CN118012921A - 一种用于知识产权虚拟实验的人机交互数据处理系统 - Google Patents
一种用于知识产权虚拟实验的人机交互数据处理系统 Download PDFInfo
- Publication number
- CN118012921A CN118012921A CN202410424986.9A CN202410424986A CN118012921A CN 118012921 A CN118012921 A CN 118012921A CN 202410424986 A CN202410424986 A CN 202410424986A CN 118012921 A CN118012921 A CN 118012921A
- Authority
- CN
- China
- Prior art keywords
- user
- intellectual property
- module
- scoring
- image
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 50
- 230000003993 interaction Effects 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 230000000694 effects Effects 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 12
- 238000005065 mining Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000013475 authorization Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及知识产权领域,公开了一种用于知识产权虚拟实验的人机交互数据处理系统,包括用户界面模块、输入处理模块、数据库管理模块、检索模块、虚拟实验模块及知产资源挖掘模块。本发明能够在虚拟环境中安全地实践和测试知识产权策略,为知识产权专业人士或学习者提供了宝贵的资源和工具;让用户在模拟环境中测试和验证知识产权的应用场景和效果,增加了用户的实践经验,提高了用户对知识产权应用的理解和认识,有助于教育和培训;在知识产权虚拟实验系统中实现智能化的个性化推荐,有效地辅助用户发现和利用价值知识产权资源,同时根据效果评估结果不断优化推荐算法。
Description
技术领域
本发明涉及知识产权领域,尤其涉及一种用于知识产权虚拟实验的人机交互数据处理系统。
背景技术
知识产权虚拟实验的人机交互是指用户与知识产权虚拟实验之间的互动。这种互动可能包括查询专利数据库、搜索商标信息、浏览版权作品、参与在线知识产权课程、使用知识产权分析工具等活动。虚拟实验通常旨在提供一个模拟环境,让用户能够学习和实践知识产权相关的概念和流程。
人机交互数据处理是用来模拟、分析和处理知识产权(如专利、商标、版权等)相关信息的。通过人机交互界面允许用户输入数据、执行虚拟实验,并接收反馈结果。目的是帮助用户评估和理解知识产权的潜在价值、影响和应用,支持决策过程,并促进知识产权的管理和创新。
现有人机交互技术中,例如中国专利201210361466.5公开了人机交互数据处理方法和装置,其包括获取与标识信息和数据采集时间信息对应的应用业务内容信息,并从应用业务内容信息中提取用户活动行为特征;根据用户终端的用户活动行为特征,对传感器数据进行标记处理,避免需要用户主动配合的方式。但是上述方法还存在以下不足:对于知识产权领域,上述方法无法让用户进行知识产权相关活动的流程实践,不利于提高用户的知识产权相关知识的学习效率;同时虚拟实验时用户产生的数据没有被利用,进而无法针对性地对用户进行个性化的知识产权内容的推荐。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
有鉴于此,本申请实施例的目的是提供一种用于知识产权虚拟实验的人机交互数据处理系统,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种用于知识产权虚拟实验的人机交互数据处理系统,包括用户界面模块、输入处理模块、数据库管理模块、检索模块、虚拟实验模块及知产资源挖掘模块。
其中,用户界面模块,用于提供操作界面,使用户能够输入数据、提交查询及接收反馈。
输入处理模块,用于接收用户输入的数据,并进行验证和格式化处理。
数据库管理模块,用于存储和管理知识产权相关的数据。
