CN112559736A - 一种随机消息智能分发系统及方法 - Google Patents

一种随机消息智能分发系统及方法 Download PDF

Info

Publication number
CN112559736A
CN112559736A CN202011129881.9A CN202011129881A CN112559736A CN 112559736 A CN112559736 A CN 112559736A CN 202011129881 A CN202011129881 A CN 202011129881A CN 112559736 A CN112559736 A CN 112559736A
Authority
CN
China
Prior art keywords
message
user
layer
data
input
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
Application number
CN202011129881.9A
Other languages
English (en)
Inventor
王红华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Yibei Data Technology Co ltd
Original Assignee
Shandong Yibei Data Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Yibei Data Technology Co ltd filed Critical Shandong Yibei Data Technology Co ltd
Priority to CN202011129881.9A priority Critical patent/CN112559736A/zh
Publication of CN112559736A publication Critical patent/CN112559736A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/355—Class or cluster creation or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本申请提供一种随机消息智能分发系统及方法。根据该方法，远程控制云端服务器获取到用户的消息请求数据，并通过消息特征向量标识消息的属性，再利用消息的词频‑逆向文件频率作为模糊神经网络输入得到消息类别；采用BP神经网络通过用户对不同种类信息产生的不同应答结果输出用户对不同类别消息的动态需求度，以触发相应远程控制信号的分发；将远程控制信号发送给智能分发数据终端；智能分发数据终端对接收的远程控制信号进行处理，将用户请求的目标消息分发给用户。本发明实现了随机消息智能分发，网络异构包容性强，适用子网频繁接入接出状态下随机消息智能分发，具有泛化性能好、高可靠性和实时性特点。

