别是对于信号不佳施工现场，该方式基本不能发挥出良好的效果。同时该方式只是以显示模型为目标，并未有效的针对用户的查询历史、用户的偏好等，来个性化的为用户显示其感兴趣的构件模型，该方式有很大的改进空间。

当前关于移动端在BIM模型缓存方面，特别是智能缓存领域存在很大的空缺。

发明内容

本发明的目的是为了克服现有技术中没有针对用户的BIM模型查询历史进行个性化、智能化的缓存加载BIM模型的问题，提供一种基于深度学习DeepFM推荐算法的移动端BIM模型智能缓存的方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于DeepFM推荐算法的移动端BIM模型智能缓存方法，所述的缓存方法包括以下步骤：

S1、构件特征与用户特征的提取，建立构件候选集与用户特征集；

S2、采集不同身份用户的构件查询历史，通过步骤S1的方法建立先验训练样本集；

S3、构建DeepFM模型，并使用先验训练样本集对模型进行训练，获得基于先验信息的DeepFM模型；

S4、根据包括用户身份、查询时间在内的用户特征与构件候选集，使用步骤S3中训练好的DeepFM模型为用户进行构件点击率预测；

S5、根据点击率预测结果对构件进行分级，依据构件编码，导出各个级别构件模型文件，经过现有公开的轻量化技术，如LOD技术处理后，上传到轻量化平台数据库；

S6、按照构件点击率分级顺序，分别为用户分级加载模型，实现用户与模型的交互；

S7、在步骤S6中为用户按点击率大小顺序推荐构件后，将用户产生新的查询历史对步骤S2中的先验训练样本集数据进行更新，之后重复步骤S3-S6。

进一步地，所述的步骤S1中，构件候选集与用户特征集的建立方法，具体为：

提取构件特征，如表1后五列所示，建立构件特征集：对BIM构件进行识别，获取内置的构件ID；基于构件角点坐标，对构件进行区段划分或房间号划分；基于构件标高获取构件标高，如1F、2F记为1、2；基于构件名称获取构件类型，如构件类型为墙、梁、板、柱等分别记为1、2、3、4等；基于相同构件类型下不同位置的构件划分不同类型序号，型序号是同一构件类型的不同构件，例如墙1、墙2、窗1、窗2；基于用户的查询获取构件的累计查询次数；

提取用户特征，如表1第三、四列所示，建立用户特征集；若用户在登录轻量化平台时的具有身份记录，则可在平台后台获取，若无身份记录则默认认为登录的每一名用户的身份均不一样，具体实施方式为用数字递增的方式，用不同数字代表不同的身份。

进一步地，所述的步骤S3中，基于现有的DeepFM推荐算法，使用用户查询历史构建的训练样本集训练DeepFM模型，具体为：

通过步骤S1的方法，采集用户查询历史建立训练样本集(如表1所示)，并对样本集(除点击与否与构件ID列)进行独热编码，如表2所示。将上述编码顺序连接成一个向量，并将其作为DeepFM模型的输入，通过合理设置激活函数、学习率、优化器、训练轮数等训练DeepFM模型。

进一步地，所述的步骤S4中，基于用户查询历史的训练样本集训练的DeepFM模型，具体为：

采用步骤S1的方法获取待预测的用户特征与构件特征，作为待测数据，并待测数据进行独热编码，其中，独热编码规则如下：假如有L种构件类型，则每一种类型由一个L维向量组成，若某一类型第u，u＝1，2，…L个出现，其除第u维为1外其余为0，即[0,…,0,1,0,…,0]，如表2所示；

将待测数据输入步骤S3训练好的DeepFM模型，获得待测构件点击率的预测。

进一步地，所述的步骤S5具体为：

根据点击率预测结果对构件进行分级，依据构件编码，导出各个级别构件模型文件，经过现有公开的轻量化技术处理后上传到轻量化平台数据库。

进一步地，所述的步骤S6具体为：

按照构件点击率分级顺序，分别为用户分级加载模型，并将前N级构建下载到本地，下次缓存相同构件时从本地读取。

进一步地，所述的步骤S7具体为：

在步骤S6中为用户按点击率大小顺序推荐构件后，将用户产生新的查询历史对步骤S2中的先验训练样本集数据进行更新。

本发明相对于现有技术具有如下的优点及效果：

本方法提供了基于深度学习DeepFM推荐算法的移动端BIM模型智能缓存实现，可自动化地为用户进行智能分级缓存。通过本方法把BIM模型按用户感兴趣程度划分，有效提高移动端缓存显示模型的速度与流畅性。