检索模块,用于根据用户输入的查询条件,在数据库中查找和检索相关的知识产权信息。
虚拟实验模块,用于用户在模拟环境中测试和验证知识产权的应用场景和效果。
知产资源挖掘模块,用于分析和处理用户在知识产权虚拟实验中的互动行为数据,并根据评分预测和用户相似度信息,生成个性化的推荐列表。
可选地,虚拟实验模块包括流程模拟模块、侵权模拟模块、规划模拟模块及图像辅助模块;
其中,流程模拟模块,用于模拟专利的审查过程、模拟商标注册管理流程及模拟版权保护授权流程;
侵权模拟模块,用于用户参与虚拟的知识产权侵权案件,并通过模拟谈判,使用户学习知识产权的转让或授权流程;
规划模拟模块,用于用户在虚拟环境中为虚构公司制定知识产权战略,且学习不同国家和地区的知识产权法律差异,并模拟跨境知识产权问题的处理;
图像辅助模块,用于虚拟实验时,根据用户的输入条件,匹配对应的图像内容。
可选地,根据用户的输入条件,匹配对应的图像内容时,预先搜集与知识产权相关的图像数据,并对知识产权图像进行预处理;
为每张知识产权图像分配标签,并使用图像处理技术从每张知识产权图像中提取特征;
选择机器学习模型学习图像特征与标签之间的关系,并进行训练,并对机器学习模型参数进行优化;
获取用户的输入条件,并利用训练好的机器学习模型获取匹配的知识产权图像;
用户在虚拟实验的过程中,将匹配的知识产权图像对用户进行展示。
可选地,使用图像处理技术从每张知识产权图像中提取特征时,对每张知识产权图像的边缘及角点进行检测,并利用灰度共生矩阵分析知识产权图像的纹理特征;
通过轮廓检测提取知识产权图像的形状特征,且对知识产权图像的颜色分布进行统计,捕捉知识产权图像的颜色信息。
可选地,对知识产权图像进行预处理时,对知识产权图像进行数据增扩处理;
将知识产权图像进行格式的转换,得到知识产权图像数据集,并计算整个知识产权图像数据集中图像的均值,并在训练和测试时从每张图像中减去该均值。
可选地,知产资源挖掘模块包括数据收集模块、预处理模块、属性聚类模块、相似度计算模块、评分预测模块、矩阵补全模块、列表生成模块及效果评估模块;
其中,数据收集模块,用于收集用户的互动行为数据,并输出结构化的用户行为日志文件;
预处理模块,用于对用户行为日志文件进行数据清洗、数据转换及数据归一化,并输出用户行为数据集;
属性聚类模块,用于获取用户属性数据,对所有用户的用户属性数据进行编码,并转换为数值向量,得到用户属性向量,且使用聚类算法对用户属性向量进行聚类,经过迭代,将属性相似的用户分到同一类簇中,并输出用户类簇;
相似度计算模块,用于在每个用户类簇中,计算用户间的相似度,并使用时间信息改进相似度计算,且根据相似度大小选择与目标用户相似度最大的前n个用户作为近邻用户,并输出目标用户的近邻用户集合;
评分预测模块,用于收集用户的评分基础数据,使用SVD++算法对用户进行评分预测,且加入用户的隐式反馈和显式反馈,同时调整SVD++算法的参数,并输出基于SVD++算法的评分预测结果;
矩阵补全模块,用于根据近邻用户的评分信息为SVD++算法的预测评分添加偏差调整项,并使用预测评分和偏差调整项补全用户项目评分矩阵中的缺失值,并输出补全后的用户项目评分矩阵;
列表生成模块,用于根据补全后的用户项目评分矩阵,为每个用户生成推荐列表,且列表中的项目按预测评分从高到低排序,且过滤掉用户已经接触过的项目,输出每个用户的个性化推荐列表;
效果评估模块,用于获取用户的实际反馈,并通过评估指标来衡量个性化推荐列表的性能,通过比较推荐结果和用户的实际行为来计算这些指标,获取推荐系统性能评估报告。
可选地,收集用户的评分基础数据时,确定用户评分的各个触点;
若用户留下评分时,则将评分数据连同用户ID、评分对象的ID、时间戳信息进行记录。
可选地,使用SVD++算法对用户进行评分预测时,将收集的评分基础数据进行归一化处理,并记录用户的隐式反馈行为;
随机初始化用户及项目的隐含特征向量,并初始化用户偏差项及项目偏差项,且初始化用户的隐式反馈参数,并将用户的隐式行为转换为隐式反馈向量;
选择损失函数,并使用随机梯度下降算法最小化损失函数,且在每次迭代中,根据用户的显式反馈和隐式反馈更新SVD++算法的参数,同时迭代更新,直到参数收敛或达到预定迭代次数,输出训练好的SVD++算法的参数;
对于每个用户项目对,结合用户的隐含特征向量、项目的隐含特征向量、用户偏差项、项目偏差项及用户的隐式反馈,计算预测评分,且将预测评分反变换到原始评分的范围;
评估预测准确性,并根据评估结果调整参数,以优化SVD++算法性能;
输出基于SVD++算法的评分预测结果。