Description

一种随机消息智能分发系统及方法
技术领域
本申请涉及计算机领域，特别是涉及一种随机消息智能分发系统及方法。
背景技术
随着万物互联的快速推进，各型复杂异构网络的接入，消息分发的实时性和可靠性成为了复杂异构网络性能的刚性要求。在异构和频繁换接网络中，现有技术可以对预设消息进行较好的处理，然而大并发量随机消息的实时可靠处理面临着严峻挑战，高延时和丢包率严重制约了应用的推广。
发明内容
本发明公开了一种随机消息智能分发系统及方法，解决了大并发量随机消息实时处理存在的高延时和丢包率问题，具有网络异构包容性强、可靠性和实时性更强的优点。
本申请的第一方面提供一种随机消息智能分发系统，包括远程控制云端服务器、若干数据中继器、智能分发数据终端；
所述远程控制云端服务器，用于收发、存储和处理数据，发送远程控制信号；所述远程控制云端服务器包括接入模块、分词模块、用户需求处理模块、存储模块和第二通信模块；所述接入模块，提供开放的接口，用于用户数据的收发，将用户的消息请求数据发送给所述分词模块；所述分词模块，用于对接收到的所述消息请求数据进行处理生成消息类别，并将所述消息类别数据发送给所述用户需求处理模块；所述用户需求处理模块，用于根据所述消息类别数据生成远程控制信号，并将远程控制信号一方面发送给所述存储模块，另一方面发送给所述第二通信模块；所述存储模块，用于存储消息属性及消息类别数据；所述第二通信模块，用于与所述数据中继器进行通信；
所述数据中继器，用于将接收到的所述远程控制信号发送给所述智能分发数据终端；所述智能分发数据终端，用于获取所述远程控制信号，并根据获取的信号进行消息的智能分发。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步地，所述智能分发数据终端由第一通信模块、数据读取模块和主控模块构成；所述第一通信模块，用于与所述数据中继器进行通信，获取所述远程控制信号；所述数据读取模块，用于读取所述第一通信模块获取的远程控制信号，进行编解码处理后发送至所述主控模块；所述主控模块，用于接收所述数据读取模块处理后的远程控制信号，然后对远程控制信号进行数据处理以触发分发信号。
本申请的第一方面提供了一种随机消息智能分发方法，包括：
获取到用户的消息请求数据，通过消息特征向量标识消息的属性，并利用消息的词频-逆向文件频率作为模糊神经网络输入得到消息类别；
采用BP神经网络通过用户对于不同种类信息产生的不同应答结果输出用户对于不同类别消息的动态需求度，以触发相应的远程控制信号的分发；
将所述远程控制信号一方面进行存储，另一方面发送给智能分发数据终端；
所述智能分发数据终端接收所述远程控制信号并进行数据处理，将用户请求的目标消息分发给用户。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步地，通过消息特征向量标识消息的属性，并利用消息的词频-逆向文件频率作为模糊神经网络输入得到消息类别的具体处理过程，包括：
S1.将接收到的消息按关键字段拆分，进而统计消息的词频逆向文件频率；
S2.利用消息的词频-逆向文件频率生成消息特征向量；
S3.构建模糊神经网络，通过机器学习智能划分消息类别。
进一步地，步骤S2利用消息的词频-逆向文件频率生成消息特征向量的方法，包括：
消息特征向量是消息的关键词及计数方式的集合，采用词频-逆向文件频率描述方式的消息特征向量λ为：
Figure BDA0002734808210000021
其中，w0,w1,…,wn是消息的n+1个关键词，n是消息关键词的数量， tfidf0,tfidf1,…,tfidfn是每个关键词的词频-逆向文件频率值。
进一步地，步骤S3构建模糊神经网络，通过机器学习智能划分消息类别的方法，包括：
构建模糊神经网络的结构如下：
第一层为输入层，缓存输入信号x＝[x0,x1,x2,…,xn]，xi＝tfidfi(i＝ 0,1,…,n)，即输入信号为上述消息关键词的词频-逆向文件频率，输入层节点数量为输入特征向量的个数(n+1)，将输入向量发送到下一层；
第二层为模糊化层，对输入向量进行模糊化，计算每个输入分类属于语言变量值的模糊集合的隶属函数
Figure BDA0002734808210000031
mi为第i个输入量的模糊分割数；隶属函数为：
Figure BDA0002734808210000032
其中，cij、σij分别是隶属函数的中心和宽度，模糊化层节点数量与输入层一致；
第三层为模糊规则层，每个节点代表一条模糊规则，计算出每条规则的适用度，即：
Figure BDA0002734808210000033
Figure BDA0002734808210000034
r1∈{1,2,…,m1},r2∈{1,2,…,m2}…rn∈{1,2,…,mn}
其中，rn为输入量n的模糊分割数mn中的第r个数据，
Figure BDA0002734808210000035
为第i个输入信号的第rn个模糊分割数的隶属函数；设立模糊规则层的节点数量为m，对于给定的输入，只有在输入点附近的语言变量值才有较大的隶属度值，远离输入点的语言变量值的隶属度为0；当隶属度小于设定的阈值时，取近似0；
第四层为模糊决策层，节点数量为m，主要针对满足一定条件的量进行分类并将模糊量去模糊化，实现归一化：
Figure BDA0002734808210000036
第五层为输出层，首先得到每条模糊规则的推断，即：
Figure BDA0002734808210000037
其中，pj0,pj1,…,pjn是网络连接权，表示第l条规则结论的第j个部分，连接权为模糊数，网络输出为模糊集；每条规则的推断在简化结构中变成了最后一层的连接权，然后输出运算结果：
Figure BDA0002734808210000038
即消息的类别；
所述模糊规则为：
Figure 100002_1
其中，
