[發(fā)明專利]一種基于群智感知的推薦方法

在審

• 申請?zhí)枺?/td>: 201811101779.0
• 申請日: 2018-09-20
• 公開（公告）號: CN109347924A
• 公開（公告）日: 2019-02-15
• 發(fā)明（設(shè)計）人: 高嶺;馬景超;周俊鵬;馮通;曹瑞;高全力;趙悅?cè)?/a>
• 申請（專利權(quán)）人: 西北大學(xué)
• 主分類號: H04L29/08
• 分類號: H04L29/08;H04W4/30;H04W4/38;G06F16/9535
• 代理公司: 西安西達專利代理有限責(zé)任公司 61202
• 代理人: 劉華

1.一種基于群智感知的推薦方法，其特征在于，包括以下步驟：

1)數(shù)據(jù)感知：由邊緣服務(wù)器發(fā)布推薦感知任務(wù)，規(guī)定相關(guān)的所需采集的數(shù)據(jù)類型，文本數(shù)據(jù)、傳感器數(shù)據(jù)、噪聲數(shù)據(jù)、數(shù)據(jù)采集頻率、用戶參與機制；

用戶數(shù)據(jù)獲取模塊，根據(jù)用戶數(shù)據(jù)上傳的協(xié)助方式將其分為參與式感知數(shù)據(jù)與機會式感知數(shù)據(jù)，通過用戶攜帶的智能設(shè)備產(chǎn)生的數(shù)據(jù)信息，以及其他智能設(shè)備采集到的用戶相關(guān)信息；

其中參與式感知數(shù)據(jù)包括：在獲取用戶權(quán)限的基礎(chǔ)下，由可穿戴設(shè)備智能終端產(chǎn)生的行為信息，通過用戶攜帶的智能移動設(shè)備所附帶的傳感器記錄產(chǎn)生的數(shù)據(jù)，包括用戶位置信息、加速度傳感器獲取得到用戶的運動狀態(tài)、手機麥克風(fēng)采集到的環(huán)境噪聲參與式感知數(shù)據(jù)；

而機會式感知數(shù)據(jù)包括：在未獲取用戶權(quán)限的基礎(chǔ)下，通過智能監(jiān)控設(shè)備捕獲到用戶相關(guān)的數(shù)據(jù)類型稱之為機會式感知數(shù)據(jù)；

參與式感知數(shù)據(jù)與機會式感知數(shù)據(jù)的獲取有利于后續(xù)數(shù)據(jù)分析的全面性，數(shù)據(jù)統(tǒng)一采集到智能路由器中，通過智能路由器或基站，具有一定的運算能力、存儲能力及對數(shù)據(jù)進行簡單處理的能力，對所有用戶產(chǎn)生的數(shù)據(jù)信息進行收集，并在其中進行相應(yīng)的數(shù)據(jù)剔除預(yù)處理工作；

2)數(shù)據(jù)采集：用戶在收到任務(wù)通知后，需要確認是否上傳其智能設(shè)備相關(guān)數(shù)據(jù)，數(shù)據(jù)類型，文本數(shù)據(jù)、傳感器數(shù)據(jù)、噪聲數(shù)據(jù)，確認上傳后，數(shù)據(jù)將在智能路由器中進行壓縮、加密、防止隱私泄露的方式處理相關(guān)數(shù)據(jù)，同時，智能路由器會進行一定程度的數(shù)據(jù)有效性檢測、數(shù)據(jù)清洗處理；

3)數(shù)據(jù)處理：在搭建好的邊緣計算環(huán)境下，包括云端—邊緣服務(wù)器—移動終端這樣的整體架構(gòu)，經(jīng)智能路由進行預(yù)處理后的數(shù)據(jù)，上傳至邊緣服務(wù)器，在邊緣服務(wù)器進行數(shù)據(jù)分類處理，通過支持向量機(SVM)、隨機森林(RF)或k鄰近(kNN)機器學(xué)習(xí)分類器的算法對數(shù)據(jù)進行分類；同時在邊緣服務(wù)器上部署一種基于群智樹的推薦算法，通過采用樹的形式來組織用戶興趣層次，并且將之作為興趣推薦的層次檢索結(jié)構(gòu)載體，隨后對分類后的數(shù)據(jù)通過內(nèi)嵌的基于群智樹的算法進行計算，在單獨計算每個興趣節(jié)點的偏好時，引入更加切合數(shù)據(jù)特性的復(fù)雜模型結(jié)構(gòu)來優(yōu)化預(yù)測結(jié)果，形成一個低時延、高可用的實時推薦系統(tǒng)；

