CN112633321A - 一种人工智能推荐系统及方法 - Google Patents
一种人工智能推荐系统及方法 Download PDFInfo
- Publication number
- CN112633321A CN112633321A CN202011350668.0A CN202011350668A CN112633321A CN 112633321 A CN112633321 A CN 112633321A CN 202011350668 A CN202011350668 A CN 202011350668A CN 112633321 A CN112633321 A CN 112633321A
- Authority
- CN
- China
- Prior art keywords
- weight
- algorithm
- initial
- module
- 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.)
- Pending
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 206010020772 Hypertension Diseases 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- 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
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
-
- 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
-
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种人工智能推荐系统及方法,系统包括初始设置模块,其集成多个算法,录入各算法的初始准确率;并根据准确率,设置初始排名权重,根据互补率,设置初始推荐入围条目数;多算法预测模块,将获取的语料数据进行预测,得出各算法的推荐值;权重计算和排序模块,根据得到的推荐值,以及初始排名权重和初始推荐入围条目数,计算推荐结果的权重并进行排序;用户操作和接口模块,用于显示用户界面;动态权重更新模块,在设定轮数的推荐之后,根据用户选定的值,计算动态综合权重和入围条目数后,更新参数;其有益效果是:各算法互补率的计算和引入,并用户的反馈情况,更新各算法初始的权重和入围条目数,进而适应各种样本数据状况。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种在人工智能推荐系统中,对多 算法进行集成的人工智能推荐系统及方法。
背景技术
人工智能技术用于推荐系统已经较为普遍。人工智能:在本文中泛指各种机 器学习、神经网络、深度学习算法和模型。尤其是基于算法,通过数据学习得 到模型,并用于数据的分类、排序和预测。
在医学领域,随着对医院信息化的发展需求,大多采用电子病历,而医生在 记录时,由于记录的不规范,易出现口语化的记录;例如,将高血压写成血压 高或是高血压病,因此,需要将相关的电子病历进行标准化转换,将不规范的 用语进行转换。但是现有技术中,大多需要医学专家人工进行校正,这样费时 费力,工作效率低;即使现在也出现了一些推荐系统,但大多采用单一的算法 进行处理,只适用于某一特征的样本数据,而在样本数据的特征发生变化后, 将造成推荐的准确率明显下降的问题。
发明内容
针对现有技术中的技术缺陷,本发明实施例的目的在于提供一种人工智能推 荐系统及方法,以克服现有技术中,在样本数据的特征发生变化后,推荐的准 确率明显下降的缺陷。
为实现上述目的,第一方面,本发明实施例提供了一种人工智能推荐系统, 包括:
初始设置模块,集成有多个算法,用于:
录入各种算法的初始准确率,以及各算法之间的互补率;其中,所述初始 准确率是经过将预设的多算法模型进行模型训练和对测试集数据的统计所得; 所述互补率为计算多算法之间准确数据和错误数据的覆盖率而得;
并根据所述初始准确率设置各算法的初始排名权重,根据所述互补率设置 各算法的初始推荐入围条目数,以及总推荐条目数;
多算法预测模块,用于将获取的语料数据通过预设的多算法模型进行预测, 以得出各算法的推荐值;
权重计算和排序模块,用于:
获取各算法的推荐值,并结合所述初始设置模块中对各算法的设置计算得 出各算法推荐值的综合权重值;
再根据所述综合权重值对所述推荐值排序后,通过用户界面进行显示;
用户操作和接口模块,用于:
所述用户界面的显示;其中,所述用户界面提供各算法推荐值的结果显示 和操作页面,用户通过所述操作页面选择并确认正确的推荐值;同时将用户的 操作行为反馈给所述权重计算和排序模块并进行存储;
动态权重更新模块,用于:
在设定的周期内,根据用户在所述用户界面上的选择结果,计算动态准确 率和互补率,并以此计算出各算法的动态权重和动态入围条目数,并将计算结 果更新至各算法的初始排名权重和初始推荐入围条目数。