Figure BDA0002734808210000042
是规则l的第i个前件，取值为第j个模糊语言值
Figure BDA0002734808210000043
是xi属于
Figure BDA0002734808210000044
的隶属度；模糊集
Figure BDA0002734808210000045
由高斯函数定义。
进一步地，所述采用BP神经网络通过用户对于不同种类信息产生的不同行为结果计算出用户对于不同种类消息的动态需求度，以触发相应的远程控制信号的分发，包括：
S21.设定得分规则，对每类消息进行打分，明确用户行为对消息分数的影响；
S22.在用户对于不同类别消息的行为中，在r种动作元所对应的行为次数中，假设用户对于不同种类信息产生的不同行为结果的数据样本为：
Figure BDA0002734808210000046
其中，
Figure BDA0002734808210000047
是对第r种消息的第w种动作行为的分值；用户对于不同种类消息的动态需求度为：
Figure BDA0002734808210000048
其中，Sr是第r种消息的总分；
S23.采用BP神经网络来建立由用户对于不同种类信息产生的不同行为结果推断出用户对于不同类别消息的动态需求度的网络模型。
进一步地，所述步骤S21实现的具体步骤：
用户对于r种消息具有w种动作行为，为不同的行为赋予分数，得到消息的实时用户行为分S：
Figure BDA0002734808210000049
其中，α1,α2,…,αw分别是为用户不同行为赋予的分数，n1,n2,…,nw分别是每类消息中w种用户行为出现的次数，S′是用户行为分的加权和，DUA是实时用户活跃数量，N是基于用户规模的固定用户数。
进一步地，所述步骤S23实现的具体步骤：
采用的BP神经网络包括一个输入层、一个隐含层和一个输出层，将用户对于不同种类信息产生的不同行为结果的数据样本
Figure BDA0002734808210000051
作为BP 神经网络的输入，共有r组样本，对应的输出为Q＝[S1,S2,…,Sr]T，“T”是转置符号；输入层有w个节点，隐含层的节点数为
Figure BDA0002734808210000058
为向下取整，a 是1～10之间的任意整数，输出层有r个节点，是用户对r种消息的需求度；神经网络的输入层第i个神经元与隐含层第h个神经元间的连接权为ωih，隐含层第h 个神经元与输出层第t个神经元间的连接权为ωht，隐含层第h个神经元的输入为：
Figure BDA0002734808210000052
其中，θih是输入层到隐含层的阈值，
Figure BDA0002734808210000053
是第j种动作在第i种消息中出现的次数；隐含层第h个神经元的输出为：
Figure BDA0002734808210000054
其中，
Figure BDA0002734808210000055
为S型生长曲线，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间；
输出层第t个神经元的输入为：
Figure BDA0002734808210000056
其中，θht是隐含层到输出层的阈值；设立输出层的激活函数为归一化指数函数ψ：
Figure BDA0002734808210000057
其中，e为自然对数函数的底数，αv是输出层第v(v≠t)个神经元的输入，βt是输出层第t个神经元的输出，神经网络的输出误差为：
error＝βt-Sj
其中，Sj是专家给出的第j组样本的评价结果，误差信号从后向前传递，根据训练误差，更新各层权值和阈值，隐含层到输出层的权值更新为：
ωht(d+1)＝ωht(d)+Δωht(d)
其中，Δωht(d)是ωht(d)的修正量，Δωht(d)中的学习因子可以加快网络收敛速度；阈值更新为：
θht＝θht+Δθht
其中，Δθht是θht的修正量；输入层到隐含层的权值更新为：
ωih(d+1)＝ωih(d)+Δωih(d)
其中，Δωih(d)是ωih(d)的修正量；阈值更新为
θih＝θih+Δθih
其中，Δθih是θih的修正量；修正权值、阈值后再次计算输出误差，当误差小于预先设定的误差阈值δ时，停止迭代，网络训练完成，从而得到各用户对于不同消息的动态需求度。
本发明所述随机消息智能分发系统及方法，具有网络异构包容性强、适用子网频繁接入接出状态下的随机消息智能分发，并且泛化性能好，具有高可靠性和实时性的有益效果。
附图说明
图1本发明所述一种随机消息智能分发系统结构图
图2本发明所述随机消息智能分发系统详细通信流程图
图3本发明所述模糊神经网络结构图
图4本发明所述BP神经网络结构图
具体实施方式
为了更好的说明本发明，下面结合说明书附图和具体实施例来做详细说明。
参照图1，本发明所述一种随机消息智能分发系统包括以下部分：
远程控制云端服务器10、若干数据中继器20、智能分发数据终端30。
所述远程控制云端服务器10，用于收发、存储和处理数据，发送远程控制信号。参照图2，远程控制云端服务器10包括接入模块101、分词模块102、用户需求处理模块103、存储模块104和第二通信模块105；
所述接入模块101，提供开放的接口，用于用户数据的收发，将用户的消息请求数据发送给所述分词模块102。
所述分词模块102，通过消息特征向量来标识消息的属性，并利用消息的词频-逆向文件频率作为模糊神经网络输入得到消息类别，并将消息类别数据发送给用户需求处理模块103；
所述用户需求处理模块103，采用BP神经网络通过用户对于不同种类信息产生的不同行为结果计算出用户对于不同种类消息的动态需求度，以触发相应的控制信号，将得到的远程控制信号发送给所述存储模块104进行存储；并将远程控制信号发送给所述第二通信模块105进行数据通信；
所述存储模块104，用于存储消息属性及消息类别数据。所述存储模块104 与所述用户需求处理模块103之间互通数据；
