CN111563203A - 一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置和预测方法 - Google Patents
一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置和预测方法 Download PDFInfo
- Publication number
- CN111563203A CN111563203A CN202010383351.0A CN202010383351A CN111563203A CN 111563203 A CN111563203 A CN 111563203A CN 202010383351 A CN202010383351 A CN 202010383351A CN 111563203 A CN111563203 A CN 111563203A
- Authority
- CN
- China
- Prior art keywords
- user
- service
- data
- prediction
- matrix
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 131
- 238000012549 training Methods 0.000 claims abstract description 66
- 230000001133 acceleration Effects 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000013500 data storage Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 8
- 230000000670 limiting effect Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- XULSCZPZVQIMFM-IPZQJPLYSA-N odevixibat Chemical compound C12=CC(SC)=C(OCC(=O)N[C@@H](C(=O)N[C@@H](CC)C(O)=O)C=3C=CC(O)=CC=3)C=C2S(=O)(=O)NC(CCCC)(CCCC)CN1C1=CC=CC=C1 XULSCZPZVQIMFM-IPZQJPLYSA-N 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000013075 data extraction Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioethics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于快速非负隐特征分析的智能家居用户‑服务兴趣度个性化预测装置和方法。该预测装置包括数据接收模块，配置为获取数据并接收；数据预处理模块，配置为接收数据后处理数据并存入；数据存储模块，配置为存储数据；参数控制模块，配置为判断控制参数是否满足预测模型的构造和更新条件；训练单元模块，配置为构造模型，加速抽取数据；以及预测数据输出模块，配置为通过控制参数和动量加速模型预测未知数据，并输出预测数据、用户和服务的隐特征矩阵。本发明提供的预测装置和方法，通过广义动量方法对加速了对用户‑服务兴趣矩阵未知数据的预测，为用户提供个性化、准确的智能家居服务，可广泛应用于智能家居系统的个性化服务中。
Description
技术领域
本发明属于智能家居领域，尤其涉及一种基于快速非负隐特征分析的智能家居用户-服务兴趣度预测装置和预测方法。
背景技术
随着现代科技技术比如物联网技术、大数据计算、传感器技术等技术的发展，作为在互联网影响之下物联化的体现，智能家居得以广泛发展与应用。用户对智能家居系统的依赖，使得智能家居系统收集到的用户习惯数据呈指数增长。通过智能家居系统收集的用户对服务的兴趣度历史数据，形成了巨大的用户-服务兴趣度统计矩阵。尽管现有的各类提高智能家居系统用户体验的方法提供了更全面的系统功能和更高效的服务质量，但也会导致智能家居系统中的各类服务越来越多，用户很难对所有服务进行选择，而每个服务也不能被所有用户使用。因此用户-服务兴趣度统计矩阵中的未知数据远多于已知数据，即用户-服务兴趣度矩阵是极度稀疏的，并且用户对服务的点击率同时是非负数据，因此需要对用户-服务兴趣度统计矩阵进行非负约束。
在实现智能家居中个性化服务定制过程中，最重要的步骤是预测用户对每个服务的兴趣度。用户-服务兴趣度的预测在智能家居系统中受到广泛关注与研究，其通常采用机器学习中经典的预测方法，比如非负单元素依赖乘法更新算法，通过对大量历史数据的训练得到预测模型，再根据预测模型进行特定用户的兴趣度预测。但是现有的预测方法在每次计算预测模型时需要耗费大量的空间和时间，尤其在智能家居系统中数据集规模越来越大，现有的预测方法获得的预测模型无法快速有效得预测用户对每个服务的兴趣度。
发明内容
本发明主要解决了基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测问题，提高了用户体验。具体而言，本发明解决的问题包括：1)如何通过预测用户对智能家居服务的兴趣度提高智能家居系统的用户体验；2)如何从智能家居服务使用的历史数据中快速获得精度较高的用户-服务兴趣度预测模型。
为了解决上述技术问题，提供一种基于快速非负隐特征分析的智能家居用户-服务兴趣度的预测装置和方法，根据用户-服务兴趣度矩阵可以实现：(1)通过广义动量方法加速了模型对用户-服务兴趣度数据的预测，提高了模型的预测速度；(2)通过广义动量方法提高了模型对用户-服务兴趣度未知数据的预测精度，提高了模型的预测精度。