作为本申请一种优选的实施方式,所述的一种人工智能推荐系统,还包括 规则模块,所述规则模块用于设置特殊权重规则,各特殊权重规则关联有对应 的权重参数,并将所述特殊权重规则传送至所述权重计算和排序模块,以用于 所述权重计算和排序模块再结合所述特殊权重规则进行计算。
作为本申请一种优选的实施方式,所述权重计算和排序模块再结合所述特 殊权重规则进行计算,采用以下公式:
z=(n/t)×a×r;其中,a为对应算法的初始排名权重,r为特殊权重规 则对应的权重参数,n为总推荐条目数,t为对应算法所推荐的第t条,z为对 应算法所推荐的第t条推荐值的综合权重。
作为本申请一种优选的实施方式,所述动态权重采用以下公式计算:
第二方面,本发明实施例提供了一种人工智能推荐方法,应用于第一方面 所述的一种人工智能推荐系统,所述方法包括:
通过初始设置模块得出各算法的初始准确率和相互之间的互补率;
并根据所述初始准确率设置各算法的初始排名权重,根据所述互补率设置 各算法的初始推荐入围条目数,以及总推荐条目数;
利用多算法预测模块将获取的语料数据通过预设的多算法模型进行预测, 以得出各算法的推荐值;
通过权重计算和排序模块获取各算法的推荐值,并结合所述初始设置模块 中对各算法的设置计算得出各算法推荐值的综合权重值;
再根据所述综合权重值对所述推荐值排序后,通过用户界面进行显示;
由用户操作和接口模块对所述用户界面进行显示;其中,所述用户界面提 供各算法推荐值的结果显示和操作页面,用户通过所述操作页面选择并确认正 确的推荐值;同时将用户的操作行为反馈给所述权重计算和排序模块并进行存 储;
通过动态权重更新模块在设定的周期内,根据用户在所述用户界面上的选 择结果,计算动态准确率和互补率,并以此计算出各算法的动态权重和动态入 围条目数,并将计算结果更新至各算法的初始排名权重和初始推荐入围条目数。
作为本申请一种优选的实施方式,所述方法还包括:
通过规则模块设置特殊权重规则,且各特殊权重规则关联有对应的权重参 数,并将所述特殊权重规则传送至所述权重计算和排序模块,以用于所述权重 计算和排序模块再结合所述特殊权重规则进行计算。
作为本申请一种优选的实施方式,所述权重计算和排序模块再结合所述特 殊权重规则进行计算,采用以下公式:
z=(n/t)×a×r;其中,a为对应算法的初始排名权重,r为特殊权重规 则对应的权重参数,n为总推荐条目数,t为对应算法所推荐的第t条,z为对 应算法所推荐的第t条推荐值的综合权重。
作为本申请一种优选的实施方式,所述动态权重采用以下公式计算:
实施本发明实施例的一种人工智能推荐系统及方法,具有以下优点:
通过初始准确率、互补率、权重和入围条目数的设置,可以提高多算法集 成的推荐效果;其中各算法互补率的计算和引入,是算法之间集成并能够提升 效果的关键因素,系统运行过程中,根据用户的反馈情况,周期性地更新权重, 以获得更准确的动态准确率和动态互补率的计算,并基于此更新各算法初始的 权重和入围条目数,对于系统的智能性提升,以及适应各种样本数据状况,起 到良好效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对 具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的一种人工智能推荐系统的结构示意图;
图2为本发明实施例提供的一种多算法推荐值的权重计算和排序过程;
图3为本发明实施例提供的一种权重和入围数周期性的动态调整过程;
图4是本发明实施例提供的一种人工智能推荐方法的流程示意图。
具体实施方式
下面将详细描述本发明的具体实施例,应当注意,这里描述的实施例只用 于举例说明,并不用于限制本发明。在以下描述中,为了提供对本发明的透彻 理解,阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是: 不必采用这些特定细节来实行本发明。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示 例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含 在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“在 一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一 实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征、结 构或特性组合在一个或多个实施例或示例中。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当 为本发明所属领域技术人员所理解的通常意义。
请参考图1,本发明实施例提供的一种人工智能推荐系统,包括:
初始设置模块,集成有多个算法,用于:
录入各种算法的初始准确率,以及各算法之间的互补率;其中,所述初始 准确率是经过将预设的多算法模型进行模型训练和对测试集数据的统计所得; 所述互补率为计算多算法之间准确数据和错误数据的覆盖率而得;并根据所述 初始准确率设置各算法的初始排名权重,根据所述互补率设置各算法的初始推 荐入围条目数,以及总推荐条目数。
