[发明专利]传统读物可视化体验指数预测方法

权利要求书

1.传统读物可视化体验指数预测方法，其特征在于，具体包括以下步骤：

步骤1：收集数据与初始化

对可视化读物以及其用户体验数据进行收集，建立有标注样本集{(x_p,y_p),p＝1,2,...,l}与无标注样本集{x_q,q＝l+1,l+2,...,n}，其中l表示有标注样本总数，n表示所有样本总数，样本x_p,为9维向量，样本特征包括读物分类、目标读者、情节展开方式、是否为三维影像、是否有视觉以外辅助手段、文本主要语言、绘图风格、平均每页字数、图片美观度；y_p∈{χ₁,χ₂,χ₃,χ₄,χ₅}为标签，χ₁,χ₂,χ₃,χ₄,χ₅分别为很差、差、一般、好、很好，表示实数域；

人工设定最大训练次数T0为一个正整数，令训练次数t＝0，人工设定鲁棒因子μ∈(0,1)，人工设定损失系数C0，人工设定传播系数α∈(0,1)，人工设定隐藏节点数N为一个大于9的正整数，随机生成N个输入权重w，w为9维列向量，得到w₁,w₂,...,w_N；随机生成N个输入偏移b，b为实数，得到b₁,b₂,...,b_N；令L_p＝0；

步骤2：生成伪标签

为步骤1中的无标注样本集{x_q,q＝l+1,l+2,...,n}打上伪标签，具体如下：

步骤201：为高斯带宽系数σ0随机取值，并建立亲和矩阵W如下：

其中(W)_ij为W的第i行第j列的元素，i,j＝1,2,...,n；

步骤202：计算最终标签矩阵F：

F＝(1-α)(I-αS)^-1Y

其中，I为单位矩阵，D为W的度矩阵，D为对角阵，其第i个对角元素为传递矩阵Y为初始标签矩阵，其元素为

其中，r＝1,2,3,4,5；为样本x_q的伪标签，其中

步骤3：训练体验指数预测分类器

步骤301：依次取r＝1,2,3,4,5，训练不同类别χ_r对应的基分类器如下：将{(x_p,y_p),p＝1,2,...,l}与中标签或者伪标签为χ_r的样本取出来，共n_r个，得到样本集合进而可以得到类别为χ_r分类器

其中，z表示样本，

其中，I为单位阵，e为n维单位列向量，

h(x)＝[G(w₁,b₁,x),...,G(w_N,b_N,x)]^T

为非线性映射函数，G(w,b,x)为激活函数，为隐含层输出矩阵；偏移阈值其中，为向下取整函数，

函数max2min(·)将输入的数列按照从大到小排列后并输出排列后的数列，为Ξ中第个元素，μ∈(0,1)为鲁棒因子；

步骤302：对步骤301获得的进行集成，具体如下：将样本z输入到中，如果只有一个基分类器输出1，则最终的分类结果为该基分类器对应的类别；对于其他情况，则{ξ^r(z),r＝1,2,3,4,5}中最小元素对应的类别即为最终的分类结果；

步骤303：利用步骤302取得的分类器集成方法，对{x_i,i＝1,2,...,n}进行预测，得到对应预测结果{δ_i,i＝1,2,...,n}，令δ＝[δ₁,...,δ_n]^T，然后求L_c＝δ^TLδ，其中为拉普拉斯图矩阵，如果L_cL_p或者t＝0，则保留当前基分类器集合，即令L_p←L_c，令t自增1，如果t≤T则跳至步骤2，否则训练停止，进入下一步；

步骤4：基于训练得到的与步骤302所述的集成规则，预测体验指数。

2.如权利要求1所述的传统读物可视化体验指数预测方法，其特征在于，步骤301所涉及的激活函数为：

或

或

G(w,b,x)＝cos(w^Tx+b)。