根据本发明第一方面，提供一种基于快速非负隐特征分析的智能家居用户-服务兴趣度预测装置，该装置包括：
数据接收模块：从智能家居系统中获取用户-服务兴趣度数据，采集数据到预处理模块进行处理；
数据预处理模块：从数据接收模型接收到数据后将数据处理成可直接使用的数据并存入数据存储模块；
数据存储模块：存储预处理过的输入数据、智能家居用户和服务的隐特征矩阵、预测模型的控制参数、根据训练单元模型对用户和服务隐特征矩阵更新过后的隐特征矩阵等数据；
参数控制模块：用于从数据存储模块中获取动量加速用户-服务兴趣度模型控制参数，实施对动量加速用户-服务兴趣度模型控制参数的更新，判断是否满足动量加速用户-服务兴趣度模型的构造和更新条件；
训练单元模块：根据用户-服务兴趣度数据和参数控制构造动量加速用户-服务兴趣度模型，加速抽取用户-服务兴趣度数据；
预测数据输出模块：通过更新的控制参数和动量加速用户-服务兴趣度模型预测用户-服务未知兴趣度，并输出用户-服务未知兴趣度预测数据、用户和服务的隐特征矩阵。
根据本发明所述的一种基于快速非负隐特征分析的智能家居用户-服务兴趣度预测装置的优选方案，所述数据预处理模块具体包括：
在采集的数据中，用户集合记为U，服务集合记为S，建立一个|U|行、|S|列的矩阵作为用户-服务满意度矩阵T，将满意度矩阵T存入数据存储模块。使用规约矩阵因式分解对T进行分解，分别得到用户隐特征矩阵X和服务隐特征矩阵Y。X是一个|U|行，f列的矩阵，X中的每一个行向量对应一个用户，是该用户的隐特征向量；Y是一个|S|行，f列的矩阵，Y中的每一个行向量对应于一个服务，是该服务的隐特征向量；f为用户隐含特征空间和服务隐含特征空间的维数。同时将用户和服务的特征矩阵X和Y存入数据存储模块。
根据本发明所述的一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置的优选方案，所述参数控制模块包括初始化单元和参数更新单元。
初始化单元配置为初始化用户和服务对应的隐特征矩阵X和Y；初始化隐特征空间f维；初始化动量控制参数γ，初始化正则化因子λ；初始化最大迭代轮数R；初始化训练过程中迭代轮数控制变量r；初始化收敛终止阈值a；其中f决定了每个隐特征矩阵的特征空间维数，初始化为正整数；隐特征矩阵X和Y中：X为|U|行f列的隐特征矩阵、Y为|S|行f列的隐特征矩阵，分别使用随机较小的正数进行初始化；最大训练迭代轮数R是控制训练次数上限的变量，初始化为较大的正整数；迭代轮数控制变量r初始化为0；收敛终止阈值a是判断训练是否结束的参数，用极小的正数初始化。正则化因子λ是衡量L2正则化项对模型的限制效果，初始化为较小的正数。动量控制参数γ，为了控制动量项对模型的加速效果，使得模型对未知数据的预测精度达到最高，初始化为接近1的正数。
参数更新单元配置为从存储模块中获取动量加速用户-服务兴趣度预测模型控制参数，用于判断参数是否满足动量加速用户-服务兴趣度预测模型的构造和更新条件。
根据本发明所述的一种基于快速非负隐特征分析的智能家居用户-服务兴趣度预测装置的优选方案，结合初始化相关参数构造基于快速非负隐特征分析的用户-服务兴趣度个性化预测装置，具体为：
根据用户-服务兴趣度矩阵T中的已知数据集合Tk，构造目标函数Φ，公式如下：
其中Tk表示用户-服务满意度矩阵T中用户对智能家居服务已知满意度数据集合；tu,s表示用户u和服务s之间的实体关系即为用户u对服务s的满意度；
表示用户-服务兴趣度矩阵中缺失值的预测值；xu,k表示用户隐特征矩阵X的第u行第k列特征值；ys,k表示服务隐特征矩阵Y的第s行第k列特征值；λ代表Tikhonov规约因子。
根据本发明所述的一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置的优选方案，结合参数控制模块构造用户-服务兴趣度预测模型，生成预测数据，具体为：
调用参数控制模块后，通过基于快速非负隐特征分析的用户-服务兴趣度的预测模型生成用户-服务兴趣度预测数据，使用非负乘法更新算法后采用广义动量方法在所述目标函数Φ上对用户隐特征矩阵X和服务隐特征矩阵Y进行训练。即，首先对每一个已知用户-服务兴趣度数据tu,s第一次迭代时，即t＝1，进行单元素非负乘法更新算法，其更新公式为：
其中，|Rk(u)|表示和用户u有关的用户-服务已知兴趣度数据中的服务集合，|Rk(s)|表示和服务s有关的用户-服务已知兴趣度数据中的用户集合。
第二步，因采用非负乘法更新算法造成用户-服务兴趣度数据收敛速度较慢，所以采用广义动量方法对预测模型进行加速，加入广义动量方法之后的更新公式为：
注意动量只在更新过程中第二次加入，即t≥2时。更新过程中的第一次迭代仍按照非负乘法更新对xu,k，ys,k进行更新；γ为动量控制参数，控制动量加速效果。
根据本发明所述的一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置的优选方案，预测数据输出模块包括输出隐特征单元和预测未知兴趣度单元，具体可包括：
从用户-服务兴趣度矩阵规约因式分解后得到用户隐特征矩阵X和服务隐特征矩阵Y，采用非负乘法更新兼容广义动量算法后对X和Y矩阵进行更新，预测用户-服务兴趣度未知数据。
根据本发明第二方面，提供一种基于快速非负隐特征分析的智能家居用户-服务兴趣度预测方法，包括如下步骤：
S1:智能家居系统收集用户-服务兴趣度数据，发送给基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置。用户-服务兴趣度数据是指通过用户对智能家居提供服务的点击率判断用户对服务的兴趣度的数据。根据智能家居系统采集用户对服务的兴趣度数据，建立用户-服务兴趣度矩阵，对于矩阵中每个元素，行代表对应用户，列代表对应服务。
