CN110717545B - 基于改进交互式人工免疫算法的个性化定制方法 - Google Patents
基于改进交互式人工免疫算法的个性化定制方法 Download PDFInfo
- Publication number
- CN110717545B CN110717545B CN201910977112.5A CN201910977112A CN110717545B CN 110717545 B CN110717545 B CN 110717545B CN 201910977112 A CN201910977112 A CN 201910977112A CN 110717545 B CN110717545 B CN 110717545B
- Authority
- CN
- China
- Prior art keywords
- antibody
- affinity
- algorithm
- density
- antibodies
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进交互式人工免疫算法的个性化定制方法,包括下述步骤:S1.定义产品个性化定制特征参数体系;S2.获取客户意向调查表,构造意向权重矩阵;S3.对初始抗体进行优化;S4.求出每个抗原与抗体之间的亲和力;S5.更新记忆细胞;S6.判断更新后的记忆细胞中是否有最优解。本发明针对个性化定制中现存的存在的迭代时间长,客户易陷入疲劳状态等问题,对人工免疫算法中的初始抗体产生、亲和力计算、交叉和变异算子、以及最优解判定这四个过程进行改进,并且有效提高了算法的收敛速度,节约了时间成本。
Description
技术领域
本发明涉及个性化定制领域,具体涉及一种基于改进交互式人工免疫算法的个性化定制方法。
背景技术
随着“德国工业4.0”、“美国工业互联网”以及“中国制造2025”战略目标的相继提出,推动着传统制造向智能制造的转变。而智能制造的核心就是满足大规模的个性化定制,能否准确把握并快速响应消费者的多样化需求将成为提高企业市场竞争力的关键因素。因此,以客户需求为导向的个性化定制生产成为后工业时代的主流生产模式。
产品个性化定制中最重要的是准确获取到客户的需求,并将之转换为相应产品的功能需求。用户喜欢个性化,因为它通过自动提供符合个人兴趣和需求的服务来减少他们的认知负担。交互式进化计算(interactive evolutionary computation,IEC)是由客户根据自身的偏好、经验和知识等为进化个体赋予适应值,通过人来评价解的优劣性。常见的IEC算法有交互式遗传算法、交互式蚁群算法和交互式免疫算法。文章[张娜等.考虑用户认知噪声的产品交互式遗传配色设计研究[J].机械科学与技术,2019,38(5):698-703.]利用交互式遗传算法集成用户认知度和疲劳度构建了认知噪声模型,提出考虑用户认知噪声的产品交互式配色设计过程;文章[朱天燕等.基于形状文法和交互式遗传算法的产品形态创新设计[J].机械设计与制造工程,2019,48(4):12-17.]提出基于形状文法和交互式遗传算法的产品形态推演模型;文章[郭广颂等.基于群体决策的多用户协同交互式遗传算法[J].电子与信息学报,2018(9):2165-2172.]在算法中引入多用户并行策略,通过群体决策优势,提高样本利用效率,解决了人机交互过程中用户疲劳和算法搜索效率低的难题;文章[黄永青等.改进交互式蚁群算法及其应用[J].计算机科学与探索,2016,10(12):1720-1728.]提出利用全局历史最优解进行信息素的更新,并将信息素限定在一定区间内来改进交互式蚁群优化算法。常见的人工免疫算法用随机方法来产生初始抗体,这导致算法以一个质量低的解决方案开始,此外构造亲和度函数时,人们往往直接将待求函数作为亲和度函数,此方案不适用于个性化定制中。固定的交叉和变异概率在解决一些复杂问题时存在早熟和稳定性差的缺点,并且在多大的解决区域内搜索最优解都对算法的性能有一定的影响。以上这些因素阻碍了人工免疫算法在个性化定制领域中的进一步应用。
发明内容
为了解决现有技术问题,本发明提供一种基于改进交互式人工免疫算法的个性化定制方法。本发明对人工免疫算法的初始抗体产生、亲和力计算、交叉和变异算子、以及最优解判定这四个过程进行改进,该算法能有效减少迭代次数,节约时间成本,并且对解决个性化定制中的客户疲劳度问题起到了一定的作用。
为解决上述技术问题,本发明所采取的技术方案是:
一种基于改进交互式人工免疫算法的个性化定制方法,包括下述步骤:
S1.收集具有代表性的特征参数,定义一个产品个性化定制特征参数体系,并将所得数据进行预处理;
S2.获取客户意向调查表,将获取的客户需求进行二进制编码作为抗原,并根据客户所选内容构造意向权重矩阵;
S3.利用基于密度阈值改进的层次聚类算法对初始抗体进行优化;选出聚类后与抗原平均距离最近的一个类,从该类亲和力较高的抗体中产生初始抗体;
S4.根据基于汉明距离得到的矩阵和已知的意向权重矩阵,用基于客户意向的亲和力计算方法求每个抗原与抗体之间的亲和力,将亲和力按从大到小排序;
S5.更新记忆细胞,亲和力高的抗体取代记忆细胞中亲和力较低的抗体;
S6.判断更新后的记忆细胞中是否有最优解,如果有则算法结束,如果没有则根据多解保留方法输出解集;判断解集中是否有最优解,如果有则算法结束,如果没有则基于自适应交叉变异算子更新抗体种群,重新进行最优解判断过程。
进一步的,所述步骤S2中,客户意向调查表为:
客户意向调查表包含P个模块对应产品的P个特征参数,每个模块都涉及到五个重要程度等级:重要、一般重要、比较重要、非常重要和特别重要,对应的权重分别是1、2、3、4、5,此外客户没有明确要求时重要等级值为0,所以重要程度共有六个等级;根据每个特征参数的重要程度得到意向权重矩阵W如下:
W=[w(1),...w(i),...,w(p)]
其中,w(i)={0,1,2,3,4,5}。
