【技术实现步骤摘要】
本申请属于计算机，尤其涉及一种高维多模态的人群分组方法、装置及设备。
技术介绍
1、随着人们生活质量的提高以及自我意识的增强，在很多社会团体活动中，人们对舒适度的要求越来越高。为了提高人们的舒适度，都面临着对人群进行合理分组的问题。例如，对于大学生而言，如果将志趣相投的同学分配到同一宿舍，可以从一定程度上避免寝室内发生冲突的隐患。
2、目前，常采用聚类算法进行人群分组。在实际使用中，考虑到聚类过程中的稳定性、易用性、速度和资源消耗等因素，常采用kmeans算法用。然而，随着人群特征的增加，特征维度变得越来越复杂，就对应需要能够满足高纬度特征空间的聚类算法进行人群分组。kmeans算法虽然能够满足高维度特征空间的聚类条件，但是其必须要求固定距离阈值，并且不支持目标数据多族。同时在对高维度特征空间处理过程中存在效率低下，无法快速收敛的问题。
技术实现思路
1、本申请实施例提供了一种高维多模态的人群分组方法、装置及设备，不仅能够提高高纬度特征空间的处理效率，达到快速收敛的目的，且通过动态调整距离阈值，支持目标数据多簇。
2、第一方面，本申请实施例提供了一种高维多模态的人群分组方法，包括：从待分组人群的数据集中随机提取第一用户的特征信息；
3、基于第一用户的特征信息和待分组人群的数据集中其他各第二用户的特征信息，计算各第二用户与第一用户的关联性，特征信息包括至少两个维度的特征信息；
4、若有第二用户与第一用户的关联性小于其余第二用户与第一用户
5、基于初始候选用户以及各维度特征信息的优先级和权重值，利用多模态模型对待分组人群的所述数据集进行聚类分析；
6、在聚类分析过程中，动态调整距离阈值，直至得到的各目标簇分别满足对应各预设簇的条件。
7、在一实施例中，基于初始候选用户以及各维度特征信息的优先级和权重值，利用多模态模型对待分组人群的数据集进行聚类分析，直至得到的各目标簇分别满足对应各预设簇的条件，包括：
8、利用两个初始候选用户作为初始化节点，利用待分组人群中每个用户作为候选节点；
9、基于初始候选用户的特征信息、待分组人群中每个用户的特征信息以及各维度特征信息的优先级和权重值，分别计算两个初始化节点分别与各候选节点之间的距离；
10、基于距离不断进行迭代，在迭代过程中，若当前迭代层得到的簇中有用户的特征信息不满足预设层级的簇质量要求，则从当前迭代层返回至初始步骤重新进行迭代；
11、在一实施例中，在聚类分析过程中，动态调整距离阈值，直至得到的各目标簇分别满足对应各预设簇的条件，包括：
12、在迭代过程中，动态调整距离阈值，直至得到的各目标簇分别满足对应各预设簇的条件。
13、在一实施例中，基于距离不断进行迭代，在迭代过程中，还包括：
14、获取未完成聚类的剩余候选节点；
15、将满足聚类条件的剩余候选节点匹配至各预设簇内，将不满足聚类条件的剩余候选节点基于预设规则进行归并后，返回至初始步骤；
16、对归并后的各剩余候选节点不断进行迭代，直至剩余候选节点的数量小于预设数量阈值。
17、在一实施例中，基于第一用户的特征信息和待分组人群的数据集中其他各第二用户的特征信息，计算各第二用户与第一用户的关联性，包括：
18、对第一用户的特征信息，基于各维度特征信息的优先级和权重值进行归一化处理，得到第一数值；
19、分别对待分组人群的数据集中其他各第二用户的特征信息，基于各维度特征信息的优先级和权重值进行归一化处理，得到各自对应的第二数值；
20、分别计算第一数值和各第二数值之间的距离；
21、利用预设的距离与关联性之间的关系，得到各第二用户与第一用户的关联性。
22、在一实施例中，距离与关联性之间的关系包括反比例关系。
23、在一实施例中，待分组人群包括学生；特征信息包括：姓名、性别、身份标识信息、性格偏好、考学类型、生活习惯、睡眠状态中的至少两个维度。
24、在一实施例中，预设簇包括宿舍信息。
25、第二方面，本申请实施例提供了一种高维多模态的人群分组装置，包括：
26、提取模块，用于从待分组人群的数据集中随机提取第一用户的特征信息；
27、计算模块，用于基于第一用户的特征信息和待分组人群的数据集中其他各第二用户的特征信息，计算各第二用户与第一用户的关联性，特征信息包括至少两个维度的特征信息；
28、初始模块，用于若有第二用户与第一用户的关联性小于其余第二用户与第一用户的关联性，则将第二用户和第一用户分别作为两个初始候选用户；
