[發明專利]一種基于快速非負隱特征分析的智能家居用戶-服務興趣度個性化預測裝置和預測方法

在審

• 申請號: 202010383351.0
• 申請日: 2020-05-08
• 公開（公告）號: CN111563203A
• 公開（公告）日: 2020-08-21
• 發明（設計）人: 張能鋒;周玥;許明;羅辛
• 申請（專利權）人: 深圳市萬佳安人工智能數據技術有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F21/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于快速非負隱特征分析的智能家居用戶-服務興趣度個性化預測裝置，其特征在于，包括如下步驟：

S1:智能家居系統收集用戶-服務興趣度數據，發送給基于快速非負隱特征分析的智能家居用戶-服務興趣度個性化預測裝置；

S2：基于快速非負隱特征分析的智能家居用戶-服務興趣度預測裝置，根據動量加速用戶-服務興趣度預測模型初始化相關參數；

S3：使用規約矩陣因式分解，對用戶-服務興趣度矩陣進行分解，構造基于快速非負隱特征分析的用戶-服務興趣度預測模型；

S4：根據用戶-服務興趣度模型控制參數，判斷當前情況是否滿足用戶-服務興趣度模型的控制參數更新條件，如果滿足更新條件則執行步驟S3，如果不滿足更新條件則執行步驟S5；

S5：采用基于快速非負隱特征矩陣的用戶-服務興趣度預測模型更新用戶和服務對應矩陣的隱特征；

S6：判斷訓練過程中迭代訓練輪數控制變量r是否大于訓練迭代輪數上限R：若小于訓練迭代輪數上限R，則滿足輸出用戶隱特征和服務隱特征矩陣條件則執行步驟S7；若超過訓練迭代輪數上限R，則不滿足輸出條件，則執行步驟S3，訓練結束；

S7：根據對用戶和服務的隱特征的更新，得到在模型收斂時的隱特征矩陣，輸出用戶隱特征矩陣和服務隱特征矩陣；

S8：通過S7得到的用戶隱特征矩陣和服務隱特征矩陣用于對用戶-服務興趣度矩陣中未知興趣度的預測。

2.根據權利要求1所述的基于快速非負隱特征分析的智能家居用戶-服務興趣度個性化預測裝置，其特征在于，步驟S2用戶-服務興趣度模型的相關參數如下：

已知興趣度數據t_u,s，表示用戶u和服務s之間的實體關系即為用戶u對服務s的興趣度；

正則控制參數λ，衡量正則項對模型的限制效果，增強模型的魯棒性；

動量控制參數γ，衡量動量加速效果；

用戶u和服務s對應的隱特征空間的隱特征矩陣X和Y，在對應實體關系的預測過程中，對對應的矩陣中以單元素的形式對隱特征進行相應的更新。

3.根據權利要求1所述的基于快速非負隱特征分析的智能家居用戶-服務興趣度個性化預測裝置，其特征在于，步驟S3構造由用戶-服務興趣度矩陣組成的動量加速用戶-服務興趣度模型如下：

S3-1，根據用戶-服務興趣度矩陣T中的已知數據集合T_k，構造目標函數Φ，公式如下：

其中T_k表示用戶-服務滿意度矩陣T中用戶對智能家居服務已知滿意度數據集合；t_u,s表示用戶u和服務s之間的實體關系即為用戶u對服務s的滿意度；表示用戶-服務興趣度矩陣中缺失值的預測值；x_u,k表示用戶隱特征矩陣X的第u行第k列特征值；y_s,k表示服務隱特征矩陣Y的第s行第k列特征值；λ代表Tikhonov規約因子。

S3-2，第一步對每一個已知用戶-服務興趣度數據t_u,s第一次迭代時，即t＝1，迭代進行單元素非負乘法更新算法，其更新公式為：

其中，|R_k(u)|表示和用戶u有關的用戶-服務已知興趣度數據中的服務集合，|R_k(s)|表示和服務s有關的用戶-服務已知興趣度數據中的用戶集合。

S3-3，第二步，由于采用非負乘法更新單元素依賴算法造成用戶-服務興趣度數據收斂速度較慢，所以采用動量對預測模型進行加速，加入動量之后的更新公式為：

注意動量只在更新過程中第二次加入，即t≥2時。更新過程中的第一次仍按照非負乘法更新對x_u,k，y_s,k進行更新；γ為動量控制參數，控制動量加速效果。