CN112182498B - 一种基于网络表示学习的老人看护装置与方法 - Google Patents
一种基于网络表示学习的老人看护装置与方法 Download PDFInfo
- Publication number
- CN112182498B CN112182498B CN202011079669.6A CN202011079669A CN112182498B CN 112182498 B CN112182498 B CN 112182498B CN 202011079669 A CN202011079669 A CN 202011079669A CN 112182498 B CN112182498 B CN 112182498B
- Authority
- CN
- China
- Prior art keywords
- matrix
- node
- old
- old man
- similarity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000000474 nursing effect Effects 0.000 title claims abstract description 41
- 230000000694 effects Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000002452 interceptive effect Effects 0.000 claims abstract description 22
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 203
- 239000013598 vector Substances 0.000 claims description 43
- 230000003993 interaction Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 22
- 239000013604 expression vector Substances 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000005251 gamma ray Effects 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000003190 augmentative effect Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Child & Adolescent Psychology (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
Abstract
本发明公开一种基于网络表示学习的老人看护装置与方法,包括以下步骤:S1,输入目标老人的历史活动数据;S2,将目标老人的历史活动数据解析生成可用的“老人‑老人”交互网络数据和“老人‑地点”位置关系数据;S3,构建基于网络表示学习的老人看护预测模型并进行迭代训练,得到每个目标老人的类簇划分标签集合L;S4,计算目标老人与在同一类簇集合L下其他老人间的相似度并进行排序,选择相似度最高的其他老人的前T个位置作为目标老人的预测地点。本发明能够根据老人常出现的地点和常接触的人进行分析生成节点的网络表示,预测目标老人可能出现的地点列表,从而提供在失联情况下老人可能出现在的位置结果,提高监护效率。
Description
技术领域
本发明涉及居家养老技术领域,特别涉及一种基于网络表示学习的老人看护装置与方法。
背景技术
老人院常用的定位系统基站内部包括中央处理器,无线ZigBee模块、电源模块、天线、状态指示灯和接线端子等部分。基站内部的无线ZigBee模块,通过天线接收附近ZFC-11识别卡发出的信号,并通过无线ZigBee方式,将收到的识别卡信息转发给网关基站。再由网关基站把信息发送给监控中心计算机,计算机对收到的人员信息处理和显示,从而实现人员定位。当管理人员需要呼叫某一个识别卡时,计算机将呼叫信息发给网关基站,再由网关基站转发给无线基站,无线基站把信息转化为识别卡。
然而在真实的老人院中使用定位系统存在不可避免的问题:老人的识别卡丢失或是基站出现故障而不能监测到老人所在位置可能会导致严重的后果,为了防止诸如此类的事故发生,应提前获取老人常去的地点以及经常接触的人群,出现意外情况时便于做出及时的应对处理。
现有的网络表示学习方法存在以下的问题:(1)局限于节点局部结构,忽略了节点的全局属性。现有方法一般计算相邻二阶至三阶节点间的相似度,因为过高阶的相似度会引起计算复杂度过高的问题,因此忽略了整个网络图的全局特点,可能对结果造成误差。(2)忽略一般社交网络下的拓扑结构。日常的交互场景下节点之间的连接具有对称性,现有的方法没有将这一特性融入到目标函数中。基于此,对于基于网络表示学习的老人看护装置还有可提升的空间。
发明内容
针对现有技术中老人走失时无法准确跟踪地点的问题,本发明提出一种基于网络表示学习的老人看护装置与方法,能够根据老人常出现的地点和常接触的人进行分析,对其在异常情况下可能接触的人以及可能出现的地点和进行可能性预测分析,从而提供在异常情况下老人可能出现的位置结果和询问对象,提高搜寻效率。
为了实现上述目的,本发明提供以下技术方案:
一种基于网络表示学习的老人看护装置,包括智能终端和云服务器;其中,
所述智能终端,用于输入与老人相关的历史活动数据,历史活动数据包括历史交互、活动数据以及看护服务日志;
所述云服务器,用于根据老人的历史活动数据建立基于网络表示学习的老人看护模型,并对老人的历史活动数据进行聚类,从而将老人可能所处的地点及接触对象发送到智能终端。
优选的,所述云服务器包括存储模块、隐表示训练模块、节点聚类模块和预测生成模块;
所述存储模块,用于保存与老人相关的历史活动数据;
所述隐表示训练模块,用于对基于网络表示学习的老人看护模型涉及到的节点表示矩阵、辅助矩阵进行更新训练;