S2：基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，根据动量加速用户-服务兴趣度预测模型初始化相关参数。
S3：使用规约矩阵因式分解，对用户-服务兴趣度矩阵进行分解，构造基于快速非负隐特征分析的用户-服务兴趣度预测模型。
S4：根据用户-服务兴趣度模型控制参数，判断当前情况是否满足用户-服务兴趣度模型的控制参数更新条件。
S5：采用基于快速非负隐特征矩阵的用户-服务兴趣度预测模型更新用户和服务对应矩阵的隐特征。
S6：判断训练过程中迭代训练轮数控制变量r是否大于训练迭代轮数上限R：若小于训练迭代轮数上限R，则满足更新条件；若超过训练迭代轮数上限R，则不满足更新条件，训练结束。
S7：根据对用户和服务的隐特征的更新，得到在模型收敛时的隐特征矩阵，输出用户隐特征矩阵和服务隐特征矩阵。
S8：通过S7得到的用户隐特征矩阵和服务隐特征矩阵用于对用户-服务兴趣度矩阵中未知兴趣度的预测。
根据本发明所述的一种基于快速非负隐特征分析的智能家居用户-服务兴趣度预测方法的优选方案，步骤S2用户-服务兴趣度模型的相关参数如下：
已知兴趣度数据tu,s，表示用户u和服务s之间的实体关系即为用户u对服务s的兴趣度；
正则控制参数λ，衡量正则项对模型的限制效果，增强模型的鲁棒性；
动量控制参数γ，衡量动量加速效果；
用户u和服务s对应隐特征空间的隐特征矩阵X和Y，在对应实体关系的预测过程中，对对应的矩阵中以单元素的形式对隐特征进行相应的更新。
根据本发明所述的一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测方法的优选方案，步骤S3构造由用户-服务兴趣度矩阵组成的动量加速用户-服务兴趣度模型如下：
S3-1，根据用户-服务兴趣度矩阵T中的已知数据集合Tk，构造目标函数Φ，公式如下：
其中Tk表示用户-服务满意度矩阵T中用户对智能家居服务已知满意度数据集合；tu,s表示用户u和服务s之间的实体关系即为用户u对服务s的满意度；
表示用户-服务兴趣度矩阵中缺失值的预测值；xu,k表示用户隐特征矩阵X的第u行第k列特征值；ys,k表示服务隐特征矩阵Y的第s行第k列特征值；正则化因子λ代表Tikhonov规约因子。
S3-2，第一步对每一个已知用户-服务兴趣度数据tu,s第一次迭代时，即t＝1，进行单元素非负乘法更新算法，其更新公式为：
其中，|Rk(u)|表示和用户u有关的用户-服务已知兴趣度数据中的服务集合，|Rk(s)|表示和服务s有关的用户-服务已知兴趣度数据中的用户集合。
S3-3，第二步，由于采用非负乘法更新算法造成用户-服务兴趣度数据收敛速度较慢，所以采用广义动量方法对预测模型进行加速，加入广义动量方法之后的更新公式为：
注意动量只在更新过程中第二次加入，即t≥2时。更新过程中的第一次仍按照非负乘法更新对xu,k，ys,k进行更新；γ为动量控制参数，控制动量加速效果。
根据本发明所述的一种基于快速非负隐特征分析的智能家居用户-服务兴趣度预测方法的优选方案，步骤S4判断用户-服务兴趣度模型的控制参数是否满足基于快速非负隐特征分析的用户-服务兴趣度预测模型的更新条件，如下：
判断当前参数更新是否满足更新条件，即：判断本次的预测精度和上次的预测精度相差是否已经小于阈值a，如果大于阈值a，则满足更新条件；若小于阈值a，则不满足更新条件，训练结束。
根据本发明所述的一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测方法的优选方案，步骤S8通过矩阵分解方法对得到的用户隐特征矩阵和服务隐特征矩阵用于对用户-服务兴趣度矩阵中未知兴趣度的预测，如下：
S8-1：从输出隐特征单元获取用户u和服务s对应的隐特征。
S8-2：用户u对用户隐特征矩阵X中的向量和服务s对应的服务隐特征矩阵Y中的向量内积作为用户u对服务s的兴趣度预测值
即
本发明所述的一种基于快速非负隐特征分析的智能家居用户-服务兴趣度预测装置和方法，旨在利用广义动量方法，以较小的计算复杂度，对已知用户-服务兴趣度数据的内在统计规律进行分析，从而准确预测了基于快速非负隐特征分析的智能家居用户-服务未知兴趣度，为用户提供个性化、精确的智能家居服务；本发明还实现了：(1)通过非负乘法更新对用户-服务兴趣矩阵进行了非负限制，确保了预测的准确性，更好的保证了用户特征；(2)通过广义动量的加速方法，提高了预测模型的预测精度；(3)通过广义动量，加快了预测模型的计算速度。
附图说明
图1为本发明基于快速非负隐特征分析的用户-服务兴趣度个性化预测装置。
图2为本发明基于快速非负隐特征分析的用户-服务兴趣度个性化预测更新流程示意图。
图3为应用本发明前和应用本发明后的模型收敛执行时间对比图。
图4为应用本发明前后数据分析过程中RMSE对比图，RMSE是预测误差的衡量尺度，RMSE越小精度越高。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述，但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1：
参见图1，示出了本发明的基于快速非负隐特征分析的用户-服务兴趣度个性化预测装置，该装置包括：
数据接收模块510，该模块510从智能家居系统中获取用户-服务兴趣度数据，采集数据到数据预处理模块520进行处理；
数据预处理模块520，该模块520从数据接收模型510接收到数据后将数据处理成可直接使用的数据并存入数据存储模块550；
