【技术实现步骤摘要】
基于元辅助学习框架的工业大数据驾驶舱视图推荐方法
[0001]本专利技术涉及推荐系统领域,具体涉及一种基于元辅助学习框架的,面向工业大数据驾驶舱视图的推荐方法。
技术介绍
[0002]随着互联网技术的不断发展,越来越多的技术在工业领域中得到运用,工业领域也大多由原来需要人力去控制生产转变成了半自动或者全自动的生产模式。这种生产模式减少了大量的人工成本的同时,也带来了许多反映当前生产状态的工业化数据。这些工业化数据大多蕴含了机器的运行状态和整体的生产效率等具有高价值的信息,因此,能够让驾驶舱用户全方位了解这些数据是十分重要的。
[0003]一种表达高效的数据可视化技术可以帮助工业生产操作员更好地了解当前机器的状态和工厂整体的生产情况,从而做出进一步地指令,达到最大化工厂整体利润的目的。不过,不同的工业大数据驾驶舱操作员对于不同的数据可视化视图的敏感程度是不一样的。用户可能更容易从一些类型的可视化视图读取数据信息,而较难从另一些类型的视图中获取表达的数据状态。并且由于数据可视化视图的种类是十分繁多的,在工业化数据场景中运用的视图不止包括简单的树形图、条形图等,更包括了涵盖着高维信息的视图如面积图、箱线图等。因此,大多数的工业大数据驾驶舱用户只是经常使用一部分较为偏好的视图,而缺乏对其他很大一部分的视图的探索,这种现象在一定程度上限制了大数据驾驶舱的功能性。本专利技术为了帮助可视化技术对用户可能存在偏好的其他视图进行探索,提出了一种用在工业大数据驾驶舱的视图推荐方法。
[0004]然而,对于现实生活中的工业 ...
【技术保护点】
【技术特征摘要】
1.基于元辅助学习框架的工业大数据驾驶舱视图推荐方法,其特征在于,包括:步骤1,将工业大数据驾驶舱用户对各种视图的评分信息导入驾驶舱视图推荐系统;步骤2,驾驶舱视图推荐系统的数据处理模块读取并处理评分信息,生成用户、视图的特征向量;步骤3,驾驶舱视图推荐系统的数据采样模块根据特征向量和评分信息,生成一组关于用户、视图的采样数据;步骤4,驾驶舱视图推荐系统的主模型和基于自监督对比学习构建的辅助模型根据采样数据计算得到对应的损失函数L
pri
和L
aux
;并引入用户侧和视图侧的可训练贡献系数λ
U
和λ
V
,通过加权求和得到整体模型的目标函数L;步骤5,驾驶舱视图推荐系统的参数更新模块,通过整体模型的目标函数L,采用一种双层的元辅助学习更新架构,在内层更新驾驶舱视图推荐系统的主模型的参数以及用户、视图的特征向量,外层更新用户、视图的对比学习辅助模型的参数以及贡献系数λ
U
和λ
V
,并且使用隐式梯度方法进行加速;步骤6,反复执行步骤3、步骤4、步骤5直至主模型的参数、辅助模型的参数、用户和视图的特征向量以及贡献系数λ
U
和λ
V
不再发生改变;步骤7,驾驶舱视图推荐系统的推荐模块通过用户以及视图的特征向量,计算用户对各种视图的偏好值,为不同的用户推荐不同的工业大数据驾驶舱视图。2.按照权利要求1所述基于元辅助学习框架的工业大数据驾驶舱视图推荐方法,其特征在于,步骤1所述将工业大数据驾驶舱用户对各种视图的评分信息导入驾驶舱视图推荐系统,评分数据包括多个评分三元组u、V,、r,其中:u表示不同用户的ID,下标为1
–
N,N为用户的个数;v表示不同视图的ID,下标为1
–
M,M为视图的个数;r表示用户u对于不同视图v的评分,取值范围为1
–
5。3.按照权利要求1所述所述基于元辅助学习框架的工业大数据驾驶舱视图推荐方法,其特征在于,步骤2中,所述驾驶舱视图推荐系统的数据处理模块读取并处理评分信息,生成用户、视图的特征向量,包括:步骤201,所述驾驶舱视图推荐系统的数据处理模块根据评分信息中用户和视图的ID下标,得到用户个数N和视图个数M,生成一个稀疏的评分矩阵R
N*M
,评分矩阵R
N*M
的对应位置存储特定用户对特定视图的评分;步骤202,系统的数据处理模块得到用户集合U,和视图集合V,根据用户个数N和视图的个数M,分别为用户一侧和视图一侧生成N个和M个的可训练特征向量,并通过映射的构建,使得每个用户和每个视图和这些可训练特征向量一一对应。4.按照权利要求1所述基于元辅助学习框架的工业大数据驾驶舱视图推荐方法,其特征在于,步骤3中,所述驾驶舱视图推荐系统的数据采样模块根据特征向量和评分信息,生成一组关于用户、视图的采样数据,具体包括:步骤301,数据采样模块对评分信息进行预处理,根据用户u对视图评分的取值,将用户评分大于或等于4的视图定义为用户u偏好的视图,也就是用户u的正样本视图其他的视图定义为用户u不偏好的视图,也就是用户u的负样本视图能够表示为如下式(1):
上式(1)中:R
uv
表示用户u对视图v的评分,V表示视图集合;步骤302,根据步骤301得到的所有用户对所有视图的关系,计算不同用户之间的相似度,得到用户侧的相似度矩阵U
N*N
,同时计算不同视图之间的相似度,得到视图侧的相似度矩阵V
M*M
;步骤303,根据步骤302得到的用户之间的相似度矩阵,为每个用户筛选出相似度大于或等于0.3的用户,视为它的正相关用户邻居,同时将其他剩下的用户视为当前用户的负相关用户邻居,在视图侧也进行相同的操作,为每个视图筛选出正相关邻居和负相关邻居;步骤304,数据采样模块生成一组样本,一组样本由7部分组成,包括用户,用户偏好的视图、用户不偏好的视图,用户的正相关邻居,用户的负相关邻居,用户偏好的视图的正相关邻居,用户偏好的视图的负相关邻居。5.按照权利要求1所述基于元辅助学习框架的工业大数据驾驶舱视图推荐方法,其特征在于,步骤4中,所述驾驶舱视图推荐系统的主模型和基于自监督对比学习构建的辅助模型根据采样数据,计算得到对应的损失函数L
pri
和L
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。