在本实施例中,以三种自然语言处理领域的三种算法进行举例说明,并不 是对其进行限制;具体包括对“字符匹配算法”、“TF-IDF算法”、“Bert算 法”进行多算法集成,这三种算法都可以针对行业词语进行标准化映射,构成 一个多分类的推荐系统;
然后,经过模型训练和测试集数据的统计,得出Bert的准确率为95%,字 符匹配的准确率为40%,TF-IDF算法的准确率为30%,并将其作为初始准确率;
所以,Bert的初始排名权重为0.9;字符匹配算法的初始排名权重为0.4; TF-IDF算法的初始排名权重为0.3。
同样的,多算法模型的“互补率”指一种推荐算法在另一种推荐算法推荐 错误的结果中推荐正确结果的能力。例如,若A算法准确率80%,而在A错误的 20%中,B算法推荐正确概率为60%,则意味着B对A的互补率为0.6;
在本实施例中,字符匹配算法对Bert的互补率为62%,即在Bert预测 错误的数据中,字符匹配的正确率达到62%,而TF-IDF对Bert的互补率为 23%;
若算法为[1,2,3……n],准确率为[a1,a2,a3......an],其中T算法(即 本实施例中的Bert算法)的准确率at最大,且其他算法对T的互补率为 [r1......rn-1],总推荐条目数为p,设置T算法的推荐条目数为q,本实施例 中,给予初始排名第一的算法入围条数缺省为6条,则其他算法的初始推荐入 围条目数X按如下方法计算:
进而得出,字符匹配的入围条数为3条,TF-IDF的入围条目数为1条。
多算法预测模块,用于将获取的语料数据通过预设的多算法模型进行预测, 以得出各算法的推荐值。
具体地,即将需要进行标准化处理的病历数据进行处理和预测,再次得到 各算法的推荐值,也可理解为各自的准确率。
权重计算和排序模块,用于:
获取各算法的推荐值,并结合所述初始设置模块中对各算法的设置计算得 出各算法推荐值的综合权重值;
再根据所述综合权重值对所述推荐值排序后,通过用户界面进行显示。
在其他实施例中,为适用于一些特殊的处理场景;
所述的一种人工智能推荐系统,还包括规则模块,所述规则模块用于设置 特殊权重规则,各特殊权重规则关联有对应的权重参数,并将所述特殊权重规 则传送至所述权重计算和排序模块,以用于所述权重计算和排序模块再结合所 述特殊权重规则进行计算;
即,根据多算法推荐的结果值(即推荐值),以及初始排名权重和初始推 荐入围条目数,再结合特殊权重规则,计算推荐结果的综合权重值并进行排序。
具体地,实施时,可设置多条特殊权重规则[b1,b2,b3......bn],规则的权重 参数为[c1,c2,c3.....cn],则只要结果满足其中一条规则,则结果的推荐权重乘 以特殊规则的权重参数;例如,设置两种特殊规则:
规则1,如果待分类语料与推荐的分类结果一致,则对该结果的权重值乘 以10;
规则2,如果某个推荐结果出现在2个或者3个算法推荐中,则该结果的 权重值乘以2;
在本实施例中,参照前文的描述,Bert推荐入围6条结果;字符匹配算 法推荐入围3条结果;TF-IDF算法推荐入围1条结果,再按照z=(n/t)× a×r,其中,a为对应算法的初始排名权重,r为特殊权重规则对应的权重参 数,n为总推荐条目数,t为对应算法所推荐的第t条,z为对应算法所推荐的 第t条推荐值的综合权重;计算每个推荐值的综合排名权重,并假设所有推荐值 都不符合特殊规则,即r为1,以简化计算,得到的10条推荐综合权重如下表:
Bert | 字符 | TF-IDF | |
1 | 9 | 4 | 3 |
2 | 4.5 | 2 | |
3 | 2.9 | 1.33 | |
4 | 2.25 | ||
5 | 1.8 | ||
6 | 1.5 |
从而得出最终推荐的结果顺序集合为:[Bert-1,Bert-2,字符 -1,TF-IDF-1,Bert-3,Bert-4,字符-2,Bert-5,Bert-6,字符-3]
以上筛选、计算和排序过程可见图2所示。
用户操作和接口模块,用于:
所述用户界面的显示;其中,所述用户界面提供各算法推荐值的结果显示 和操作页面,用户通过所述操作页面选择并确认正确的推荐值;同时将用户的 操作行为反馈给所述权重计算和排序模块并进行存储。
具体地,本模块提供多算法推荐结果的显示和操作页面,推荐结果按照其他 模块的计算结果显示,用户可在此页面选择并确认正确的推荐值。本模块将用 户的操作行为反馈给权重计算和排序模块并存储。本模块还提供API接口,供 其他系统接入和集成。
动态权重更新模块,用于:
在设定的周期内,根据用户在所述用户界面上的选择结果,计算动态准确 率和互补率,并以此计算出各算法的动态权重和动态入围条目数,并将计算结 果更新至各算法的初始排名权重和初始推荐入围条目数。
具体地,即在设定周期的推荐之后,根据用户选定的值,计算动态综合权 重和入围条目数,并更新初始排名权重参数和入围条目数参数。
参照图3所示,在本实施例中,设定一轮周期为1000次推荐,即做了1000 次推荐后,便动态更新权重和入围条目数。
