一种融合多维度策略体系构建的流程分析方法及系统技术方案

本发明专利技术公开了一种融合多维度策略体系构建的流程分析方法及系统，属于推荐流程系统领域，方法包括以下步骤：建立第一层训练模型，使用随机重复采样方法，对每一个基础模型的训练集都进行随机重复采样，最后生成新训练集D

【技术实现步骤摘要】
一种融合多维度策略体系构建的流程分析方法及系统


[0001]本专利技术涉及一种推荐流程系统，具体是一种融合多维度策略体系构建的流程分析方法及系统。

技术介绍

[0002]个人情绪作为一种复杂的心理过程，具有社会属性，与理性思维和逻辑推理能力一起在决策流程中扮演重要角色。正面个人情绪可以提高人们的积极性和认知能力，而负面个人情绪则会影响人们的动机、决策和记忆，甚至有一些隐藏的情绪都不易被用户本人所发现，因此为了减弱甚至消除负面个人情绪对决策流程的消极影响，需要根据用户个人情绪需求准备的定制个性化的推荐流程系统。
[0003]而现有的推荐流程系统无法有效建立用户的个人偏好，推荐资源的分类准确度不高。因此，本领域技术人员提供了一种融合多维度策略体系构建的流程分析方法及系统，以解决上述
技术介绍
中提出的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种融合多维度策略体系构建的流程分析方法及系统，能够有效建立用户的个人偏好，提高推荐资源的分类准确度，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]一种融合多维度策略体系构建的流程分析方法，包括以下步骤：
[0007]建立第一层训练模型，使用随机重复采样方法，对每一个基础模型的训练集都进行随机重复采样，每一次随机重复采样后，将该未采集到的数据作为该基础模型的验证集使用，最后生成新训练集D
Train
‑2；
[0008]建立第二层训练模型，对新训练集D
Train
‑2进行重复采样得到第二层训练模型的训练集，对未采集到的数据进行合并去重得到第二层训练模型的验证集，用训练好的第二层训练模型对验证集进行预测，生成融合训练集D
Train
‑3；
[0009]融合模型，将随机森林模型(RF)作为融合层训练的模型，将在第二层训练模型预测得到的融合训练集D
Train
‑3分别作为该模型的训练集和测试集，将最后在训练好的融合模型上经过随机验证集验证后的结果作为模型融合后的最终用户偏好预测结果；
[0010]获得目前用户偏好与其对应的资源；
[0011]生成推荐列表，推送给用户。
[0012]作为本专利技术进一步的方案：所述第一层训练模型的具体训练过程如下：
[0013]构造3个不同参数的CART随机森林模型(RF)和和3个不同参数的MLP多层神经网络Adaboost模型(Ada)作为基于关键用户推荐和资源情感评分两个维度的训练模型H1＝{h1，h2，
……
h6}；
[0014]针对基础模型H1，对现有的已验证数据中提取关键用户推荐与资源情感评分两个
维度通过贝叶斯推理、Dempster
‑
Shafer证据推理、人工神经网络、模糊逻辑和卡尔曼过滤生成训练集得到D
Train
，进行随机重复采样得到6组训练集D
Train
‑1＝{D
T1
，D
T2
，
……
D
T6
}；
[0015]将训练集D
Train
中除了训练集D
Train
‑1外数据作为验证集D
Val
＝{D
V1
，D
V2
，
……
D
V6
}，再针对验证集D
Val
，对D
Val
中的数据进行去重，只保留不重复的数据，最后记为验证集D
Val
‑1；
[0016]先用训练集D
Train
‑1训练基础模型H1，再用训练好的基础模型H1预测验证集D
Val
‑1，生成新训练集D
Train
‑2。
[0017]作为本专利技术再进一步的方案：所述CART是一种决策树算法，可用于分类和回归问题，而随机森林(RF)则是一种集成学习算法，它使用多个决策树来改善单一决策树的性能；随机森林使用随机化方法来构建一组决策树，在构建每个决策树时，它随机选择数据样本和特征进行训练，这样可以降低单个决策树过拟合的风险，并提高整个随机森林的泛化性能；对于分类问题，随机森林使用投票法来进行预测，即对于每个测试样本，随机森林中的每个决策树都会给出一个分类结果，最终预测结果是所有决策树结果中出现最多的类别；对于回归问题，随机森林使用平均值来进行预测，即每个决策树预测出来的结果取平均值作为最终预测结果。
[0018]作为本专利技术再进一步的方案：所述MLP多层神经网络是一种基于神经元和层级结构的机器学习模型，它可以用于解决分类和回归问题，MLP模型由输入层、隐藏层和输出层组成，其中每一层都包含多个神经元，每个神经元都通过激活函数将输入信号转化为输出，Adaboost是一种集成学习算法，它可以将多个弱分类器组合成一个强分类器，Adaboost算法通过对每个训练样本赋予不同的权重，使得弱分类器能够对难分类的样本进行更好的分类，从而提高整个模型的准确性。
