一种用于挖掘用户室内设计个性化需求的小样本分析方法技术

本发明专利技术公开一种用于挖掘用户室内设计个性化需求的小样本分析方法。本发明专利技术首先对用户行为数据进行正则化处理；通过对用户行为模式的抽象量化，得到一个可用于刻画用户偏好随时间变化的最优化模型序列；针对所得模型的结构化特征，给出一种能从少量用户行为数据中挖掘用户隐性偏好的计算方法；最后，将所得技术用于处理用户的时序列行为数据，自动检测用户偏好的变化情况。本发明专利技术一方面在一定程度上改变了设计师与用户的沟通方式，非专业用户通过点击选择行为即可向设计师表达自身的需求和偏好；另一方面，帮助室内设计师快速识别、跟踪和管理用户偏好，以此提高双方沟通效率。以此提高双方沟通效率。以此提高双方沟通效率。

【技术实现步骤摘要】
一种用于挖掘用户室内设计个性化需求的小样本分析方法


[0001]本专利技术涉及数据挖掘和统计学习技术，特别涉及利用统计学习方法设计小样本机器学习算法从用户行为数据中挖掘用户隐性偏好信息。

技术介绍

[0002]随着家装行业的发展和消费升级趋势的带动，家居设计市场积累了大量的用户需求，而与快速增长的市场需求不相匹配的是专业设计人员的相对匮乏。目前，由于大部分用户缺少必要的设计领域知识，导致设计师交流成本高昂、沟通效率低下以及签单率低等一系列市场痛点问题。不仅如此，用户的需求也会随着信息暴露程度的增加而发生调整或者迁移，这使得设计师在识别、跟踪和管理用户需求偏好时会面更多的挑战和更繁琐的工作量。
[0003]对于家装设计过程中的用户的偏好的评价与估计，通常是一个较为复杂的问题；很难通过客户的直接叙述或者选择相应的特征来获得客户的真正的偏好感受，如何能够通过一些更为直观的方式使客户进行选择，并从客户的直观选择中推测出客户的爱好特征，往往较为困难；并且，客户的选择结果又有时会随时间而发生变化，导致不同时间段选择出的结果相互之间存在着较大区别，使得真实的信息很难被得到。另外，客户在进行喜好选择时，往往存在着样本量较小的情况，由于如果向客户提供更多的可选样例时，使得客户需要在较多的设计样例中进行挑选，这一过程非常的费时和占用精力，导致了客户体验较差，如果向只提供较小样本的情况下时，又会存在着归纳出用户喜好的难度更大，这就导致了在样本量的确定上存在着矛盾点。