如果在1000次推荐中,Bert准确率为0.6次,字符准确率为0.4,TF-IDF 准确率为0.1。则按照公式:
得到Bert的动态排名权重为0.87,字符的动态排名权重为0.58,TF-IDF 的动态排名权重为0.15。
如果在1000次推荐中,Bert错误而字符匹配算法正确的概率,也就是 字符匹配对Bert的互补率为51%,Bert错误而TF-IDF算法正确的概率,也 就是TF-IDF算法对Bert的互补率为49%,则继续按照公式
得出,Bert入围数为6条(这是初始设置),字符匹配算法入围数为2 条,TF-IDF算法入围数为2条。
系统保存该轮的动态排名权重和动态入围条目数,在下一轮中,系统推荐 入围数和权重参数,采用本轮的动态入围条目数和动态排名权重,不再采用初 始入围条目数和初始排名权重。
需要说明的是,动态准确率是指在过去一轮执行推荐中,各个算法的准确 率;动态互补率是指在过去一轮执行推荐中,各个算法对准确率排名最高的那 种算法的互补率;动态准确率和动态互补率的计算,与前面的准确率和互补率 计算方法一致。
引入互补率一方面是考虑到不同的语料数据具有不同的特征;另一方面是进 一步提高推荐的准确性;例如,电子病历的语料数据中,因某一新的疾病出现 的病历,例如,新冠,在疾病目录中有收录,但采用Bert算法时,由于前期 无相应的样本进行训练,因此易出现错误,而这时字符匹配算法就恰好可对其 进行匹配,并在后期的处理中调整权重和入围条目数,使得整个系统适应各种 样本数据状况;克服了现有技术中,在样本数据的特征发生变化后,推荐的准 确率明显下降的缺陷。
上述技术方案,通过权重和入围条目数的设置,可以提高多算法集成的推 荐效果;而算法互补率的计算和引入,是算法之间集成并能够提升效果的关键 因素;系统运行过程中,动态准确率和动态互补率的计算,并基于此更新各算 法的权重和入围条目数,对于系统的自动智能进行提升,并适应各种样本数据 状况,起到良好效果。
请参考图4,基于相同的发明构思,本发明实施例还提供了一种人工智能推 荐方法,应用于上述所述的一种人工智能推荐系统,所述方法包括:
S101,通过初始设置模块得出各算法的初始准确率和相互之间的互补率;
S102,根据所述初始准确率设置各算法的初始排名权重,根据所述互补率 设置各算法的初始推荐入围条目数,以及总推荐条目数;
S103,利用多算法预测模块将获取的语料数据通过预设的多算法模型进行 预测,以得出各算法的推荐值;
S104,通过权重计算和排序模块获取各算法的推荐值,并结合所述初始设 置模块中对各算法的设置计算得出各算法推荐值的综合权重值;
S105,再根据所述综合权重值对所述推荐值排序后,通过用户界面进行显 示;
S106,由用户操作和接口模块对所述用户界面进行显示;其中,所述用户 界面提供各算法推荐值的结果显示和操作页面,用户通过所述操作页面选择并 确认正确的推荐值;同时将用户的操作行为反馈给所述权重计算和排序模块并 进行存储;
S107,通过动态权重更新模块在设定的周期内,根据用户在所述用户界面 上的选择结果,计算动态准确率和互补率,并以此计算出各算法的动态权重和 动态入围条目数,并将计算结果更新至各算法的初始排名权重和初始推荐入围 条目数。
进一步地,所述方法还包括:
通过规则模块设置特殊权重规则,且各特殊权重规则关联有对应的权重参 数,并将所述特殊权重规则传送至所述权重计算和排序模块,以用于所述权重 计算和排序模块再结合所述特殊权重规则进行计算。
其中,所述权重计算和排序模块再结合所述特殊权重规则进行计算,采用 以下公式:
z=(n/t)×a×r;其中,a为对应算法的初始排名权重,r为特殊权重规 则对应的权重参数,n为总推荐条目数,t为对应算法所推荐的第t条,z为对 应算法所推荐的第t条推荐值的综合权重;
所述动态权重采用以下公式计算:
需要说明的是,方法实施例中具体的实施步骤和有益效果可参照前述系统 实施例的描述,在此不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示 例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现, 为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地 描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决 于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用 来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范 围。