可选地,根据近邻用户的评分信息为SVD++算法的预测评分添加偏差调整项,并使用预测评分和偏差调整项补全用户项目评分矩阵中的缺失值,并输出补全后的用户项目评分矩阵时,对每个用户的每个未评分的项目,根据其近邻用户的评分信息计算偏差调整项,且调整项为近邻用户对该项目的平均评分与全局平均评分的偏差;
将计算出的偏差调整项应用到SVD++算法的预测评分上,以调整预测值;
使用调整后的预测评分填补用户项目评分矩阵中的缺失值;
输出填补了缺失值的完整用户项目评分矩阵,用于后续的推荐列表生成。
可选地,将计算出的偏差调整项应用到SVD++算法的预测评分上,以调整预测值时,使用预测评分调整公式进行预测值调整,且预测评分调整公式为:
;
式中,p表示SVD++算法的预测评分,表示调整后的预测值;
x表示偏差调整项,a表示权重,b表示学习参数。
本发明的实施例包括以下有益效果:
(1)本发明提供的一种用于知识产权虚拟实验的人机交互数据处理系统,对于用户来说,不仅能够提升其知识产权相关知识的学习效率,还能够在虚拟环境中安全地实践和测试知识产权策略,为知识产权专业人士或学习者提供了宝贵的资源和工具。让用户在模拟环境中测试和验证知识产权的应用场景和效果,增加了用户的实践经验,提高了用户对知识产权应用的理解和认识,有助于教育和培训。
(2)本发明通过知产资源挖掘模块,分析用户在虚拟实验中的互动行为数据,生成个性化推荐,提高了推荐的相关性和精准度,增加了用户发现新知识产权资源的机会,提升了用户体验。且结合迭代法和协同过滤算法的思想,在知识产权虚拟实验系统中实现智能化的个性化推荐,有效地辅助用户发现和利用价值知识产权资源,同时根据效果评估结果不断优化推荐算法。
(3)本发明通过图像处理技术和机器学习模型,匹配和展示与用户输入条件相关的知识产权图像,提供了更丰富的视觉信息,帮助用户更好地理解和记忆知识产权内容,增加了互动的趣味性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种用于知识产权虚拟实验的人机交互数据处理系统的原理框图。
图中:
1、用户界面模块;2、输入处理模块;3、数据库管理模块;4、检索模块;5、虚拟实验模块;6、知产资源挖掘模块。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
根据本发明的实施例,提供了一种用于知识产权虚拟实验的人机交互数据处理系统。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的用于知识产权虚拟实验的人机交互数据处理系统,包括用户界面模块1、输入处理模块2、数据库管理模块3、检索模块4、虚拟实验模块5及知产资源挖掘模块6;
其中,用户界面模块1,用于提供操作界面,用户界面模块1是用户与系统交互的前端,使用户能够输入数据、提交查询、接收反馈等;用户界面设计遵循用户体验原则,使用HTML/CSS/JavaScript等技术构建网页或应用程序界面。
输入处理模块2,用于接收用户输入的数据,如搜索关键词、实验参数等,并进行验证和格式化处理;输入处理模块2通过数据验证,确保输入数据的有效性和安全性。
数据库管理模块3,用于存储和管理知识产权相关的数据,如专利信息、商标、版权等;采用数据库管理系统(DBMS),如MySQL、MongoDB等,通过结构化查询语言(SQL)或其他查询语言进行数据的增删改查操作。
检索模块4,用于根据用户输入的查询条件,在数据库中查找和检索相关的知识产权信息;通过索引、搜索和数据匹配技术快速定位和提取所需信息。
虚拟实验模块5,用于用户在模拟环境中测试和验证知识产权的应用场景和效果;
在进一步的实施例中,虚拟实验模块包括流程模拟模块、侵权模拟模块、规划模拟模块及图像辅助模块;
其中,通过流程模拟模块模拟专利的审查过程、模拟商标注册管理流程及模拟版权保护授权流程等;
通过侵权模拟模块使得用户参与虚拟的知识产权侵权案件,并通过模拟谈判,使用户学习知识产权的转让或授权流程;
通过规划模拟模块使得用户在虚拟环境中为虚构公司制定知识产权战略,且学习不同国家和地区的知识产权法律差异,并模拟跨境知识产权问题的处理;
通过图像辅助模块使得虚拟实验时,根据用户的输入条件,匹配对应的图像内容。
在进一步的实施例中,根据用户的输入条件,匹配对应的图像内容时,预先搜集与知识产权相关的图像数据,并对知识产权图像进行预处理;
为每张知识产权图像分配标签,标签是知识产权的类别(如专利、商标、版权)或更具体的属性(如专利的技术领域、商标的行业类别),并使用图像处理技术从每张知识产权图像中提取特征,该特征代表图像的语义信息。