参数控制模块530，该模块530从数据存储模块550中获取动量加速用户-服务兴趣度模型控制参数，实施对动量加速用户-服务兴趣度模型控制参数的更新，判断是否满足动量加速用户-服务兴趣度模型的构造和更新条件；
所述参数控制模块530包括初始化单元531和参数更新单元532。
初始化单元531用于初始化基于快速非负隐特征的用户-服务兴趣度个性化预测过程中涉及的相关参数。
参数更新单元532结合初始化数据判断当前控制参数是否满足基于快速非负隐特征分析的用户-服务兴趣度的预测模型的更新条件。
训练单元模块540，该模块540根据用户-服务兴趣度数据和参数控制构造动量加速用户-服务兴趣度模型，加速抽取用户-服务兴趣度数据。
所述训练单元模块540包括非负隐特征训练单元541和动量加速单元542。
非负隐特征训练单元541，根据用户-服务兴趣度数据和参数控制单元530构造基于非负隐特征分析的用户-服务兴趣度个性化预测模型。
动量加速单元542，根据广义动量方法，对非负隐特征训练单元541进行动量加速，构造基于快速非负隐特征分析的用户-服务兴趣度个性化预测模型，并对模型进行数据训练。
数据存储模块550，该模块550用于存储预处理过的输入数据、智能家居用户和服务的隐特征矩阵、预测模型的控制参数、根据训练单元模型540对用户和服务隐特征矩阵更新过后的隐特征矩阵等数据。
预测数据输出模块560，该模块560通过更新的控制参数和动量加速用户-服务兴趣度模型预测用户-服务未知兴趣度，并输出用户-服务未知兴趣度预测数据、用户和服务的隐特征矩阵。
所述预测数据输出模块560包括输出隐特征单元561和预测未知兴趣度单元562。
输出隐特征单元561，输出用户-服务兴趣度数据中未知兴趣度预测数据、用户和服务的隐特征矩阵。
预测未知兴趣度单元562，根据用户-服务隐特征矩阵，预测用户-服务未知兴趣度数据。
在具体实施例中，所述数据预处理模块510具体包括：
在采集的数据中，用户集合记为U，服务集合记为S，建立一个|U|行、|S|列的矩阵作为用户-服务满意度矩阵T，将满意度矩阵T存入数据存储模块。使用规约矩阵因式分解对T进行分解，分别得到用户隐特征矩阵X，和服务隐特征矩阵Y。X是一个|U|行，f列的矩阵，X中的每一个行向量对应一个用户，是该用户的隐特征向量；Y是一个|S|行，f列的矩阵，Y中的每一个行向量对应于一个服务，是该服务的隐特征向量；f为用户隐含特征空间和服务隐含特征空间的维数。同时将用户和服务的特征矩阵X和Y存入数据存储模块。
在具体实施例中，所述参数控制模块530包括初始化单元531和参数更新单元532。
初始化单元531配置为初始化用户和服务的隐特征矩阵X和Y；初始化隐特征空间f维；初始化动量控制参数γ，初始化正则化因子λ；初始化最大迭代轮数R；初始化训练过程中迭代轮数控制变量r；初始化收敛终止阈值a；其中f决定了每个隐特征矩阵的特征空间维数，初始化为正整数；隐特征矩阵X和Y中：X为|U|行f列的隐特征矩阵、Y为|S|行f列的隐特征矩阵，分别使用随机较小的正数进行初始化；最大训练迭代轮数R是控制训练次数上限的变量，初始化为较大的正整数；迭代轮数控制变量r初始化为0；收敛终止阈值a是判断训练是否结束的参数，用极小的正数初始化。正则化因子λ是衡量L2正则化项对预测模型的限制效果，初始化为较小的正数。动量控制参数γ，为了控制动量项对模型的加速效果，使得模型对未知数据的预测精度达到最高，初始化为接近1的正数。
参数更新单元配置532为从存储模块中获取动量加速用户-服务兴趣度预测模型控制参数，用于判断参数是否满足动量加速用户-服务兴趣度预测模型的构造和更新条件。
在具体实施例中，用于构造基于快速非负隐特征分析的智能家居用户-服务兴趣度预测装置，具体为：
根据用户-服务兴趣度矩阵T中的已知数据集合Tk，构造目标函数Φ，公式如下：
其中Tk表示用户-服务满意度矩阵T中用户对智能家居服务已知满意度数据集合；tu,s表示用户u和服务s之间的实体关系即为用户u对服务s的满意度；
表示用户-服务兴趣度矩阵中缺失值的预测值；xu,k表示用户隐特征矩阵X的第u行第k列特征值；ys,k表示服务隐特征矩阵Y的第s行第k列特征值；正则化因子λ代表Tikhonov规约因子。
在具体实施例中，结合参数控制模块530构造用户-服务兴趣度预测模型，生成预测数据，具体为：
调用参数控制模块530后，通过基于快速非负隐特征分析的用户-服务兴趣度的预测模型生成用户-服务兴趣度预测数据，使用非负乘法更新算法后采用广义动量方法在所述目标函数Φ上对用户隐特征矩阵X和服务隐特征矩阵Y进行训练。即，首先对每一个已知用户-服务兴趣度数据tu,s第一次迭代时，即t＝1，进行单元素非负乘法更新算法，其更新公式为：
其中，|Rk(u)|表示和用户u有关的用户-服务已知兴趣度数据中的服务集合，|Rk(s)|表示和服务s有关的用户-服务已知兴趣度数据中的用户集合。
第二步，因采用非负乘法更新算法造成用户-服务兴趣度数据收敛速度较慢，所以采用动量对预测模型进行加速，加入动量之后的更新公式为：
注意动量只在更新过程中第二次加入，即t≥2时。更新过程中的第一次仍按照非负乘法更新对xu,k，ys,k进行更新；γ为动量控制参数，控制动量加速效果。
在具体实施例中，所述预测数据输出模块包括输出隐特征单元和预测未知兴趣度单元，具体可包括：
从用户-服务兴趣度矩阵规约因式分解后得到用户隐特征矩阵X和服务隐特征矩阵Y，采用非负乘法更新兼容广义动量算法后对X和Y矩阵进行更新，预测用户-服务兴趣度未知数据。
实施例2：
参见图2，图2示出本发明的基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测方法，包括如下步骤：