29、分析模块，用于基于初始候选用户以及预设的各维度特征信息的优先级和权重值，利用多模态模型对待分组人群的数据集进行聚类分析；
30、调整模块，用于在聚类分析过程中，动态调整距离阈值，直至得到的各目标簇分别满足对应各预设簇的条件。
31、在一实施例中，分析模块，包括：
32、节点分配单元，用于利用两个初始候选用户作为初始化节点，利用待分组人群中每个用户作为候选节点；
33、计算单元，用于基于初始候选用户的特征信息、待分组人群中每个用户的特征信息以及各维度特征信息的优先级和权重值，分别计算两个初始化节点分别与各候选节点之间的距离；
34、迭代单元，用于基于距离不断进行迭代，在迭代过程中，若当前迭代层得到的簇中有用户的特征信息不满足预设层级的簇质量要求，则从当前迭代层返回至初始步骤重新进行迭代。
35、在一实施例中，迭代单元，包括：
36、获取子单元，用于获取未完成聚类的剩余候选节点；
37、归并单元，用于将满足聚类条件的剩余候选节点匹配至各预设簇内，将不满足聚类条件的剩余候选节点基于预设规则进行归并后，返回至初始步骤；
38、迭代子单元，用于对归并后的各剩余候选节点不断进行迭代，直至剩余候选节点的数量小于预设数量阈值。
39、在一实施例中，计算模块，包括：
40、第一处理单元，用于对第一用户的特征信息，基于各维度特征信息的优先级和权重值进行归一化处理，得到第一数值；
41、第二处理单元，用于分别对待分组人群的数据集中其他各第二用户的特征信息，基于各维度特征信息的优先级和权重值进行归一化处理，得到各自对应的第二数值；
42、计算单元，用于分别计算第一数值和各第二数值之间的距离；
43、得到单元，用于利用预设的距离与关联性之间的关系，得到各第二用户与第一用户的关联性。
44、在一实施例中，距离与关联性之间的关系包括反比例关系。
45、在一实施例中，待分组人群包括学生；特征信息包括：姓名、性别、身份标识信息、性格偏好、本文档来自技高网...
【技术保护点】
1.一种高维多模态的人群分组方法，其特征在于，包括：
2.如权利要求1所述的高维多模态的人群分组方法，其特征在于，所述基于所述初始候选用户以及各维度特征信息的优先级和权重值，利用多模态模型对所述待分组人群的所述数据集进行聚类分析，包括：
3.如权利要求2所述的高维多模态的人群分组方法，其特征在于，所述基于所述距离不断进行迭代，在迭代过程中，还包括：
4.如权利要求2所述的高维多模态的人群分组方法，其特征在于，所述在聚类分析过程中，动态调整距离阈值，直至得到的各目标簇分别满足对应各预设簇的条件，包括：
5.如权利要求1所述的高维多模态的人群分组方法，其特征在于，所述基于所述第一用户的特征信息和所述待分组人群的数据集中其他各第二用户的特征信息，计算各所述第二用户与所述第一用户的关联性，包括：
6.如权利要求5所述的高维多模态的人群分组方法，其特征在于，所述距离与所述关联性之间的关系包括反比例关系。
7.如权利要求1所述的高维多模态的人群分组方法，其特征在于，所述待分组人群包括学生；所述特征信息包括：姓名、性别、身
8.一种高维多模态的人群分组装置，其特征在于，包括：
9.一种设备，所述设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
...【技术特征摘要】
1.一种高维多模态的人群分组方法，其特征在于，包括：
2.如权利要求1所述的高维多模态的人群分组方法，其特征在于，所述基于所述初始候选用户以及各维度特征信息的优先级和权重值，利用多模态模型对所述待分组人群的所述数据集进行聚类分析，包括：
3.如权利要求2所述的高维多模态的人群分组方法，其特征在于，所述基于所述距离不断进行迭代，在迭代过程中，还包括：
4.如权利要求2所述的高维多模态的人群分组方法，其特征在于，所述在聚类分析过程中，动态调整距离阈值，直至得到的各目标簇分别满足对应各预设簇的条件，包括：
5.如权利要求1所述的高维多模态的人群分组方法，其特征在于，所述基于所述第一用户的特征信息和所述待分组人群的数据集中其他各第二用户的特征信息，计算各所述第二用户与所述第一用户的关联性，包括：
...
【专利技术属性】
技术研发人员：张海平，吕刚文，岳润霞，梁蓝鸽，
申请(专利权)人：深圳信息职业技术学院，
类型：发明
国别省市：
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。