一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置和预测方法制造方法及图纸

本发明专利技术公开了一种基于快速非负隐特征分析的智能家居用户‑服务兴趣度个性化预测装置和方法。该预测装置包括数据接收模块，配置为获取数据并接收；数据预处理模块，配置为接收数据后处理数据并存入；数据存储模块，配置为存储数据；参数控制模块，配置为判断控制参数是否满足预测模型的构造和更新条件；训练单元模块，配置为构造模型，加速抽取数据；以及预测数据输出模块，配置为通过控制参数和动量加速模型预测未知数据，并输出预测数据、用户和服务的隐特征矩阵。本发明专利技术提供的预测装置和方法，通过广义动量方法对加速了对用户‑服务兴趣矩阵未知数据的预测，为用户提供个性化、准确的智能家居服务，可广泛应用于智能家居系统的个性化服务中。

【技术实现步骤摘要】
一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置和预测方法
本专利技术属于智能家居领域，尤其涉及一种基于快速非负隐特征分析的智能家居用户-服务兴趣度预测装置和预测方法。
技术介绍
随着现代科技技术比如物联网技术、大数据计算、传感器技术等技术的发展，作为在互联网影响之下物联化的体现，智能家居得以广泛发展与应用。用户对智能家居系统的依赖，使得智能家居系统收集到的用户习惯数据呈指数增长。通过智能家居系统收集的用户对服务的兴趣度历史数据，形成了巨大的用户-服务兴趣度统计矩阵。尽管现有的各类提高智能家居系统用户体验的方法提供了更全面的系统功能和更高效的服务质量，但也会导致智能家居系统中的各类服务越来越多，用户很难对所有服务进行选择，而每个服务也不能被所有用户使用。因此用户-服务兴趣度统计矩阵中的未知数据远多于已知数据，即用户-服务兴趣度矩阵是极度稀疏的，并且用户对服务的点击率同时是非负数据，因此需要对用户-服务兴趣度统计矩阵进行非负约束。在实现智能家居中个性化服务定制过程中，最重要的步骤是预测用户对每个服务的兴趣度。用户-服务兴趣度的预测在智能家居系统中受到广泛关注与研究，其通常采用机器学习中经典的预测方法，比如非负单元素依赖乘法更新算法，通过对大量历史数据的训练得到预测模型，再根据预测模型进行特定用户的兴趣度预测。但是现有的预测方法在每次计算预测模型时需要耗费大量的空间和时间，尤其在智能家居系统中数据集规模越来越大，现有的预测方法获得的预测模型无法快速有效得预测用户对每个服务的兴趣度。>
技术实现思路
本专利技术主要解决了基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测问题，提高了用户体验。具体而言，本专利技术解决的问题包括：1)如何通过预测用户对智能家居服务的兴趣度提高智能家居系统的用户体验；2)如何从智能家居服务使用的历史数据中快速获得精度较高的用户-服务兴趣度预测模型。为了解决上述技术问题，提供一种基于快速非负隐特征分析的智能家居用户-服务兴趣度的预测装置和方法，根据用户-服务兴趣度矩阵可以实现：(1)通过广义动量方法加速了模型对用户-服务兴趣度数据的预测，提高了模型的预测速度；(2)通过广义动量方法提高了模型对用户-服务兴趣度未知数据的预测精度，提高了模型的预测精度。根据本专利技术第一方面，提供一种基于快速非负隐特征分析的智能家居用户-服务兴趣度预测装置，该装置包括：数据接收模块：从智能家居系统中获取用户-服务兴趣度数据，采集数据到预处理模块进行处理；数据预处理模块：从数据接收模型接收到数据后将数据处理成可直接使用的数据并存入数据存储模块；数据存储模块：存储预处理过的输入数据、智能家居用户和服务的隐特征矩阵、预测模型的控制参数、根据训练单元模型对用户和服务隐特征矩阵更新过后的隐特征矩阵等数据；参数控制模块：用于从数据存储模块中获取动量加速用户-服务兴趣度模型控制参数，实施对动量加速用户-服务兴趣度模型控制参数的更新，判断是否满足动量加速用户-服务兴趣度模型的构造和更新条件；训练单元模块：根据用户-服务兴趣度数据和参数控制构造动量加速用户-服务兴趣度模型，加速抽取用户-服务兴趣度数据；预测数据输出模块：通过更新的控制参数和动量加速用户-服务兴趣度模型预测用户-服务未知兴趣度，并输出用户-服务未知兴趣度预测数据、用户和服务的隐特征矩阵。根据本专利技术所述的一种基于快速非负隐特征分析的智能家居用户-服务兴趣度预测装置的优选方案，所述数据预处理模块具体包括：在采集的数据中，用户集合记为U，服务集合记为S，建立一个|U|行、|S|列的矩阵作为用户-服务满意度矩阵T，将满意度矩阵T存入数据存储模块。使用规约矩阵因式分解对T进行分解，分别得到用户隐特征矩阵X和服务隐特征矩阵Y。X是一个|U|行，f列的矩阵，X中的每一个行向量对应一个用户，是该用户的隐特征向量；Y是一个|S|行，f列的矩阵，Y中的每一个行向量对应于一个服务，是该服务的隐特征向量；f为用户隐含特征空间和服务隐含特征空间的维数。同时将用户和服务的特征矩阵X和Y存入数据存储模块。根据本专利技术所述的一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置的优选方案，所述参数控制模块包括初始化单元和参数更新单元。初始化单元配置为初始化用户和服务对应的隐特征矩阵X和Y；初始化隐特征空间f维；初始化动量控制参数γ，初始化正则化因子λ；初始化最大迭代轮数R；初始化训练过程中迭代轮数控制变量r；初始化收敛终止阈值a；其中f决定了每个隐特征矩阵的特征空间维数，初始化为正整数；隐特征矩阵X和Y中：X为|U|行f列的隐特征矩阵、Y为|S|行f列的隐特征矩阵，分别使用随机较小的正数进行初始化；最大训练迭代轮数R是控制训练次数上限的变量，初始化为较大的正整数；迭代轮数控制变量r初始化为0；收敛终止阈值a是判断训练是否结束的参数，用极小的正数初始化。正则化因子λ是衡量L2正则化项对模型的限制效果，初始化为较小的正数。动量控制参数γ，为了控制动量项对模型的加速效果，使得模型对未知数据的预测精度达到最高，初始化为接近1的正数。参数更新单元配置为从存储模块中获取动量加速用户-服务兴趣度预测模型控制参数，用于判断参数是否满足动量加速用户-服务兴趣度预测模型的构造和更新条件。根据本专利技术所述的一种基于快速非负隐特征分析的智能家居用户-服务兴趣度预测装置的优选方案，结合初始化相关参数构造基于快速非负隐特征分析的用户-服务兴趣度个性化预测装置，具体为：根据用户-服务兴趣度矩阵T中的已知数据集合Tk，构造目标函数Φ，公式如下：其中Tk表示用户-服务满意度矩阵T中用户对智能家居服务已知满意度数据集合；tu,s表示用户u和服务s之间的实体关系即为用户u对服务s的满意度；表示用户-服务兴趣度矩阵中缺失值的预测值；xu,k表示用户隐特征矩阵X的第u行第k列特征值；ys,k表示服务隐特征矩阵Y的第s行第k列特征值；λ代表Tikhonov规约因子。根据本专利技术所述的一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置的优选方案，结合参数控制模块构造用户-服务兴趣度预测模型，生成预测数据，具体为：调用参数控制模块后，通过基于快速非负隐特征分析的用户-服务兴趣度的预测模型生成用户-服务兴趣度预测数据，使用非负乘法更新算法后采用广义动量方法在所述目标函数Φ上对用户隐特征矩阵X和服务隐特征矩阵Y进行训练。即，首先对每一个已知用户-服务兴趣度数据tu,s第一次迭代时，即t＝1，进行单元素非负乘法更新算法，其更新公式为：其中，|Rk(u)|表示和用户u有关的用户-服务已知兴趣度数据中的服务集合，|Rk(s)|表示和服务s有关的用户-服务已知兴趣度数据中的用户集合。第二步，因采用非负乘法更新算法造成用户-服务兴趣度数据收敛速度较慢，所以采用广义动量方法对预测模型进行加速，加入广义动量方法之后的更新公式为：注意动量只在更新本文档来自技高网...