进一步的,在对客户需求进行二进制编码时,若客户需求明确,则根据客户做出的选择赋予该属性对应的编码值,若客户需求不明确,则对特征参数随机赋值,二进制编码也分为P个部分,分别对应P个特征参数的编码值。
进一步的,所述步骤S3中,利用基于密度阈值改进的层次聚类算法对初始抗体进行优化,包括利用核主成分分析法对数据进行降维处理、求解密度阈值MinPts以及利用求得的密度阈值MinPts初始化BIRCH参数。
进一步的,求解密度阈值MinPts包括:基于关于数据点密度和密度可达距离的计算方法,用密度可达距离求出传统DBSCAN算法中的参数MinPts,密度阈值MinPts用于初始化BIRCH的参数。
进一步的,利用密度阈值MinPts优化BIRCH的参数B和L,步骤如下:
3-1)读入样本数据X;
3-2)先将字符型数据进行数字标签化处理,然后将处理过后的数据根据核主成分分析法进行降维,得到降维后的数据集X’;
3-3)计算数据集X’中每个对象xi的密度;
3-4)求密度可达距离,并用密度可达距离求出数据样本的密度阈值MinPts;
3-5)依次从数据集X’中读入新样本,若数据集已无新样本,则算法结束;若还有新样本,则转入步骤3-6;
3-6)从根节点向下寻找和新样本距离最近的叶子节点和叶子节点里最近的CF节点,若新样本加入后该节点的这个CF节点对应的超球体半径满足小于阈值T,则更新路径上所有的CF三元组,插入结束,转入步骤3-5;否则转入步骤3-7;
3-7)如果当前叶子节点的CF节点个数小于阈值MinPts,则创建一个新的CF节点,放入新样本,将新的CF节点放入这个叶子节点,更新路径上所有的CF三元组,插入结束,转入步骤3-5;否则转入步骤3-8;
3-8)将当前叶子节点划分为两个新叶子节点,选择旧叶子节点中所有CF元组里超球体距离最远的两个CF元组,分别作为两个新叶子节点的第一个CF节点;将其他元组和新样本元组按照距离远近原则放入对应的叶子节点;依次向上检查父节点是否也要分裂,若需要按和叶子节点相同的分裂方式分裂。
进一步的,所述步骤S4中,基于客户意向的亲和力计算方法包括下述步骤:
编码后的客户需求作为人工免疫算法的抗原,对于抗原A和抗体B,有:
V=[v(1),...v(i),...,v(P)]
v(i)=len(i)-d(A(i),B(i))
其中,len(i)表示定制产品的第i个特征参数的编码长度,d(A(i),B(i))表示抗原A的第i个特征参数的编码值与抗体B的第i个特征参数的编码值之间的汉明距离,v(i)则表示第i个特征参数的匹配长度,构成了匹配矩阵V;
因此可得抗原A和抗体B之间的亲和力为:
Aff=W·VT。
进一步的,所述步骤S6中,基于自适应的交叉和变异算子更新抗体种群,具体为:
根据遗传算法的自适应交叉和变异算子,计算人工免疫算法中的交叉概率Pc和变异概率Pm:
其中,Pc0,Pc1、Pm0、Pm1均为初始化参数;Aff是抗体与抗原间的亲和力,Affmax、Affmin和Affavg分别是每一代的最高亲和力、最低亲和力和平均亲和力;
自适应交叉操作包括以下步骤:
1)为每个抗体生成一个(0,1)的随机数;
2)计算抗体的交叉概率;
3)找出随机数小于交叉概率的抗体,将其分为两组;
4)从第一组中找出第i个个体与第二组中的第j个个体进行交叉操作,并随机生成另一个数r作为它们的交叉点;
5)交叉操作产生的后代必须与两个父母不同,同时,后代的亲和力应当不比父母差,否则将被删除,取而代之的是具有更好亲和力的父母;
自适应变异操作包括以下步骤:
1)为每个抗体生成一个(0,1)的随机数;
2)计算抗体的变异概率;
3)找出随机数小于变异概率的抗体,随机生成一个数t作为变异点;
4)变异生成的后代必须是存在的且与父级不同,若后代的亲和力优于父级则保留该后代,若后代的亲和力值低于父亲的亲和力,则将被删除并由父母替换。
进一步的,所述步骤S6中,根据多解保留方法输出解集,具体步骤为:
当有新的抗原进入系统中,首先激活记忆细胞产生抗体,从记忆细胞中搜寻是否有最优抗体,若有最优抗体则满足终止条件,算法结束;若没有最优抗体则在最优解集合中搜索最优抗体;记忆细胞更新规则为:将每一代中与抗原亲和力最高的抗体加入记忆细胞,当记忆细胞的数量达到N1后,新产生的与抗原具有更高亲和力的抗体替换较低亲和力的抗体,N1为记忆细胞的数量;
假设抗体数量为M个,模型最后保留的解的数量为N2个,计算剩余的M-m个抗体的伪亲和力值:
其中,pi为第i个个体的伪亲和力值,i=1,…,M-m,m为直接作为后代的优秀抗体个数;得到剩余个体的伪亲和力值后,用锦标赛选择法选择最好的抗体进入后代,过程如下:
1)确定每次选择的抗体数量n;
2)从抗体种群中随机选择n个个体构成一个组,根据每个抗体的伪亲和力值,选择其中伪亲和力值最高的抗体进入子代种群;
3)重复步骤2),直到选出最好的抗体;锦标赛选择法选出的最好抗体与之前选择的m个优秀抗体共同构成了最优解。
采用上述技术方案所产生的有益效果在于:
针对个性化定制中现存的迭代时间长,客户易陷入疲劳等问题,本发明对人工免疫算法中的初始抗体产生、亲和力计算、交叉和变异算子、以及最优解判定这四个过程进行改进。本发明将改进后的算法称为基于改进层次聚类的自适应交互式人工免疫算法(Adaptive interactive artificial immune algorithm based on improvedhierarchical clustering,简称HCI),该算法将客户意向融入算法过程中,解决了客户疲劳度问题,并且有效提高了算法的收敛速度,节约了时间成本。
本发明与传统人工免疫算法相比:(1)对初始抗体进行优化,使算法以一个良好的抗体种群作为开端,加快了算法的收敛速度;(2)采用基于客户意向的亲和力计算方法,有效的将客户意向融入到算法中,使得求出的最优解更符合客户的偏好;(3)在算法中加入了自适应交叉和变异算子,使其在解决复杂的全局优化问题时也能展现出良好的鲁棒性;(4)将基于混合选择策略的多解保留方法应用于最优解的选取中,使得最优解既保持了优良性又具有多样性。
