CN111353576B - 一种基于模糊神经网络的信息生成方法、装置及设备 - Google Patents
一种基于模糊神经网络的信息生成方法、装置及设备 Download PDFInfo
- Publication number
- CN111353576B CN111353576B CN201811579956.6A CN201811579956A CN111353576B CN 111353576 B CN111353576 B CN 111353576B CN 201811579956 A CN201811579956 A CN 201811579956A CN 111353576 B CN111353576 B CN 111353576B
- Authority
- CN
- China
- Prior art keywords
- parameters
- information
- layer
- service
- recommended
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种基于模糊神经网络的信息生成方法、装置及设备,包括:对获取的维度参数进行主成分分析,确定特征参数;根据非线性激励函数对特征参数进行平滑化处理,确定与特征参数对应的业务参数;利用模糊映射原理对业务参数进行处理,生成待推荐信息;建立待推荐信息与特征参数的映射关系,以便于生成推荐信息。本申请,利用主成分分析法确定特征参数,采用非线性激励函数构造模糊神经网络,从而根据特征参数计算输出适合用户的业务信息,利用模糊映射原理构造神经网络,解决了目前面对海量用户数据,单一用户标签线性匹配不精准的问题。能够实现推荐信息的准确率和效率的同时,降低人力成本的目的。
Description
技术领域
本发明属于互联网技术领域,尤其涉及一种基于模糊神经网络的信息生成方法、装置、设备和计算机存储介质。
背景技术
随着通信行业的迅猛发展,各种增值业务如雨后春笋般的出现。与此同时,在技术层面上,也从全球移动通信系统(global system for mobile communication,GSM)到第五代移动通信技术(5-generation,5G)的飞跃。与此对应的,业务层面从语音、短信、流量、宽带、交互式网络电视(IPTV)等融合类个性化业务的发展,为从不同维度以满足用户个性化的需求,提出精准的推荐信息。目前,主要简单的线性标签方式刻画用户画像(即用户习惯),由管理人员根据经验提出推荐信息。
因此,需要提供一种更加合理的信息生成方案,避免单一用户线性标签匹配不精准的缺陷、人为参与导致主观性营销、以及数据挖掘效率低的问题。
发明内容
本申请实施例提供一种基于模糊神经网络的信息生成方法、装置、设备和计算机存储介质,能够实现推荐信息的准确率和效率的同时,降低人力成本的目的。
第一方面,本申请实施例提供了一种基于模糊神经网络的信息生成方法,该方法可以包括:
对获取的维度参数进行主成分分析,确定特征参数;
根据非线性激励函数对特征参数进行平滑化处理,确定与特征参数对应的业务参数;
利用模糊映射原理对业务参数进行处理,生成待推荐信息;
建立待推荐信息与特征参数的映射关系,以便于生成推荐信息。
本申请,利用主成分分析法确定特征参数,采用非线性激励函数构造模糊神经网络,从而根据特征参数计算输出适合用户的业务信息,利用模糊映射原理构造神经网络,解决了目前面对海量用户数据,单一用户标签线性匹配不精准的缺陷、主观性营销以及数据挖掘效率低的问题。能够实现推荐信息的准确率和效率的同时,降低人力成本的目的。
在一种可能的实施方式中,上述“对获取的维度参数进行主成分分析,确定特征参数”的步骤中,具体可以包括:
获取维度参数;利用仿射空间的正交变换对维度参数进行主成分分析,确定特征参数。
在另一种可能的实施方式中,在上述“根据非线性激励函数对特征参数进行平滑化处理,确定与特征参数对应的业务参数”的步骤之前,还可以包括:
对特征参数进行离散化处理。
在又一种可能的实施方式中,上述“根据非线性激励函数对特征参数进行平滑化处理,确定与特征参数对应的业务参数”的步骤中,具体可以包括:
根据非线性激励函数和特征参数,分别计算第一系数、第二系数和第三系数;其中,第一系数、第二系数和第三系数分别为三个相邻参数层的系数;根据第三系数,确定与特征参数对应的业务参数。
在再一种可能的实施方式中,上述“根据第三系数,确定与特征参数对应的业务参数”的步骤中,具体可以包括:
根据非线性激励函数对第三系数进行归一化处理,确定与特征参数对应的业务参数。
在再一种可能的实施方式中,上述“利用模糊映射原理对业务参数进行处理,生成待推荐信息”的步骤中,具体可以包括:
利用模糊映射原理对业务参数进行迭代处理,生成待推荐信息。
在再一种可能的实施方式中,上述“利用模糊映射原理对业务参数进行处理,生成待推荐信息”的步骤中,具体可以包括:
对业务参数进行计算,确定评价误差函数;根据评价误差函数对模糊神经网络中的各个神经元进行处理,确定各个神经元的权值;对各个神经元的权值进行迭代处理,生成待推荐信息。
在再一种可能的实施方式中,上述“对各个神经元的权值进行迭代处理,生成待推荐信息”的步骤中,具体可以包括:
对各个神经元的权值进行共轭梯度迭代处理,生成待推荐信息。
在再一种可能的实施方式中,上述“迭代”的方式还可以包括:牛顿迭代法、最速下降法或者斐波那切数列黄金分割迭代法。
在再一种可能的实施方式中,上述“建立待推荐信息与特征参数的映射关系,以便于生成推荐信息”的步骤中,具体可以包括:
根据待推荐信息与特征参数的映射关系,生成推荐信息;其中,推荐信息与特征参数对应的业务参数相关。
第二方面,本申请实施例提供了一种基于模糊神经网络的信息生成装置,该装置可以包括:
分析模块,用于对获取的维度参数进行主成分分析,确定特征参数;
处理模块,用于根据非线性激励函数对特征参数进行平滑化处理,确定与特征参数对应的业务参数;
处理模块还用于,利用模糊映射原理对业务参数进行处理,生成待推荐信息;
映射模块,用于建立待推荐信息与特征参数的映射关系,以便于生成推荐信息。
本申请,利用主成分分析法确定特征参数,采用非线性激励函数构造模糊神经网络,从而根据特征参数计算输出适合用户的业务信息,利用模糊映射原理构造神经网络,解决了目前面对海量用户数据,单一用户标签线性匹配不精准的缺陷、主观性营销以及数据挖掘效率低的问题。能够实现推荐信息的准确率和效率的同时,降低人力成本的目的。
第三方面,本申请实施例提供了一种基于模糊神经网络的信息生成设备,该设备包括处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如第一方面任意一项实现基于模糊神经网络的信息生成方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如第一方面任意一项实现基于模糊神经网络的信息生成方法。
第五方面,本申请实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如第一方面任意一项实现基于模糊神经网络的信息生成方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的一种模糊神经网络网络架构图;
图2是本申请一个实施例提供的一种基于模糊神经网络的信息生成方法流程图;
图3是本申请一个实施例提供的一种仿射空间中超脱圆球的正交变换的结构示意图;
图4是本申请一个实施例提供的一种基于模糊神经网络的信息生成装置结构示意图;
图5是本申请一个实施例提供的基于模糊神经网络的信息生成设备结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本申请,并不被配置为限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了方便理解本申请中涉及的内容,首先介绍一下本发明实施例提供的一种模糊神经网络网络架构图,如图1所示,该架构下可以包括:该模糊神经网络可以包括5层,其中,输入向量层、隐含层和输出向量层为标准层(即一般神经网络都包括上述3层),在本申请中,将在输入向量层和隐含层之间加入主成分分析层、以及在隐含层和输出向量层之间加入模糊化层。其中,主成分分析层完成对输入层字段的降维处理。因实际应用中针对语音业务、流量业务、宽带业务、IPTV业务(大视频业务)、增值业务等业务种类繁多,描述每项业务需要存储的表以及字段非常多,针对不同的业务需要把握重点,分清事务的主要矛盾。主要矛盾是关键字段对实际用户入网或订购业务的影响。理论上,任何字段都会对实际用户入网或订购业务产生影响,这里进行主成分分析的目的是剔除无关因素简化输入,提高效率。本层的特点是利用高维仿射空间的正交变换,突出特征张量,按照特征值进行排序以确定重要性和优先级。隐含层类似于一般神经网络的实现,但是,与普通神经网络区别在于配合模糊化层两次使用sigmoid非线性激励函数进行平滑化处理。模糊化层利用模糊映射原理进行判决。输出层完成推荐业务信息的输出。通过上述5层的网络及每层中的神经元相互协作,完成本申请实施例提供的方法。能够实现推荐信息的准确率和效率的同时,降低人力成本的目的。