所述节点聚类模块,用于从隐表示训练模块获取节点隐表示向量,并采用K-means聚类方法进行分析,得到老人群体的类簇划分结果;
所述预测生成模块,用于计算目标老人与其他老人之间的相似度,根据排序选择最为相似的位置作为预测地点输出。
优选的,所述隐表示训练模块包括数据解析单元、初始化单元以及参数更新单元;
所述数据解析单元,用于接收与老人相关的历史活动数据,再解析生成可用的“老人-老人”交互网络数据和“老人-地点”位置数据;
所述初始化单元,用于初始化产生网络表示学习模型训练过程中所涉及的参数;
所述参数更新单元,用于结合初始化参数构建网络表示学习模型并进行训练。
基于上述装置,本发明还提供一种基于网络表示学习的老人看护方法,包括以下步骤:
S1,输入目标老人的历史活动数据,包括历史交互、活动数据以及看护服务日志;
S2,将目标老人的历史活动数据解析生成可用的“老人-老人”交互网络数据和“老人-地点”位置关系数据;
S3,根据“老人-老人”交互网络数据和“老人-地点”位置关系数据,构建基于网络表示学习的老人看护预测模型并进行迭代训练,输出老人交互关系网络的低维表示矩阵U,再对老人交互关系网络的表示矩阵U进行聚类分析,得到每个老人的类簇划分标签集合L,和目标老人属于同一类簇的其他老人将作为潜在接触对象;
S4,根据标签集合L确定目标老人所在的类簇Z*,在其中计算该目标老人与其他老人之间的相似度并进行降序排序,选择相似度最高的其他老人的前T个位置作为目标老人的预测地点。
优选的,所述S2中,目标老人的历史活动数据解析方法为:
将目标老人的历史活动数据解析为数据集为D,数据集为D包含D1和D2两个子集;其中子集D1有两列数据,第一列为老人集合P作为交互关系网络边的起始点,第二列为老人集合I作为交互关系网络边的终点,从而形成一个“老人-老人”交互网络数据集,D1可用图G=(V,E)进行表示,其中V表示节点集合,E表示边的集合,进一步将边集合转化为图邻接矩阵G∈|P|×|I|,P=I,|P|和|I|分别表示集合P和I的模;D2形式上是一个二维矩阵H∈|P|×|J|,一个维度上是老人的集合P,另一个维度上是老人地点的集合J,|J|表示集合J的模,P≠J,从而形成一个“老人-地点”的关系矩阵数据集。
优选的,所述S3包括:
S3-1:初始化模型涉及的参数,包括:
相似度矩阵S∈|P|×|I|;二阶相似度矩阵S(2)∈|P|×|I|;二阶相似度权重η;隐表示空间维度f;节点辅助矩阵A和节点表示矩阵U,初始值均为0~1之间的随机数;参数更新过程中需要用到的辅助矩阵X、Y,维度分别与节点辅助矩阵A和节点表示矩阵U相同,初始值为0;三个拉格朗日乘子矩阵M∈|P|×f、N∈|I|×f、Λ∈|P|×|I|,分别为辅助矩阵X、Y以及对称约束所需的辅助矩阵;与拉格朗日乘子矩阵相对应的惩罚项系数ε、φ、χ;和constant为计算增广拉格朗日系数时用到的正常数;
S3-2:构建基于网络表示学习的老人看护模型并进行训练,表达式如下:
公式(1)中,L表示构建的模型函数,su,i为相似度矩阵S第u行和第i列的元素值,代表节点u和i之间的相似度;au,k为矩阵A第u行和第k列的元素值;ui,k为矩阵U第i行和第k列的元素值;和f表示隐空间的维度;αi,k为矩阵A第i行和第k列的元素值;uu,k为矩阵U第u行和第k列的元素值;γu,i表示矩阵Λ第u行和第i列的元素值;βi,k表示矩阵N第i行和第k列的元素值;
S3-3:判断当前训练状态是否已满足收敛条件,若满足则执行步骤S3-4,否则重复S3-2,直到满足收敛条件:
(1)迭代过程达到预设次数;
(2)连续两次目标函数值差值小于预设阈值;
S3-4:输出节点表示矩阵U,并对其聚类分析,得到每个目标老人的类簇划分标签集合L。
优选的,所述S3-4中,聚类分析方法为:
首先,将节点表示矩阵U按行进行划分得到节点的隐表示向量集合:{U1,U2,…,Ui,…,U|PU|},其中Ui=[ui1,ui2,…,uik,…,uif]表示第i个节点的隐表示向量,uik表示第i个节点的隐表示向量中第k个元素,f表示隐空间的维度,也即向量的长度,|P|表示节点集合P的模;
然后,采用K-means算法对节点的隐表示向量集合进行聚类,得到每个节点的类簇划分标签集合L。
优选的,所述S4包括:
首先,根据类簇划分标签集合L,获得与目标节点具有相同类簇标签的其他节点的子集合Z*;
其次,利用“老人-地点”关系数据集D2,分别计算的目标节点k与子集合Z*中其他节点之间的相似度,若选择子集合Z*中任意节点s,则目标节点k(即预测老人)跟任意节点s(其他老人)相似度具体计算公式如下:
其中,dk=[dk1,dk2,…,dki,…,dk|J|]表示目标节点k的位置向量,dki表示该向量中第i个分量,其值是节点k在地点i出现的频率;|J|表示地点集合J的模;ds=[ds1,ds2,…,dsi,…,ds|J|]表示Z*中其它任意节点的位置向量;运算符·用于计算两个向量的内积,|dk|和|ds|分别表示向量dk和ds的模;
在求得目标节点k和子集合Z*中其他节点的相似度之后,对相似度进行降序排序,选择相似度最高的一个节点,将其位置向量中权重最高的前T个地点作为预测结果,即相似度最高老人的前T个位置作为目标老人的预测位置。
综上所述,由于采用了上述技术方案,与现有技术相比,本发明至少具有以下有益效果:
本发明能够根据老人常出现的地点和常接触的人进行分析生成节点的网络表示,对其在异常情况下可能出现的地点进行计算,得到目标老人和其他相关老人之间的位置属性相似度度量值,预测得到目标老人可能出现的地点列表;从而提供在失联情况下老人可能出现在的位置结果,为老人看护工作人员提供可参考线索,提高工作效率。
附图说明:
图1为根据本发明示例性实施例的一种基于网络表示学习的老人看护装置示意图。
图2为根据本发明示例性实施例的云服务器构架示意图。
图3为根据本发明示例性实施例的一种基于网络表示学习的老人看护方法流程示意图。
图4为根据本发明示例性实施例的本发明应用前后精确度对比示意图。
具体实施方式
下面结合实施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。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