附图说明

图1是本发明公开的基于DeepFM推荐算法的移动端BIM模型智能缓存方法的工作流程图；

图2是本发明中使用DeepFM模型的因子分解机模块网络结构示意图；

图3是本发明中使用DeepFM模型的深度模块网络结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

如图1所示，本实施例公开了一种基于深度学习DeepFM推荐算法的移动端BIM模型智能缓存的方法，包括如下步骤：

S1、构件特征与用户特征的提取，建立构件候选集与用户特征集，特征编排如表1所示，

表1.用户-构件特征编排表

该步骤S1具体为：

S1.1、构件特征的提取，如表1后五列所示，建立构件特征集；

S1.1.1、对BIM构件进行识别，获取内置的构件ID；

S1.1.2、基于构件角点坐标，对构件进行区段划分或房间号划分；

S1.1.3、基于构件标高获取构件标高，如1F、2F记为1、2；

S1.1.4、基于构件名称获取构件类型，如构件类型为墙、梁、板、柱等分别记为1、2、3、4等；

S1.1.5、基于相同构件类型下不同位置的构件划分不同类型序号，型序号是同一构件类型的不同构件，例如墙1、墙2、窗1、窗2；

S1.2、用户特征的提取，如表1中第三、四列所示，建立用户特征集；

S1.2.1、若用户在登录轻量化平台时的具有身份记录，则可在平台后台获取，若无身份记录则默认认为登录的每一名用户的身份均不一样，具体实施方式为用数字递增的方式，用不同数字代表不同的身份；

S1.2.2、用户查询时间是以施工时间为基准(单位是小时)，例如开始施工时间为16:00，17:00工人查询某一构件，则查询时间为1(小时)；

S1.2.3、查询次数是构件被全体用户查询的累计次数；

S2、采集不同身份用户的构件查询历史，按照步骤S1的方法建立先验训练样本集，可按8:2或9:1等比例划分训练集与测试集；

S3、基于用户历史数据构建DeepFM模型；

步骤S3中，基于用户历史数据构建DeepFM模型，DeepFM模型是一种现有技术，由因子分解机模块(图2所示)和深度模块(图3所示)两个模块构成。通过Embedding技术将输入的高维稀疏数据，低维嵌入成稠密向量。通过因子分解机模块和深度模块，分别学习稠密向量的低阶与高阶的组合关系，获得输入构件的点击率预测；

DeepFM模型的主要思想是通过学习输入的用户特征与构件特征的低阶组合特征与高阶组合特征来获取构件的点击率预测。

具体步骤为：

S3.1、对步骤S2中的样本集每一列(除构件编码列)进行独热编码，记为

独热编码方式如表2所示；

表2.独热编码示意表

构件类别	独热编码
		窗1	100
窗2	010
		窗3	001

S3.2、对步骤S1中获得的每一列的独热编码

进行Embedding低维嵌入：

Embedding向量的整体表示为：

d⁽⁰⁾＝[e₁，e₂，...，e_n]，其中

是Embedding层与one-hot特征层的网络参数，n是域的个数。

S3.3、训练DeepFM模型，具体步骤如下：

S3.3.1、在步骤S3.2获得Embedding向量之后，计算因子分解机部分输出：

式中：w∈R^m，v_i∈R^k，k是一个超参数。

S3.3.2、在步骤S3.2获得Embedding向量之后，计算深度模块的输出：

y_DNN(x)＝W^|H|·a^[H|+b^|H]

式中：l是隐含层层数，σ是激活函数，W⁽¹⁾、d⁽¹⁾、b¹分别是第l个隐含层的权重、输入和偏置。

S3.3.3、计算整个模型的输出：

S3.3.4、根据目标损失函数计算目标损失，因为点击率预测实质上是一个二分类问题，点击(1)、未点击(0)。因此采用交叉熵作为损失函数，尽可能使得模型预测的分布于实际的分布一致，公式如下所示：