S1:智能家居系统收集用户-服务兴趣度数据，发送给基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置。用户-服务兴趣度数据是指通过用户对智能家居提供服务的点击率判断用户对服务的兴趣度的数据。根据智能家居系统采集用户对服务的兴趣度数据，建立用户-服务兴趣度矩阵，对于矩阵中每个元素，行代表对应用户，列代表对应服务。
S2：基于快速非负隐特征分析的智能家居用户-服务兴趣度预测装置，根据动量加速用户-服务兴趣度预测模型初始化相关参数。
S3：使用规约矩阵因式分解，对用户-服务兴趣度矩阵进行分解，构造基于快速非负隐特征分析的用户-服务兴趣度预测模型。
S4：根据用户-服务兴趣度模型控制参数，判断当前情况是否满足用户-服务兴趣度模型的控制参数更新条件，如果满足更新条件则执行步骤S3，如果不满足更新条件则执行步骤S5。
S5：采用基于快速非负隐特征矩阵的用户-服务兴趣度预测模型更新用户和服务对应矩阵的隐特征。
S6：判断训练过程中迭代训练轮数控制变量r是否大于训练迭代轮数上限R：若小于训练迭代轮数上限R，则满足输出用户隐特征和服务隐特征矩阵条件则执行步骤S7；若超过训练迭代轮数上限R，则不满足输出条件，则执行步骤S3，训练结束。
S7：根据对用户和服务的隐特征的更新，得到在模型收敛时的隐特征矩阵，输出用户隐特征矩阵和服务隐特征矩阵。
S8：通过S7得到的用户隐特征矩阵和服务隐特征矩阵用于对用户-服务兴趣度矩阵中未知兴趣度的预测。
在具体实施例中，步骤S2用户-服务兴趣度模型的相关参数如下：
已知兴趣度数据tu,s，表示用户u和服务s之间的实体关系即为用户u对服务s的兴趣度；
正则控制参数λ，衡量正则项对模型的限制效果，增强模型的鲁棒性；
动量控制参数γ，衡量动量加速效果；
用户u和服务s对应的隐特征空间的隐特征矩阵X和Y，在对应实体关系的预测过程中，对对应的矩阵中以单元素的形式对隐特征进行相应的更新。
在具体实施例中，步骤S3构造由用户-服务兴趣度矩阵组成的动量加速用户-服务兴趣度模型如下：
S3-1，根据用户-服务兴趣度矩阵T中的已知数据集合Tk，构造目标函数Φ，公式如下：
其中Tk表示用户-服务满意度矩阵T中用户对智能家居服务已知满意度数据集合；tu,s表示用户u和服务s之间的实体关系即为用户u对服务s的满意度；
表示用户-服务兴趣度矩阵中缺失值的预测值；xu,k表示用户隐特征矩阵X的第u行第k列特征值；ys,k表示服务隐特征矩阵Y的第s行第k列特征值；λ代表Tikhonov规约因子。
S3-2，第一步对每一个已知用户-服务兴趣度数据tu,s第一次迭代时，即t＝1，迭代进行单元素非负乘法更新算法，其更新公式为：
其中，|Rk(u)|表示和用户u有关的用户-服务已知兴趣度数据中的服务集合，|Rk(s)|表示和服务s有关的用户-服务已知兴趣度数据中的用户集合。
S3-3，第二步，由于采用非负乘法更新单元素依赖算法造成用户-服务兴趣度数据收敛速度较慢，所以采用动量对预测模型进行加速，加入动量之后的更新公式为：
注意动量只在更新过程中第二次加入，即t≥2时。更新过程中的第一次仍按照非负乘法更新对xu,k，ys,k进行更新；γ为动量控制参数，控制动量加速效果。
在具体实施例中，步骤S4判断用户-服务兴趣度模型的控制参数是否满足基于快速非负隐特征分析的用户-服务兴趣度预测模型的更新条件，如下：
判断当前参数更新是否满足更新条件，即：判断本次的预测精度和上次的预测精度相差是否已经小于阈值a，阈值a的取值例如为1×10-5；如果大于阈值a，则满足更新条件，继续步骤S3；若小于阈值a，则不满足更新条件，继续步骤S5。
在具体实施例中，步骤S6判断当前情况是否达到迭代终止条件，如下：
用于判断训练过程中迭代轮数控制变量r是否大于训练迭代轮数上限R，最大训练迭代轮数R的取值例如为1000，若超过训练迭代轮数上限R，则训练结束，继续步骤S7；若没有超过训练迭代轮数上限R，则继续步骤S3。
在具体实施例中，步骤S8通过矩阵分解方法对得到的用户隐特征矩阵和服务隐特征矩阵用于对用户-服务兴趣度矩阵中未知兴趣度的预测，如下：
S8-1：从输出隐特征单元获取用户u和服务s对应的隐特征。
S8-2：用户u对用户隐特征矩阵X中的向量和服务s对应的服务隐特征矩阵Y中的向量内积作为用户u对服务s的兴趣度预测值
即
其中，图3为应用本发明的预测装置和方法前后，预测模型的数据分析时间对比图。由图3可以得出，应用了本发明的预测装置和方法后，针对用户-服务兴趣度数据，模型的执行时间远少于不应用本发明的预测装置和方法的情况。具体地，由图3可以得到，运用了本发明的预测装置和方法后，未使用本发明的预测装置和方法的模型的执行时间约为本发明的预测装置和方法的4倍。即运用本发明的预测装置和方法后，模型的执行时间比原来提高了4倍之多，大大提高了模型的运行效率。
图4为应用本发明的预测装置和方法前后数据分析过程中的RMSE对比图，RMSE是预测误差的衡量尺度，RMSE越小精度越高。由图4可以得出，应用本发明的预测装置和方法后大大提高了在智能家居中用户个性化选用服务的精度。在实际应用中，可以更好的为用户提高个性化需求的服务。
本发明提供的一种基于快速非负隐特征分析的智能家居用户-服务兴趣度预测装置和方法，旨在利用广义动量加速方法，以较小的计算复杂度，对已知用户-服务兴趣度数据的内在统计规律进行分析，从而提供了基于快速非负隐特征分析的智能家居用户-服务兴趣度准确预测结果，为用户提供个性化、准确的智能家居服务；本发明还实现了：(1)通过非负乘法更新对用户-服务兴趣矩阵进行了非负限制，确保了预测的准确性，更好的保证了用户特征；(2)通过广义动量的加速方法，提高了预测模型的预测精度；(3)通过广义动量，加快了预测模型的计算速度。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，包括如下步骤：