技术实现思路

[0004]本专利技术所要解决的技术问题是：在样本量有限的情况下，难于向用户提供出适合其喜好的家装设计结果。
[0005]本专利技术公开一种用于挖掘用户室内设计隐性偏好的小样本分析技术。本专利技术是一种小样本驱动的、可并行计算的、具有可解释性的通用型数据挖掘方法，可通过少量的用户行为数据来挖掘用户对于空间设计、家具陈设、软装陈设、室内风格、色彩搭配、灯光照明、材料应用等方面的隐性偏好。本专利技术首先对用户行为数据进行正则化处理；通过对用户行为模式的抽象量化，得到一个可用于刻画用户偏好随时间变化的最优化模型序列；针对所得模型的结构化特征，给出一种能从少量用户行为数据中挖掘用户隐性偏好的计算方法。
[0006]一种用于挖掘用户室内设计个性化需求的小样本分析方法，包括如下步骤：第1步，确定室内设计的维度特征：约定｛f1,
……
f
m
｝为室内设计的维度特征的集合，f
s
是室内设计维度的特征，s为1到m之间的任意整数，并定义f
s+
和f
s
‑
为正负两种标签用于评估特征f
s
；第2步，表达向量的构建：令为特征的表达
向量，其中，分别是标签为正值的特征表征值；分别是标签为负值的特征表征值；第3步，印象向量的构建：印象向量空间P是；分别是标签为正值的印象向量，分别是标签为正值的印象向量；其中，其中，，下标i是案例编号，下标j是评分人编号；p
i
是第i个案例的印象向量，N(i)是评分人的数量，T i,j
是第i个设计案例的第j个评分人的表达向量集合；第4步，设q为隐性偏好向量，对以下最小化问题进行求解：其中，y
i
是用户对第i个案例做出的选择行为；A是权重参数矩阵；表示p
i
的转置矩阵；获得的最优解，并且将作为用户行为挖掘得到的需求结果。
[0007]所述的第2步中，表达向量中的特征值通过下式确定：s为1到m之间的任意整数。
[0008]所述的第2步中，约束条件是：。
[0009]所述的第4步中，A是权重参数矩阵的结构是：A是权重参数矩阵的结构是：表示印象向量的正特征部分与隐性偏好向量负特征部分进行比较时权重向量；其中的元素表示印象向量的第g个正特征与隐性偏好向量第h个负特征相比较时的权重；表示印象向量的正特征部分与隐性偏好向量正特征部分进行比较时权重向量；其中的元素表示印象向量的第g个正特征与隐性偏好向量第h个正特征相比较时的权重；
表示印象向量的负特征部分与隐性偏好向量负特征部分进行比较时权重向量；其中的元素表示印象向量的第g个负特征与隐性偏好向量第h个负特征相比较时的权重；表示印象向量的负特征部分与隐性偏好向量正特征部分进行比较时权重向量；其中的元素表示印象向量的第g个负特征与隐性偏好向量第h个正特征相比较时的权重。
[0010]所述的权重参数矩阵受条件约束。
[0011]所述的第4步中，选择行为是指：归类为“喜欢”则返回案例的标签y = 1，否则返回y =
ꢀ‑
1。
[0012]所述的第4步中，最小化问题进行求解的方法是：S41，在q的可行空间进行均匀随机抽样，对于其中的每一个q
(j)
，求解以下最小化问题，其中是指目标函数值；p
i
是第i个案例的印象向量；q
(j)
是第j个评分人的隐性偏好向量； S42，将步骤S41中得到的目标函数值由小到大排列，取前一定数量的解作为优质解，并对优质解进行聚类处理；S43，对于S42中得到的各类解集，分别求解以下最小化问题： 其中，w = A
c
q
c
；其中，A
c
和q
c
分别是聚类后在某一类中的全部A和q
(j)
的解；令是聚类中心隐性偏好向量，是聚类中心权重向量；且当聚类结果只有一类时，为用户行为挖掘得到的需求结果；当聚类结果为多个时，即为用户行为挖掘得到的需求结果，下标1，
……
，H分别是各个聚类中心的编号。
[0013]所述的步骤S42中，前一定数量是指前5
‑
40%。
[0014]有益效果: (1)可通过少量的用户行为数据来挖掘用户对于空间设计、家具陈设、软装陈设、室内风格、色彩搭配、灯光照明、材料应用等方面的隐性偏好。(2) 本专利技术首先对用户行为数据进行正则化处理；通过对用户行为模式的抽象量化，得到一个可用于刻画用户偏好随时间变化的最优化模型序列；针对所得模型的结构化特征，给出一种能从少量用户行为数据中挖掘用户隐性偏好的计算方法。(3)本专利技术一方面在一定程度上改变了设计
师与用户的沟通方式，非专业用户通过点击选择行为即可向设计师表达自身的需求和偏好；另一方面，帮助室内设计师快速识别、跟踪和管理用户偏好，以此提高双方沟通效率。
附图说明
[0015]图1是本专利技术方法流程图。
具体实施方式
[0016]基于以上的问题，本专利技术公开一种用于挖掘用户室内设计隐性偏好的小样本分析技术。本专利技术是一种小样本驱动的、可并行计算的、具有可解释性的通用型数据挖掘方法，可通过少量的用户行为数据来挖掘用户对于空间设计、家具陈设、软装陈设、室内风格、色彩搭配、灯光照明、材料应用等方面的隐性偏好。本专利技术首先对用户行为数据进行正则化处理；通过对用户行为模式的抽象量化，得到一个可用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于挖掘用户室内设计个性化需求的小样本分析方法，其特征在于，包括如下步骤：第1步，确定室内设计的维度特征：约定｛f1,
……
f
m
｝为室内设计的维度特征的集合，f
s
是室内设计的维度特征，s为1到m之间的任意整数，并定义f
s+
和f
s
‑
为正负两种标签用于评估特征f
s
；第2步，表达向量的构建：令为特征的表达向量，其中，分别是标签为正值的特征表征值；分别是标签为负值的特征表征值；第3步，印象向量的构建：印象向量空间P是；分别是标签为正值的印象向量，分别是标签为正值的印象向量；其中，其中，，下标i是案例编号，下标j是评分人编号；p
i
是第i个案例的印象向量，N(i)是评分人的数量，T i,j
是第i个设计案例的第j个评分人的表达向量集合；第4步，设q为隐性偏好向量，对以下最小化问题进行求解：其中，y
i
是用户对第i个案例做出的选择行为；A是权重参数矩阵； 表示p
i
的转置矩阵；获得的最优解，并且将作为用户行为挖掘得到的需求结果。2.根据权利要求1所述的用于挖掘用户室内设计个性化需求的小样本分析方法，其特征在于，所述的第2步中，表达向量中的特征值通过下式确定：s为1到m之间的任意整数。3.根据权利要求2所述的用于挖掘用户室内设计个性化需求的小样本分析方法，其特征在于，所述的第2步中，约束条件是：。4.根据权利要求1所述的用于挖掘用户室内设计个性化需求的小样本分析方法，其特征在于，所述的第4步中，A是权重参数矩阵的结构是：
分块矩阵表示印象向量的正特征部分与隐性偏好向量负特征部分进行比较时权重向量，设分块矩阵是由元素构成；且表示印象向量的第g个正特征与隐性偏好向量第h个负特征相比较时的权重；分块矩阵表示印象向量的正特征部分与隐性偏好向量正特征部分进行比较时权重向量；设分块矩阵是由元素构成，且表示印象向量的第g个正特征与隐性偏好向量第h个正特征相比较时的权重；分块矩阵表示印象向量的负...

【专利技术属性】
技术研发人员：罗松，陈旋，甘玉军，
申请(专利权)人：江苏艾佳家居用品有限公司，
类型：发明
国别省市：