S3.3.5、使用tensorflow优化器更新模型参数，具体如下：

利用tensorflow优化器计算梯度；

采用tensorflow优化器反向传播更新模型参数，以使目标损失函数达到最小。

S4、根据用户身份、查询时间等用户特征与构件候选集，使用S3中训练好的DeepFM模型为用户进行构件点击率预测，具体如下；

采用步骤S1的方法获取待预测的用户特征与构件特征，作为待测数据；

将待测数据输入步骤S3训练好的DeepFM模型，获得待测构件点击率的预测。

S5、根据点击率预测结果对构件进行分级，依据构件编码，导出各个级别构件模型文件，经过现有公开的轻量化技术处理后上传到轻量化平台数据库；

S6、按照构件点击率分级顺序，分别为用户分级加载模型，实现用户与模型的交互；

S7、在步骤S6中为用户按点击率大小顺序推荐构件后，将用户产生新的查询历史对步骤S2中的先验训练样本集数据进行更新，之后重复步骤S3-S6。

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)

1.一种基于DeepFM推荐算法的移动端BIM模型智能缓存方法，其特征在于，所述的缓存方法包括以下步骤：

S1、构件特征与用户特征的提取，建立构件候选集与用户特征集；

S2、采集不同身份用户的构件查询历史，通过步骤S1的方法建立先验训练样本集；

S3、构建DeepFM模型，并使用先验训练样本集对模型进行训练，获得基于先验信息的DeepFM模型；

S4、根据包括用户身份、查询时间在内的用户特征与构件候选集，使用步骤S3中训练好的DeepFM模型为用户进行构件点击率预测；

S5、根据点击率预测结果对构件进行分级，依据构件编码，导出各个级别构件模型文件，经过轻量化技术处理后上传到轻量化平台数据库；

S6、按照构件点击率分级顺序，分别为用户分级加载模型，实现用户与模型的交互；

S7、基于步骤S6中用户新的查询历史对步骤S2中的先验训练样本集数据进行更新，之后重复步骤S3-S6；

所述的步骤S6具体为：

按照构件点击率分级顺序，分别为用户分级加载模型，并将前N级构建下载到本地，下次缓存相同构件时从本地读取。

2.根据权利要求1所述的一种基于DeepFM推荐算法的移动端BIM模型智能缓存方法，其特征在于，所述的步骤S1中，构件候选集与用户特征集的建立方法，具体为：

提取构件特征，建立构件特征集：对BIM构件进行识别，获取内置的构件ID；基于构件角点坐标，对构件进行区段划分或房间号划分；基于构件标高获取构件标高，将1F、2F、…记为1、2、…；基于构件名称获取构件类型，将墙、梁、板、柱分别记为1、2、3、4；基于相同构件类型下不同位置的构件划分不同类型序号，型序号是同一构件类型的不同构件；基于用户的查询获取构件的累计查询次数；

提取用户特征，建立用户特征集；若用户在登录轻量化平台时的具有身份记录，则可在平台后台获取，若无身份记录则默认为登录的每一名用户的身份均不一样，采用数字递增的方式，用不同数字代表不同的身份。

3.根据权利要求1所述的一种基于DeepFM推荐算法的移动端BIM模型智能缓存方法，其特征在于，所述的步骤S3过程如下：

采集用户查询历史建立训练样本集，并对除点击与否与构件ID列之外的样本集进行独热编码，按编码顺序连接成一个向量，并将其作为DeepFM模型的输入，通过合理设置激活函数、学习率、优化器、训练轮数训练DeepFM模型。

4.根据权利要求1所述的一种基于DeepFM推荐算法的移动端BIM模型智能缓存方法，其特征在于，所述的步骤S4过程如下：

获取待预测的用户特征与构件特征，作为待测数据，并待测数据进行独热编码，其中，独热编码规则如下：假如有L种构件类型，则每一种类型由一个L维向量组成，若某一类型第u，u＝1，2，…L个出现，其除第u维为1外其余为0，即[0,…,0,1,0,…,0]；

将待测数据输入已训练的DeepFM模型，获得待测构件点击率的预测。

5.根据权利要求1所述的一种基于DeepFM推荐算法的移动端BIM模型智能缓存方法，其特征在于，所述的步骤S5具体为：

根据点击率预测结果对构件进行分级，依据构件编码，导出各个级别构件模型文件，经过轻量化技术处理后上传到轻量化平台数据库。

6.根据权利要求1所述的一种基于DeepFM推荐算法的移动端BIM模型智能缓存方法，其特征在于，所述的步骤S7具体为：

在步骤S6中为用户按点击率大小顺序推荐构件后，将用户产生新的查询历史对步骤S2中的先验训练样本集数据进行更新。

Images