基于上述架构,本申请实施例提供了一种模糊神经网络的信息生成方法,可以结合图1对图2进行说明。
图2是本申请一个实施例提供的一种基于模糊神经网络的信息生成方法流程图。
如图2所示,该方法可以包括S210-S240,具体步骤可以如下所示:
S210:对获取的维度参数进行主成分分析,确定特征参数。
具体地,获取维度参数;利用仿射空间的正交变换对维度参数进行主成分分析,确定特征参数。
基于图1,对该步骤进行举例详细说明:首先输入想两层获取用户画像(即特征参数)。
本申请实施中提供的主成分分析层中是采用降低维度的方式,利用高维仿射空间的正交变换,将不明显的用户画像维度剔除。因需要大型矩阵运算,所以构造运算器。用户各个维度的画像描述可以理解为仿射空间中的超椭球,超椭球各个维度的长短轴代表各个画像描述的度量。其几何意义是通过仿射空间中超椭球的正交变换(如图3所示),将超椭球平移旋转至特征值最明显的地方(可以理解为是图3中的超椭球覆盖的地方),即是影响用户消费行为的关键画像(即维度参数),这样能够把握分析事物的主要矛盾。
具体地,确定关键画像的方式可以包括下述方式:
经运算得到用户画像是(性别年龄地域学历行业)等。
向量X=(x1,x1,…,xn)为用户画像(即特征参数),全部分量描述用户各个维度的信息。向量Y=(y1,y1,…,yp)为主成分分析后的关键画像(即维度参数)。二者的关系是仿射空间的正交变换,其具体公式表现为
构造(2)式的主成分分析相关的函数
令
计算出协方差矩阵Σ的特征根向量(4)
Σλ=(λ1,λ2,…,λp)(λi≥λj(1<i<j<p)∧p<n) (4)
由此,确定出降维处理后的向量Y=(y1,y1,…,yp),(即维度参数)。确定的Y=(y1,y1,…,yp)无论从运算资源还是存储空间均提高了效率。
S220:根据非线性激励函数对特征参数进行平滑化处理,确定与特征参数对应的业务参数。
具体地,根据非线性激励函数和特征参数,分别计算第一系数、第二系数和第三系数;其中,第一系数、第二系数和第三系数分别为三个相邻参数层的系数;根据第三系数,确定与特征参数对应的业务参数。
在一种可能的实施例中,上述根据第三系数,确定与特征参数对应的业务参数的步骤中,具体可以包括:根据非线性激励函数对第三系数进行归一化处理,确定与特征参数对应的业务参数。
基于S220和一种可能的实施例,在另一种可能的实施例中,在该步骤之前还可以包括:对特征参数进行离散化处理。
基于图1以及S210中的例子,对该步骤进行举例详细说明:
有图1所示,该模糊神经网络可以分为5层:输入向量层,主成分分析层,隐含层,模糊化层,输出向量层。每层的层数分别对应为n,p,q,r,s其中隐含层的建议层数范围是由公式(5)确定:
输入向量(即由S210中主成分分析层输出的特征参数)进行离散化处理,向量的每个分量进行枚举变量定义,以整型方式输入。归一化主成分分析层的数据由公式(6)所示:
计算隐含层系数由公式(7)所示:
采用sigmoid非线性激励函数由公式(8)所示:
计算模糊化层系数由公式(9)所示:
ci(k)=sigmoid[bi(k)](i=1,2,…,r) (9)
计算输出层系数由公式(10)所示:
在一种可能的情况下,若营销模糊神经网络的输出向量是(语音(每月使用呼叫通话时长);语音(每月使用接收通话时长);短信(每月使用条数);流量(每月使用MB);定向流量(每月使用MB);宽带(套餐月均费用等级);IPTV(套餐月均费用等级);增值业务;集客业务等。则输出向量(即与特征参数对应的业务参数)需要进行归一化处理将输出向量信息归一化至[0,1]区间,剔除单位等因素,外部与实际资费档次等进行映射。
S230:利用模糊映射原理对业务参数进行处理,生成待推荐信息。
具体地,利用模糊映射原理对业务参数进行迭代处理,生成待推荐信息。
在一种可能的实施例中,S230具体可以包括:对业务参数进行计算,确定评价误差函数;根据评价误差函数对模糊神经网络中的各个神经元进行处理,确定各个神经元的权值;对各个神经元的权值进行迭代处理,生成待推荐信息。其中,对各个神经元的权值进行共轭梯度迭代处理,生成待推荐信息。在另一种可能的实施例中,该迭代方式还可以包括:牛顿迭代法、最速下降法或者斐波那切数列黄金分割迭代法。
基于图1、S210以及S230中的例子,对该步骤进行举例详细说明:
再次采用sigmoid非线性激励函数公式(8)获取公式(11),具体如下所示:
hi(k)=sigmoid[di(k)](i=1,2,…,s) (11)
模糊神经网络评价误差函数由公式(12)所示,
计算评价误差函数对输出向量层各个神经元的偏微分,从而计算出模糊神经网络中各个神经元的权值。
需要说明的是,在实际的系统实现时,选择合适的步长,构造方向向量进行迭代。可选的迭代方法有牛顿迭代法,最速下降法,裴波那切数列黄金分割迭代法,共轭梯度法等。本申请中采用的是共轭梯度法进行迭代计算,相较于传统的最速下降法以及裴波那契数列法等方法来说,该方法的收敛性好。因为采用正交的方向向量不同维度可有效减少迭代次数,实现快速收敛。根据采集到的用户相关数据样本集,确定合适的迭代参数,如迭代次数,迭代精度等,初始化营销模糊BP神经网络。具体地,公式(13)、(14)和(15)描述了共轭梯度迭代过程,具体如下所示:
d(k+1)=d(k)+λkP(k) (13)
利用上述公式构造出的模糊神经网络,在一种情况下,当输入新用户的维度向量(即维度参数),可以通过上述方式,输出相关业务的推荐信息向量(即待推荐信息)。
S240:建立待推荐信息与特征参数的映射关系,以便于生成推荐信息。
具体地,根据待推荐信息与特征参数的映射关系,生成推荐信息;其中,推荐信息与特征参数对应的业务参数相关。
基于图1以及S210-S230中的例子,对该步骤进行举例详细说明:
根据特征参数中的具体值,与相应套餐建立映射关系,如此可以实现精准推荐,避免了盲目推荐的主观性。而且随着数据的增长,各个神经元不断优化,该模糊神经网络不断完善,鲁棒性增强。充分反映用户使用语音,短信,流量,定向流量,宽带,IPTV,等各种增值业务的需求。
综上,结合S210-S240,对整体方法进行举例说明:
例如:宽带业务输入层输入数据(即特征参数)为(地市代码,网点编码,性别,身份证号,学历,行业,用户号码,宽带带宽,宽带连接方式,用户状态,是否分包用户,是否融合带宽,是否与铁通协同发展,小区编码,历史信息等),经过主成分分析层输出为(地市代码,网点编码,性别,年龄,学历,行业),经过模糊变换输出为对应该用户适合的宽带套餐类型描述张量(例如:宽带类型,营销活动编码,营销档次编码,带宽),这样实现了精准营销。与传统精准营销推送的最大区别是具有自学习性,能够动态适应市场情况。
本申请实施例提供的方法,利用主成分分析法确定特征参数,采用非线性激励函数构造模糊BP神经网络,从而根据特征参数计算输出适合用户的业务信息,利用高维仿射空间的正交变换和模糊映射原理构造神经网络,解决了目前面对海量用户数据,单一用户标签线性匹配不精准的缺陷、主观性营销以及数据挖掘效率低的问题。本申请提供的方法能够动态学习用户特性(可以理解为维度参数),不断适应市场的变化情况。同时,通过共轭梯度法的优化迭代,得到收敛性较好的模糊BP神经网络。
此外,本申请提供的方法,可以通过电子渠道全量用户历史数据为样本集,不断迭代更新,具有智能学习性。迭代中不断矫正营销模糊BP神经网络神经元系数,不断优化营销模糊BP神经网络结构,从不同维度适应逐渐变化的用户需求。解决了目前面对海量用户数据,单一用户标签线性匹配不精准的缺陷,以及挖掘效率低下以及主观性强经验式营销的缺点。
图4是本申请一个实施例提供的一种基于模糊神经网络的信息生成装置结构示意图。
如图4所示,该装置40可以包括:
分析模块401,用于对获取的维度参数进行主成分分析,确定特征参数;
处理模块402,用于根据非线性激励函数对特征参数进行平滑化处理,确定与特征参数对应的业务参数;
处理模块402还用于,利用模糊映射原理对业务参数进行处理,生成待推荐信息;
映射模块403,用于建立待推荐信息与特征参数的映射关系,以便于生成推荐信息。
其中,分析模块401具体可以用于,获取维度参数;利用仿射空间的正交变换对维度参数进行主成分分析,确定特征参数。
该装置40还可以包括离散模块404,用于对特征参数进行离散化处理。
处理模块402具体可以用于,根据非线性激励函数和特征参数,分别计算第一系数、第二系数和第三系数;其中,第一系数、第二系数和第三系数分别为三个相邻参数层的系数;根据第三系数,确定与特征参数对应的业务参数。具体地,根据非线性激励函数对第三系数进行归一化处理,确定与特征参数对应的业务参数。