S1:智能家居系统收集用户-服务兴趣度数据，发送给基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置；
S2：基于快速非负隐特征分析的智能家居用户-服务兴趣度预测装置，根据动量加速用户-服务兴趣度预测模型初始化相关参数；
S3：使用规约矩阵因式分解，对用户-服务兴趣度矩阵进行分解，构造基于快速非负隐特征分析的用户-服务兴趣度预测模型；
S4：根据用户-服务兴趣度模型控制参数，判断当前情况是否满足用户-服务兴趣度模型的控制参数更新条件，如果满足更新条件则执行步骤S3，如果不满足更新条件则执行步骤S5；
S5：采用基于快速非负隐特征矩阵的用户-服务兴趣度预测模型更新用户和服务对应矩阵的隐特征；
S6：判断训练过程中迭代训练轮数控制变量r是否大于训练迭代轮数上限R：若小于训练迭代轮数上限R，则满足输出用户隐特征和服务隐特征矩阵条件则执行步骤S7；若超过训练迭代轮数上限R，则不满足输出条件，则执行步骤S3，训练结束；
S7：根据对用户和服务的隐特征的更新，得到在模型收敛时的隐特征矩阵，输出用户隐特征矩阵和服务隐特征矩阵；
S8：通过S7得到的用户隐特征矩阵和服务隐特征矩阵用于对用户-服务兴趣度矩阵中未知兴趣度的预测。
2.根据权利要求1所述的基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，步骤S2用户-服务兴趣度模型的相关参数如下：
已知兴趣度数据tu,s，表示用户u和服务s之间的实体关系即为用户u对服务s的兴趣度；
正则控制参数λ，衡量正则项对模型的限制效果，增强模型的鲁棒性；
动量控制参数γ，衡量动量加速效果；
用户u和服务s对应的隐特征空间的隐特征矩阵X和Y，在对应实体关系的预测过程中，对对应的矩阵中以单元素的形式对隐特征进行相应的更新。
3.根据权利要求1所述的基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，步骤S3构造由用户-服务兴趣度矩阵组成的动量加速用户-服务兴趣度模型如下：
S3-1，根据用户-服务兴趣度矩阵T中的已知数据集合Tk，构造目标函数Φ，公式如下：
其中Tk表示用户-服务满意度矩阵T中用户对智能家居服务已知满意度数据集合；tu,s表示用户u和服务s之间的实体关系即为用户u对服务s的满意度；
表示用户-服务兴趣度矩阵中缺失值的预测值；xu,k表示用户隐特征矩阵X的第u行第k列特征值；ys,k表示服务隐特征矩阵Y的第s行第k列特征值；λ代表Tikhonov规约因子。
S3-2，第一步对每一个已知用户-服务兴趣度数据tu,s第一次迭代时，即t＝1，迭代进行单元素非负乘法更新算法，其更新公式为：
其中，|Rk(u)|表示和用户u有关的用户-服务已知兴趣度数据中的服务集合，|Rk(s)|表示和服务s有关的用户-服务已知兴趣度数据中的用户集合。
S3-3，第二步，由于采用非负乘法更新单元素依赖算法造成用户-服务兴趣度数据收敛速度较慢，所以采用动量对预测模型进行加速，加入动量之后的更新公式为：
注意动量只在更新过程中第二次加入，即t≥2时。更新过程中的第一次仍按照非负乘法更新对xu,k，ys,k进行更新；γ为动量控制参数，控制动量加速效果。
4.根据权利要求1所述的基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，步骤S4判断用户-服务兴趣度模型的控制参数是否满足基于快速非负隐特征分析的用户-服务兴趣度预测模型的更新条件，如下：
判断当前参数更新是否满足更新条件，即：判断本次的预测精度和上次的预测精度相差是否已经小于阈值a，阈值a的取值例如为1×10-5；如果大于阈值a，则满足更新条件，继续步骤S3；若小于阈值a，则不满足更新条件，继续步骤S5。
5.根据权利要求1所述的基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，步骤S6判断当前情况是否达到迭代终止条件，如下：
用于判断训练过程中迭代轮数控制变量r是否大于训练迭代轮数上限R，最大训练迭代轮数R的取值例如为1000，若超过训练迭代轮数上限R，则训练结束，继续步骤S7；若没有超过训练迭代轮数上限R，则继续步骤S3。
6.根据权利要求1所述的基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，步骤S8通过矩阵分解方法对得到的用户隐特征矩阵和服务隐特征矩阵用于对用户-服务兴趣度矩阵中未知兴趣度的预测，如下：
S8-1：从输出隐特征单元获取用户u和服务s对应的隐特征。
S8-2：用户u对用户隐特征矩阵X中的向量和服务s对应的服务隐特征矩阵Y中的向量内积作为用户u对服务s的兴趣度预测值
即
7.一种根据权利要求1-6任意一项所述的基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，包括数据接收模块，数据预处理模块，数据存储模块，参数控制模块，训练单元模块，预测数据输出模块，其中，
所述数据接收模块与数据预处理模块连接，数据接收模块从智能家居系统中获取用户-服务兴趣度数据，采集数据到预处理模块进行处理，
所述数据预处理模块与数据存储模块连接，数据存储模块存储预处理过的输入数据、智能家居用户和服务的隐特征矩阵，
所述数据存储模块与参数控制模块连接，参数控制模块用于从数据存储模块中获取动量加速用户-服务兴趣度模型控制参数，实施对动量加速用户-服务兴趣度模型控制参数的更新，判断是否满足动量加速用户-服务兴趣度模型的构造和更新条件，
所述参数控制模块与训练单元模块连接，训练单元模块根据用户-服务兴趣度数据和参数控制构造动量加速用户-服务兴趣度模型，加速抽取用户-服务兴趣度数据，
所述训练单元模块与数据存储模块连接，数据存储模块存储预测模型的控制参数、根据训练单元模块对用户和服务隐特征矩阵更新过后的隐特征矩阵等数据，
