基于改进在线深度学习的用户需求预测方法技术

本发明专利技术涉及一种基于改进在线深度学习的用户需求预测方法，其特征在于，包括以下步骤：1)对神经元输入数据进行正负判断，2)若数据为正值，则原样输出；若数据为负值，则通过sigmoid函数计算得到其激活概率，3)通过数据特性驱动的激活函数DReLu对数据激活输出，4)通过HBP在线深度学习模型实现对用户需求的精确动态预测，该基于改进在线深度学习的用户需求预测方法，采用在线深度学习模型能够更好的处理流式数据，同时，从数据流中更能捕捉用户的实时需求；其次，利用改进的DReLu激活函数能够提高数据的利用率，缓解深度学习中神经元“死亡”现象，从而能够弥补在线深度学习算法对用户需求预测能力的不足。

User demand forecasting method based on improved online deep learning

【技术实现步骤摘要】
基于改进在线深度学习的用户需求预测方法
本专利技术特别涉及一种基于改进在线深度学习的用户需求预测方法。
技术介绍
用户服务需求预测对于准确地感知用户的服务需求，提高主动服务推荐的准确性具有重要意义。近年来，在线深度学习方法逐渐成为一种主要的在线预测方法，在多个领域取得了成功的应用。在线深度学习中，激活函数是提高深度学习预测性能的关键，传统ReLu激活函数对输入为负的数据梯度为零，造成神经元节点“死亡”，严重影响了模型预测的准确率。
技术实现思路
本专利技术要解决的技术问题是：为了克服现有技术的不足，提供一种基于改进在线深度学习的用户需求预测方法。1、本专利技术解决其技术问题所采用的技术方案是：该方法包括以下步骤：1)对神经元输入数据进行正负判断；2)若数据为正值，则原样输出；若数据为负值，则通过sigmoid函数计算得到其激活概率；3)通过数据特性驱动的激活函数DReLu对数据激活输出；4)通过HBP在线深度学习模型实现对用户需求的精确动态预测；其中，激活函数DReLu的表达公本文档来自技高网...

【技术保护点】
1.一种基于改进在线深度学习的用户需求预测方法，其特征在于，包括以下步骤：/n1)对神经元输入数据进行正负判断；/n2)若数据为正值，则原样输出；若数据为负值，则通过sigmoid函数计算得到其激活概率；/n3)通过数据特性驱动的激活函数DReLu对数据激活输出；/n4)通过HBP在线深度学习模型实现对用户需求的精确动态预测；/n其中，激活函数DReLu的表达公式为：

【技术特征摘要】
1.一种基于改进在线深度学习的用户需求预测方法，其特征在于，包括以下步骤：
1)对神经元输入数据进行正负判断；
2)若数据为正值，则原样输出；若数据为负值，则通过sigmoid函数计算得到其激活概率；
3)通过数据特性驱动的激活函数DReLu对数据激活输出；
4)通过HBP在线深度学习模型实现对用户需求的精确动态预测；
其中，激活函数DReLu的表达公式为：该激活函数的计算过程可以描述为：对于数据流实例特征xt，经过具有n个神经元节点的神经网络隐含层的线性运算，得到一个n维的向量当该向量的第i个节点的取值为正的时候，采取ReLu函数的激活方式，当该向量的第i个节点的取值为负数的时候，首先利用sigmoid函数计算该值的激活概率并且是由该数据本身特性决定的激活可能性。


2.如权利要求1所述的基于改进在线深度学习的用户需求预测方法，其特征在于，HBP在线深度学习模型表达公式：其中，h(0)＝x，在上述公式中，θ(l)和α是新引入的两组参数，θ(l)表示每个隐含层与对应分类器的权重，每个分类器f由其进行参数化，而α表示模型输出中每个分类器所占的比重。L+1个...

【专利技术属性】
技术研发人员：曾峰，刘志中，张振兴，
申请(专利权)人：深圳市物语智联科技有限公司，
类型：发明
国别省市：广东;44