[發(fā)明專利]基于內(nèi)容發(fā)布訂閱的組合匹配系統(tǒng)與方法

有效

• 申請?zhí)枺?/td>: 202010904139.4
• 申請日: 2020-09-01
• 公開（公告）號(hào): CN112100557B
• 公開（公告）日: 2022-11-29
• 發(fā)明（設(shè)計(jì)）人: 錢詩友;丁天琛;薛廣濤;曹健
• 申請（專利權(quán)）人: 上海交通大學(xué)
• 主分類號(hào): G06F16/958
• 分類號(hào): G06F16/958;G06N3/04;G06N3/08
• 代理公司: 上海漢聲知識(shí)產(chǎn)權(quán)代理有限公司 31236
• 代理人: 胡晶

1.一種基于內(nèi)容發(fā)布訂閱的組合匹配系統(tǒng)，其特征在于，包括：

存有多種匹配算法的算法庫，其中，有些算法的匹配時(shí)間與匹配訂閱的數(shù)量之間滿足對數(shù)關(guān)系，而另一些算法的匹配時(shí)間和匹配訂閱數(shù)量之間呈線性關(guān)系；

訓(xùn)練器：將歷史匹配記錄作為訓(xùn)練集訓(xùn)練預(yù)測模型并保存到?jīng)Q策器中；

決策器：根據(jù)訓(xùn)練后的預(yù)測模型，預(yù)測每個(gè)事件采用不同匹配算法的匹配時(shí)間，并選擇匹配時(shí)間最小的算法執(zhí)行事件匹配；

算法庫：由多個(gè)行為互補(bǔ)的匹配算法組成；

在訂閱插入時(shí)，向算法庫中所有算法維護(hù)的對應(yīng)數(shù)據(jù)結(jié)構(gòu)中插入該訂閱，在事件匹配時(shí)，決策器接受事件輸入并調(diào)用訓(xùn)練器的預(yù)測模型，根據(jù)預(yù)測結(jié)果選擇最優(yōu)匹配算法，匹配結(jié)束后將事件與實(shí)際匹配時(shí)間作為一組訓(xùn)練數(shù)據(jù)加入訓(xùn)練器的訓(xùn)練集中；

算法庫中的算法支持相同的訂閱數(shù)據(jù)模型，具有接近的整體匹配性能，匹配訂閱數(shù)量不同的事件具有不同的匹配性能。

2.根據(jù)權(quán)利要求1所述的基于內(nèi)容發(fā)布訂閱的組合匹配系統(tǒng)，其特征在于，訓(xùn)練器為算法庫中每個(gè)匹配算法訓(xùn)練一個(gè)預(yù)測模型，訓(xùn)練器支持在線增量學(xué)習(xí)。

3.根據(jù)權(quán)利要求1所述的基于內(nèi)容發(fā)布訂閱的組合匹配系統(tǒng)，其特征在于，使用可變的時(shí)間窗口控制更新預(yù)測模型的時(shí)機(jī)，使決策器動(dòng)態(tài)適應(yīng)熱點(diǎn)的切換，同時(shí)在熱點(diǎn)沒有變化時(shí)節(jié)約資源。

4.根據(jù)權(quán)利要求3所述的基于內(nèi)容發(fā)布訂閱的組合匹配系統(tǒng)，其特征在于，在每次事件匹配完成后，將實(shí)際匹配時(shí)間反饋給決策器，決策器將該實(shí)際匹配時(shí)間與預(yù)測的時(shí)間進(jìn)行比對并統(tǒng)計(jì)偏差，用來評估預(yù)測模型的實(shí)時(shí)精度；

若預(yù)測精度大于預(yù)設(shè)閾值，則放寬時(shí)間窗口；若預(yù)測精度小于或等于閾值，則縮小時(shí)間窗口以增加預(yù)測模型更新的頻率。

5.根據(jù)權(quán)利要求1所述的基于內(nèi)容發(fā)布訂閱的組合匹配系統(tǒng)，其特征在于，決策器負(fù)責(zé)估計(jì)算法庫中算法的匹配時(shí)間，并選擇時(shí)間成本最小的算法執(zhí)行事件匹配，當(dāng)訓(xùn)練器沒有足夠的歷史匹配記錄作為訓(xùn)練集來訓(xùn)練預(yù)測模型時(shí)，決策器隨機(jī)選擇一種算法執(zhí)行事件匹配。

6.根據(jù)權(quán)利要求1所述的基于內(nèi)容發(fā)布訂閱的組合匹配系統(tǒng)，其特征在于，當(dāng)訓(xùn)練器更新預(yù)測模型時(shí)，決策器在更新前保留一份預(yù)測模型的拷貝或使用更輕量級(jí)的次要預(yù)測模型作為替代。

7.根據(jù)權(quán)利要求6所述的基于內(nèi)容發(fā)布訂閱的組合匹配系統(tǒng)，其特征在于，以神經(jīng)網(wǎng)絡(luò)為主要預(yù)測模型，訂閱分布統(tǒng)計(jì)為次要模型。

8.一種基于內(nèi)容發(fā)布訂閱的組合匹配方法，其特征在于，包括：

存有多種匹配算法的算法庫，其中，有些算法的匹配時(shí)間與匹配訂閱的數(shù)量之間滿足對數(shù)關(guān)系，而另一些算法的匹配時(shí)間和匹配訂閱數(shù)量之間呈線性關(guān)系；

步驟1：將歷史匹配記錄作為訓(xùn)練集訓(xùn)練預(yù)測模型并保存；

步驟2：根據(jù)訓(xùn)練后的預(yù)測模型，預(yù)測每個(gè)事件采用不同匹配算法的匹配時(shí)間，并選擇匹配時(shí)間最小的算法執(zhí)行事件匹配；

步驟3：在訂閱插入時(shí)，向所有算法維護(hù)的對應(yīng)數(shù)據(jù)結(jié)構(gòu)中插入該訂閱，在事件匹配時(shí)，接受事件輸入并調(diào)用預(yù)測模型，根據(jù)預(yù)測結(jié)果選擇最優(yōu)匹配算法，匹配結(jié)束后將事件與實(shí)際匹配時(shí)間作為一組訓(xùn)練數(shù)據(jù)加入訓(xùn)練集中；

算法支持相同的訂閱數(shù)據(jù)模型，具有接近的整體匹配性能，匹配訂閱數(shù)量不同的事件具有不同的匹配性能；

使用可變的時(shí)間窗口控制更新預(yù)測模型的時(shí)機(jī)，在每次事件匹配完成后，將實(shí)際匹配時(shí)間與預(yù)測的時(shí)間進(jìn)行比對并統(tǒng)計(jì)偏差，用來評估預(yù)測模型的實(shí)時(shí)精度；

若預(yù)測精度大于預(yù)設(shè)閾值，則放寬時(shí)間窗口；若預(yù)測精度小于或等于閾值，則縮小時(shí)間窗口以增加預(yù)測模型更新的頻率；

當(dāng)沒有足夠的歷史匹配記錄作為訓(xùn)練集來訓(xùn)練預(yù)測模型時(shí)，隨機(jī)選擇一種算法執(zhí)行事件匹配；

更新預(yù)測模型時(shí)，在更新前保留一份預(yù)測模型的拷貝或使用更輕量級(jí)的次要預(yù)測模型作為替代；以神經(jīng)網(wǎng)絡(luò)為主要預(yù)測模型，訂閱分布統(tǒng)計(jì)為次要模型。