【技术保护点】
1.一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，包括如下步骤：/nS1:智能家居系统收集用户-服务兴趣度数据，发送给基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置；/nS2：基于快速非负隐特征分析的智能家居用户-服务兴趣度预测装置，根据动量加速用户-服务兴趣度预测模型初始化相关参数；/nS3：使用规约矩阵因式分解，对用户-服务兴趣度矩阵进行分解，构造基于快速非负隐特征分析的用户-服务兴趣度预测模型；/nS4：根据用户-服务兴趣度模型控制参数，判断当前情况是否满足用户-服务兴趣度模型的控制参数更新条件，如果满足更新条件则执行步骤S3，如果不满足更新条件则执行步骤S5；/nS5：采用基于快速非负隐特征矩阵的用户-服务兴趣度预测模型更新用户和服务对应矩阵的隐特征；/nS6：判断训练过程中迭代训练轮数控制变量r是否大于训练迭代轮数上限R：若小于训练迭代轮数上限R，则满足输出用户隐特征和服务隐特征矩阵条件则执行步骤S7；若超过训练迭代轮数上限R，则不满足输出条件，则执行步骤S3，训练结束；/nS7：根据对用户和服务的隐特征的更新，得到在模型收敛时的隐特征矩阵，输出用户隐特征矩阵和服务隐特征矩阵；/nS8：通过S7得到的用户隐特征矩阵和服务隐特征矩阵用于对用户-服务兴趣度矩阵中未知兴趣度的预测。/n...

