[發明專利]一種跨用戶行為識別遷移學習方法、系統及電子設備

在審

• 申請號: 202111544484.2
• 申請日: 2021-12-16
• 公開（公告）號: CN114511921A
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 方劍平;李文雄;林建旋;胡思林;閆航;付一夫;郭航瑞;周朝煒
• 申請（專利權）人: 廈門智小金智能科技有限公司
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V10/40;G06K9/62;G06V10/764;G06N3/04;G06N3/08
• 代理公司: 廈門市首創君合專利事務所有限公司 35204
• 代理人: 李雁翔

本發明提供一種跨用戶行為識別遷移學習方法，包括如下步驟：獲取源數據集D_S，目標數據集D_T；構建用戶行為識別初始網絡模型，并使用源數據集對用戶行為識別初始網絡模型進行訓練，構建用戶行為識別遷移網絡模型，采用用戶行為識別初始網絡模型進行初始化；隨機抽取源數據集和目標數據集中相同類別的行為數據，組成訓練集，根據用戶的行為類別逐一訓練特征對齊網絡；采用目標數據集訓練遷移網絡模型，更新分類器，并對目標特征網絡、特征對齊網絡進行微調。本發明利用源域和目標域數據的特征通過找到兩域數據之間的公共特征，縮小特征空間中兩種數據的差距，完成遷移，從行為類別特征考慮人與人之間的行為類別差異，提高用戶行為識別的準確性。

技術領域

本發明涉及用戶行為識別領域，特別是指一種跨用戶行為識別遷移學習方法、系統及電子設備。

背景技術

行為識別任務，通過對所采集的行為動作數據進行分析，結合深度神經網絡算法，實現對行為動作的分類。基于深度神經網絡的模型通過更準確地表征非線性時空相關性，顯著提高了行為識別的性能。然而，這些方法的優越性能是基于大規模的訓練數據，并且默認訓練數據和測試數據服從相同的分布。因此模型在面對新用戶的行為數據數據時，無法對新用戶的行為進行有效識別；在實際當中，若采集新用戶(目標用戶)的大量行為數據，時間成本太高，不易實現。目前在行為識別問題上，大部分的研究集中在靜態和動態行為的識別上。

在基于可穿戴傳感器的行為識別中，多數研究構建的模型通常在同一批用戶的行為數據上進行訓練和測試，忽視了人與人之間的行為差異，導致訓練的模型面向新的目標用戶時表現出較差的性能。雖然針對每名用戶重新訓練模型能夠精確實現其行為的識別，但這種方法無疑是不現實的，不僅耗費大量的成本和精力，還會極大的限制行為識別系統的應用。

對于遷移用戶行為的研究還存在著不足，對于用戶的行為識別，尚未有研究考慮到對于行為類別本身人與人之間的差異，并將人與人之間的行為差異融入對模型對用戶的行為識別當中。

發明內容

本發明為解決上述問題，提出一種跨用戶行為識別遷移學習方法，利用源域和目標域數據的特征通過找到兩域數據之間的公共特征，縮小特征空間中兩種數據的差距，完成遷移過程，從行為類別特征的角度考慮人與人之間的行為類別差異的問題，提高用戶行為識別的準確性。

本發明采用如下技術方案：

一種跨用戶行為識別遷移學習方法，包括如下步驟：

獲取源數據集D_S，源數據集D_S中包含用戶N個類別的行為數據，獲取目標數據集D_T，目標數據集D_T中包含N個類別的行為數據；

構建用戶行為識別初始網絡模型，并使用源數據集對用戶行為識別初始網絡模型進行訓練，初始網絡模型包含源特征提取網絡和源分類器兩部分；

構建用戶行為識別遷移網絡模型，包括目標特征提取網絡、特征對齊網絡和目標分類器，其中用戶行為識別遷移網絡模型中的目標特征提取網絡和目標分類器采用用戶行為識別初始網絡模型中的源特征提取網絡和源分類器進行初始化；

隨機抽取源數據集和目標數據集中相同類別的行為數據，組成特征對齊網絡訓練集，根據用戶的行為類別逐一訓練特征對齊網絡；

采用目標數據集訓練遷移網絡模型，更新分類器，并對目標特征網絡、特征對齊網絡進行微調。

具體地，源特征提取網絡和目標特征提取網絡均采用LSTM結構，具體為：