所述第二通信模块105，用于与所述数据中继器20进行通信，将远程控制信号发送给所述数据中继器20。
所述远程控制云端服务器10与所述数据中继器20之间具有通信连接，所述通信连接包括但不限于电缆、网线、光纤等有线连接以及红外、蓝牙、Wi-Fi等无线连接；
所述数据中继器20，用于接收所述远程控制云端服务器10发送的远程控制信号，并将信号放大。所述数据中继器20通过通信连接，连接有智能分发数据终端30，所述通信连接包括但不限于电缆、网线、光纤等有线连接以及红外、蓝牙、WIFI等无线连接；在实际应用中，根据数据中继器20和智能分发数据终端30之间的通信距离或通信负载情况，本发明所述系统可以级联多个数据中继器20。
所述智能分发数据终端30，用于获取所述数据中继器20发送的远程控制信号，并根据获取的信号进行消息的智能分发。智能分发数据终端30由第一通信模块301、数据读取模块302和主控模块303构成。所述第一通信模块301，用于与数据中继器20进行通信，获取远程控制信号并发送给数据读取模块302。所述数据读取模块302，用于接收、读取所述第一通信模块301获取的远程控制信号，进行编解码处理后发送至所述主控模块303。所述主控模块303，用于接收所述数据读取模块302处理后的远程控制信号，然后对远程控制信号进行数据处理，以触发相应的分发信号，实现智能分发；
远程控制云端服务器10中的接入模块101提供开放的标准接口，可获取到用户的消息请求数据，并将消息请求数据发送给分词模块102；所述分词模块102 利用消息请求数据的词频-逆向文件频率作为模糊神经网络输入得到消息类别，并将消息类别数据发送给用户需求处理模块103；所述用户需求处理模块103采用BP神经网络通过用户对于不同种类信息产生的不同行为结果计算出用户对于不同类别消息的动态需求度，以触发相应的远程控制信号的分发，并将远程控制信号一方面发送给存储模块104，用于存储，另一方面发送给第二通信模块105。第二通信模块105将远程控制信号发送给数据中继器20。所述数据中继器20将远程控制信号发送给智能分发数据终端30。所述智能分发数据终端30中的第一通信模块301用于接收所述数据中继器20发送的远程控制信号，然后发送给数据读取模块302；数据读取模块302用于对读取的远程控制信号进行编解码处理，然后发送给主控模块303；所述主控模块303根据远程控制信号进行数据处理，将用户请求的目标消息分发给用户，实现智能分发。
本发明所述分词模块102，通过消息特征向量来标识消息的属性，并利用消息的词频-逆向文件频率作为模糊神经网络输入得到消息类别的具体处理过程如下：
S1.将接收到的消息按关键字段拆分，进而统计消息的词频-逆向文件频率。
首先要对消息内容进行关键字段级别的拆分，设立两个词库：正常词库和停用词库，正常词库是把内容拆解为具有关键字段的内容；停用词库是在拆分过程中需要首先弃掉的内容。停用词库包括没有实际含义的校验码和常用的高频但没有实际意义的字段关键词。这些字段对于消息的切分没有任何作用，因此可先将其剔除。剩下的内容使用标准字段库进行拆分，所述标准字段库根据应用场景的标准通信协议库来确定，标准字段库的内容与标准通信协议库中的协议方式一致。将消息拆分后，统计消息的词频-逆向文件频率，所述词频-逆向文件频率的统计方法为现有技术，在此不做过多阐述。
作为本发明将消息按照标准字段库进行拆分的一个实施例：
假设应用场景的标准通信协议库中规定，消息中心跳数据的字段关键词是 0xBB，心跳字段内容是0xHH，则将字段关键词0xBB放入标准字段库，依据标准字段库中的字段关键词0xBB可将消息中的心跳字段内容0xHH拆分出来，以便统计词频和逆向文件频率。
S2.利用消息的词频-逆向文件频率生成消息特征向量。
消息特征向量是消息的关键词及计数方式的集合，本发明采用词频-逆向文件频率描述方式的消息特征向量λ为：
Figure BDA0002734808210000091
其中，w0,w1,…,wn是消息的n+1个关键词，n是消息关键词的数量， tfidf0,tfidf1,…,tfidfn是每个关键词的词频-逆向文件频率值。
S3.构建模糊神经网络，通过机器学习智能划分消息类别。
参照图3，本发明构建模糊神经网络的结构如下：
第一层为输入层，缓存输入信号x＝[x0,x1,x2,…,xn]，xi＝tfidfi(i＝ 0,1,…,n)，即输入信号为上述消息关键词的词频-逆向文件频率，输入层节点数量为输入特征向量的个数(n+1)，将输入向量发送到下一层。
第二层为模糊化层，对输入向量进行模糊化，计算每个输入分类属于语言变量值的模糊集合的隶属函数
Figure BDA0002734808210000092
mi为第i个输入量的模糊分割数。隶属函数为：
Figure BDA0002734808210000093
其中，cij、σij分别是隶属函数的中心和宽度，模糊化层节点数量与输入层一致。
第三层为模糊规则层，每个节点代表一条模糊规则，计算出每条规则的适用度，即：
Figure BDA0002734808210000094
Figure BDA0002734808210000095
r1∈{1,2,…,m1},r2∈{1,2,…,m2}…rn∈{1,2,…,mn}
其中，rn为输入量n的模糊分割数mn中的第r个数据，
Figure BDA0002734808210000096
为第i个输入信号的第rn个模糊分割数的隶属函数。设立模糊规则层的节点数量为m，对于给定的输入，只有在输入点附近的语言变量值才有较大的隶属度值，远离输入点的语言变量值的隶属度为0。当隶属度小于设定的阈值时，取近似0。
第四层为模糊决策层，节点数量为m，主要针对满足一定条件的量进行分类并将模糊量去模糊化，实现归一化：
Figure BDA0002734808210000101