选择机器学习模型(例如AlexNet)学习图像特征与标签之间的关系,并进行训练,并对机器学习模型参数进行优化。
获取用户的输入条件(如特定的知识产权案例或概念,从这些案例或概念中提取标签),并利用训练好的机器学习模型获取匹配的知识产权图像。
用户在虚拟实验的过程中,将匹配的知识产权图像对用户进行展示,提供视觉辅助,增强虚拟实验的沉浸感和教育效果。
其中,机器学习模型,例如AlexNet是一种深度卷积神经网络,在知识产权虚拟实验系统中,利用AlexNet的模型从图像数据中提取特征,并用于图像识别、分类和检索等任务。
在进一步的实施例中,使用图像处理技术从每张知识产权图像中提取特征时,对每张知识产权图像的边缘及角点进行检测,并利用灰度共生矩阵分析知识产权图像的纹理特征;例如使用Canny边缘检测器来识别图像中的边缘线条。使用Harris角点检测器识别图像中的角点。灰度共生矩阵是一种统计方法,通过计算图像中像素间特定距离和方向上的灰度级共生频率来表征纹理。
通过轮廓检测提取知识产权图像的形状特征,且对知识产权图像的颜色分布进行统计,捕捉知识产权图像的颜色信息。轮廓检测算法用于找到图像中对象的轮廓线,用来描述对象的形状和大小。通过计算图像中各个颜色的直方图或颜色矩等统计信息来描述图像的颜色分布。
在进一步的实施例中,对知识产权图像进行预处理时,对知识产权图像进行数据增扩处理(如旋转、缩放、裁剪、颜色变化等),从而生成新的训练样本;
将知识产权图像进行格式的转换,得到知识产权图像数据集,并计算整个知识产权图像数据集中图像的均值(像素值的平均值),并在训练和测试时从每张图像中减去该均值。
知产资源挖掘模块6,用于分析和处理用户在知识产权虚拟实验中的互动行为数据,包括查询、浏览、下载等活动,以及用户的基本属性信息,并根据评分预测和用户相似度信息,生成个性化的推荐列表,帮助用户发现可能感兴趣的知识产权资源。
在进一步的实施例中,知产资源挖掘模块包括数据收集模块、预处理模块、属性聚类模块、相似度计算模块、评分预测模块、矩阵补全模块、列表生成模块及效果评估模块。
其中,数据收集模块在应用时通过日志记录、事件追踪或API调用等方法收集用户的互动行为数据,并输出结构化的用户行为日志文件。
通过预处理模块对用户行为日志文件进行数据清洗、数据转换及数据归一化,并输出用户行为数据集;其中包括去除无效或错误的数据记录、转换数据格式、归一化数据值等步骤,以确保数据的质量和一致性。
属性聚类模块,用于获取用户属性数据(年龄、职业、性别等),对所有用户的用户属性数据进行编码,并转换为数值向量,得到用户属性向量,且使用聚类算法对用户属性向量进行聚类,经过迭代,将属性相似的用户分到同一类簇中,并输出用户类簇,即将具有相似属性的用户分组。
相似度计算模块,用于在每个用户类簇中,计算用户间的相似度,并使用时间信息改进相似度计算,即考虑用户行为的时间特征,以便更准确地反映用户的当前兴趣和偏好。用户的兴趣往往会随时间而变化,最近的行为通常比较早期的行为更能代表用户的当前兴趣。且根据相似度大小选择与目标用户相似度最大的前n个用户作为近邻用户,并输出目标用户的近邻用户集合。
评分预测模块,用于收集用户的评分基础数据,使用SVD++算法对用户进行评分预测,且加入用户的隐式反馈(如点击、浏览等行为)和显式反馈(如评分基础数据),同时调整SVD++算法的参数,并输出基于SVD++算法的评分预测结果。
需要说明的是,SVD++算法是单奇异值分解的一个扩展,其结合了用户的显式反馈(如评分)和隐式反馈(如点击、浏览等行为)来提高评分预测的准确性。在传统的SVD推荐系统中,预测的评分通常是通过用户和项目的潜在特征向量的点积来计算的,而SVD++进一步考虑了用户的隐式反馈信息。
矩阵补全模块,用于根据近邻用户的评分信息为SVD++算法的预测评分添加偏差调整项,并使用预测评分和偏差调整项补全用户项目评分矩阵中的缺失值,并输出补全后的用户项目评分矩阵;
需要说明的是,尽管SVD++算法包括了用户和项目的偏差项。但是用户的局部社交环境或群体影响也会对其评分有影响。例如,如果一个用户所属的群体普遍偏爱某种类型的专利,那么这个用户可能也会受到影响,对这类专利给出更高的评分。通过添加基于近邻用户评分信息的偏差调整项,捕捉到这种社交环境的影响,从而使评分预测更加精确。
例如,用户u对项目i的评分未知。首先,使用SVD++算法计算出预测评分。然后,找到用户u的近邻用户集合,并计算这些近邻用户对项目i的评分的平均值。计算偏差调整项。将偏差调整项应用到预测评分上,得到了调整后的预测评分,可以用它来填补评分矩阵中的相应缺失值。