映射模块403具体可以用于,利用模糊映射原理对业务参数进行迭代处理,生成待推荐信息。以及,对业务参数进行计算,确定评价误差函数;根据评价误差函数对模糊神经网络中的各个神经元进行处理,确定各个神经元的权值;对各个神经元的权值进行迭代处理,生成待推荐信息。具体地,对各个神经元的权值进行共轭梯度迭代处理,生成待推荐信息。其中,迭代的方式还包括:牛顿迭代法、最速下降法或者斐波那切数列黄金分割迭代法。
映射模块403具体可以用于,根据待推荐信息与特征参数的映射关系,生成推荐信息;其中,推荐信息与特征参数对应的业务参数相关。
图5是本申请一个实施例提供的基于模糊神经网络的信息生成设备结构示意图。
如图5所示,该设备50具体可以包括处理器501以及存储有计算机程序指令的存储器502。
具体地,上述处理器501可以包括中央处理器(CPU),或者特定集成电路(application specific integrated circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器502可包括硬盘驱动器(hard disk drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus,USB)驱动器或者两个及其以上这些的组合。在合适的情况下,存储器502可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器502可在综合网关设备的内部或外部。在特定实施例中,存储器502是非易失性固态存储器。在特定实施例中,存储器502包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存,或者两个或及其以上这些的组合。
处理器501通过读取并执行存储器502中存储的计算机程序指令,以实现上述实施例中的任意一种基于模糊神经网络的信息生成方法。
收发器503,主要用于实现本发明实施例中各模块、装置、单元、用户端,或者服务器中的至少两个之间的通信。
在一个示例中,该设备还可包括总线504。其中,如图5所示,处理器501、存储器502和收发器503通过总线504连接并完成相互间的通信。
总线504包括硬件、软件或两者,将该设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线503可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。该设备适用于本申请中图1-图4所涉及到的所有方法。
另外,结合上述实施例中的一种基于模糊神经网络的信息生成方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于模糊神经网络的信息生成方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (13)
1.一种基于模糊神经网络的信息生成方法,其特征在于,所述模糊神经网络包括输入向量层、主成分分析层、隐含层、模糊化层和输出向量层,所述主成分分析层位于所述输入向量层和所述隐含层之间,所述模糊化层位于所述隐含层和所述输出向量层之间,所述方法包括:
在所述主成分分析层对获取的维度参数进行主成分分析,确定特征参数,所述主成分分析前的参数为用户画像,所述主成分分析后的参数为影响用户消费行为的关键画像;
在所述隐含层根据非线性激励函数对所述特征参数进行平滑化处理,确定与所述特征参数对应的业务参数;
在所述模糊化层利用模糊映射原理对所述业务参数进行处理,生成待推荐信息;
建立所述待推荐信息与所述特征参数的映射关系,以便于生成推荐信息,所述推荐信息包括与语音业务、短信业务、流量业务、宽带业务、交互式网络电视业务对应的推荐信息;
所述根据非线性激励函数对所述特征参数进行平滑化处理,包括:配合所述模糊化层两次使用所述非线性激励函数对所述特征参数进行平滑化处理。
2.根据权利要求1所述的方法,其特征在于,所述对获取的维度参数进行主成分分析,确定特征参数,包括:
获取所述维度参数;
利用仿射空间的正交变换对所述维度参数进行主成分分析,确定所述特征参数。
3.根据权利要求1所述的方法,其特征在于,在所述根据非线性激励函数对所述特征参数进行平滑化处理,确定与所述特征参数对应的业务参数的步骤之前,还包括:
对所述特征参数进行离散化处理。
4.根据权利要求1所述的方法,其特征在于,所述根据非线性激励函数对所述特征参数进行平滑化处理,确定与所述特征参数对应的业务参数,包括:
根据非线性激励函数和所述特征参数,分别计算第一系数、第二系数和第三系数;其中,所述第一系数、所述第二系数和第三系数分别为三个相邻参数层的系数;