所述数据存储模块与预测数据输出模块连接，预测数据输出模块通过更新的控制参数和动量加速用户-服务兴趣度模型预测用户-服务未知兴趣度，并输出用户-服务未知兴趣度预测数据、用户和服务的隐特征矩阵。
8.根据权利要求7所述的基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，所述参数控制模块包括初始化单元和参数更新单元，
所述初始化单元为初始化用户和服务对应的隐特征矩阵X和Y；初始化隐特征空间f维；初始化动量控制参数γ，初始化正则化因子λ；初始化最大迭代轮数R；初始化训练过程中迭代轮数控制变量r；初始化收敛终止阈值a；其中f决定了每个隐特征矩阵的特征空间维数，初始化为正整数；隐特征矩阵X和Y中：X为|U|行f列的隐特征矩阵、Y为|S|行f列的隐特征矩阵，分别使用随机较小的正数进行初始化；最大训练迭代轮数R是控制训练次数上限的变量，初始化为较大的正整数；迭代轮数控制变量r初始化为0；收敛终止阈值a是判断训练是否结束的参数，用极小的正数初始化。正则化因子λ是衡量L2正则化项对模型的限制效果，初始化为较小的正数。动量控制参数γ，为了控制动量项对模型的加速效果，使得模型对未知数据的预测精度达到最高，初始化为接近1的正数；
所述参数更新单元为从存储模块中获取动量加速用户-服务兴趣度预测模型控制参数，用于判断参数是否满足动量加速用户-服务兴趣度预测模型的构造和更新条件。
9.根据权利要求7所述的基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，所述训练单元模块包括非负隐特征训练单元和动量加速单元，
所述非负隐特征训练单元根据用户-服务兴趣度数据和参数控制单元构造基于非负隐特征分析的用户-服务兴趣度个性化预测模型；
所述动量加速单元根据广义动量方法，对非负隐特征训练单元541进行动量加速，构造基于快速非负隐特征分析的用户-服务兴趣度个性化预测模型，并对模型进行数据训练。
10.根据权利要求7所述的基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，所述预测数据输出模块包括输出隐特征单元和预测未知兴趣度单元，
所述输出隐特征单元输出用户-服务兴趣度数据中未知兴趣度预测数据、用户和服务的隐特征矩阵，
所述预测未知兴趣度单元据用户-服务隐特征矩阵，预测用户-服务未知兴趣度数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010383351.0A CN111563203A (zh) | 2020-05-08 | 2020-05-08 | 一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置和预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010383351.0A CN111563203A (zh) | 2020-05-08 | 2020-05-08 | 一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置和预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111563203A true CN111563203A (zh) | 2020-08-21 |
Family
ID=72070921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010383351.0A Pending CN111563203A (zh) | 2020-05-08 | 2020-05-08 | 一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置和预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111563203A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037850A (zh) * | 2020-09-04 | 2020-12-04 | 中国科学院重庆绿色智能技术研究院 | 基于动量加速的缺失蛋白质间相互作用预测装置和方法 |
| CN112214668A (zh) * | 2020-09-28 | 2021-01-12 | 深圳市万佳安物联科技股份有限公司 | 一种基于大数据的个性化金融服务推荐装置和方法 |
| CN112258263A (zh) * | 2020-09-28 | 2021-01-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于广义动量的产品智能推荐装置和方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104636486A (zh) * | 2015-02-25 | 2015-05-20 | 重庆大学 | 一种基于非负交替方向变换的用户特征抽取方法及抽取装置 |
| CN105045827A (zh) * | 2015-06-29 | 2015-11-11 | 北京邮电大学 | 基于熟悉度的信息推荐方法及装置 |
| CN107635004A (zh) * | 2017-09-26 | 2018-01-26 | 义乌控客科技有限公司 | 一种智能家居系统中的个性化服务定制方法 |
| CN110390561A (zh) * | 2019-07-04 | 2019-10-29 | 四川金赞科技有限公司 | 基于动量加速随机梯度下降的用户-金融产品选用倾向高速预测方法和装置 |