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中, 也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单 元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元 的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或 使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明 的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部 或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介 质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器, 或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。以上所 述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,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发明的保护范围之内。因此,本发 明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种人工智能推荐系统,其特征在于,包括:
初始设置模块,集成有多个算法,用于:
录入各种算法的初始准确率,以及各算法之间的互补率;其中,所述初始准确率是经过将预设的多算法模型进行模型训练和对测试集数据的统计所得;所述互补率为计算多算法之间准确数据和错误数据的覆盖率而得;
并根据所述初始准确率设置各算法的初始排名权重,根据所述互补率设置各算法的初始推荐入围条目数,以及总推荐条目数;
多算法预测模块,用于将获取的语料数据通过预设的多算法模型进行预测,以得出各算法的推荐值;
权重计算和排序模块,用于:
获取各算法的推荐值,并结合所述初始设置模块中对各算法的设置计算得出各算法推荐值的综合权重值;
再根据所述综合权重值对所述推荐值排序后,通过用户界面进行显示;
用户操作和接口模块,用于:
所述用户界面的显示;其中,所述用户界面提供各算法推荐值的结果显示和操作页面,用户通过所述操作页面选择并确认正确的推荐值;同时将用户的操作行为反馈给所述权重计算和排序模块并进行存储;
动态权重更新模块,用于:
在设定的周期内,根据用户在所述用户界面上的选择结果,计算动态准确率和互补率,并以此计算出各算法的动态权重和动态入围条目数,并将计算结果更新至各算法的初始排名权重和初始推荐入围条目数。
2.如权利要求1所述的一种人工智能推荐系统,其特征在于,还包括规则模块,所述规则模块用于设置特殊权重规则,各特殊权重规则关联有对应的权重参数,并将所述特殊权重规则传送至所述权重计算和排序模块,以用于所述权重计算和排序模块再结合所述特殊权重规则进行计算。
3.如权利要求2所述的一种人工智能推荐系统,其特征在于,所述权重计算和排序模块再结合所述特殊权重规则进行计算,采用以下公式:
z=(n/t)×a×r;其中,a为对应算法的初始排名权重,r为特殊权重规则对应的权重参数,n为总推荐条目数,t为对应算法所推荐的第t条,z为对应算法所推荐的第t条推荐值的综合权重。
5.一种人工智能推荐方法,其特征在于,应用于权利要求2所述的一种人工智能推荐系统,所述方法包括:
通过初始设置模块得出各算法的初始准确率和相互之间的互补率;
根据所述初始准确率设置各算法的初始排名权重,根据所述互补率设置各算法的初始推荐入围条目数,以及总推荐条目数;
利用多算法预测模块将获取的语料数据通过预设的多算法模型进行预测,以得出各算法的推荐值;
通过权重计算和排序模块获取各算法的推荐值,并结合所述初始设置模块中对各算法的设置计算得出各算法推荐值的综合权重值;
再根据所述综合权重值对所述推荐值排序后,通过用户界面进行显示;
由用户操作和接口模块对所述用户界面进行显示;其中,所述用户界面提供各算法推荐值的结果显示和操作页面,用户通过所述操作页面选择并确认正确的推荐值;同时将用户的操作行为反馈给所述权重计算和排序模块并进行存储;
通过动态权重更新模块在设定的周期内,根据用户在所述用户界面上的选择结果,计算动态准确率和互补率,并以此计算出各算法的动态权重和动态入围条目数,并将计算结果更新至各算法的初始排名权重和初始推荐入围条目数。
6.如权利要求5所述的一种人工智能推荐方法,其特征在于,所述方法还包括:
通过规则模块设置特殊权重规则,且各特殊权重规则关联有对应的权重参数,并将所述特殊权重规则传送至所述权重计算和排序模块,以用于所述权重计算和排序模块再结合所述特殊权重规则进行计算。
7.如权利要求5所述的一种人工智能推荐方法,其特征在于,所述权重计算和排序模块再结合所述特殊权重规则进行计算,采用以下公式:
z=(n/t)×a×r;其中,a为对应算法的初始排名权重,r为特殊权重规则对应的权重参数,n为总推荐条目数,t为对应算法所推荐的第t条,z为对应算法所推荐的第t条推荐值的综合权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011350668.0A CN112633321A (zh) | 2020-11-26 | 2020-11-26 | 一种人工智能推荐系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011350668.0A CN112633321A (zh) | 2020-11-26 | 2020-11-26 | 一种人工智能推荐系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633321A true CN112633321A (zh) | 2021-04-09 |
Family
ID=75304105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011350668.0A Pending CN112633321A (zh) | 2020-11-26 | 2020-11-26 | 一种人工智能推荐系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633321A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528371A (zh) * | 2022-01-13 | 2022-05-24 | 上海森亿医疗科技有限公司 | 基于人机交互的文本推荐方法、存储介质及电子设备 |
CN114528040A (zh) * | 2022-01-26 | 2022-05-24 | 高新兴科技集团股份有限公司 | 环境自适应方法、装置、介质及路侧感知与计算系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927347A (zh) * | 2014-04-01 | 2014-07-16 | 复旦大学 | 一种基于用户行为模型和蚁群聚类的协同过滤推荐算法 |
US20150120722A1 (en) * | 2013-10-31 | 2015-04-30 | Telefonica Digital Espana, S.L.U. | Method and system for providing multimedia content recommendations |
CN105913286A (zh) * | 2016-05-16 | 2016-08-31 | 达而观信息科技(上海)有限公司 | 一种自动融合多种个性化推荐模型的方法 |
US20160328406A1 (en) * | 2015-05-08 | 2016-11-10 | Informatica Llc | Interactive recommendation of data sets for data analysis |
US20160379122A1 (en) * | 2013-12-13 | 2016-12-29 | Tencent Technology (Shenzhen) Company Limited | Recommendation algorithm optimization method, device and system |
CN106327227A (zh) * | 2015-06-19 | 2017-01-11 | 北京航天在线网络科技有限公司 | 一种信息推荐系统及信息推荐方法 |
WO2017088688A1 (zh) * | 2015-11-25 | 2017-06-01 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法及装置 |
CN106878772A (zh) * | 2017-02-27 | 2017-06-20 | Ut斯达康(深圳)技术有限公司 | 一种节目推荐方法及装置 |
WO2018010591A1 (zh) * | 2016-07-12 | 2018-01-18 | 腾讯科技(深圳)有限公司 | 一种信息推送方法及装置、服务器、存储介质 |
KR101826647B1 (ko) * | 2016-10-19 | 2018-03-22 | 김성국 | 머신 러닝 기술을 통한 개인 맞춤형 자동차 중개 시스템 |
CN109885776A (zh) * | 2019-02-27 | 2019-06-14 | 中南大学 | 开源社区pr评审者可解释推荐模型 |
CN109977316A (zh) * | 2019-03-29 | 2019-07-05 | 厦门铠甲网络股份有限公司 | 一种并行式文章推荐方法、装置、设备及存储介质 |
US20190236680A1 (en) * | 2018-01-29 | 2019-08-01 | Selligent, Inc. | Systems and Methods for Providing Personalized Online Content |
US20200065880A1 (en) * | 2018-08-27 | 2020-02-27 | Sap Se | Hybrid recommendation mechanism for realtime basket analysis |
