一种无监督的用户感知指标重要度确定方法技术

本发明专利技术公开了一种无监督的用户感知指标重要度确定方法，属于无线通信领域，包括以下步骤：S1.计算相关性系数矩阵；S2.软阈值法构建邻接矩阵；S3.计算拓扑重叠矩阵；S4.计算候选指标重要度。能够客观计算出各维度指标之间的连接度，并以此来表征感知指标重要度的方法；无须定义目标值，仅需基于候选指标数据内部规律，通过无监督学习算法，计算并得出指标重要度信息。重要度信息。重要度信息。

【技术实现步骤摘要】
一种无监督的用户感知指标重要度确定方法


[0001]本专利技术涉及无线无线通信
，尤其涉及一种无监督的用户感知指标重要度确定方法。

技术介绍

[0002]现有的指标重要度排序方法，大多数都是利用有监督的机器学习算法，寻找多维度指标对于特定目标的影响程度，来确定指标重要度。例如，根据各个指标与目标的相关性因数，将各个指标按照从大到小进行排序，得到指标排序表；或者采用序关系分析法对指标排序；再比如，将相关特征输入到机器学习模型，机器学习模型根据相关特征以某项指标的增益为目标，并根据增益值的大小进行相关特征的重要度排序。
[0003]现有技术中提到的指标重要度排序方法，均需设定目标值，从而根据各维度指标对目标的影响大小，来确定指标的重要性。但在很多场景下，是无法获得目标值的，这就需要一种通过关键指标数据的内部规律，计算并定位指标重要度的方法。
[0004]以用户综合上网感知指标为例，如果采用传统做法，则需要获取一个可以真实客观评价用户综合上网感知情况的目标值，现实中与此值最相近的就是用户满意度调查评分，但此值主观性过强，且样本量过少的话，作为指标重要度排序的目标值，则很难得出有价值的结果。
[0005]本专利技术提出了一种无监督的用户感知指标重要度排序方法，仅通过指标内部数据规律即可确定指标重要度，无需提供目标值。