如图1所示,本发明提出一种基于网络表示学习的老人看护装置,包括双向连接的智能终端和云服务器。
智能终端,可采用PC、平板、手机等,用于输入与老人相关的历史交互、活动数据以及看护服务日志,例如老人的起始点、老人的终点以及老人接触的人等。
本实施例中,可在监护区域部署摄像头,从而获取每个老人的交互、活动信息,看护人员每天针对每个老人建立看护服务日志并进行保存。
云服务器,用于根据与老人相关的历史交互、活动数据以及看护服务日志,建立基于网络表示学习的老人看护模型,对老人的历史活动数据进行聚类,从而将老人可能所处的地点及接触对象发送到智能终端。
本实施例中,如图2所示,云服务器中设置多个功能模块,以便建立和训练基于网络表示学习的老人看护模型,从而输出老人可能所处的地点及接触对象,即存储模块、隐表示训练模块、节点聚类模块和预测生成模块。
(1)存储模块:
存储模块为运行在云服务器上的一个程序模块,用于保存与老人相关的历史交互、活动数据以及看护服务日志,同时暂存基于网络表示学习的老人看护模型所需要的辅助矩阵并保存模型参数以及日志文件,接收传入的需求参数并传递给其他模块。
(2)隐表示训练模块
隐表示训练模块为运行在云服务器上的一个程序模块,用于对基于网络表示学习的老人看护模型涉及到的节点(本发明中,一个节点表示一个老人)隐表示矩阵、辅助矩阵等其他相关参数进行更新训练,并判断是否满足更新和终止条件。
(3)节点聚类模块
节点聚类模块为运行在云服务器上的一个程序模块,用于从隐表示训练模块获取节点隐表示向量,并采用K-means聚类方法进行分析,得到老人群体的类簇划分结果。
(4)预测生成模块
预测生成模块为运行在云服务器上的一个程序模块,利用“老人-地点”位置数据,计算目标节点与其他节点间(在同一类簇下)的相似度,根据排序选择最为相似的节点位置作为预测地点输出。
本实施例中,隐表示训练模块包括:数据解析单元、初始化单元以及参数更新单元。
数据解析单元,用于接收存储模块获取的与老人相关的历史交互、活动数据以及看护服务日志,再解析生成可用的“老人-老人”交互网络数据和“老人-地点”位置数据,同时将接收存储模块的需求参数以及辅助矩阵传递给参数更新单元进行更新;具体为:
将与老人相关的历史交互、活动数据以及看护服务日志解析为模型可以直接识别的数据集为D,其包含D1和D2两个子集。其中D1形式上是起始节点到目的节点的无向边的集合,一共有两列数据,第一列为老人集合P作为交互关系网络边的起始点,第二列为老人集合I作为交互关系网络边的终点,从而形成一个“老人-老人”交互网络数据集(把老人的交互关系用图进行描述的话,每个老人就是图中的一个顶点,而一组起点和终点就确定图中的一条边),D1可用图G=(V,E)进行表示,其中V表示节点集合,E表示边的集合,进一步将边集合转化为图邻接矩阵G∈|P|×|I|,其中通常P=I,|P|和|I|分别表示集合P和I的模,作为输入到参数更新单元的数据源;D2形式上是一个二维矩阵H∈|P|×|J|,一个维度上是老人的集合P,另一个维度上是老人地点的集合J,|J|表示集合J的模,其中通常P≠J,从而形成一个“老人-地点”的关系矩阵数据集。
初始化单元,用于初始化产生网络表示学习模型训练过程中所涉及到的参数,初始化参数包括:
相似度矩阵S∈|P|×|I|;二阶相似度矩阵S(2)∈|P|×|I|;二阶相似度权重η;隐表示空间维度f;节点辅助矩阵A和节点表示矩阵U,初始值均为0~1之间的随机数;参数更新过程中需要用到的辅助矩阵X、Y,维度分别与节点辅助矩阵A和节点表示矩阵U相同,初始值为0;三个拉格朗日乘子矩阵M∈|P|×f、N∈|I|×f、Λ∈|P|×|I|,分别为辅助矩阵X、Y以及对称约束所需的辅助矩阵;与拉格朗日乘子矩阵相对应的惩罚项系数ε、φ、χ;和constant为计算增广拉格朗日系数时用到的正常数。
在初始化过程中,初始化二阶相似度矩阵S(2)以及相似度矩阵S时,具体按照如下计算公式:
公式(1)中,Oi、Oj分别图邻接矩阵G的第i、j行向量,|Oi|、|Oj|分别表示用于计算向量Oi、Oj的模。结合一、二阶邻接关系,则相似度矩阵S计算为:
S=G+ηS(2)
S表示用于描述老人(即节点)的交互关系,作为模型直接处理的输入数据。
参数更新单元,用于结合初始化参数,采用交替方向乘子法对网络表示学习的老人看护模型进行训练,具体过程为:
构造网络表示学习模型的优化目标方程为:
其中,S为描述目标网络的相似度矩阵,A为节点辅助矩阵,U为节点表示矩阵,需同时满足非负约束,UT表示矩阵U的转置矩阵,||·||F表示矩阵的F范数。
由于图邻接矩阵G和二阶相似度矩阵S(2)均描述对称矩阵,因此S也为对称矩阵,即AUT也应该具有对称性质,为了达到此目的,于是可以将现有的目标方程添加如下对称对约束:
为了实现高效优化求解,从而将目标函数转化为如下单元素的形式:
其中,su,i为相似度矩阵S第u行和第i列的元素值,代表节点u和i之间的相似度;au,k为矩阵A第u行和第k列的元素值;ui,k为矩阵U第i行和第k列的元素值。
为了优化含有非负约束的目标方程,我们需要使用拉格朗日乘数法对其进行求解,构造如下新的优化目标:
其中,S表示相似度矩阵,其中任意元素用su,i表示;A和U分别表示节点辅助矩阵和节点表示矩阵,它们当中任意元素分别用au,k和ui,k表示;X和Y表示执行非负约束所需的辅助矩阵,它们当中任意元素分别用xu,k和yi,k表示,xu,k为矩阵X第u行和第k列的元素值,yi,k为矩阵Y第i行和第k列的元素值,需满足非负性约束;表示相似度矩阵S的低秩逼近。
为优化上述目标函数,采用拉格朗日方法进行求解,构造对应的增广拉格朗日函数为:
其中,A和U分别表示节点辅助矩阵和节点表示矩阵,需满足非负性约束;X和Y表示执行非负约束所需的辅助矩阵;M、N和Λ表示拉格朗日乘子矩阵;ε、φ和χ表示相对应的增广拉格朗日系数;<A,B>表示矩阵A和B对应元素相乘之和,||·||F计算矩阵的F范数。
为了实现高效优化求解,将其转化为如下单元素形式:
其中,L表示构建的模型函数,su,i为相似度矩阵S第u行和第i列的元素值,代表节点u和i之间的相似度;au,k为矩阵A第u行和第k列的元素值;ui,k为矩阵U第i行和第k列的元素值;和f表示隐空间的维度;αi,k为矩阵A第i行和第k列的元素值;uu,k为矩阵U第u行和第k列的元素值;γu,i表示矩阵Λ第u行和第i列的元素值;βi,k表示矩阵N第i行和第k列的元素值。和constant为预设的正值常数。
对增广拉格朗日函数关于au,k进行求导,并令导数等于0可以得到au,k的更新公式如下:
ui,k同理可得。
在实际应用中,为了效率以及存储空间考虑,每次对矩阵的一列进行更新,t和t+1为当前状态以及更新后的状态:
其中,和分别表示t+1时刻辅助矩阵A和隐特征表示矩阵U中第k列;Xt和Yt分别表示t时刻辅助矩阵X和Y的状态值;和分别表示t+1时刻矩阵A和U的第1~k-1列;Ak表示矩阵A的第k列,At k+1~f表示t时刻矩阵A中的第k+1~f列,Ut k~f表示t时刻矩阵U中的第k~f列;Mt、Nt和Λt分别表示t时刻拉格朗日乘子矩阵M、N和Λ的状态值。
根据交替方向乘子法(ADMM)更新法则得到下面更新公式:
其中,Xt和Xt+1分别表示t和t+1时刻辅助矩阵X的状态值;Yt和Yt+1分别表示t和t+1时刻辅助矩阵Y的状态值;Ut+1表示t+1时刻隐表示矩阵U的状态值;Mt、Nt和Λt分别表示t时刻拉格朗日乘子矩阵M、N和Λ的状态值;是常数;▽ΜL(·)、▽NL(·)和▽ΛL(·)分别表示拉格朗日函数L关于M、N和Λ的偏导数。
对应的单元素形式为:
在子集D1上,利用上述更新公式训练相关的模型参数,并重复该迭代过程,直至目标函数值在子集D1上收敛,收敛后,获得最终的节点表示矩阵U该矩阵代表原始“老人-老人”交互关系网络在低维隐特征空间的表示,其中每一行代表一个节点,为该节点的隐语义向量,反映节点的隐特征。
其中收敛条件判断如下:
(1)迭代过程达到预设次数,例如10次;
(2)连续两次目标函数值差值小于预设阈值,例如10-5。
本实施例中,节点聚类模块为运行在云服务器上的一个程序模块,用于根据隐表示训练模块学习得到的老人节点表示矩阵U对节点进行聚类,例如采用K-means聚类方法:
首先,将节点表示矩阵U按行进行划分得到节点的隐表示向量集合:{U1,U2,…,Ui,…,U|U|},其中Ui=[ui1,ui2,…,uik,…,uif]表示第i个节点的隐表示向量,uik表示第i个节点的隐表示向量中第k个元素,f表示隐空间的维度,也即向量的长度,|P|表示节点集合P的模。
然后,将所有隐表示向量作为输入,每个隐表示向量代表一个节点,采用标准的K-means算法对上述节点进行聚类(该算法为现有算法,因此不在此加以赘述),其中K通常取经验值;通过该算法后,得到每个节点的类簇划分标签集合L。
本实施例中,预测生成模块用于预测老人可能所处的地点列表及接触对象,具体为:
首先,根据类簇划分标签集合L,获得与目标节点具有相同类簇标签的其他节点的子集合Z*;
其次,利用“老人-地点”关系数据集D2,分别计算的目标节点k与子集合Z*中其他节点之间的相似度,若选择子集合Z*中任意节点s,则目标节点k(即预测老人)跟任意节点s(其他老人)相似度具体计算公式如下:
其中,dk=[dk1,dk2,…,dki,…,dk|J|]表示目标节点k的位置向量,dki表示该向量中第i个分量,其值是节点k在地点i出现的频率;|J|表示地点集合J的模;ds=[ds1,ds2,…,dsi,…,ds|J|]表示Z*中任意节点的位置向量;其意义及取值同dk;运算符·用于计算两个向量的内积,|dk|和|ds|分别表示向量dk和ds的模。
在求得目标节点k和子集合Z*中其他节点的相似度之后,对相似度进行降序排序,选择相似度最高的一个节点,将其位置向量中权重最高的前T个地点作为预测结果,即相似度最高的那个老人的前T个位置。
此环节结束后,将子集合Z*和T个地点列表分别作为发生异常情况(老人走失)下的询问接触对象和可能的位置信息反馈至智能终端。
基于上述装置,本发明还提出一种基于网络表示学习的老人看护预测方法,如图3所示,具体包括以下步骤:
S1,输入目标老人的历史行为活动数据,包括历史交互、活动数据以及看护服务日志;
S2,将目标老人的历史行为活动数据解析生成可用的“老人-老人”交互网络数据和“老人-地点”位置关系数据,同时将接收存储模块的需求参数以及辅助矩阵传递给参数更新模块进行更新;
S3,构建网络表示学习的老人看护预测模型并进行迭代训练,输出目标老人表示矩阵U,再对目标老人表示矩阵U进行聚类分析,得到每个目标老人的类簇划分标签集合L,以作为询问接触对象;
S4,根据标签集合L确定目标老人所在的类簇Z*,在其中计算该目标老人与其他老人之间的相似度并进行降序排序,选择相似度最高的其他老人的前T个位置作为目标老人的预测地点。
本实施例中,S2中,解析生成可用的“老人-老人”交互网络数据和“老人-地点”位置数据,具体为:
将与老人相关的历史交互、活动数据以及看护服务日志解析为模型可以直接识别的数据集为D,其包含D1和D2两个子集。其中D1形式上是起始节点到目的节点的无向边的集合,一共有两列数据,第一列为老人集合P作为交互关系网络边的起始点,第二列为老人集合I作为交互关系网络边的终点,从而形成一个“老人-老人”交互网络数据集,D1可用图G=(V,E)进行表示,其中V表示节点集合,E表示边的集合,进一步将边集合转化为图邻接矩阵G∈|P|×|I|,其中通常P=I,|P|和|I|分别表示集合P和I的模,作为输入到参数更新单元的数据源;D2形式上是一个二维矩阵H∈|P|×|J|,一个维度上是老人的集合P,另一个维度上是老人地点的集合J,|J|计算集合J的模,其中通常P≠J,从而形成一个“老人-地点”的关系矩阵数据集。
本实施例中,S3包括以下步骤:
S3-1:初始化模型涉及的参数,包括:
相似度矩阵S∈|P|×|I|;二阶相似度矩阵S(2)∈|P|×|I|;二阶相似度权重η;隐表示空间维度f;节点辅助矩阵A和节点表示矩阵U,初始值均为0~1之间的随机数;参数更新过程中需要用到的辅助矩阵X、Y,维度分别与节点辅助矩阵A和节点表示矩阵U相同,初始值为0;三个拉格朗日乘子矩阵M∈|P|×f、N∈|I|×f、Λ∈|P|×|I|,分别为辅助矩阵X、Y以及对称约束所需的辅助矩阵;与拉格朗日乘子矩阵相对应的惩罚项系数ε、φ、χ;和constant为计算增广拉格朗日系数时用到的正常数。