通過采用樹的形式來組織用戶興趣層次，如并且將之作為興趣推薦的層次檢索結(jié)構(gòu)載體，在單獨計算每個興趣節(jié)點的偏好時，引入更加切合數(shù)據(jù)特性的復(fù)雜模型結(jié)構(gòu)來優(yōu)化預(yù)測結(jié)果，其定義樹上節(jié)點的概率為：

其中，a^(j)是第j層節(jié)點興趣概率的歸一化因子,P_i(u)表示用戶對于葉子節(jié)點背后的真實興趣度，公式表示用戶對第j層父節(jié)點興趣偏好概率正比于用戶對第j+1層孩子節(jié)點興趣偏好概率的最大值。具體地，可以將每層節(jié)點的興趣判別單獨建模，構(gòu)建針對單層節(jié)點的全局分類器來保證在單層上的精確分類能力，如果用戶對葉子節(jié)點n_i感興趣，那對于其他不感興趣的葉子節(jié)點n_j有P(n_i|u)＞P(n_j|u)，根據(jù)公式(1)，對于葉子節(jié)點n_i的父親節(jié)點和n_j的父親節(jié)點有這樣的方法使得得到的模型在單層上有更好的分類判別能力，同時引入基于用戶歷史行為的結(jié)構(gòu)，采用用戶和樹節(jié)點的歷史交叉信息引入，通過對用戶興趣進行層次切分和逐層圈選，避免了直接在全量候選集上的超大計算，群智樹采用將大問題切割成多個小問題遞歸求解的方式實現(xiàn)全庫檢索，通過建立了樹-模型聯(lián)合訓(xùn)練框架，通過初始樹-模型訓(xùn)練-樹重建-模型再訓(xùn)練的循環(huán)迭代，樹的結(jié)構(gòu)隨著模型的演進不斷得到優(yōu)化，使得樹更契合用戶的興趣組成和分布，而模型訓(xùn)練也受益于優(yōu)化后的樹結(jié)構(gòu)；

4)推薦反饋：通過步驟3)的算法得出的結(jié)果，對比云中心的歷史數(shù)據(jù)，進行樹模型循環(huán)迭代的重構(gòu)，得出推薦結(jié)果，邊緣服務(wù)器通過web或其他方式反饋給用戶，同時將內(nèi)容上傳至云中心；在邊緣服務(wù)器產(chǎn)生數(shù)據(jù)及運算結(jié)果定期上傳至云中心進行匯總，降低云中心負載的同時，進行云—邊緣—終端的數(shù)據(jù)交互，實現(xiàn)在海量數(shù)據(jù)下，云中心的宏觀調(diào)度、邊緣服務(wù)器的實時調(diào)控、智能終端獲取推薦體系的形成，進行更精確的推薦。

2.根據(jù)權(quán)利要求1所述的一種基于群智感知的推薦方法，其特征在于，所述的邊緣計算環(huán)境包括云中心—邊緣服務(wù)器—移動終端所構(gòu)建的整體架構(gòu)，經(jīng)智能路由及基站進行預(yù)處理后的數(shù)據(jù)，上傳至邊緣服務(wù)器，在邊緣服務(wù)器進行與歷史數(shù)據(jù)的群智數(shù)據(jù)融合，形成群智數(shù)據(jù)，有利于后期的推薦。

3.根據(jù)權(quán)利要求1所述的一種基于群智感知的推薦方法，其特征在于，所述邊緣服務(wù)器預(yù)先部署樹-模型聯(lián)合訓(xùn)練框架，根據(jù)用戶歷史行為和實施感知行為生成最符合當前場景的推薦內(nèi)容，通過建立樹-模型聯(lián)合訓(xùn)練框架，隨著模型的演進不斷優(yōu)化樹的結(jié)構(gòu)，將最終的推薦內(nèi)容反饋到用戶的智能終端，進而實現(xiàn)群智感知。