技术实现思路

[0006]本专利技术的目的是为了解决现有技术中存在的缺陷，而提出的无监督的用户感知指标重要度确定方法。
[0007]为了实现上述目的，本专利技术采用了如下技术方案：
[0008]一种无监督的用户感知指标重要度确定方法，包括以下步骤：
[0009]S1.计算相关性系数矩阵；
[0010]S2.软阈值法构建邻接矩阵；
[0011]S3.计算拓扑重叠矩阵；
[0012]S4.计算候选指标重要度。
[0013]进一步地，在步骤S1中，相关系数矩阵的计算方式为：所述利用皮尔逊相关系数公式，计算得出相关性系数矩阵Corr。
[0014]进一步地，在步骤S2中，具体步骤为，通过软阈值法基于步骤S1中获得的相关性系数矩阵Corr进行加权，计算得到邻接矩阵。
[0015]进一步地，在步骤S3中，具体步骤为，利将步骤S2获得的结果中引入拓扑重叠矩阵；
[0016]利用python，计算得出拓扑重叠矩阵。
[0017]进一步地，在步骤S4中，具体步骤为，基于步骤S3得出的拓扑重叠矩阵，根据连接度计算公式，对拓扑重叠矩阵的每行进行求和，计算得出各个指标的连接度；
[0018]将得到的连接度，做为每个候选指标的重要度结果；
[0019]基于每个指标的重要度排序结果，得到了用户视频维度的关键感知指标，完成既定目标。
[0020]进一步地，在步骤S1中，相关系数矩阵具体为：基于数据预处理后的候选指标样本集合X获得的矩阵，具体公式如下：
[0021][0022]其中，[X1,X2
…
Xn]每列为一个指标，则共n个指标、样本数据大小为m，即矩阵为m行、所以矩阵X大小为m
×
n。
[0023]进一步地，在步骤S2中，通过软阈值法对相关性系数矩阵Corr进行加权计算得到邻接矩阵的具体步骤为：给步骤S1中得到的相关性系数矩阵中每一个相关性系数加上一个指数β，则邻接矩阵中每个元素如下所示：
[0024]A
ij
＝(|cor(X
i
,X
j
)|)
β
[0025]生成矩阵大小为n
×
n，即i,j∈[1,n]，完成对邻接矩阵的构建。
[0026]进一步地，在步骤S3中，拓扑重叠矩阵的计算公式，具体如下：
[0027][0028]其中，
[0029]以1为遍历因子，遍历指标列表里除i，j以外的所有指标，并将1与i，j之间的相关系数以上式运算，运用其它指标做为桥梁，将指标i，j在网络中表现的重叠程度数据化；
[0030]若i，j在网络中的连接情况越相似，则Tom
ij
越大。
[0031]完成拓扑重叠矩阵的计算。
[0032]进一步地，在步骤S4中，所述候选指标连接度为该指标在整个指标体系中的重要度，其中，每个指标的连接度，是与其相连的指标的边属性之和。
[0033]进一步地，在步骤S4中，所述候选指标连接度的值基于步骤S3中的TOM矩阵计算，所述候选指标连接度的计算公式为
[0034][0035]公式中Connect
i
即为第i(i∈[1,n])个指标的连接度。
[0036]相比于现有技术，本专利技术的有益效果在于：能够客观计算出各维度指标之间的连接度，并以此来表征感知指标重要度的方法；
[0037]无须定义目标值，仅需基于候选指标数据内部规律，通过无监督学习算法，计算并得出指标重要度信息。
附图说明
[0038]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。
[0039]图1为本专利技术提出的无监督的用户感知指标重要度确定方法的步骤流程图；
[0040]图2为本专利技术实施例中的可视化相关系统矩阵图；
[0041]图3为本专利技术实施例中的处理后的可视化相关系统矩阵图；
[0042]图4为本专利技术实施例中的相关性矩阵数据样例图；
[0043]图5为本专利技术实施例中的邻接矩阵数据样例图；
[0044]图6为本专利技术实施例中的拓扑重叠矩阵的详细代码图；
[0045]图7为本专利技术实施例中的拓扑重叠矩阵的代码运行结果图；
[0046]图8为本专利技术实施例中的Python实验代码及计算结果图；
[0047]图9为本专利技术提出的无监督的用户感知指标重要度确定方法的实施流程示意图。
具体实施方式
[0048]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0049]实施例一
[0050]参照图1
‑
8，无监督的用户感知指标重要度确定方法，包括以下步骤：
[0051]S1.计算相关性系数矩阵；
[0052]具体的，在步骤S1中，相关系数矩阵的计算方式为：所述利用皮尔逊相关系数公式，计算得出相关性系数矩阵Corr。
[0053]S2.软阈值法构建邻接矩阵；
[0054]具体的，在步骤S2中，具体步骤为，通过软阈值法基于步骤S1中获得的相关性系数矩阵Corr进行加权，计算得到邻接矩阵。
[0055]S3.计算拓扑重叠矩阵；
[0056]具体的，在步骤S3中，具体步骤为，利将步骤S2获得的结果中引入拓扑重叠矩阵；
[0057]利用python，计算得出拓扑重叠矩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无监督的用户感知指标重要度确定方法，其特征在于，包括以下步骤：S1.计算相关性系数矩阵；S2.软阈值法构建邻接矩阵；S3.计算拓扑重叠矩阵；S4.计算候选指标重要度。2.根据权利要求1所述的无监督的用户感知指标重要度确定方法，其特征在于，在步骤S1中，相关系数矩阵的计算方式为：所述利用皮尔逊相关系数公式，计算得出相关性系数矩阵Corr。3.根据权利要求2所述的无监督的用户感知指标重要度确定方法，其特征在于，在步骤S2中，具体步骤为，通过软阈值法基于步骤S1中获得的相关性系数矩阵Corr进行加权，计算得到邻接矩阵。4.根据权利要求3所述的无监督的用户感知指标重要度确定方法，其特征在于，在步骤S3中，具体步骤为，利将步骤S2获得的结果中引入拓扑重叠矩阵；利用python，计算得出拓扑重叠矩阵。5.根据权利要求4所述的无监督的用户感知指标重要度确定方法，其特征在于，在步骤S4中，具体步骤为，基于步骤S3得出的拓扑重叠矩阵，根据连接度计算公式，对拓扑重叠矩阵的每行进行求和，计算得出各个指标的连接度；将得到的连接度，做为每个候选指标的重要度结果；基于每个指标的重要度排序结果，得到了用户视频维度的关键感知指标，完成既定目标。6.根据权利要求5所述的无监督的用户感知指标重要度确定方法，其特征在于，在步骤S1中，相关系数矩阵具体为：基于数据预处理后的候选指标样本集合X获得的矩阵，具体公式如下：其中，[X1,X2
…
Xn]每列为一个指标，则共n个指标、样本数据大小为m，即矩阵为m行、所以矩阵X大小为m
×
n。7...

【专利技术属性】
技术研发人员：梅芳，温建博，孙庚，郭新荣，刘雨晴，
申请(专利权)人：吉林大学，
类型：发明
国别省市：