第五层为输出层，首先得到每条模糊规则的推断，即：
Figure BDA0002734808210000102
其中，pj0,pj1,…,pjn是网络连接权，表示第l条规则结论的第j个部分，连接权为模糊数，网络输出为模糊集。每条规则的推断在简化结构中变成了最后一层的连接权，然后输出运算结果：
Figure BDA0002734808210000103
即消息的类别。
所述模糊规则为：
Figure 2
其中，
Figure BDA0002734808210000105
是规则l的第i个前件，取值为第j个模糊语言值
Figure BDA0002734808210000106
是xi属于
Figure BDA0002734808210000107
的隶属度。模糊集
Figure BDA0002734808210000108
由高斯函数定义,这样能更好地适配随机消息的分发场景，以防网络的过拟合。
采用本发明所述模糊神经网络的有益效果是：不需要提前设定消息的类别，根据网络的输出结果的不同，自动划分消息的类别属性，更适用于网络结构未知的异构网络。
根据步骤S1-S3可将消息进行分类。
本发明所述用户需求处理模块103，采用BP神经网络通过用户对于不同种类信息产生的不同行为结果计算出用户对于不同类别消息的动态需求度，以触发相应的远程控制信号的分发的具体处理过程如下：
S21.用户需求处理模块103设定得分规则，对每类消息进行打分，明确用户的行为对消息分数的影响。
用户对于r种消息具有w种动作行为，为不同的行为赋予分数，所述行为包括但不限于接收消息、抛弃、接收并转发、非接收但转发、广播等消息处理行为，得到消息的实时用户行为分S：
Figure BDA0002734808210000109
其中，α1,α2,…,αw分别是为用户不同行为赋予的分数，n1,n2,…,nw分别是每类消息中w种用户行为出现的次数，S′是用户行为分的加权和，DUA是实时用户活跃数量，N是基于用户规模的固定用户数。用户行为分规则不是固定不变的，当用户规模较小时，需要提高每类消息的行为分来提升用户行为的影响力；当用户规模较大时，行为分也慢慢降低。因此，需要利用用户对于不同类别消息的行为次数，采用机器学习的方法训练得到用户对于不同消息的动态需求度，然后根据需求度进行随机消息的智能分发。
S22.在用户对于不同类别消息的行为中，在r种动作元所对应的行为次数中，假设用户对于不同种类信息产生的不同行为结果的数据样本为：
Figure BDA0002734808210000111
其中，
Figure BDA0002734808210000112
是对第r种消息的第w种动作行为的分值。用户对于不同种类消息的动态需求度为：
Figure BDA0002734808210000113
其中，Sr是第r种消息的总分。
S23.采用BP神经网络来建立由用户对于不同种类信息产生的不同行为结果推断出用户对于不同类别消息的动态需求度的网络模型。
参照图4，本发明采用的BP神经网络包括一个输入层、一个隐含层和一个输出层。将用户对于不同种类信息产生的不同行为结果的数据样本
Figure BDA0002734808210000114
作为BP神经网络的输入，共有r组样本，对应的输出为 Q＝[S1,S2,…,Sr]T，“T”是转置符号。输入层有w个节点，隐含层的节点数为
Figure BDA0002734808210000115
为向下取整，a是1～10之间的任意整数，输出层有r个节点，是用户对r种消息的需求度。神经网络的输入层第i个神经元与隐含层第h个神经元间的连接权为ωih，隐含层第h个神经元与输出层第t个神经元间的连接权为ωht，隐含层第h个神经元的输入为：
Figure BDA0002734808210000121
其中，θih是输入层到隐含层的阈值，
Figure BDA0002734808210000122
是第j种动作在第i种消息中出现的次数。隐含层第h个神经元的输出为：
Figure BDA0002734808210000123
其中，
Figure BDA0002734808210000124
为S型生长曲线，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间。
输出层第t个神经元的输入为：
Figure BDA0002734808210000125
其中，θht是隐含层到输出层的阈值。设立输出层的激活函数为归一化指数函数ψ：
Figure BDA0002734808210000126
其中，e为自然对数函数的底数，αv是输出层第v(v≠t)个神经元的输入，βt是输出层第t个神经元的输出。神经网络的输出误差为：
error＝βt-Sj
其中，Sj是专家给出的第j组样本的评价结果。误差信号从后向前传递，根据训练误差，更新各层权值和阈值。隐含层到输出层的权值更新为：
ωht(d+1)＝ωht(d)+Δωht(d)
其中，Δωht(d)是ωht(d)的修正量，Δωht(d)中的学习因子可以加快网络收敛速度。阈值更新为：
θht＝θht+Δθht
其中，Δθht是θht的修正量。输入层到隐含层的权值更新为：
ωih(d+1)＝ωih(d)+Δωih(d)
其中，Δωih(d)是ωih(d)的修正量。阈值更新为
θih＝θih+Δθih
其中，Δθih是θih的修正量。修正权值、阈值后再次计算输出误差，当误差小于预先设定的误差阈值δ时，停止迭代。网络训练完成，从而得到各用户对于不同消息的动态需求度。
综上，系统接收到用户的消息请求时，计算系统中所有消息相对于所述用户的动态需求度排序，将动态需求度最大的一条或ds(ds＞1且为整数)条消息，分发给发起请求的用户。这样便实现了本发明所述的一种随机消息智能分发系统。本发明所述随机消息智能分发系统，具有网络异构包容性强、适用子网频繁接入接出状态下的随机消息智能分发，并且泛化性能好，具有高可靠性和实时性的有益效果。