列表生成模块,用于根据补全后的用户项目评分矩阵,为每个用户生成推荐列表,且列表中的项目按预测评分从高到低排序,且过滤掉用户已经接触过的项目,输出每个用户的个性化推荐列表;
效果评估模块,用于获取用户的实际反馈,并通过评估指标(如准确率、召回率、F1分数)来衡量个性化推荐列表的性能,通过比较推荐结果和用户的实际行为来计算这些指标,获取推荐系统性能评估报告。
在进一步的实施例中,收集用户的评分基础数据时,确定用户评分的各个触点,例如专利详情页面、商标展示页面或下载版权材料后的反馈界面。
若用户留下评分时,则将评分数据连同用户ID、评分对象的ID(如专利号、商标ID等)、时间戳等信息进行记录。
在进一步的实施例中,使用SVD++算法对用户进行评分预测时,将收集的评分基础数据进行归一化处理,并记录用户的隐式反馈行为。
随机初始化用户及项目的隐含特征向量,并初始化用户偏差项及项目偏差项,且初始化用户的隐式反馈参数,并将用户的隐式行为转换为隐式反馈向量;项目是用户进行评分或互动的对象。
选择损失函数,并使用随机梯度下降算法最小化损失函数,且在每次迭代中,根据用户的显式反馈和隐式反馈更新SVD++算法的参数,同时迭代更新,直到参数收敛或达到预定迭代次数,输出训练好的SVD++算法的参数(具体是基于SVD++算法构建的推荐系统模型的参数);随机梯度下降算法是一种优化方法,它通过计算损失函数关于模型参数的梯度来更新参数。
对于每个用户项目对,结合用户的隐含特征向量、项目的隐含特征向量、用户偏差项、项目偏差项及用户的隐式反馈,计算预测评分,且将预测评分反变换到原始评分的范围。在计算预测评分时,将用户的隐含特征向量与项目的隐含特征向量进行点积,以此来捕捉用户偏好与项目特性之间的相互作用。将用户的隐式反馈行为转换为隐式反馈向量,并将隐式反馈向量与用户的隐含特征向量组合,以获得一个综合的用户特征表示。同时把用户偏差项和项目偏差项加到点积的结果上,并加上全局平均评分,以此来得到预测评分。
评估预测准确性,并根据评估结果调整参数,以优化SVD++算法性能。通过比较预测评分与实际评分,可以评估模型的预测准确性。输出基于SVD++算法的评分预测结果。
在进一步的实施例中,根据近邻用户的评分信息为SVD++算法的预测评分添加偏差调整项,并使用预测评分和偏差调整项补全用户项目评分矩阵中的缺失值,并输出补全后的用户项目评分矩阵时,对每个用户的每个未评分的项目,根据其近邻用户的评分信息计算偏差调整项,且调整项为近邻用户对该项目的平均评分与全局平均评分的偏差;
将计算出的偏差调整项应用到SVD++算法的预测评分上,以调整预测值。使用调整后的预测评分填补用户项目评分矩阵中的缺失值;输出填补了缺失值的完整用户项目评分矩阵,用于后续的推荐列表生成。
在进一步的实施例中,将计算出的偏差调整项应用到SVD++算法的预测评分上,以调整预测值时,使用预测评分调整公式进行预测值调整,且预测评分调整公式为:
;
式中,p表示SVD++算法的预测评分,表示调整后的预测值;
x表示偏差调整项,a表示权重,b表示学习参数。
需要说明的是,在使用SVD++算法对用户进行评分预测时,参数的学习过程涉及迭代法。在每次迭代中,根据用户的显式反馈和隐式反馈更新SVD++算法的参数,直到参数收敛或达到预定迭代次数。在每个用户类簇中计算用户间的相似度,并选择与目标用户相似度最大的前n个用户作为近邻用户,其中利用协同过滤算法中的邻域方法。
综上所述,本发明提供的一种用于知识产权虚拟实验的人机交互数据处理系统,对于用户来说,不仅能够提升其知识产权相关知识的学习效率,还能够在虚拟环境中安全地实践和测试知识产权策略,为知识产权专业人士或学习者提供了宝贵的资源和工具。让用户在模拟环境中测试和验证知识产权的应用场景和效果,增加了用户的实践经验,提高了用户对知识产权应用的理解和认识,有助于教育和培训。本发明通过知产资源挖掘模块,分析用户在虚拟实验中的互动行为数据,生成个性化推荐,提高了推荐的相关性和精准度,增加了用户发现新知识产权资源的机会,提升了用户体验。且结合迭代法和协同过滤算法的思想,在知识产权虚拟实验系统中实现智能化的个性化推荐,有效地辅助用户发现和利用价值知识产权资源,同时根据效果评估结果不断优化推荐算法。本发明通过图像处理技术和机器学习模型,匹配和展示与用户输入条件相关的知识产权图像,提供了更丰富的视觉信息,帮助用户更好地理解和记忆知识产权内容,增加了互动的趣味性。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能充电模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于知识产权虚拟实验的人机交互数据处理系统,其特征在于,该用于知识产权虚拟实验的人机交互数据处理系统包括用户界面模块、输入处理模块、数据库管理模块、检索模块、虚拟实验模块及知产资源挖掘模块;
