[发明专利]一种基于群智感知的推荐方法

摘要

一种基于群智感知的推荐方法，采集数据，通过智能路由器或基站对所获数据进行预处理，由边缘服务器对经过预处理的数据进行调度与整合，从云中心获取的用户的历史数据，对感知获取数据及历史数据进行数据无损融合，形成群智数据，实现群智集成的过程，根据用户历史行为和实施感知行为生成当前场景的推荐内容。通过建立树‑模型联合训练框架，优化树的结构，将最终的推荐内容反馈到用户的智能终端，进而实现群智感知。利用边缘计算环境，形成云中心—边缘服务器—移动终端整体架构的框架，在边缘服务器中产生的群智数据及推荐结果同时上传到云中心，进行云中心的智能协调调度和汇总反馈，更新云中心的群智数据，形成群智云，实现云端融合。

主权项

1.一种基于群智感知的推荐方法，其特征在于，包括以下步骤：1)数据感知：由边缘服务器发布推荐感知任务，规定相关的所需采集的数据类型，文本数据、传感器数据、噪声数据、数据采集频率、用户参与机制；用户数据获取模块，根据用户数据上传的协助方式将其分为参与式感知数据与机会式感知数据，通过用户携带的智能设备产生的数据信息，以及其他智能设备采集到的用户相关信息；其中参与式感知数据包括：在获取用户权限的基础下，由可穿戴设备智能终端产生的行为信息，通过用户携带的智能移动设备所附带的传感器记录产生的数据，包括用户位置信息、加速度传感器获取得到用户的运动状态、手机麦克风采集到的环境噪声参与式感知数据；而机会式感知数据包括：在未获取用户权限的基础下，通过智能监控设备捕获到用户相关的数据类型称之为机会式感知数据；参与式感知数据与机会式感知数据的获取有利于后续数据分析的全面性，数据统一采集到智能路由器中，通过智能路由器或基站，具有一定的运算能力、存储能力及对数据进行简单处理的能力，对所有用户产生的数据信息进行收集，并在其中进行相应的数据剔除预处理工作；2)数据采集：用户在收到任务通知后，需要确认是否上传其智能设备相关数据，数据类型，文本数据、传感器数据、噪声数据，确认上传后，数据将在智能路由器中进行压缩、加密、防止隐私泄露的方式处理相关数据，同时，智能路由器会进行一定程度的数据有效性检测、数据清洗处理；3)数据处理：在搭建好的边缘计算环境下，包括云端—边缘服务器—移动终端这样的整体架构，经智能路由进行预处理后的数据，上传至边缘服务器，在边缘服务器进行数据分类处理，通过支持向量机(SVM)、随机森林(RF)或k邻近(kNN)机器学习分类器的算法对数据进行分类；同时在边缘服务器上部署一种基于群智树的推荐算法，通过采用树的形式来组织用户兴趣层次，并且将之作为兴趣推荐的层次检索结构载体，随后对分类后的数据通过内嵌的基于群智树的算法进行计算，在单独计算每个兴趣节点的偏好时，引入更加切合数据特性的复杂模型结构来优化预测结果，形成一个低时延、高可用的实时推荐系统；通过采用树的形式来组织用户兴趣层次，如并且将之作为兴趣推荐的层次检索结构载体，在单独计算每个兴趣节点的偏好时，引入更加切合数据特性的复杂模型结构来优化预测结果，其定义树上节点的概率为：其中，a^(j)是第j层节点兴趣概率的归一化因子,P_i(u)表示用户对于叶子节点背后的真实兴趣度，公式表示用户对第j层父节点兴趣偏好概率正比于用户对第j+1层孩子节点兴趣偏好概率的最大值。具体地，可以将每层节点的兴趣判别单独建模，构建针对单层节点的全局分类器来保证在单层上的精确分类能力，如果用户对叶子节点n_i感兴趣，那对于其他不感兴趣的叶子节点n_j有P(n_i|u)＞P(n_j|u)，根据公式(1)，对于叶子节点n_i的父亲节点和n_j的父亲节点有这样的方法使得得到的模型在单层上有更好的分类判别能力，同时引入基于用户历史行为的结构，采用用户和树节点的历史交叉信息引入，通过对用户兴趣进行层次切分和逐层圈选，避免了直接在全量候选集上的超大计算，群智树采用将大问题切割成多个小问题递归求解的方式实现全库检索，通过建立了树‑模型联合训练框架，通过初始树‑模型训练‑树重建‑模型再训练的循环迭代，树的结构随着模型的演进不断得到优化，使得树更契合用户的兴趣组成和分布，而模型训练也受益于优化后的树结构；4)推荐反馈：通过步骤3)的算法得出的结果，对比云中心的历史数据，进行树模型循环迭代的重构，得出推荐结果，边缘服务器通过web或其他方式反馈给用户，同时将内容上传至云中心；在边缘服务器产生数据及运算结果定期上传至云中心进行汇总，降低云中心负载的同时，进行云—边缘—终端的数据交互，实现在海量数据下，云中心的宏观调度、边缘服务器的实时调控、智能终端获取推荐体系的形成，进行更精确的推荐。