Claims (9)

1.一种随机消息智能分发系统，其特征在于，包括远程控制云端服务器、若干数据中继器、智能分发数据终端；
所述远程控制云端服务器，用于收发、存储和处理数据，发送远程控制信号；所述远程控制云端服务器包括接入模块、分词模块、用户需求处理模块、存储模块和第二通信模块；所述接入模块，提供开放的接口，用于用户数据的收发，将用户的消息请求数据发送给所述分词模块；所述分词模块，用于对接收到的所述消息请求数据进行处理生成消息类别，并将所述消息类别数据发送给所述用户需求处理模块；所述用户需求处理模块，用于根据所述消息类别数据生成远程控制信号，并将远程控制信号一方面发送给所述存储模块，另一方面发送给所述第二通信模块；所述存储模块，用于存储消息属性及消息类别数据；所述第二通信模块，用于与所述数据中继器进行通信；
所述数据中继器，用于将接收到的所述远程控制信号发送给所述智能分发数据终端；所述智能分发数据终端，用于获取所述远程控制信号，并根据获取的信号进行消息的智能分发。
2.根据权利要求1所述的随机消息智能分发系统，其特征在于，所述智能分发数据终端由第一通信模块、数据读取模块和主控模块构成；所述第一通信模块，用于与所述数据中继器进行通信，获取所述远程控制信号；所述数据读取模块，用于读取所述第一通信模块获取的远程控制信号，进行编解码处理后发送至所述主控模块；所述主控模块，用于接收所述数据读取模块处理后的远程控制信号，然后对远程控制信号进行数据处理以触发分发信号。
3.一种随机消息智能分发方法，其特征在于，包括：
获取到用户的消息请求数据，通过消息特征向量标识消息的属性，并利用消息的词频-逆向文件频率作为模糊神经网络输入得到消息类别；
采用BP神经网络通过用户对于不同种类信息产生的不同应答结果输出用户对于不同类别消息的动态需求度，以触发相应的远程控制信号的分发；
将所述远程控制信号一方面进行存储，另一方面发送给智能分发数据终端；
所述智能分发数据终端接收所述远程控制信号并进行数据处理，将用户请求的目标消息分发给用户。
4.根据权利要求3所述的随机消息智能分发方法，其特征在于，通过消息特征向量标识消息的属性，并利用消息的词频-逆向文件频率作为模糊神经网络输入得到消息类别的具体处理过程，包括：
S1.将接收到的消息按关键字段拆分，进而统计消息的词频-逆向文件频率；
S2.利用消息的词频-逆向文件频率生成消息特征向量；
S3.构建模糊神经网络，通过机器学习智能划分消息类别。
5.根据权利要求4所述的随机消息智能分发方法，其特征在于，步骤S2利用消息的词频-逆向文件频率生成消息特征向量的方法，包括：
消息特征向量是消息的关键词及计数方式的集合，采用词频-逆向文件频率描述方式的消息特征向量λ为：
Figure FDA0002734808200000021
其中，w0,w1,…,wn是消息的n+1个关键词，n是消息关键词的数量，tfidf0,tfidf1,…,tfidfn是每个关键词的词频-逆向文件频率值。
6.根据权利要求5所述的随机消息智能分发方法，其特征在于，步骤S3构建模糊神经网络，通过机器学习智能划分消息类别的方法，包括：
构建模糊神经网络的结构如下：
第一层为输入层，缓存输入信号x＝[x0,x1,x2,…,xn]，xi＝tfidfi(i＝0,1,…,n)，即输入信号为上述消息关键词的词频-逆向文件频率，输入层节点数量为输入特征向量的个数(n+1)，将输入向量发送到下一层；
第二层为模糊化层，对输入向量进行模糊化，计算每个输入分类属于语言变量值的模糊集合的隶属函数
Figure FDA0002734808200000022
mi为第i个输入量的模糊分割数；隶属函数为：
Figure FDA0002734808200000023
其中，cij、σij分别是隶属函数的中心和宽度，模糊化层节点数量与输入层一致；
第三层为模糊规则层，每个节点代表一条模糊规则，计算出每条规则的适用度，即：
Figure FDA0002734808200000024
Figure FDA0002734808200000031
r1∈{1,2,…,m1},r2∈{1,2,…,m2}…rn∈{1,2,…,mn}
其中，rn为输入量n的模糊分割数mn中的第r个数据，
Figure FDA0002734808200000032
为第i个输入信号的第rn个模糊分割数的隶属函数；设立模糊规则层的节点数量为m，对于给定的输入，只有在输入点附近的语言变量值才有较大的隶属度值，远离输入点的语言变量值的隶属度为0；当隶属度小于设定的阈值时，取近似0；
第四层为模糊决策层，节点数量为m，主要针对满足一定条件的量进行分类并将模糊量去模糊化，实现归一化：
Figure FDA0002734808200000033
第五层为输出层，首先得到每条模糊规则的推断，即：
Figure FDA0002734808200000034
其中，pj0,pj1,…,pjn是网络连接权，表示第l条规则结论的第j个部分，连接权为模糊数，网络输出为模糊集；每条规则的推断在简化结构中变成了最后一层的连接权，然后输出运算结果：
Figure FDA0002734808200000035
即消息的类别；
所述模糊规则为：
Figure 1
其中，
Figure FDA0002734808200000037