根据所述第三系数,确定与所述特征参数对应的业务参数。
5.根据权利要求4所述的方法,其特征在于,根据所述第三系数,确定与所述特征参数对应的业务参数,包括:
根据所述非线性激励函数对所述第三系数进行归一化处理,确定与所述特征参数对应的业务参数。
6.根据权利要求1所述的方法,其特征在于,所述利用模糊映射原理对所述业务参数进行处理,生成待推荐信息,包括:
利用模糊映射原理对所述业务参数进行迭代处理,生成待推荐信息。
7.根据权利要求1所述的方法,其特征在于,所述利用模糊映射原理对所述业务参数进行处理,生成待推荐信息,包括:
对所述业务参数进行计算,确定评价误差函数;
根据所述评价误差函数对所述模糊神经网络中的各个神经元进行处理,确定所述各个神经元的权值;
对所述各个神经元的权值进行迭代处理,生成所述待推荐信息。
8.根据权利要求7所述的方法,其特征在于,所述对所述各个神经元的权值进行迭代处理,生成所述待推荐信息,包括:
对所述各个神经元的权值进行共轭梯度迭代处理,生成所述待推荐信息。
9.根据权利要求8所述的方法,其特征在于,所述迭代的方式还包括:牛顿迭代法、最速下降法或者斐波那切数列黄金分割迭代法。
10.根据权利要求1所述的方法,其特征在于,所述建立所述待推荐信息与所述特征参数的映射关系,以便于生成推荐信息,包括:
根据所述待推荐信息与所述特征参数的映射关系,生成推荐信息;其中,所述推荐信息与所述特征参数对应的业务参数相关。
11.一种基于模糊神经网络的信息生成装置,其特征在于,所述模糊神经网络包括输入向量层、主成分分析层、隐含层、模糊化层和输出向量层,所述主成分分析层位于所述输入向量层和所述隐含层之间,所述模糊化层位于所述隐含层和所述输出向量层之间,所述装置包括:
分析模块,用于在所述主成分分析层对获取的维度参数进行主成分分析,确定特征参数,所述主成分分析前的参数为用户画像,所述主成分分析后的参数为影响用户消费行为的关键画像;
处理模块,用于在所述隐含层根据非线性激励函数对所述特征参数进行平滑化处理,确定与所述特征参数对应的业务参数;
所述处理模块还用于,在所述模糊化层利用模糊映射原理对所述业务参数进行处理,生成待推荐信息;
映射模块,用于建立所述待推荐信息与所述特征参数的映射关系,以便于生成推荐信息,所述推荐信息包括与语音业务、短信业务、流量业务、宽带业务、交互式网络电视业务对应的推荐信息;
所述处理模块具体还用于,配合所述模糊化层两次使用所述非线性激励函数对所述特征参数进行平滑化处理。
12.一种基于模糊神经网络的信息生成设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-10任意一项所述的基于模糊神经网络的信息生成方法。
13.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-10任意一项所述的基于模糊神经网络的信息生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811579956.6A CN111353576B (zh) | 2018-12-24 | 2018-12-24 | 一种基于模糊神经网络的信息生成方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811579956.6A CN111353576B (zh) | 2018-12-24 | 2018-12-24 | 一种基于模糊神经网络的信息生成方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353576A CN111353576A (zh) | 2020-06-30 |
CN111353576B true CN111353576B (zh) | 2023-09-19 |
Family
ID=71195447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811579956.6A Active CN111353576B (zh) | 2018-12-24 | 2018-12-24 | 一种基于模糊神经网络的信息生成方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353576B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105979366A (zh) * | 2016-04-25 | 2016-09-28 | 乐视控股(北京)有限公司 | 智能电视及其内容推荐的方法、装置 |