将本发明提出的方法分别用于轮毂和汽车操控台的个性化定制,通过试验分析,验证了轮毂定制过程中提出的HCI的平均进化代数比TIAIA的平均进化代数平均减少了18.725%,平均评价个体数减少了20.145%,运行时间缩短了20.94%;汽车操控台定制过程中HCI的平均进化代数比TIAIA的平均进化代数平均减少了27.5025%,平均评价个体数减少了29.785%,运行时间缩短了39.59%,有效减少了算法的迭代次数,缩短了运行时间,从而解决了客户疲劳问题。
附图说明
图1是本发明基于改进层次聚类的自适应交互式人工免疫算法流程图;
图2是本发明基于密度阈值改进的BIRCH聚类算法流程图;
图3是本发明意向调查表中的模块结构图;
图4是轮毂的数据集1在不同簇类别下的轮廓系数图;
图5是轮毂的四个数据集不同簇类别数的效果对比图;
图6是汽车操控台的四个数据集不同簇类别数的效果对比图;
图7是聚类时间比较图;
图8是轮毂和汽车操控台特征参数的编码长度示意图;
图9是轮毂定制系统交互界面;
图10是基于轮毂个性化定制的HCI和TIAIA进化代数对比图;
图11是基于汽车操控台个性化定制的HCI和TIAIA进化代数对比图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明以个性化定制为载体,以HCI算法作为主要的算法框架,其流程图如图1所示,包括下述步骤:
S1.收集具有代表性的特征参数,定义一个产品个性化定制特征参数体系,并将所得数据进行预处理。
本发明的试验验证构建了分别基于轮毂和汽车操控台的两个特征参数体系,均包含12个特征参数,其中轮毂特征参数体系的特征参数有:造型形式、胎环直径、胎环宽度、螺栓孔数、PCD值、轮辐正面造型、边缘处理方式、辋面类型、轮毂颜色、表面处理工艺、轮毂材质和制作工艺。汽车操控台特征参数体系的特征参数有:方向盘材质、音响控制系统、GPS导航系统、中控彩色液晶屏幕、中控液晶屏尺寸、行车电脑显示屏幕、仪表盘尺寸、空调温度控制方式、后座出风口、变速杆、蓝牙/车载电话、颜色。
S2.获取客户意向调查表,将获取的客户需求进行二进制编码作为抗原输入到算法中,并根据客户所选内容构造意向权重矩阵。
在人工免疫算法之前,客户在交互平台完成针对定制产品设计的意向调查表,根据客户所选内容构造一个意向权重矩阵,该过程称之为客户意向的获取。
客户意向调查表为:对于定制产品所用到的P个特征参数,则客户意向调查表包含了P个模块,每个模块都涉及到五个重要程度等级:重要、一般重要、比较重要、非常重要和特别重要,对应的权重分别是1、2、3、4、5,再加上客户没有明确要求时重要等级值为0,所以重要程度一共有六个等级;每个模块的结构一致,由此根据每个特征参数的重要程度得到意向权重矩阵W如下:
W=[w(1),...w(i),...,w(p)]
其中,w(i)={0,1,2,3,4,5}。
很明显意向权重矩阵W是一个维度为P×1的矩阵。
在对客户需求进行二进制编码时,如图3所示,若客户需求明确,则只需要根据客户做出的选择赋予该属性对应的编码值即可;若客户需求不明确,则对特征参数随机赋值,二进制编码也分为P个部分,分别对应P个特征参数的编码值。
S3.利用基于密度阈值改进的层次聚类算法对初始抗体进行优化;选出聚类完后与抗原平均距离最近的一个类,从该类亲和力较高的抗体中产生初始抗体。
在利用层次方法的平衡迭代规约和聚类(Balanced Iterative Reducing andClustering Using Hierarchies,BIRCH)的基础上进行改进,本发明提出基于密度阈值改进的BIRCH聚类算法(An Improved BIRCH Clustering Algorithm Based On DensityThreshold,DTB)来对初始抗体进行优化。DTB算法的流程图如图2所示,该算法包括三个部分:(1)利用核主成分分析法对数据进行降维处理,(2)求解密度阈值MinPts,(3)利用求得的密度阈值MinPts初始化BIRCH参数。
(1)利用核主成分分析法对数据进行降维处理
由于型号不同的产品特征参数繁多复杂,而BIRCH算法在处理高维数据时的聚类效果不是很好,在读入样本数据时,要先对数据进行降维处理。KPCA利用核函数方法原理采用非线性映射将原始数据由数据空间映射到一个高维空间使其在这个高维空间中线性可分,然后利用主成分分析法来实现数据的降维和去噪,从而改善分类器的性能。
基于KPCA的基本原理,本发明总结出KPCA的具体实现步骤如下:
1-1)将所获得的n个指标的一批数据写成一个m×n维数据矩阵,并将矩阵标准化,其中m表示每一指标有m个样品;
1-2)先选定高斯径向核函数中的参数,再计算出核矩阵K,Kij=ΦT(xi)·Φ(xj),其中Φ为引入的非线性映射函数,是隐性的,0≤i,j≤max(m,n)-1;
1-3)计算核矩阵K的特征值λ1,...,λn及对应的特征向量v1,...,vn;
1-4)将特征值λ1,...,λn按降序排序得λ1'>...>λn',并对特征向量v1,...,vn进行相应调整得v1',...,vn';
1-5)单位化特征向量v1',...,vn',得到α1,...,αn;
1-6)计算特征值λ1'>...>λn'的累积贡献率B1,...,Bn,根据给定的提取效率p,如果Bt≥p,其中1≤t≤n,则提取t个主分量α1,...,αt;
1-7)计算核矩阵K在提取出的特征向量上的投影Y=K·α,其中α=(α1,...,αt),所得的投影即为数据经核主成分分析法降维后所得数据。
(2)求解密度阈值MinPts
DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种很典型的密度聚类算法,本发明基于关于数据点密度和密度可达距离的计算方法,用密度可达距离求出传统的DBSCAN算法中的另一个重要的参数MinPts,将MinPts用于初始化BIRCH的参数。具体概念如下:
2-1)数据点的密度:数据点的密度函数定义为该点与数据集中所有点相关影响程度的总和,相关影响程度采用高斯影响函数进行计算。假设数据集P共n个样本,Pi点的密度Density(Pi)计算公式如下所示:
其中,coefR(0<coefR<1)为密度可达距离的原始调整系数,本算法将coefR取值为0.5。
2-3)密度阈值Minpts:给定的密度可达距离R中包含的最少样本点数,初始的MinPts定义为在给定的密度可达距离R内密度可达的样本点数。
(3)基于密度阈值改进的BIRCH聚类算法
BIRCH算法利用了一个类似于平衡B+树的树结构,一般将它称为聚类特征树(Clustering Feature Tree,简称CF Tree)。这颗树的每个节点由若干个聚类特征(Clustering Feature,简称CF)组成。对于CF Tree,一般有几个重要参数,第一个参数是每个内部节点的最大CF数B,第二个参数是每个叶子节点的最大CF数L,第三个参数是针对叶子节点中某个CF中的样本点来说的,它是叶节点每个CF的最大样本半径阈值T,也就是说,在这个CF中的所有样本点一定要在半径小于T的一个超球体内。
利用密度阈值MinPts优化BIRCH的参数B和L,基本步骤如下:
3-1)读入样本数据X;
3-2)先将字符型数据进行数字标签化处理,然后将处理过后的数据根据核主成分分析法进行降维,得到降维后的数据集X’;
3-3)计算数据集X’中每个对象xi的密度;
3-4)求密度可达距离,并用密度可达距离求出数据样本的密度阈值MinPts;
3-5)依次从数据集X’中读入新样本,若数据集已无新样本,则算法结束;若还有新样本,则转入步骤3-6;
3-6)从根节点向下寻找和新样本距离最近的叶子节点和叶子节点里最近的CF节点,若新样本加入后该节点的这个CF节点对应的超球体半径满足小于阈值T,则更新路径上所有的CF三元组,插入结束,转入步骤3-5;否则转入步骤3-7;
3-7)如果当前叶子节点的CF节点个数小于阈值MinPts,则创建一个新的CF节点,放入新样本,将新的CF节点放入这个叶子节点,更新路径上所有的CF三元组,插入结束,转入步骤3-5;否则转入步骤3-8;
3-8)将当前叶子节点划分为两个新叶子节点,选择旧叶子节点中所有CF元组里超球体距离最远的两个CF元组,分别作为两个新叶子节点的第一个CF节点;将其他元组和新样本元组按照距离远近原则放入对应的叶子节点;依次向上检查父节点是否也要分裂,若需要按和叶子节点相同的分裂方式分裂。
S4.根据基于汉明距离得到的矩阵和已知的意向权重矩阵,用基于客户意向的亲和力计算方法求每个抗原与抗体之间的亲和力,将亲和力按从大到小排序。
本发明中基于客户意向的亲和力计算方法包括下述步骤:
对客户需求进行二进制编码,编码后的客户需求作为人工免疫算法的抗原。
对于抗原A和抗体B,有:
V=[v(1),...v(i),...,v(P)]
v(i)=len(i)-d(A(i),B(i))
其中,len(i)表示定制产品的第i个特征参数的编码长度,d(A(i),B(i))表示抗原A的第i个特征参数的编码值与抗体B的第i个特征参数的编码值之间的汉明距离,v(i)则表示第i个特征参数的匹配长度,构成了匹配矩阵V;因此可得抗原A和抗体B之间的亲和力为:
Aff=W·VT。
S5.更新记忆细胞,亲和力高的抗体取代记忆细胞中亲和力较低的抗体。
S6.判断更新后的记忆细胞中是否有最优解,如果有则算法结束,若没有则根据多解保留方法输出解集;判断该解集中是否有最优解,如果有则算法结束,若没有则基于自适应的交叉和变异算子更新抗体种群,重新判断最优解。
(1)自适应交叉和变异算子
交叉概率Pc和变异概率Pm的计算公式为:
其中,Pc0,Pc1、Pm0、Pm1均为初始化参数;Aff是抗体与抗原间的亲和力,Affmax、Affmin和Affavg分别是每一代的最高亲和力、最低亲和力和平均亲和力;
自适应交叉操作包括以下步骤:
1)为每个抗体生成一个(0,1)的随机数;
2)计算抗体的交叉概率;
3)找出随机数小于交叉概率的抗体,将其分为两组;
4)从第一组中找出第i个个体与第二组中的第j个个体进行交叉操作,并随机生成另一个数r作为它们的交叉点;
5)交叉操作产生的后代必须与两个父母不同,同时,后代的亲和力应当不比父母差,否则将被删除,取而代之的是具有更好亲和力的父母。
自适应变异操作包括以下步骤:
1)为每个抗体生成一个(0,1)的随机数;
2)计算抗体的变异概率;
3)找出随机数小于变异概率的抗体,随机生成一个数t作为变异点;
4)变异生成的后代必须是存在的且与父级不同,若后代的亲和力优于父级则保留该后代,若后代的亲和力值低于父亲的亲和力,则将被删除并由父母替换。
(2)多解保留方法
当每次有新的抗原进入系统中,首先要激活记忆细胞产生抗体,先从记忆细胞中搜寻是否有最优抗体,若有最优抗体则满足终止条件,算法结束;若没有最优抗体则在最优解集合中搜索最优抗体;记忆细胞更新规则为:将每一代中与抗原亲和力最高的抗体加入记忆细胞,当记忆细胞的数量达到N1后,新产生的与抗原具有更高亲和力的抗体替换较低亲和力的抗体,N1为记忆细胞的数量;
假设抗体数量为M个,模型最后保留的解的数量为N2个,计算剩余的M-m个抗体的伪亲和力值:
其中,pi为第i个个体的伪亲和力值,i=1,…,M-m,m为直接作为后代的优秀抗体个数;得到剩余个体的伪亲和力值后,用锦标赛选择法选择最好的抗体进入后代,过程如下:
1)确定每次选择的抗体数量n;
2)从抗体种群中随机选择n个个体构成一个组,根据每个抗体的伪亲和力值,选择其中伪亲和力值最高的抗体进入子代种群;
3)重复步骤2),直到选出最好的抗体;锦标赛选择法选出的最好抗体与之前选择的m个优秀抗体共同构成了最优解。
