[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

本發明公開了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方法。該預測裝置包括數據接收模塊，配置為獲取數據并接收；數據預處理模塊，配置為接收數據后處理數據并存入；數據存儲模塊，配置為存儲數據；參數控制模塊，配置為判斷控制參數是否滿足預測模型的構造和更新條件；訓練單元模塊，配置為構造模型，加速抽取數據；以及預測數據輸出模塊，配置為通過控制參數和動量加速模型預測未知數據，并輸出預測數據、用戶和服務的隱特征矩陣。本發明提供的預測裝置和方法，通過廣義動量方法對加速了對用戶?服務興趣矩陣未知數據的預測，為用戶提供個性化、準確的智能家居服務，可廣泛應用于智能家居系統的個性化服務中。

技術領域

本發明屬于智能家居領域，尤其涉及一種基于快速非負隱特征分析的智能家居用戶-服務興趣度預測裝置和預測方法。

背景技術

隨著現代科技技術比如物聯網技術、大數據計算、傳感器技術等技術的發展，作為在互聯網影響之下物聯化的體現，智能家居得以廣泛發展與應用。用戶對智能家居系統的依賴，使得智能家居系統收集到的用戶習慣數據呈指數增長。通過智能家居系統收集的用戶對服務的興趣度歷史數據，形成了巨大的用戶-服務興趣度統計矩陣。盡管現有的各類提高智能家居系統用戶體驗的方法提供了更全面的系統功能和更高效的服務質量，但也會導致智能家居系統中的各類服務越來越多，用戶很難對所有服務進行選擇，而每個服務也不能被所有用戶使用。因此用戶-服務興趣度統計矩陣中的未知數據遠多于已知數據，即用戶-服務興趣度矩陣是極度稀疏的，并且用戶對服務的點擊率同時是非負數據，因此需要對用戶-服務興趣度統計矩陣進行非負約束。

在實現智能家居中個性化服務定制過程中，最重要的步驟是預測用戶對每個服務的興趣度。用戶-服務興趣度的預測在智能家居系統中受到廣泛關注與研究，其通常采用機器學習中經典的預測方法，比如非負單元素依賴乘法更新算法，通過對大量歷史數據的訓練得到預測模型，再根據預測模型進行特定用戶的興趣度預測。但是現有的預測方法在每次計算預測模型時需要耗費大量的空間和時間，尤其在智能家居系統中數據集規模越來越大，現有的預測方法獲得的預測模型無法快速有效得預測用戶對每個服務的興趣度。

發明內容

本發明主要解決了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問題，提高了用戶體驗。具體而言，本發明解決的問題包括：1)如何通過預測用戶對智能家居服務的興趣度提高智能家居系統的用戶體驗；2)如何從智能家居服務使用的歷史數據中快速獲得精度較高的用戶-服務興趣度預測模型。

為了解決上述技術問題，提供一種基于快速非負隱特征分析的智能家居用戶-服務興趣度的預測裝置和方法，根據用戶-服務興趣度矩陣可以實現：(1)通過廣義動量方法加速了模型對用戶-服務興趣度數據的預測，提高了模型的預測速度；(2)通過廣義動量方法提高了模型對用戶-服務興趣度未知數據的預測精度，提高了模型的預測精度。

根據本發明第一方面，提供一種基于快速非負隱特征分析的智能家居用戶-服務興趣度預測裝置，該裝置包括：

數據接收模塊：從智能家居系統中獲取用戶-服務興趣度數據，采集數據到預處理模塊進行處理；

數據預處理模塊：從數據接收模型接收到數據后將數據處理成可直接使用的數據并存入數據存儲模塊；

數據存儲模塊：存儲預處理過的輸入數據、智能家居用戶和服務的隱特征矩陣、預測模型的控制參數、根據訓練單元模型對用戶和服務隱特征矩陣更新過后的隱特征矩陣等數據；

參數控制模塊：用于從數據存儲模塊中獲取動量加速用戶-服務興趣度模型控制參數，實施對動量加速用戶-服務興趣度模型控制參數的更新，判斷是否滿足動量加速用戶-服務興趣度模型的構造和更新條件；

訓練單元模塊：根據用戶-服務興趣度數據和參數控制構造動量加速用戶-服務興趣度模型，加速抽取用戶-服務興趣度數據；