CN107180375A (zh) * | 2017-05-04 | 2017-09-19 | 东华大学 | 一种基于多层神经网络的服装号型推荐系统 |
CN108829846A (zh) * | 2018-06-20 | 2018-11-16 | 中国联合网络通信集团有限公司 | 一种基于用户特征的业务推荐平台数据聚类优化系统及方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11074495B2 (en) * | 2013-02-28 | 2021-07-27 | Z Advanced Computing, Inc. (Zac) | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
CN105224984B (zh) * | 2014-05-31 | 2018-03-13 | 华为技术有限公司 | 一种基于深度神经网络的数据类别识别方法及装置 |
US20170132706A1 (en) * | 2015-05-13 | 2017-05-11 | Capital Preferences, Ltd. | Preference Based Financial Tool System and Method |
US10789298B2 (en) * | 2016-11-16 | 2020-09-29 | International Business Machines Corporation | Specialist keywords recommendations in semantic space |
US11094011B2 (en) * | 2017-01-25 | 2021-08-17 | Fidessa Trading Uk Limited | Actionable contextualized alerts within an order management system |
US11188581B2 (en) * | 2017-05-10 | 2021-11-30 | Fmr Llc | Identification and classification of training needs from unstructured computer text using a neural network |
-
2018
- 2018-12-24 CN CN201811579956.6A patent/CN111353576B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105979366A (zh) * | 2016-04-25 | 2016-09-28 | 乐视控股(北京)有限公司 | 智能电视及其内容推荐的方法、装置 |
CN107180375A (zh) * | 2017-05-04 | 2017-09-19 | 东华大学 | 一种基于多层神经网络的服装号型推荐系统 |
CN108829846A (zh) * | 2018-06-20 | 2018-11-16 | 中国联合网络通信集团有限公司 | 一种基于用户特征的业务推荐平台数据聚类优化系统及方法 |
Non-Patent Citations (9)
Title |
---|
"基于主成分分析与模糊BP方法的藻类繁殖状态预测";张颖 等;《上海交通大学学报》;20120515(第5期);第21-26页 * |
"基于人工神经网络的混合智能系统研究及应用";伭炜;《中国优秀博士论文全文数据库 信息科技辑》;20110215(第2期);第22-24页 * |
Personalized Food Recommendation Using Deep Neural Network;Tossawat Mokdara 等;2018 Seventh ICT International Student Project Conference (ICT-ISPC);1-4 * |
基于主成分与神经网络的我国电商企业客户流失风险预警研究;傅莹莹;中国优秀硕士学位论文全文数据库 经济与管理科学辑(第1期);J157-182 * |
基于前向神经网络的非线性平滑滤波器设计研究;盛守照等;《中国空间科学技术》;20050425(第02期);全文 * |