基于上述步骤,本发明有效实现了初始抗体的优化,即利用DTB算法来优化人工免疫算法的初始抗体;同时也实现了将客户意向融入到算法的过程中,即提出了基于客户意向的亲和力计算方法,根据所提的方法对抗原和抗体的亲和力进行计算;然后在人工免疫算法中加入了自适应的交叉和变异算子,使其在解决复杂的全局优化问题时也能展现出良好的鲁棒性,并将基于混合选择策略的多解保留方法应用于最优解的选取中,使得最优解既保持了优良性又具有多样性。
本发明基于改进交互式人工免疫算法的个性化定制方法的试验验证:
1、数据描述
在本发明的方法应用在轮毂和汽车操控台的个性化定制过程中,实验数据来源于某轮毂制造公司和某汽车操控台生产公司,分别有4组数据集,每组包含300个样本点,以此来对比分析不同数据集下HCI算法的性能,其中每个轮毂样本点包含了12个轮毂特征参数,每个汽车操控台样本点包含了12个汽车操控台特征参数,特征参数的详细描述见特征参数体系。
1)由12个特征参数组成的轮毂特征参数体系如表1所示:
表1轮毂特征参数体系
2)由12个特征参数组成的汽车操控台特征参数体系如表2所示:
表2汽车操控台特征参数体系
2、基于密度阈值改进的BIRCH聚类算法
1)聚类算法中簇的个数的确定
在BIRCH算法中,聚类类别数是可选的,但是为了防止类别数过多导致聚类结果不准确,我们使用轮廓系数(Silhouette Coefficient)来选取聚类的类别数,轮廓系数结合了凝聚度和分离度,能够较好的用于评价聚类结果的优劣。轮廓系数的计算方式如下:
其中,a(i)表示i向量到所有它属于的簇中其它点的平均距离,b(i)表示i向量到各个非本身所在簇的所有点平均距离的最小值。将簇类别的取值范围定于3~10之间进行讨论,本发明以轮毂的数据集1为例,展示了它的轮廓系数图,如图4所示,图中虚线表示轮廓系数的平均值。
用平均轮廓系数和轮廓系数为负值的样本点的数量作为选取类别数的评价指标,平均轮廓系数值偏高而值为负数的样本数量偏低时聚类效果最优,轮毂和汽车操控台在四个不同数据集中的试验结果分别如图5和图6所示,综合考虑平均轮廓系数值与负值样本数量,可得轮毂的最优k值分别选取为:3、4、5、3,汽车操控台的最优k值分别选取为:3、4、4、3。
2)聚类结果分析
这一部分将本发明提出的DTB算法、K-Means算法和BIRCH算法在同一数据集上进行运行时间的对比,结果如图7所示。由图7可以明显的看出本发明的DTB算法的效率要高于K-Means算法,略低于BIRCH算法。但是本发明所提出的算法用DTB算法来确定了BIRCH算法中CF树内部节点的最大CF数和叶子结点的最大CF数,一定程度上将参数的不确定性对结果造成的影响降低。并且使用了KPCA算法对数据进行先降维再聚类,解决了BIRCH算法在面对高维特征的数据时聚类效果不好的问题。所以综合来看,本发明提出的DTB算法不仅有较好的运行效率,而且还可以有效的用于对高维数据的聚类。
3、基于改进层次聚类的自适应交互式人工免疫算法
1)编码规则
本发明采用二进制编码,图8为轮毂和汽车操控台的特征参数编码长度,每个抗原和抗体的编码又分为12部分,对应12个特征参数。接下来以轮毂为例对编码规则进行解释,将轮毂特征参数分别用P1-P12表示。每一部分又分为若干基因,每一个基因的二进制编码均对应特征参数的一个属性。如编码为000100100010010001001010010010010101,表示该轮毂为六辐Y型、胎环直径为15、胎环宽度为6.0J、五孔、PCD值为100、正面造型为梯形、边缘处理为内接、辋面类型为平面、颜色为银色、处理工艺为精车、材质为钢轮毂、制作工艺为锻造。
2)参数设置
初始化抗体数量M=30,记忆细胞的数量N1=3,保留解的数量N2=3,m=2,锦标赛选择法中每一个选择的抗体数量n为2。自适应交叉和变异算子中的初始化参数的值分别为:Pc0=0.5、Pc1=0.8、Pm0=0.1、Pm1=0.2。
3)交互界面
本发明使用人性化的交互界面,有效提高了客户评价的效率并解决了疲劳度问题。以轮毂为例展示了定制系统的交互界面如图9所示,每一代种群数量为6,包括3个记忆细胞和3个最优解。且同时在系统的右侧界面显示“best of last generation”作为参考。当客户找到满意的个体时,点击“best”按钮来结束进化。若达到最大进化代数后仍然没有满意个体,则系统自动结束。
4)轮毂个性化定制对比实验
为了验证本发明提出的模型的稳定性,现将基于轮毂个性化定制进行对比实验。首先,将传统交互式人工免疫算法(TIAIA)与HCI分别在四个数据集上独立运行20次后的进化代数进行了对比,对比结果如图10所示。从图10我们可以清晰的看出来HCI算法的进化代数波动幅度较小,基本在平均进化代数上下浮动,而TIAIA算法的波动幅度比较大,算法时而收敛速度快,时而收敛速度慢,通过对比可以证明HCI算法大大提升了算法的稳定性。
其次,我们对HCI和TIAIA算法的平均进化代数、平均评价个体数和运行时间这三个性能进行对比,对比结果如表3所示。表4展示了各项性能提升的百分比,从表4我们可以得出HCI的平均进化代数比TIAIA的平均进化代数平均减少了18.725%,平均评价个体数减少了20.145%,运行时间缩短了20.94%。说明HCI算法有效的加快了收敛速度,减少了用户的疲劳度,并且节约了时间成本。
表3基于轮毂个性化定制的TIAIA和HCI性能对比
表4基于轮毂个性化定制的性能提升百分比
数据集1 | 数据集2 | 数据集3 | 数据集4 | 平均提升程度 | |
平均进化代数 | 6.57% | 20.28% | 33.07% | 14.98% | 18.725% |
平均评价个体数 | 8.58% | 22.34% | 34.06% | 15.6% | 20.145% |
运行时间 | 16.83% | 22.73% | 30.15% | 14.05% | 20.94% |
5)汽车操控台个性化定制对比实验