在初始化过程中,初始化二阶相似度矩阵S(2)以及相似度矩阵S时,具体按照如下计算公式:
公式(2)中,Oi、Oj分别图邻接矩阵G的第i、j行向量,|Oi|、|Oj|分别表示用于计算向量Oi、Oj的模。结合一、二阶邻接关系,则相似度矩阵S计算为:
S=G+ηS(2)
S表示用于描述老人(即节点)的交互关系,作为模型直接处理的输入数据。
S3-2:构建基于网络表示学习的老人看护模型并进行训练。
参数更新单元,用于结合初始化参数,采用交替方向乘子法对网络表示学习的老人看护模型进行训练,具体过程为:
构造基于网络表示学习模型的优化目标方程为:
其中,S为描述目标网络的相似度矩阵,A为节点辅助矩阵,U为节点表示矩阵,需同时满足非负约束,UT表示矩阵U的转置矩阵,||·||F表示矩阵的F范数。
由于图邻接矩阵G和二阶相似度矩阵S(2)均描述对称矩阵,因此S也为对称矩阵,即AUT也应该具有对称性质,为了达到此目的,于是可以将现有的目标方程添加如下对称对约束:
为了实现高效优化求解,从而将目标函数转化为如下单元素的形式:
其中,su,i为相似度矩阵S第u行和第i列的元素值,代表节点u和i之间的相似度;au,k为矩阵A第u行和第k列的元素值;ui,k为矩阵U第i行和第k列的元素值。
为了优化含有非负约束的目标方程,需要使用拉格朗日乘数法对其进行求解,构造如下新的优化目标:
其中,S表示相似度矩阵,其中任意元素用su,i表示;A和U分别表示节点辅助矩阵和节点表示矩阵,它们当中任意元素分别用au,k和ui,k表示;X和Y表示执行非负约束所需的辅助矩阵,它们当中任意元素分别用xu,k和yi,k表示,xu,k为矩阵X第u行和第k列的元素值,yi,k为矩阵Y第i行和第k列的元素值,需满足非负性约束;表示相似度矩阵S的低秩逼近。
为优化上述目标函数,采用拉格朗日方法进行求解,构造对应的增广拉格朗日函数为:
其中,A和U分别表示节点辅助矩阵和节点表示矩阵,需满足非负性约束;X和Y表示执行非负约束所需的辅助矩阵;M、N和Λ表示拉格朗日乘子矩阵;ε、φ和χ表示相对应的增广拉格朗日系数;<A,B>表示矩阵A和B对应元素相乘之和,||·||F计算矩阵的F范数。
为了实现高效优化求解,将其转化为如下单元素形式:
其中,L表示构建的模型函数,su,i为相似度矩阵S第u行和第i列的元素值,代表节点u和i之间的相似度;au,k为矩阵A第u行和第k列的元素值;ui,k为矩阵U第i行和第k列的元素值;和f表示隐空间的维度;αi,k为矩阵A第i行和第k列的元素值;uu,k为矩阵U第u行和第k列的元素值;γu,i表示矩阵Λ第u行和第i列的元素值;βi,k表示矩阵N第i行和第k列的元素值。和constant为预设的正值常数。
对增广拉格朗日函数关于au,k进行求导,并令导数等于0可以得到au,k的更新公式如下:
ui,k同理可得。
在实际应用中,为了效率以及存储空间考虑,每次对矩阵的一列进行更新,t和t+1为当前状态以及更新后的状态:
其中,和分别表示t+1时刻辅助矩阵A和隐表示矩阵U中第k列;Xt和Yt分别表示t时刻辅助矩阵X和Y的状态值;和分别表示t+1时刻矩阵A和U的第1~k-1列;Ak表示矩阵A的第k列,At k+1~f表示t时刻矩阵A中的第k+1~f列,Ut k~f表示t时刻矩阵U中的第k~f列;Mt、Nt和Λt分别表示t时刻拉格朗日乘子矩阵M、N和Λ的状态值。
根据交替方向乘子法(ADMM)更新法则得到下面更新公式:
其中,Xt和Xt+1分别表示t和t+1时刻辅助矩阵X的状态值;Yt和Yt+1分别表示t和t+1时刻辅助矩阵Y的状态值;Ut+1表示t+1时刻隐表示矩阵U的状态值;Mt、Nt和Λt分别表示t时刻拉格朗日乘子矩阵M、N和Λ的状态值;是常数;▽ΜL(·)、▽NL(·)和▽ΛL(·)分别表示拉格朗日函数L关于M、N和Λ的偏导数。
对应的单元素形式为:
S3-3:判断当前训练状态是否已满足收敛条件,若满足则执行步骤S3-4,否则重复S3-2,直到满足收敛条件。
收敛条件为:
(1)迭代过程达到预设次数,例如10次;
(2)连续两次目标函数值差值小于预设阈值,例如10-5。
S3-4:输出节点表示矩阵U,该矩阵代表原始“老人-老人”交互关系网络在低维隐特征空间的表示,其中每一行代表一个节点,为该节点的隐语义向量,反映节点的隐特征。根据U进行聚类分析,得到每个目标老人的类簇划分标签集合L。
首先,将节点表示矩阵U按行进行划分得到节点的隐表示向量集合:{U1,U2,…,Ui,…,U|U|},其中Ui=[ui1,ui2,…,uik,…,uif]表示第i个节点的隐表示向量,uik表示第i个节点的隐表示向量中第k个元素,f表示隐空间的维度,也即向量的长度。
然后,将所有隐表示向量作为输入,每个隐表示向量代表一个节点,采用标准的K-means算法对上述节点进行聚类(该算法为现有算法,因此不在此加以赘述),其中K通常取经验值;通过该算法后,得到每个节点的类簇划分标签集合L。
本实施例中,步骤S4中,根据标签集合L确定目标老人所在的类簇Z*,在其中计算该目标老人与其他老人之间的相似度并进行降序排序,选择相似度最高的其他老人的前T个位置作为目标老人的预测地点。具体过程为:
首先,根据类簇划分标签集合L,获得与目标节点具有相同类簇标签的其他节点的子集合Z*;
其次,利用“老人-地点”关系数据集D2,分别计算的目标节点k与子集合Z*中其他节点之间的相似度,例如,选择子集合Z*中任意节点s,则目标节点k(即预测老人)跟任意节点s(其他老人)相似度具体计算公式如下:
其中,dk=[dk1,dk2,…,dki,…,dk|J|]表示目标节点k的位置向量,dki表示该向量中第i个分量,其值是节点k在地点i出现的频率;|J|表示地点集合J的模;ds=[ds1,ds2,…,dsi,…,ds|J|]表示Z*中任意节点的位置向量;其意义及取值同dk;运算符·用于计算两个向量的内积,|dk|和|ds|分别表示向量dk和ds的模。
在求得目标节点k和子集合Z*中其他节点的相似度之后,对相似度进行降序排序,选择相似度最高的一个节点,将其位置向量中权重最高的前T个地点作为预测结果,即相似度最高的那个老人的前T个位置。