其中,所述用户界面模块,用于提供操作界面,使用户能够输入数据、提交查询及接收反馈;
所述输入处理模块,用于接收用户输入的数据,并进行验证和格式化处理;
所述数据库管理模块,用于存储和管理知识产权相关的数据;
所述检索模块,用于根据用户输入的查询条件,在数据库中查找和检索相关的知识产权信息;
所述虚拟实验模块,用于用户在模拟环境中测试和验证知识产权的应用场景和效果;
所述知产资源挖掘模块,用于分析和处理用户在知识产权虚拟实验中的互动行为数据,并根据评分预测和用户相似度信息,生成个性化的推荐列表。
2.根据权利要求1所述的一种用于知识产权虚拟实验的人机交互数据处理系统,其特征在于,所述虚拟实验模块包括流程模拟模块、侵权模拟模块、规划模拟模块及图像辅助模块;
其中,所述流程模拟模块,用于模拟专利的审查过程、模拟商标注册管理流程及模拟版权保护授权流程;
所述侵权模拟模块,用于用户参与虚拟的知识产权侵权案件,并通过模拟谈判,使用户学习知识产权的转让或授权流程;
所述规划模拟模块,用于用户在虚拟环境中为虚构公司制定知识产权战略,且学习不同国家和地区的知识产权法律差异,并模拟跨境知识产权问题的处理;
所述图像辅助模块,用于虚拟实验时,根据用户的输入条件,匹配对应的图像内容。
3.根据权利要求2所述的一种用于知识产权虚拟实验的人机交互数据处理系统,其特征在于,所述根据用户的输入条件,匹配对应的图像内容时,预先搜集与知识产权相关的图像数据,并对知识产权图像进行预处理;
为每张知识产权图像分配标签,并使用图像处理技术从每张知识产权图像中提取特征;
选择机器学习模型学习图像特征与标签之间的关系,并进行训练,并对机器学习模型参数进行优化;
获取用户的输入条件,并利用训练好的机器学习模型获取匹配的知识产权图像;
用户在虚拟实验的过程中,将匹配的知识产权图像对用户进行展示。
4.根据权利要求3所述的一种用于知识产权虚拟实验的人机交互数据处理系统,其特征在于,所述使用图像处理技术从每张知识产权图像中提取特征时,对每张知识产权图像的边缘及角点进行检测,并利用灰度共生矩阵分析知识产权图像的纹理特征;
通过轮廓检测提取知识产权图像的形状特征,且对知识产权图像的颜色分布进行统计,捕捉知识产权图像的颜色信息。
5.根据权利要求4所述的一种用于知识产权虚拟实验的人机交互数据处理系统,其特征在于,所述对知识产权图像进行预处理时,对知识产权图像进行数据增扩处理;
将知识产权图像进行格式的转换,得到知识产权图像数据集,并计算整个知识产权图像数据集中图像的均值,并在训练和测试时从每张图像中减去该均值。
6.根据权利要求2所述的一种用于知识产权虚拟实验的人机交互数据处理系统,其特征在于,所述知产资源挖掘模块包括数据收集模块、预处理模块、属性聚类模块、相似度计算模块、评分预测模块、矩阵补全模块、列表生成模块及效果评估模块;
其中,所述数据收集模块,用于收集用户的互动行为数据,并输出结构化的用户行为日志文件;
所述预处理模块,用于对用户行为日志文件进行数据清洗、数据转换及数据归一化,并输出用户行为数据集;
所述属性聚类模块,用于获取用户属性数据,对所有用户的用户属性数据进行编码,并转换为数值向量,得到用户属性向量,且使用聚类算法对用户属性向量进行聚类,经过迭代,将属性相似的用户分到同一类簇中,并输出用户类簇;
所述相似度计算模块,用于在每个用户类簇中,计算用户间的相似度,并使用时间信息改进相似度计算,且根据相似度大小选择与目标用户相似度最大的前n个用户作为近邻用户,并输出目标用户的近邻用户集合;
所述评分预测模块,用于收集用户的评分基础数据,使用SVD++算法对用户进行评分预测,且加入用户的隐式反馈和显式反馈,同时调整SVD++算法的参数,并输出基于SVD++算法的评分预测结果;
所述矩阵补全模块,用于根据近邻用户的评分信息为SVD++算法的预测评分添加偏差调整项,并使用预测评分和偏差调整项补全用户项目评分矩阵中的缺失值,并输出补全后的用户项目评分矩阵;
所述列表生成模块,用于根据补全后的用户项目评分矩阵,为每个用户生成推荐列表,且列表中的项目按预测评分从高到低排序,且过滤掉用户已经接触过的项目,输出每个用户的个性化推荐列表;
所述效果评估模块,用于获取用户的实际反馈,并通过评估指标来衡量个性化推荐列表的性能,通过比较推荐结果和用户的实际行为来计算这些指标,获取推荐系统性能评估报告。
7.根据权利要求6所述的一种用于知识产权虚拟实验的人机交互数据处理系统,其特征在于,所述收集用户的评分基础数据时,确定用户评分的各个触点;