【技术特征摘要】
1.一种基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，包括如下步骤：
S1:智能家居系统收集用户-服务兴趣度数据，发送给基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置；
S2：基于快速非负隐特征分析的智能家居用户-服务兴趣度预测装置，根据动量加速用户-服务兴趣度预测模型初始化相关参数；
S3：使用规约矩阵因式分解，对用户-服务兴趣度矩阵进行分解，构造基于快速非负隐特征分析的用户-服务兴趣度预测模型；
S4：根据用户-服务兴趣度模型控制参数，判断当前情况是否满足用户-服务兴趣度模型的控制参数更新条件，如果满足更新条件则执行步骤S3，如果不满足更新条件则执行步骤S5；
S5：采用基于快速非负隐特征矩阵的用户-服务兴趣度预测模型更新用户和服务对应矩阵的隐特征；
S6：判断训练过程中迭代训练轮数控制变量r是否大于训练迭代轮数上限R：若小于训练迭代轮数上限R，则满足输出用户隐特征和服务隐特征矩阵条件则执行步骤S7；若超过训练迭代轮数上限R，则不满足输出条件，则执行步骤S3，训练结束；
S7：根据对用户和服务的隐特征的更新，得到在模型收敛时的隐特征矩阵，输出用户隐特征矩阵和服务隐特征矩阵；
S8：通过S7得到的用户隐特征矩阵和服务隐特征矩阵用于对用户-服务兴趣度矩阵中未知兴趣度的预测。


2.根据权利要求1所述的基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，步骤S2用户-服务兴趣度模型的相关参数如下：
已知兴趣度数据tu,s，表示用户u和服务s之间的实体关系即为用户u对服务s的兴趣度；
正则控制参数λ，衡量正则项对模型的限制效果，增强模型的鲁棒性；
动量控制参数γ，衡量动量加速效果；
用户u和服务s对应的隐特征空间的隐特征矩阵X和Y，在对应实体关系的预测过程中，对对应的矩阵中以单元素的形式对隐特征进行相应的更新。


3.根据权利要求1所述的基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，步骤S3构造由用户-服务兴趣度矩阵组成的动量加速用户-服务兴趣度模型如下：
S3-1，根据用户-服务兴趣度矩阵T中的已知数据集合Tk，构造目标函数Φ，公式如下：



其中Tk表示用户-服务满意度矩阵T中用户对智能家居服务已知满意度数据集合；tu,s表示用户u和服务s之间的实体关系即为用户u对服务s的满意度；表示用户-服务兴趣度矩阵中缺失值的预测值；xu,k表示用户隐特征矩阵X的第u行第k列特征值；ys,k表示服务隐特征矩阵Y的第s行第k列特征值；λ代表Tikhonov规约因子。
S3-2，第一步对每一个已知用户-服务兴趣度数据tu,s第一次迭代时，即t＝1，迭代进行单元素非负乘法更新算法，其更新公式为：



其中，|Rk(u)|表示和用户u有关的用户-服务已知兴趣度数据中的服务集合，|Rk(s)|表示和服务s有关的用户-服务已知兴趣度数据中的用户集合。
S3-3，第二步，由于采用非负乘法更新单元素依赖算法造成用户-服务兴趣度数据收敛速度较慢，所以采用动量对预测模型进行加速，加入动量之后的更新公式为：



注意动量只在更新过程中第二次加入，即t≥2时。更新过程中的第一次仍按照非负乘法更新对xu,k，ys,k进行更新；γ为动量控制参数，控制动量加速效果。


4.根据权利要求1所述的基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，步骤S4判断用户-服务兴趣度模型的控制参数是否满足基于快速非负隐特征分析的用户-服务兴趣度预测模型的更新条件，如下：
判断当前参数更新是否满足更新条件，即：判断本次的预测精度和上次的预测精度相差是否已经小于阈值a，阈值a的取值例如为1×10-5；如果大于阈值a，则满足更新条件，继续步骤S3；若小于阈值a，则不满足更新条件，继续步骤S5。


5.根据权利要求1所述的基于快速非负隐特征分析的智能家居用户-服务兴趣度个性化预测装置，其特征在于，步骤S6判断当前情况是否达到迭代终止条件，如下：
用于判断训练过程中迭代轮数控制变量r是否...

【专利技术属性】
技术研发人员：张能锋，周玥，许明，罗辛，
申请(专利权)人：深圳市万佳安人工智能数据技术有限公司，
类型：发明
国别省市：广东;44