[发明专利]一种可学习的海量信息高维图形交互式展示方法

说明书

本发明提出了一种可学习的海量信息高维图形交互式展示方法，在高维的空间中进行图形化方式来展示信息的思路，让信息在高维空间中传达出更多更有效的信息。为了避免在高维空间中产生信息化负载，引入了层次化的展示方式，可以将目标的不同细节信息，组织成图形的多尺度特征，并在图形缩放过程中动态地予以展示。在展示信息的方式上，首创利用表示学习技术和自然语言处理技术来抽取目标特征，根据特征重要程度等指标，赋予特征不同权重的方式，来代替传统的文字介绍的形式，向用户全面且精确地展示目标。能捕捉用户和系统的交互行为，并结合用户的行为数据和待展示的目标本身的固有特征，自动优化展示的图形界面，形成一个无监督的强化学习系统。

技术领域

本发明属于海量信息展示形态的人机交互技术创新，具体涉及了内容与相互关联结构的表示学习和特征提取，自动文本摘要等NLP技术、前端可视化技术，以及基于canvas实现的层级化展示技术。和传统的一维展示形式相比，本发明的高维信息展示方式能提供能丰富的信息和交互。

背景技术

互联网行业近年来的超高速发展，APP横行占满手机桌面；各色PC站点也层出不穷，在网络上组成了一个又一个越来越庞大的系统。这些平台内容涵盖非常广泛，几乎已经触及到了人类生活的所有细节，从购物商品，音乐，书籍，到虚拟任务，信息流，知识产品等等。我们将所有这些待展示的东西，条目、产品、搜索结果等统称为目标(object)。

大量目标信息的涌入，导致了用户的信息过载，于是不得不对信息进行筛选和过滤，只选择自身感兴趣的信息。各大平台为了夺取用户的注意力也可以说是绞尽脑汁，尽一切可能把自己产品的信息在展示层面上进行优化。通常情况一个平台下的产品种类繁多，数量庞大，如何用一种适当的方式，恰到好处地去展示这些产品的细节信息，就成为了一个会影响整个平台体验的至关重要的环节。

各大平台可以说在产品展示上花足了力气。网易云的推荐列表，花瓣的流体列表，微信的好友列表。这些平台有的在推荐算法上发力，给出为用户个性化定制的内容；有的在列表展示上进行了小创新，让列表不再枯燥无聊；有的奉行极简主义，认为展示越少的信息给用户的负担就越小。可横向比较所有平台，无非都是在一维列表的基础上对展示形式进行改进，并没有实质突破性的改变。

相比于一维列表有限的展示空间，在高维的空间中能传达的信息更丰富也更有效。进一步，为了解决在高维空间中产生的信息化负载问题，还需要对信息的展示形式做调整。目的是为了可以将目标的不同细节信息，组织成图形的多尺度特征，动态地予以展示。

在展示信息的方式上，相比与传统的文字介绍的形式，本系统利用表示学习技术和自然语言处理技术来抽取目标特征，根据特征重要程度等指标，赋予特征不同权重的方式，来代替传统的文字介绍的形式，向用户全面且精确地展示目标。另外，本发明还是一个基于深度强化学习的自适应系统，能捕捉用户和系统的交互行为，并结合用户的行为数据和待展示的目标本身的固有特征，自动优化展示的图形界面，形成一个无监督的强化学习系统。

一些技术可能应用在这个方面，主要包括以下几个技术点：

可视化方法：主要使用降维算法，将高维上的向量投影到低维上之后，原本相似的向量在低维空间上也相似。具体来说，便是在高维上相似的点投影到在二维空间后，会表现出聚集的效果。

Word2vec：Woc2vec的定义是使用神经网络将one-hot形式的词向量映射到分布式形式的词向量。它其实就是通过学习文本来用词向量的方式表征词的语义信息，即通过一个嵌入空间使得语义上相似的单词在该空间内距离很近。两个词的相似度可以通过这两个词的word2vec向量的余弦距离等进行衡量。

聚类算法：基于文本在某个维度空间上投射的点位，对信息进行聚类。

增量迭代算法：在实现目标可视化的过程中，不断有新的数据加入，在点之间的聚类关系保持不变的前提下，保证不断加入的新增目标的位置不会对已有的布局产生大幅影响。