是规则l的第i个前件，取值为第j个模糊语言值
Figure FDA0002734808200000038
是xi属于
Figure FDA0002734808200000039
的隶属度；模糊集
Figure FDA00027348082000000310
由高斯函数定义。
7.根据权利要求3所述的随机消息智能分发方法，其特征在于，所述采用BP神经网络通过用户对于不同种类信息产生的不同行为结果计算出用户对于不同种类消息的动态需求度，以触发相应的远程控制信号的分发，包括：
S21.设定得分规则，对每类消息进行打分，明确用户行为对消息分数的影响；
S22.在用户对于不同类别消息的行为中，在r种动作元所对应的行为次数中，假设用户对于不同种类信息产生的不同行为结果的数据样本为：
Figure FDA0002734808200000041
其中，
Figure FDA0002734808200000042
是对第r种消息的第w种动作行为的分值；用户对于不同种类消息的动态需求度为：
Figure FDA0002734808200000043
其中，Sr是第r种消息的总分；
S23.采用BP神经网络来建立由用户对于不同种类信息产生的不同行为结果推断出用户对于不同类别消息的动态需求度的网络模型。
8.根据权利要求7所述的随机消息智能分发方法，其特征在于，所述步骤S21实现的具体步骤：
用户对于r种消息具有w种动作行为，为不同的行为赋予分数，得到消息的实时用户行为分S：
Figure FDA0002734808200000044
其中，α1,α2,…,αw分别是为用户不同行为赋予的分数，n1,n2,…,nw分别是每类消息中w种用户行为出现的次数，S′是用户行为分的加权和，DUA是实时用户活跃数量，N是基于用户规模的固定用户数。
9.根据权利要求8所述的随机消息智能分发方法，其特征在于，所述步骤S23实现的具体步骤：
采用的BP神经网络包括一个输入层、一个隐含层和一个输出层，将用户对于不同种类信息产生的不同行为结果的数据样本
Figure FDA0002734808200000045
作为BP神经网络的输入，共有r组样本，对应的输出为Q＝[S1,S2,…,Sr]T，“T”是转置符号；输入层有w个节点，隐含层的节点数为
Figure FDA0002734808200000046
Figure FDA0002734808200000047
为向下取整，a是1～10之间的任意整数，输出层有r个节点，是用户对r种消息的需求度；神经网络的输入层第i个神经元与隐含层第h个神经元间的连接权为ωih，隐含层第h 个神经元与输出层第t个神经元间的连接权为ωht，隐含层第h个神经元的输入为：
Figure FDA0002734808200000051
其中，θih是输入层到隐含层的阈值，
Figure FDA0002734808200000052
是第j种动作在第i种消息中出现的次数；隐含层第h个神经元的输出为：
Figure FDA0002734808200000053
其中，
Figure FDA0002734808200000054
为S型生长曲线，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间；
输出层第t个神经元的输入为：
Figure FDA0002734808200000055
其中，θht是隐含层到输出层的阈值；设立输出层的激活函数为归一化指数函数ψ：
Figure FDA0002734808200000056
其中，e为自然对数函数的底数，αv是输出层第v(v≠t)个神经元的输入，βt是输出层第t个神经元的输出，神经网络的输出误差为：
error＝βt-Sj
其中，Sj是专家给出的第j组样本的评价结果，误差信号从后向前传递，根据训练误差，更新各层权值和阈值，隐含层到输出层的权值更新为：
ωht(d+1)＝ωht(d)+Δωht(d)
其中，Δωht(d)是ωht(d)的修正量，Δωht(d)中的学习因子可以加快网络收敛速度；阈值更新为：
θht＝θht+Δθht
其中，Δθht是θht的修正量；输入层到隐含层的权值更新为：
ωih(d+1)＝ωih(d)+Δωih(d)
其中，Δωih(d)是ωih(d)的修正量；阈值更新为
θih＝θih+Δθih
其中，Δθih是θih的修正量；修正权值、阈值后再次计算输出误差，当误差小于预先设定的误差阈值δ时，停止迭代，网络训练完成，从而得到各用户对于不同消息的动态需求度。
CN202011129881.9A 2020-10-21 2020-10-21 一种随机消息智能分发系统及方法 Pending CN112559736A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011129881.9A CN112559736A (zh) 2020-10-21 2020-10-21 一种随机消息智能分发系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011129881.9A CN112559736A (zh) 2020-10-21 2020-10-21 一种随机消息智能分发系统及方法