此环节结束后,将子集合Z*和T个地点列表分别作为发生异常情况(老人走失)下的询问接触对象和可能的位置信息反馈至智能终端。
为了验证上述基于网络表示学习的老人看护的方法和装置的性能,我们在服务器上(配置:Intel Xeon E5-2630 v4,2.2GHz处理器,512G内存)安装了本装置,并运行仿真实验进行实例分析。在实例分析中,采用的老人行为数据集为网上公开数据集。实例分析使用聚类精确度Accuracy作为搜索老人地点精度的评价指标,Accuracy越高,精度越高。
图4为应用本发明实施例前后的聚类精确度对比。参见图4,横坐标为迭代次数,为0的时候即不使用本装置的搜寻结果,为4的时候为最终的迭代结果,聚类精确度明显提升。
由上述技术方案可见,本发明提供了一种基于网络表示学习的老人看护的方法和装置,其专门作用于特殊情况下老人可能出现的地点预测,进而为用户选出出现的位置及接触的对象。
本领域的普通技术人员可以理解,上述各实施方式是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (4)
1.一种基于网络表示学习的老人看护装置,其特征在于,包括智能终端和云服务器;其中,
所述智能终端,用于输入与老人相关的历史活动数据,历史活动数据包括历史交互、活动数据以及看护服务日志;
所述云服务器,用于根据老人的历史活动数据建立基于网络表示学习的老人看护模型,并对老人的历史活动数据进行聚类,从而将老人可能所处的地点及接触对象发送到智能终端;
所述云服务器包括存储模块、隐表示训练模块、节点聚类模块和预测生成模块;
所述存储模块,用于保存与老人相关的历史活动数据;
所述隐表示训练模块,用于对基于网络表示学习的老人看护模型涉及到的节点表示矩阵、辅助矩阵进行更新训练;
初始化模型涉及的参数,包括:
相似度矩阵S∈|P|×|I|;二阶相似度矩阵S(2)∈|P|×|I|;二阶相似度权重η;隐表示空间维度f;节点辅助矩阵A和节点表示矩阵U,初始值均为0~1之间的随机数;参数更新过程中需要用到的辅助矩阵X、Y,维度分别与节点辅助矩阵A和节点表示矩阵U相同,初始值为0;三个拉格朗日乘子矩阵M∈|P|×f、N∈|I|×f、Λ∈|P|×|I|,分别为辅助矩阵X、Y以及对称约束所需的辅助矩阵;与拉格朗日乘子矩阵相对应的惩罚项系数ε、φ、χ;和constant为计算增广拉格朗日系数时用到的正常数;
构建基于网络表示学习的老人看护模型并进行训练,表达式如下:
公式(1)中,L表示构建的模型函数,su,i为相似度矩阵S第u行第i列的元素值,代表节点u和i之间的相似度;au,k为矩阵A第u行第k列的元素值;ui,k为矩阵U第i行第k列的元素值;和f表示隐空间的维度;αi,k为矩阵A第i行第k列的元素值;uu,k为矩阵U第u行第k列的元素值;γu,i表示矩阵Λ第u行第i列的元素值;βi,k表示矩阵N第i行第k列的元素值;xu,k表示矩阵X中第u行第k列的元素值;
判断当前训练状态是否已满足收敛条件,若满足则执行步骤S3-4,否则重复S3-2,直到满足收敛条件:
(1)迭代过程达到预设次数;
(2)连续两次目标函数值差值小于预设阈值;
输出节点表示矩阵U,并对其聚类分析,得到每个目标老人的类簇划分标签集合L;
所述节点聚类模块,用于从隐表示训练模块获取节点隐表示向量,并采用K-means聚类方法进行分析,得到老人群体的类簇划分结果;
首先,将节点表示矩阵U按行进行划分得到节点的隐表示向量集合:{U1,U2,…,Ui,…,U|U|},其中Ui=[ui1,ui2,…,uik,…,uif]表示第i个节点的隐表示向量,uik表示第i个节点的隐表示向量中第k个元素,f表示隐空间的维度,也即向量的长度,|U|表示矩阵U的模数;
然后,采用K-means算法对节点的隐表示向量集合进行聚类,得到每个节点的类簇划分标签集合L;
所述预测生成模块,用于计算目标老人与其他老人之间的相似度,根据排序选择最为相似的位置作为预测地点输出。
2.如权利要求1所述的一种基于网络表示学习的老人看护装置,其特征在于,所述隐表示训练模块包括数据解析单元、初始化单元以及参数更新单元;
所述数据解析单元,用于接收与老人相关的历史活动数据,再解析生成可用的“老人-老人”交互网络数据和“老人-地点”位置关系数据;
将目标老人的历史活动数据解析为数据集D,数据集D包含D1和D2两个子集;其中子集D1有两列数据,第一列为老人集合P作为交互关系网络边的起始点,第二列为老人集合I作为交互关系网络边的终点,从而形成一个“老人-老人”交互网络数据集,D1用图G=(V,E)进行表示,其中V表示节点集合,E表示边的集合,进一步将边集合转化为图邻接矩阵G∈|P|×|I|,P=I,|P|和|I|分别表示集合P和I的模;D2形式上是一个二维矩阵H∈|P|×|J|,一个维度上是老人的集合P,另一个维度上是老人地点的集合J,|J|表示集合J的模,P≠J,从而形成一个“老人-地点”的关系矩阵数据集;
所述初始化单元,用于初始化产生网络表示学习模型训练过程中所涉及的参数;
所述参数更新单元,用于结合初始化参数构建网络表示学习模型并进行训练。
3.一种基于网络表示学习的老人看护方法,其特征在于,包括以下步骤:
S1,输入目标老人的历史活动数据,包括历史交互、活动数据以及看护服务日志;
S2,将目标老人的历史活动数据解析生成可用的“老人-老人”交互网络数据和“老人-地点”位置关系数据;
将目标老人的历史活动数据解析为数据集D,数据集D包含D1和D2两个子集;其中子集D1有两列数据,第一列为老人集合P作为交互关系网络边的起始点,第二列为老人集合I作为交互关系网络边的终点,从而形成一个“老人-老人”交互网络数据集,D1用图G=(V,E)进行表示,其中V表示节点集合,E表示边的集合,进一步将边集合转化为图邻接矩阵G∈|P|×|I|,P=I,|P|和|I|分别表示集合P和I的模;D2形式上是一个二维矩阵H∈|P|×|J|,一个维度上是老人的集合P,另一个维度上是老人地点的集合J,|J|表示集合J的模,P≠J,从而形成一个“老人-地点”的关系矩阵数据集;