CN111881365A (zh) * | 2020-07-23 | 2020-11-03 | 苏州跃盟信息科技有限公司 | 内容推荐方法及装置 |
CN111932296A (zh) * | 2020-07-20 | 2020-11-13 | 中国建设银行股份有限公司 | 一种产品推荐方法及装置、服务器、存储介质 |
-
2020
- 2020-11-26 CN CN202011350668.0A patent/CN112633321A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150120722A1 (en) * | 2013-10-31 | 2015-04-30 | Telefonica Digital Espana, S.L.U. | Method and system for providing multimedia content recommendations |
US20160379122A1 (en) * | 2013-12-13 | 2016-12-29 | Tencent Technology (Shenzhen) Company Limited | Recommendation algorithm optimization method, device and system |
CN103927347A (zh) * | 2014-04-01 | 2014-07-16 | 复旦大学 | 一种基于用户行为模型和蚁群聚类的协同过滤推荐算法 |
US20160328406A1 (en) * | 2015-05-08 | 2016-11-10 | Informatica Llc | Interactive recommendation of data sets for data analysis |
CN106327227A (zh) * | 2015-06-19 | 2017-01-11 | 北京航天在线网络科技有限公司 | 一种信息推荐系统及信息推荐方法 |
WO2017088688A1 (zh) * | 2015-11-25 | 2017-06-01 | 阿里巴巴集团控股有限公司 | 一种信息推荐方法及装置 |
CN105913286A (zh) * | 2016-05-16 | 2016-08-31 | 达而观信息科技(上海)有限公司 | 一种自动融合多种个性化推荐模型的方法 |
WO2018010591A1 (zh) * | 2016-07-12 | 2018-01-18 | 腾讯科技(深圳)有限公司 | 一种信息推送方法及装置、服务器、存储介质 |
KR101826647B1 (ko) * | 2016-10-19 | 2018-03-22 | 김성국 | 머신 러닝 기술을 통한 개인 맞춤형 자동차 중개 시스템 |
CN106878772A (zh) * | 2017-02-27 | 2017-06-20 | Ut斯达康(深圳)技术有限公司 | 一种节目推荐方法及装置 |
US20190236680A1 (en) * | 2018-01-29 | 2019-08-01 | Selligent, Inc. | Systems and Methods for Providing Personalized Online Content |
US20200065880A1 (en) * | 2018-08-27 | 2020-02-27 | Sap Se | Hybrid recommendation mechanism for realtime basket analysis |
CN109885776A (zh) * | 2019-02-27 | 2019-06-14 | 中南大学 | 开源社区pr评审者可解释推荐模型 |
CN109977316A (zh) * | 2019-03-29 | 2019-07-05 | 厦门铠甲网络股份有限公司 | 一种并行式文章推荐方法、装置、设备及存储介质 |
CN111932296A (zh) * | 2020-07-20 | 2020-11-13 | 中国建设银行股份有限公司 | 一种产品推荐方法及装置、服务器、存储介质 |
CN111881365A (zh) * | 2020-07-23 | 2020-11-03 | 苏州跃盟信息科技有限公司 | 内容推荐方法及装置 |
Non-Patent Citations (4)
Title |
---|
PENGTAO LV 等: "FeRe: Exploiting influence of multi-dimensional features resided in news domain for recommendation", INFORMATION PROCESSING AND MANAGEMENT, vol. 58, no. 5, 15 September 2017 (2017-09-15), pages 1215 - 1241 * |