-
2020
- 2020-05-08 CN CN202010383351.0A patent/CN111563203A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104636486A (zh) * | 2015-02-25 | 2015-05-20 | 重庆大学 | 一种基于非负交替方向变换的用户特征抽取方法及抽取装置 |
| CN105045827A (zh) * | 2015-06-29 | 2015-11-11 | 北京邮电大学 | 基于熟悉度的信息推荐方法及装置 |
| CN107635004A (zh) * | 2017-09-26 | 2018-01-26 | 义乌控客科技有限公司 | 一种智能家居系统中的个性化服务定制方法 |
| CN110390561A (zh) * | 2019-07-04 | 2019-10-29 | 四川金赞科技有限公司 | 基于动量加速随机梯度下降的用户-金融产品选用倾向高速预测方法和装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037850A (zh) * | 2020-09-04 | 2020-12-04 | 中国科学院重庆绿色智能技术研究院 | 基于动量加速的缺失蛋白质间相互作用预测装置和方法 |
| CN112214668A (zh) * | 2020-09-28 | 2021-01-12 | 深圳市万佳安物联科技股份有限公司 | 一种基于大数据的个性化金融服务推荐装置和方法 |
| CN112258263A (zh) * | 2020-09-28 | 2021-01-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于广义动量的产品智能推荐装置和方法 |
| CN112214668B (zh) * | 2020-09-28 | 2023-06-02 | 深圳市万佳安物联科技股份有限公司 | 一种基于大数据的个性化金融服务推荐装置和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
| CN111563203A (zh) | 一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置和预测方法 | |
| JP2021524099A (ja) | 異なるデータモダリティの統計モデルを統合するためのシステムおよび方法 | |
| Shekhar et al. | Gaussian process bandits with adaptive discretization | |
| CN111416797B (zh) | 改进天牛群算法优化正则化极限学习机的入侵检测方法 | |
| CN110413878B (zh) | 基于自适应弹性网络的用户-商品偏好的预测装置和方法 | |
| EP3970075A1 (en) | Collecting observations for machine learning | |
| CN113128671B (zh) | 一种基于多模态机器学习的服务需求动态预测方法及系统 | |
| CN112733997A (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
| CN111506814A (zh) | 一种基于变分自注意力网络的序列推荐方法 | |
| CN112686376A (zh) | 一种基于时序图神经网络的节点表示方法及增量学习方法 | |
| CN115510981A (zh) | 一种决策树模型特征重要性计算方法、装置及存储介质 | |
| CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
| CN110472659B (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
| CN113312807B (zh) | 一种基于锂电池性能模拟环境的电解液配方推荐方法 | |
| CN116681945A (zh) | 一种基于强化学习的小样本类增量识别方法 | |
| CN111626472B (zh) | 一种基于深度混合云模型的场景趋势判断指标计算系统及方法 | |
| CN112214668B (zh) | 一种基于大数据的个性化金融服务推荐装置和方法 | |
| JP6233432B2 (ja) | 混合モデルの選択方法及び装置 | |
| CN114625969A (zh) | 一种基于交互近邻会话的推荐方法 | |
| CN114116456A (zh) | 测试用例生成方法、系统及计算机可读存储介质 | |
| CN113469244B (zh) | 小众app分类系统 | |
| CN117439901A (zh) | 一种动态加权定向网络权重预测方法和装置 | |
| Pearson et al. | Predicting ecological outcomes using fuzzy interaction webs | |
| CN112037850B (zh) | 基于动量加速的缺失蛋白质间相互作用预测装置和方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200821 |
|
| WD01 | Invention patent application deemed withdrawn after publication |