本小节将基于汽车操控台个性化定制进行对比实验,同轮毂个性化定制对比实验一致。首先将TIAIA与HCI进行了对比,对比结果如图11所示。其次,我们对HCI和TIAIA算法的平均进化代数、平均评价个体数和运行时间这三个性能进行对比,对比结果如表5所示。表6展示的是各项性能提升的百分比,从表6我们可以得出HCI的平均进化代数比TIAIA的平均进化代数平均减少了27.5025%,平均评价个体数减少了29.785%,运行时间缩短了39.59%。
表5基于汽车操控台个性化定制的TIAIA和HCI性能对比
表6基于汽车操控台个性化定制的性能提升百分比
数据集1 | 数据集2 | 数据集3 | 数据集4 | 平均提升程度 | |
平均进化代数 | 30.61% | 22.93% | 28.57% | 27.90% | 27.5025% |
平均评价个体数 | 32.90% | 25.17% | 31.18% | 29.89% | 29.785% |
运行时间 | 41.37% | 29.05% | 45.42% | 42.52% | 39.59% |
5、结论
为了解决交互式算法中算法进化代数过高而引发的客户疲劳度问题,本发明用改进的BIRCH聚类优化初始抗体,并且将基于客户意向的亲和力计算方法、自适应交叉变异算子和基于混合选择策略的多解保留方法应用于交互式人工免疫算法。该模型使算法以一个良好的抗体种群作为开端,加快了算法的收敛速度,同时客户意向融入到算法中,使得最优解更符合客户的偏好,并且还保持了解的优良性和多样性,降低了迭代次数,有效解决了客户疲劳度问题。将提出的方法分别应用于轮毂和汽车操控台的个性化定制,通过试验分析,验证了在轮毂个性化定制过程中提出的HCI的平均进化代数比TIAIA的平均进化代数平均减少了18.725%,平均评价个体数减少了20.145%,运行时间缩短了20.94%;在汽车操控台个性化定制过程中HCI的平均进化代数比TIAIA的平均进化代数平均减少了27.5025%,平均评价个体数减少了29.785%,运行时间缩短了39.59%,有效减少了算法的进化代数,缩短了运行时间。主要优势如下:
(1)提出了基于密度阈值改进的层次聚类算法来优化人工免疫算法的初始抗体,该方法使得算法以一个良好的抗体种群作为开端,加快了算法的收敛速度,降低了运行时间并解决了客户疲劳度问题;
(2)提出了一种基于客户意向的亲和力计算方法,有效的将客户意向融入到算法过程中,使得根据该方法求出的最优解更符合客户的偏好;
(3)在人工免疫算法中加入了自适应的交叉和变异算子,使其在解决复杂的全局优化问题时也能展现出良好的鲁棒性,并将基于混合选择策略的多解保留方法应用于最优解的选取中,客户可以在更大的解决区域内搜索最优解,使得最优解既保持了优良性又具有多样性。
Claims (5)
1.一种基于改进交互式人工免疫算法的个性化定制方法,其特征在于:包括下述步骤:
S1.收集具有代表性的特征参数,定义一个产品个性化定制特征参数体系,并将所得数据进行预处理;
S2.获取客户意向调查表,将获取的客户需求进行二进制编码作为抗原,并根据客户所选内容构造意向权重矩阵;所述步骤S2中,客户意向调查表为:
对于定制产品所用到的P个特征参数,则客户意向调查表包含了P个模块,每个模块都涉及到五个重要程度等级:重要、一般重要、比较重要、非常重要和特别重要,对应的权重分别是1、2、3、4、5,再加上客户没有明确要求时重要等级值为0,所以重要程度一共有六个等级;根据每个特征参数的重要程度得到意向权重矩阵W如下:
W=[w(1),...w(i),...,w(p)]
其中,w(i)={0,1,2,3,4,5};
S3.利用基于密度阈值改进的层次聚类算法对初始抗体进行优化;选出抗体聚类完成后与抗原平均距离最近的一个类,从该类亲和力较高的抗体中产生初始抗体;所述步骤S3中,利用基于密度阈值改进的层次聚类算法对初始抗体进行优化,包括利用核主成分分析法对数据进行降维处理、求解密度阈值MinPts以及利用求得的密度阈值MinPts初始化BIRCH参数;求解密度阈值MinPts包括:基于关于数据点密度和密度可达距离的计算方法,用密度可达距离求出传统DBSCAN算法中的参数MinPts;其中假设数据集P共n个样本,Pi点的密度Density(Pi)计算公式如下所示:
其中,coefR(0<coefR<1)为密度可达距离的原始调整系数;
初始的MinPts定义为在给定的密度可达距离R内密度可达的样本点数;利用密度阈值MinPts优化BIRCH的参数B和L,步骤如下:
3-1)读入样本数据X;
3-2)先将字符型数据进行数字标签化处理,然后将处理过后的数据根据核主成分分析法进行降维,得到降维后的数据集X’;
3-3)计算数据集X’中每个对象xi的密度;
3-4)求密度可达距离,并利用密度可达距离求出数据样本的密度阈值MinPts;
3-5)依次从数据集X’中读入新样本,若数据集已无新样本,则算法结束;若还有新样本,则转入步骤3-6;
3-6)从根节点向下寻找和新样本距离最近的叶子节点和叶子节点里最近的CF节点,若新样本加入后该节点的这个CF节点对应的超球体半径满足小于阈值T,则更新路径上所有的CF三元组,插入结束,转入步骤3-5;否则转入步骤3-7;
3-7)如果当前叶子节点的CF节点个数小于阈值MinPts,则创建一个新的CF节点,放入新样本,将新的CF节点放入这个叶子节点,更新路径上所有的CF三元组,插入结束,转入步骤3-5;否则转入步骤3-8;
3-8)将当前叶子节点划分为两个新叶子节点,选择旧叶子节点中所有CF元组里超球体距离最远的两个CF元组,分别作为两个新叶子节点的第一个CF节点;将其他元组和新样本元组按照距离远近原则放入对应的叶子节点;依次向上检查父节点是否也要分裂,若需要按和叶子节点相同的分裂方式分裂;
S4.根据基于汉明距离得到的矩阵和已知的意向权重矩阵,利用基于客户意向的亲和力计算方法求出每个抗原与抗体之间的亲和力,将亲和力按从大到小排序;
S5.更新记忆细胞,亲和力高的抗体取代记忆细胞中亲和力较低的抗体;