Publications (1)

Publication Number Publication Date
CN112559736A true CN112559736A (zh) 2021-03-26

Family

ID=75041338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011129881.9A Pending CN112559736A (zh) 2020-10-21 2020-10-21 一种随机消息智能分发系统及方法

Country Status (1)

Country Link
CN (1) CN112559736A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1583302A2 (en) * 2004-03-31 2005-10-05 Nec Corporation Message distribution system and method
CN102724070A (zh) * 2012-06-15 2012-10-10 青岛百灵信息科技有限公司 基于人工智能神经网络的hss数据容灾算法
CN108540267A (zh) * 2018-04-13 2018-09-14 北京邮电大学 一种基于深度学习的多用户数据信息检测方法及装置
CN110099046A (zh) * 2019-04-08 2019-08-06 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 超融合服务器的网络跳变方法和系统
CN111461231A (zh) * 2020-04-02 2020-07-28 腾讯云计算（北京）有限责任公司 一种短信息的发送控制方法、装置及存储介质
CN111741125A (zh) * 2020-07-17 2020-10-02 和宇健康科技股份有限公司 基于广域网实现的远程服务方法和计算机设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1583302A2 (en) * 2004-03-31 2005-10-05 Nec Corporation Message distribution system and method
CN102724070A (zh) * 2012-06-15 2012-10-10 青岛百灵信息科技有限公司 基于人工智能神经网络的hss数据容灾算法
CN108540267A (zh) * 2018-04-13 2018-09-14 北京邮电大学 一种基于深度学习的多用户数据信息检测方法及装置
CN110099046A (zh) * 2019-04-08 2019-08-06 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 超融合服务器的网络跳变方法和系统
CN111461231A (zh) * 2020-04-02 2020-07-28 腾讯云计算（北京）有限责任公司 一种短信息的发送控制方法、装置及存储介质
CN111741125A (zh) * 2020-07-17 2020-10-02 和宇健康科技股份有限公司 基于广域网实现的远程服务方法和计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHONG-LIANG YANG，XIAO-QING GUO, ZI-MING CHEN, YONG-FENG HUANG: "RNN-Stega:Linguistic Steganography Based on Recurrent Neural Networks", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 *
周园林，邵国林: "基于群聊文本的分类研究", 《现代计算机》 *

Similar Documents

Publication Publication Date Title
US6792412B1 (en) Neural network system and method for controlling information output based on user feedback
CN111932144B (zh) 一种客服坐席分配方法、装置、服务器及存储介质
CN113259972B (zh) 基于无线通信网络数据仓库构建方法、系统、设备及介质
Fan et al. DNN deployment, task offloading, and resource allocation for joint task inference in IIoT
CN112257841A (zh) 图神经网络中的数据处理方法、装置、设备及存储介质
CN111783903A (zh) 文本处理方法、文本模型的处理方法及装置、计算机设备
CN115130536A (zh) 特征提取模型的训练方法、数据处理方法、装置及设备
CN112492045A (zh) 结合区块链及大数据的通信处理方法及云边端计算服务器
CN110689359A (zh) 对模型进行动态更新的方法及装置
CN111368060B (zh) 对话机器人的自学习方法、装置、系统、电子设备及介质
CN112559736A (zh) 一种随机消息智能分发系统及方法
CN116955810A (zh) 一种基于图卷积网络的知识协同推荐算法的优化方法
Clarkson Applications of neural networks in telecommunications
Yoshikawa et al. A fake news dissemination model based on updating reliability and doubt among individuals
CN117033997A (zh) 数据切分方法、装置、电子设备和介质
CN115757935A (zh) 应用计算机智能的大数据推送方法及系统
CN114611015A (zh) 交互信息处理方法、装置和云服务器
Filmus et al. A Resilient Distributed Boosting Algorithm
CN116453523B (zh) 针对高并发的语音ai节点统筹处理方法及装置
CN113283168B (zh) 一种移动网络可信性的评估方法及装置
WO2001061505A1 (en) Neural network system and method for controlling information output based on user feedback
CN116522014B (zh) 数据处理方法及装置
CN114820085B (zh) 用户筛选方法、相关装置及存储介质
CN112488767B (zh) 一种客户群体划分方法及装置
Reddy et al. Experimental Testing of Primary User Detection Using Decision Tree Algorithm With Software Defined Radio Testbed

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20231117

AD01 Patent right deemed abandoned