[0019]作为本专利技术再进一步的方案：对所述D
Train
进行随机重复采样得到D
Train
‑1前，为了保证模型的准确性和鲁棒性，需要对训练集D
Train
进行数据清洗和预处理，包括去除重复数据、处理缺失数据、标准化数据等操作。同时，还需要进行模型选择和超参数调优等步骤，以提高模型的性能和泛化能力。
[0020]作为本专利技术再进一步的方案：所述数据清洗和预处理包括去除重复数据、处理缺失数据、标准化数据。
[0021]作为本专利技术再进一步的方案：对所述训练集D
Train
进行数据清洗和预处理的同时，需要进行模型选择和超参数调优。
[0022]作为本专利技术再进一步的方案：所述第二层训练模型的具体训练过程如下：
[0023]构造一个随机森林分类器(RF)和一个Adaboost分类器，以生成训练模型H2＝{h1，h2}；
[0024]对新训练集D
Train
‑2进行重复采样获得2组训练集D
newTrain
‑2＝{DT1，DT2}，同时将未采集到的数据进行合并去重，得到第二层训练模型的新验证集D
val
‑2；
[0025]用训练集D
newTrain
‑2对训练模型H2进行训练，并使用训练好的训练模型H2对验证集进行预测，生成融合训练集D
Train
‑3。
[0026]作为本专利技术再进一步的方案：所述推荐列表按照用户偏好程度从高到低依次排列。
[0027]本申请还公开一种融合多维度策略体系构建的流程分析系统，包括：
[0028]第一训练模块，用于建立第一层训练模型，使用随机重复采样方法，对每一个基础
模型的训练集都进行随机重复本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多维度策略体系构建的流程分析方法，其特征在于，包括以下步骤：建立第一层训练模型，使用随机重复采样方法，对每一个基础模型的训练集都进行随机重复采样，每一次随机重复采样后，将该未采集到的数据作为该基础模型的验证集使用，最后生成新训练集D
Train
‑2；建立第二层训练模型，对新训练集D
Train
‑2进行重复采样得到第二层训练模型的训练集，对未采集到的数据进行合并去重得到第二层训练模型的验证集，用训练好的第二层训练模型对验证集进行预测，生成融合训练集D
Train
‑3；融合模型，将随机森林模型作为融合层训练的模型，将在第二层训练模型预测得到的融合训练集D
Train
‑3分别作为该模型的训练集和测试集，将最后在训练好的融合模型上经过随机验证集验证后的结果作为模型融合后的最终用户偏好预测结果；获得目前用户偏好与其对应的资源；生成推荐列表，推送给用户。2.根据权利要求1所述的一种融合多维度策略体系构建的流程分析方法，其特征在于，所述第一层训练模型的具体训练过程如下：构造3个不同参数的CART随机森林模型和和3个不同参数的MLP多层神经网络Adaboost模型作为基于关键用户推荐和资源情感评分两个维度的训练模型H1＝{h1，h2，
……
h6}；针对基础模型H1，对现有的已验证数据中提取关键用户推荐与资源情感评分两个维度通过贝叶斯推理、Dempster
‑
Shafer证据推理、人工神经网络、模糊逻辑和卡尔曼过滤生成训练集得到D
Train
，进行随机重复采样得到6组训练集D
Train
‑1＝{D
T1
，D
T2
，
……
D
T6
}；将训练集D
Train
中除了训练集D
Train
‑1外数据作为验证集D
Val
＝{D
V1
，D
V2
，
……
D
V6
}，再针对验证集D
Val
，对D
Val
中的数据进行去重，只保留不重复的数据，最后记为验证集D
Val
‑1；先用训练集D
Train
‑1训练基础模型H1，再用训练好的基础模型H1预测验证集D
Val
‑1，生成新训练集D
Train
‑2。3.根据权利要求2所述的一种融合多维度策略体系构建的流程分析方法，其特征在于，所述CART是一种决策树算法，可用于分类和回归问题，而随机森林则是一种集成学习算法，它使用多个决策树来改善单一决策树的性能；随机森林使用随机化方法来构建一组决策树，在构建每个决策树时，它随机选择数据样本和特征进行训练，这样可以降低单个决策树过拟合的风险，并提高整个随机森林的泛化性能；对于分类问题，随机森林使用投票法来进行预测，即对于每个测试样本，随机森林中的每个决策树都会给出一个分类结果，最终预测结果是所有决策树结果中出现最多的类别；对于回归问题，随机森林使用平均值来进行预测，即每个决策树预测出来的结果取平均值作为最终预测结果。4.根据权...

【专利技术属性】
技术研发人员：张谋东，陈雄华，陈家铭，
申请(专利权)人：厦门海晟融创信息技术有限公司，
类型：发明
国别省市：