XUELI, S 等: "Hybrid recommendation algorithm based on rating filling and trust information", JOURNAL OF COMPUTER APPLICATIONS, vol. 40, no. 10, 10 October 2020 (2020-10-10), pages 2789 - 94 * |
厍向阳: "新的基于多目标优化的推荐算法", 计算机应用, vol. 33, no. 1, 10 January 2015 (2015-01-10), pages 162 - 166 * |
杨乔虎: "基于多推荐算法融合的视频实时推荐系统的设计与实现", 中国优秀硕士学位论文全文数据库 (信息科技辑), no. 2018, 12 December 2018 (2018-12-12), pages 138 - 1903 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528371A (zh) * | 2022-01-13 | 2022-05-24 | 上海森亿医疗科技有限公司 | 基于人机交互的文本推荐方法、存储介质及电子设备 |
CN114528040A (zh) * | 2022-01-26 | 2022-05-24 | 高新兴科技集团股份有限公司 | 环境自适应方法、装置、介质及路侧感知与计算系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arellano et al. | Quantile selection models with an application to understanding changes in wage inequality | |
US8719210B2 (en) | System and method for medical treatment hypothesis testing | |
Delignette-Muller et al. | fitdistrplus: An R package for fitting distributions | |
US10642257B2 (en) | Tree search-based scheduling method and electronic apparatus using the same | |
CN110175168B (zh) | 一种基于生成对抗网络的时间序列数据填补方法及系统 | |
CN109062919B (zh) | 一种基于深度强化学习的内容推荐方法及装置 | |
CN112633321A (zh) | 一种人工智能推荐系统及方法 | |
CN106327240A (zh) | 一种基于gru神经网络的推荐方法和系统 | |
CN104076809B (zh) | 数据处理装置以及数据处理方法 | |
CN114283320B (zh) | 基于全卷积的无分支结构目标检测方法 | |
CN112331285A (zh) | 病例分组方法、装置、电子设备及存储介质 | |
CN111932342A (zh) | 基于Apriori算法的用户冷启动产品推荐方法及系统 | |
CN108255788A (zh) | 一种评估数据的可信度的方法及装置 | |
JP6652398B2 (ja) | パラメータ選定方法、パラメータ選定プログラム及びパラメータ選定装置 | |
CN108710635B (zh) | 一种内容推荐方法及装置 | |
CN107291767A (zh) | 任务执行时间的优化处理方法和装置 | |
Linero et al. | Multi-rubric models for ordinal spatial data with application to online ratings data | |
CN111861674B (zh) | 一种产品推荐方法和系统 | |
Ballin et al. | Optimization of sampling strata with the SamplingStrata package | |
CN113763767A (zh) | 学习试题推送方法、装置、计算机设备和存储介质 | |
CN110750548B (zh) | 基于神经网络的问题评价方法、存储介质及应用服务器 | |
CN110929849A (zh) | 一种神经网络模型的压缩方法和装置 | |
CN111950778A (zh) | 一种硬件开发工作量预估方法、装置、终端及存储介质 | |
Rota | Variance estimation in two-step calibration for nonresponse adjustment | |
CN111353815B (zh) | 一种潜在用户预测方法和系统 |
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 |