S3,根据“老人-老人”交互网络数据和“老人-地点”位置关系数据,构建基于网络表示学习的老人看护预测模型并进行迭代训练,输出老人交互关系网络的低维表示矩阵U,再对老人交互关系网络的表示矩阵U进行聚类分析,得到每个老人的类簇划分标签集合L,和目标老人属于同一类簇的其他老人将作为潜在接触对象;
S3-1:初始化模型涉及的参数,包括:
相似度矩阵S∈|P|×|I|;二阶相似度矩阵S(2)∈|P|×|I|;二阶相似度权重η;隐表示空间维度f;节点辅助矩阵A和节点表示矩阵U,初始值均为0~1之间的随机数;参数更新过程中需要用到的辅助矩阵X、Y,维度分别与节点辅助矩阵A和节点表示矩阵U相同,初始值为0;三个拉格朗日乘子矩阵M∈|P|×f、N∈|I|×f、Λ∈|P|×|I|,分别为辅助矩阵X、Y以及对称约束所需的辅助矩阵;与拉格朗日乘子矩阵相对应的惩罚项系数ε、φ、χ;和constant为计算增广拉格朗日系数时用到的正常数;
S3-2:构建基于网络表示学习的老人看护模型并进行训练,表达式如下:
公式(1)中,L表示构建的模型函数,su,i为相似度矩阵S第u行第i列的元素值,代表节点u和i之间的相似度;au,k为矩阵A第u行第k列的元素值;ui,k为矩阵U第i行第k列的元素值;和f表示隐空间的维度;αi,k为矩阵A第i行第k列的元素值;uu,k为矩阵U第u行第k列的元素值;γu,i表示矩阵Λ第u行第i列的元素值;βi,k表示矩阵N第i行第k列的元素值;xu,k表示矩阵X中第u行第k列的元素值;
S3-3:判断当前训练状态是否已满足收敛条件,若满足则执行步骤S3-4,否则重复S3-2,直到满足收敛条件:
(1)迭代过程达到预设次数;
(2)连续两次目标函数值差值小于预设阈值;
S3-4:输出节点表示矩阵U,并对其聚类分析,得到每个目标老人的类簇划分标签集合L;
所述S3-4中,聚类分析方法为:
首先,将节点表示矩阵U按行进行划分得到节点的隐表示向量集合:{U1,U2,…,Ui,…,U|U|},其中Ui=[ui1,ui2,…,uik,…,uif]表示第i个节点的隐表示向量,uik表示第i个节点的隐表示向量中第k个元素,f表示隐空间的维度,也即向量的长度,|U|表示矩阵U的模数;
然后,采用K-means算法对节点的隐表示向量集合进行聚类,得到每个节点的类簇划分标签集合L;
S4,根据标签集合L确定目标老人所在的类簇Z*,在其中计算该目标老人与其他老人之间的相似度并进行降序排序,选择相似度最高的其他老人的前T个位置作为目标老人的预测地点。
4.如权利要求3所述的一种基于网络表示学习的老人看护方法,其特征在于,所述S4包括:
首先,根据类簇划分标签集合L,获得与目标节点具有相同类簇标签的其他节点的子集合Z*;
其次,利用“老人-地点”关系数据集D2,D2形式上是一个二维矩阵H∈|P|×|J|,一个维度上是老人的集合P,另一个维度上是老人地点的集合J,分别计算目标节点k与子集合Z*中其他节点之间的相似度,若选择子集合Z*中任意节点s,则目标节点k跟任意节点s相似度具体计算公式如下:
其中,dk=[dk1,dk2,…,dki,…,dk|J|]表示目标节点k的位置向量,dki表示该向量中第i个分量,其值是节点k在地点i出现的频率;|J|表示地点集合J的模;ds=[ds1,ds2,…,dsi,…,ds|J|]表示Z*中其它任意节点的位置向量;运算符·用于计算两个向量的内积,|dk|和|ds|分别表示向量dk和ds的模;
在求得目标节点k和子集合Z*中其他节点的相似度之后,对相似度进行降序排序,选择相似度最高的一个节点,将其位置向量中权重最高的前T个地点作为预测结果,即相似度最高老人的前T个位置作为目标老人的预测位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011079669.6A CN112182498B (zh) | 2020-10-10 | 2020-10-10 | 一种基于网络表示学习的老人看护装置与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011079669.6A CN112182498B (zh) | 2020-10-10 | 2020-10-10 | 一种基于网络表示学习的老人看护装置与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112182498A CN112182498A (zh) | 2021-01-05 |
CN112182498B true CN112182498B (zh) | 2023-04-18 |
Family
ID=73947588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011079669.6A Active CN112182498B (zh) | 2020-10-10 | 2020-10-10 | 一种基于网络表示学习的老人看护装置与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182498B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112828894B (zh) * | 2021-01-21 | 2022-09-02 | 中国科学院重庆绿色智能技术研究院 | 一种冗余度机械臂的位置与力混合控制方法 |
CN112994944B (zh) * | 2021-03-03 | 2023-07-25 | 上海海洋大学 | 一种网络状态预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462592A (zh) * | 2014-12-29 | 2015-03-25 | 东北大学 | 基于不确定语义的社交网用户行为关系推演系统及方法 |
CN111563190A (zh) * | 2020-04-07 | 2020-08-21 | 中国电子科技集团公司第二十九研究所 | 一种区域网络用户行为的多维度分析与监管方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011075729A2 (en) * | 2009-12-18 | 2011-06-23 | Morningside Analytics, Llc | System and method for attentive clustering and related analytics and visualizations |