若用户留下评分时,则将评分数据连同用户ID、评分对象的ID、时间戳信息进行记录。
8.根据权利要求7所述的一种用于知识产权虚拟实验的人机交互数据处理系统,其特征在于,所述使用SVD++算法对用户进行评分预测时,将收集的评分基础数据进行归一化处理,并记录用户的隐式反馈行为;
随机初始化用户及项目的隐含特征向量,并初始化用户偏差项及项目偏差项,且初始化用户的隐式反馈参数,并将用户的隐式行为转换为隐式反馈向量;
选择损失函数,并使用随机梯度下降算法最小化损失函数,且在每次迭代中,根据用户的显式反馈和隐式反馈更新SVD++算法的参数,同时迭代更新,直到参数收敛或达到预定迭代次数,输出训练好的SVD++算法的参数;
对于每个用户项目对,结合用户的隐含特征向量、项目的隐含特征向量、用户偏差项、项目偏差项及用户的隐式反馈,计算预测评分,且将预测评分反变换到原始评分的范围;
评估预测准确性,并根据评估结果调整参数,以优化SVD++算法性能;
输出基于SVD++算法的评分预测结果。
9.根据权利要求8所述的一种用于知识产权虚拟实验的人机交互数据处理系统,其特征在于,所述根据近邻用户的评分信息为SVD++算法的预测评分添加偏差调整项,并使用预测评分和偏差调整项补全用户项目评分矩阵中的缺失值,并输出补全后的用户项目评分矩阵时,对每个用户的每个未评分的项目,根据其近邻用户的评分信息计算偏差调整项,且调整项为近邻用户对该项目的平均评分与全局平均评分的偏差;
将计算出的偏差调整项应用到SVD++算法的预测评分上,以调整预测值;
使用调整后的预测评分填补用户项目评分矩阵中的缺失值;
输出填补了缺失值的完整用户项目评分矩阵,用于后续的推荐列表生成。
10.根据权利要求9所述的一种用于知识产权虚拟实验的人机交互数据处理系统,其特征在于,所述将计算出的偏差调整项应用到SVD++算法的预测评分上,以调整预测值时,使用预测评分调整公式进行预测值调整,且预测评分调整公式为:;
式中,p表示SVD++算法的预测评分,表示调整后的预测值;
x表示偏差调整项,a表示权重,b表示学习参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410424986.9A CN118012921B (zh) | 2024-04-10 | 2024-04-10 | 一种用于知识产权虚拟实验的人机交互数据处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410424986.9A CN118012921B (zh) | 2024-04-10 | 2024-04-10 | 一种用于知识产权虚拟实验的人机交互数据处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118012921A true CN118012921A (zh) | 2024-05-10 |
CN118012921B CN118012921B (zh) | 2024-06-18 |
Family
ID=90954515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410424986.9A Active CN118012921B (zh) | 2024-04-10 | 2024-04-10 | 一种用于知识产权虚拟实验的人机交互数据处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118012921B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090043552A1 (en) * | 2007-08-09 | 2009-02-12 | Tomlinson Jr William Michael | Interactive simulation |
CN113377873A (zh) * | 2021-06-25 | 2021-09-10 | 中关村智慧城市产业技术创新战略联盟 | 一种基于联盟链的知识产权保护区块链构建方法 |
CN115878904A (zh) * | 2023-02-22 | 2023-03-31 | 深圳昊通技术有限公司 | 基于深度学习的知识产权个性化推荐方法、系统及介质 |
CN117435996A (zh) * | 2023-12-20 | 2024-01-23 | 广东知得失网络科技有限公司 | 基于指定专利数据的技术保护策略建议的分析方法及系统 |