S6.判断更新后的记忆细胞中是否有最优解,如果有则算法结束,如果没有则根据多解保留方法输出解集;判断该解集中是否有最优解,如果有则算法结束,如果没有则基于自适应交叉变异算子更新抗体种群,重新进行最优解判断过程。
2.根据权利要求1所述的基于改进交互式人工免疫算法的个性化定制方法,其特征在于:在对客户需求进行二进制编码时,若客户需求明确,则根据客户做出的选择赋予该属性对应的编码值,若客户需求不明确,则对特征参数随机赋值,二进制编码也分为P个部分,分别对应P个特征参数的编码值。
3.根据权利要求1所述的基于改进交互式人工免疫算法的个性化定制方法,其特征在于:所述步骤S4中,基于客户意向的亲和力计算方法包括下述步骤:
编码后的客户需求作为人工免疫算法的抗原,对于抗原A和抗体B,有:
V=[v(1),...v(i),...,v(P)]
v(i)=len(i)-d(A(i),B(i))
其中,len(i)表示定制产品的第i个特征参数的编码长度,d(A(i),B(i))表示抗原A的第i个特征参数的编码值与抗体B的第i个特征参数的编码值之间的汉明距离,v(i)则表示第i个特征参数的匹配长度,构成了匹配矩阵V;
因此可得抗原A和抗体B之间的亲和力为:
Aff=W·VT。
4.根据权利要求1所述的基于改进交互式人工免疫算法的个性化定制方法,其特征在于:所述步骤S6中,基于自适应的交叉和变异算子更新抗体种群,具体为:
根据遗传算法的自适应交叉和变异算子,计算人工免疫算法中的交叉概率Pc和变异概率Pm:
其中,Pc0,Pc1、Pm0、Pm1均为初始化参数;Aff是抗体与抗原间的亲和力,Affmax、Affmin和Affavg分别是每一代的最高亲和力、最低亲和力和平均亲和力;
自适应交叉操作包括以下步骤:
1)为每个抗体生成一个(0,1)的随机数;
2)计算抗体的交叉概率;
3)找出随机数小于交叉概率的抗体,将其分为两组;
4)从第一组中找出第i个个体与第二组中的第j个个体进行交叉操作,并随机生成另一个数r作为它们的交叉点;
5)交叉操作产生的后代必须与两个父母不同,同时,后代的亲和力应当不比父母差,否则将被删除,取而代之的是具有更好亲和力的父母;
自适应变异操作包括以下步骤:
1)为每个抗体生成一个(0,1)的随机数;
2)计算抗体的变异概率;
3)找出随机数小于变异概率的抗体,随机生成一个数t作为变异点;
4)变异操作生成的后代必须是存在的且与父级不同,若后代的亲和力优于父级则保留该后代,如果后代的亲和力值低于父亲的亲和力,则将被删除并由父母替换。
5.根据权利要求1所述的基于改进交互式人工免疫算法的个性化定制方法,其特征在于:所述步骤S6中,根据多解保留方法输出解集,具体步骤为:
每次有新的抗原进入系统中,首先要激活记忆细胞产生抗体,从记忆细胞中搜寻是否有最优抗体,若有最优抗体则满足终止条件,算法结束;若没有最优抗体则在最优解集合中搜索最优抗体;记忆细胞更新规则为:将每一代中与抗原亲和力最高的抗体加入记忆细胞,当记忆细胞的数量达到N1后,新产生的与抗原具有更高亲和力的抗体替换较低亲和力的抗体,N1为记忆细胞的数量;
假设抗体数量为M个,模型最后保留的解的数量为N2个,计算剩余的M-m个抗体的伪亲和力值:
其中,pi为第i个个体的伪亲和力值,i=1,…,M-m,m为直接作为后代的优秀抗体个数;
得到剩余个体的伪亲和力值后,用锦标赛选择法选择最好的抗体进入后代,过程如下:
1)确定每次选择的抗体数量n;
2)从抗体种群中随机选择n个个体构成一个组,根据每个抗体的伪亲和力值,选择其中伪亲和力值最高的抗体进入子代种群;
3)重复步骤2),直到选出最好的抗体;锦标赛选择法选出的最好抗体与之前选择的m个优秀抗体共同构成了最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910977112.5A CN110717545B (zh) | 2019-10-15 | 2019-10-15 | 基于改进交互式人工免疫算法的个性化定制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910977112.5A CN110717545B (zh) | 2019-10-15 | 2019-10-15 | 基于改进交互式人工免疫算法的个性化定制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110717545A CN110717545A (zh) | 2020-01-21 |
CN110717545B true CN110717545B (zh) | 2022-01-28 |
Family
ID=69211688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910977112.5A Active CN110717545B (zh) | 2019-10-15 | 2019-10-15 | 基于改进交互式人工免疫算法的个性化定制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717545B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1873658A (zh) * | 2006-06-29 | 2006-12-06 | 武汉大学 | 一种遥感影像的人工免疫特征选择方法 |
CN101968853A (zh) * | 2010-10-15 | 2011-02-09 | 吉林大学 | 基于改进的免疫算法优化支持向量机参数的表情识别方法 |
CN109870909A (zh) * | 2019-03-01 | 2019-06-11 | 中国人民解放军陆军装甲兵学院 | 一种基于rbf神经网络和自适应搜索的人工免疫算法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392269B (zh) * | 2014-11-19 | 2017-04-19 | 天津大学 | 一种基于人工免疫的微电网分布式电源竞价方法 |