-
2020
- 2020-10-10 CN CN202011079669.6A patent/CN112182498B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462592A (zh) * | 2014-12-29 | 2015-03-25 | 东北大学 | 基于不确定语义的社交网用户行为关系推演系统及方法 |
CN111563190A (zh) * | 2020-04-07 | 2020-08-21 | 中国电子科技集团公司第二十九研究所 | 一种区域网络用户行为的多维度分析与监管方法及系统 |
Non-Patent Citations (2)
Title |
---|
Modeling User Activity Patterns for Next-Place Prediction;Chen Yu et al.;《IEEE Systems Journal》;20170630;第11卷(第2期);第1060-1071页 * |
无线网络中的移动预测综述;王莹 等;《通信学报》;20190831;第40卷(第8期);第2-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112182498A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7317050B2 (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 | |
US11232355B2 (en) | Deep graph representation learning | |
Wu et al. | Promoting wind energy for sustainable development by precise wind speed prediction based on graph neural networks | |
CN109858390A (zh) | 基于端到端时空图学习神经网络的人体骨架的行为识别方法 | |
CN112182498B (zh) | 一种基于网络表示学习的老人看护装置与方法 | |
US20090055139A1 (en) | Predictive discrete latent factor models for large scale dyadic data | |
US20060098871A1 (en) | Digital ink labeling | |
CN104731962A (zh) | 一种社交网络中基于相似社团的好友推荐方法及系统 | |
CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
Cui et al. | Learning global pairwise interactions with Bayesian neural networks | |
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
Joneidi et al. | E-optimal sensor selection for compressive sensing-based purposes | |
Tucker et al. | Rgfga: An efficient representation and crossover for grouping genetic algorithms | |
JP2018077765A (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
Zhang et al. | Locational marginal price forecasting using convolutional long-short term memory-based generative adversarial network | |
Huynh et al. | Multi-output Gaussian processes for multi-population longevity modelling | |
CN113239266B (zh) | 基于局部矩阵分解的个性化推荐方法及系统 | |
Yang et al. | Label propagation algorithm based on non-negative sparse representation | |
Wang et al. | Generalized RCINAR (p) process with signed thinning operator | |
Sebastiani et al. | Bayesian networks | |
CN114758788A (zh) | 异常场所识别方法、装置、设备及存储介质 | |
CN108280531B (zh) | 一种基于Lasso回归的学生班级成绩排名预测方法 | |
Zordan et al. | Automatic rate-distortion classification for the IoT: Towards signal-adaptive network protocols | |
Cordel II et al. | Fast emulation of self-organizing maps for large datasets | |
Vichi | Two-mode partitioning and multipartitioning |
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 |