基于卷积神经网络的钢琴音乐推荐算法研究;李碧;中国优秀硕士学位论文全文数据库 信息科技辑(第4期);I138-3615 * |
基于模糊神经网络的服装号型推荐专家系统;东苗等;《微型电脑应用》;20100320(第03期);第785-789页 * |
基于神经网络和模糊逻辑的智能推荐系统研究;曹渝昆;中国博士学位论文全文数据库 信息科技辑(第1期);I138-23 * |
污水处理系统水质预测模型和综合效益模型构建的研究;谷雨婷;中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑(第12期);B027-206 * |
Also Published As
Publication number | Publication date |
---|---|
CN111353576A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11227217B1 (en) | Entity transaction attribute determination method and apparatus | |
CN110246037B (zh) | 交易特征预测方法、装置、服务器及可读存储介质 | |
EP4242955A1 (en) | User profile-based object recommendation method and device | |
CN111079780A (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
CN115731424A (zh) | 基于强化联邦域泛化的图像分类模型训练方法及系统 | |
CN111582538A (zh) | 一种基于图神经网络的社群价值预测方法及系统 | |
Zhou et al. | Disentangled network alignment with matching explainability | |
CN114154647A (zh) | 一种基于多粒度联邦学习的方法 | |
CN112580733A (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN115114329A (zh) | 数据流异常检测的方法、装置、电子设备和存储介质 | |
CN116229170A (zh) | 基于任务迁移的联邦无监督图像分类模型训练方法、分类方法及设备 | |
CN111510473B (zh) | 访问请求处理方法、装置、电子设备和计算机可读介质 | |
CN112069412B (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
CN111353576B (zh) | 一种基于模糊神经网络的信息生成方法、装置及设备 | |
CN110278524B (zh) | 用户位置确定方法、图模型生成方法、装置及服务器 | |
CN115511606A (zh) | 对象识别方法、装置、设备及存储介质 | |
CN116957770A (zh) | 一种识别金融欺诈的方法及装置 | |
CN113554288A (zh) | 一种通用数据质量评估方法及装置 | |
CN116976902A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
Kazak et al. | A Linear Weight Estimator for Dynamic Global Minimum Variance Portfolio Allocation | |
CN116596541A (zh) | 反洗钱识别方法、装置、设备、存储介质及产品 | |
CN117557324A (zh) | 一种潜在用户的挖掘方法和装置 | |
CN116993201A (zh) | 服务质量的评估方法、装置、服务器及存储介质 | |
CN118247035A (zh) | 目标事件的逾期概率的确定方法及装置 | |
Sewe et al. | Credit Quality Evaluation on a Dynamic Network with Latent Variables |
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 |