CN104504177A (zh) * | 2014-12-04 | 2015-04-08 | 上海海事大学 | 大型集装箱起重机快速配置设计方法 |
CN106447346A (zh) * | 2016-08-29 | 2017-02-22 | 北京中电普华信息技术有限公司 | 一种智能电力客服系统的构建方法及系统 |
CN106779372B (zh) * | 2016-12-05 | 2019-12-24 | 东华大学 | 基于改进免疫禁忌算法的农机调度方法 |
-
2019
- 2019-10-15 CN CN201910977112.5A patent/CN110717545B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1873658A (zh) * | 2006-06-29 | 2006-12-06 | 武汉大学 | 一种遥感影像的人工免疫特征选择方法 |
CN101968853A (zh) * | 2010-10-15 | 2011-02-09 | 吉林大学 | 基于改进的免疫算法优化支持向量机参数的表情识别方法 |
CN109870909A (zh) * | 2019-03-01 | 2019-06-11 | 中国人民解放军陆军装甲兵学院 | 一种基于rbf神经网络和自适应搜索的人工免疫算法 |
Also Published As
Publication number | Publication date |
---|---|
CN110717545A (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108733798B (zh) | 一种基于知识图谱的个性化推荐方法 | |
CN110188228B (zh) | 基于草图检索三维模型的跨模态检索方法 | |
CN112037009A (zh) | 一种基于随机森林算法的消费信贷场景的风险评估方法 | |
CN109902235B (zh) | 基于蝙蝠优化的用户偏好聚类协同过滤推荐算法 | |
CN105930862A (zh) | 一种基于密度自适应距离的密度峰聚类算法 | |
CN111368891B (zh) | 一种基于免疫克隆灰狼优化算法的K-Means文本分类方法 | |
CN111783826B (zh) | 一种基于预分类与集成学习的驾驶风格分类方法 | |
CN110532429B (zh) | 一种基于聚类和关联规则的线上用户群体分类方法及装置 | |
CN113887643B (zh) | 一种基于伪标签自训练和源域再训练的新对话意图识别方法 | |
CN115062237A (zh) | 基于图神经网络和知识图谱结合的文化资源推荐方法 | |
CN115840900A (zh) | 一种基于自适应聚类分层的个性化联邦学习方法及系统 | |
CN112231583A (zh) | 基于动态兴趣组标识和生成对抗网络的电商推荐方法 | |
Sosiawan et al. | Implementation of using HMM-GA in time series data | |
CN112270374B (zh) | 基于som聚类模型的数学表达式的聚类方法 | |
CN110717545B (zh) | 基于改进交互式人工免疫算法的个性化定制方法 | |
CN116304773A (zh) | 基于图神经网络的社区发现方法 | |
CN114997959A (zh) | 一种电子智造产品营销推荐方法 | |
CN111242192B (zh) | 不确定性下多层次密度融合的余热发电锅炉温度控制方法 | |
CN112270047B (zh) | 基于数据驱动的群体智能计算的城市车辆路径优化方法 | |
CN108985854B (zh) | 一种用户参与的个性化产品概念设计方法 | |
CN115422993A (zh) | 跨城市兴趣点分布数据迁移预测方法及系统 | |
CN114676928A (zh) | 一种基于生成对抗网络的不平衡数据集的预测方法 | |
CN108268898A (zh) | 一种基于K-Means的电子发票用户聚类方法 | |
CN115221390A (zh) | 融合用户偏好和信任关系的混合群组餐厅推荐 | |
CN114564594A (zh) | 一种基于双塔模型的知识图谱用户偏好实体召回方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder |
Address after: 300457 room 803, Ronghui building, No. 58, Dongting Road, economic and Technological Development Zone, Binhai New Area, Tianjin Patentee after: Tianjin Development Zone Jingnuo Hanhai Data Technology Co.,Ltd. Address before: 300401 door 9, building 1, Science Park, Hebei University of technology, Shuangkou Town, Beichen District, Tianjin Patentee before: Tianjin Development Zone Jingnuo Hanhai Data Technology Co.,Ltd. |
|
CP02 | Change in the address of a patent holder |