-
2024
- 2024-04-10 CN CN202410424986.9A patent/CN118012921B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090043552A1 (en) * | 2007-08-09 | 2009-02-12 | Tomlinson Jr William Michael | Interactive simulation |
CN113377873A (zh) * | 2021-06-25 | 2021-09-10 | 中关村智慧城市产业技术创新战略联盟 | 一种基于联盟链的知识产权保护区块链构建方法 |
CN115878904A (zh) * | 2023-02-22 | 2023-03-31 | 深圳昊通技术有限公司 | 基于深度学习的知识产权个性化推荐方法、系统及介质 |
CN117435996A (zh) * | 2023-12-20 | 2024-01-23 | 广东知得失网络科技有限公司 | 基于指定专利数据的技术保护策略建议的分析方法及系统 |
Non-Patent Citations (1)
Title |
---|
王思培;韩涛;: "基于随机森林算法的潜在高价值专利预测方法研究", 情报科学, no. 05, 1 May 2020 (2020-05-01) * |
Also Published As
Publication number | Publication date |
---|---|
CN118012921B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163647B (zh) | 一种数据处理方法及装置 | |
CN107122375B (zh) | 基于图像特征的图像主体的识别方法 | |
CN109598995B (zh) | 基于贝叶斯知识跟踪模型的智能教学系统 | |
CN110717534B (zh) | 一种基于网络监督的目标分类和定位方法 | |
CN109993102B (zh) | 相似人脸检索方法、装置及存储介质 | |
CN112541529A (zh) | 表情与姿态融合的双模态教学评价方法、设备及存储介质 | |
CN110738247A (zh) | 一种基于选择性稀疏采样的细粒度图像分类方法 | |
CN113722474A (zh) | 文本分类方法、装置、设备及存储介质 | |
CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
CN111984873A (zh) | 一种服务推荐系统和方法 | |
CN109086794B (zh) | 一种基于t-lda主题模型的驾驶行为模式识方法 | |
CN110442736B (zh) | 一种基于二次判别分析的语义增强子空间跨媒体检索方法 | |
CN117809124B (zh) | 基于多特征融合的医学图像关联调用方法及系统 | |
CN115099310A (zh) | 训练模型、对企业进行行业分类的方法和装置 | |
CN107622071B (zh) | 通过间接相关反馈在无查源下的衣服图像检索系统及方法 | |
CN108428234B (zh) | 基于图像分割结果评价的交互式分割性能优化方法 | |
CN111898528B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN112836754A (zh) | 一种面向图像描述模型泛化能力评估方法 | |
CN118012921B (zh) | 一种用于知识产权虚拟实验的人机交互数据处理系统 | |
CN116089708A (zh) | 农业知识推荐方法及装置 | |
CN109446330B (zh) | 网络服务平台情感倾向识别方法、装置、设备和存储介质 | |
CN113821571A (zh) | 基于bert和改进pcnn的食品安全关系抽取方法 | |
CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 | |
CN115687632B (zh) | 一种刑事量刑情节分解分析的方法和系统 | |
CN111723223B (zh) | 一种基于主体推断的多标签图像检索方法 |
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 | ||
GR01 | Patent grant |