申请/专利权人：合肥工业大学

申请日：2020-06-19

公开（公告）日：2024-04-26

公开（公告）号：CN111914885B

主分类号：G06V10/774

分类号：G06V10/774;G06V10/764;G06V10/82;G06N3/047;G06N3/0464;G06N3/08;G06F16/35;G06T3/4038

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2020.11.27#实质审查的生效;2020.11.10#公开

摘要：本发明提供一种基于深度学习的多任务人格预测方法和系统，涉及深度学习领域。包括以下步骤：获取用户文本数据、用户图像数据和用户点赞数据；对数据预处理，得到文本训练数据、图像训练数据和点赞训练数据；基于三种训练数据获取文本向量、图像向量和偏好特征向量；对文本向量和图像向量分别进行拼接处理，得到文本矩阵和图像矩阵；对矩阵进行特征提取，得到文本特征向量和图像特征向量；将文本特征向量、图像特征向量和偏好特征向量进行拼接处理，得到用户特征向量；将用户特征向量输入到预训练的多任务分类全连接网络中，基于Adam优化方法和预设的损失函数训练模型，得到多任务人格预测模型。本发明可以准确分析用户的人格特征。

主权项：1.一种基于深度学习的多任务人格预测方法，其特征在于，所述预测方法由计算机执行，包括以下步骤：S1、获取用户社交数据，形成历史数据；所述历史数据包括：用户行为数据和人格标签数据，所述用户行为数据包括：用户文本数据、用户图像数据和用户点赞数据；S2、对所述用户文本数据、所述用户图像数据和所述用户点赞数据分别预处理，得到文本训练数据、图像训练数据和点赞训练数据；S3、基于所述文本训练数据获取文本向量；基于所述图像训练数据获取图像向量；基于所述点赞训练数据获取偏好特征向量；S4、对所述文本向量和所述图像向量分别进行拼接处理，得到文本矩阵和图像矩阵；对所述文本矩阵和所述图像矩阵分别进行特征提取处理，得到文本特征向量和图像特征向量；S5、将所述文本特征向量、所述图像特征向量和所述偏好特征向量进行拼接处理，得到用户特征向量；S6、将所述用户特征向量输入到预训练的多任务分类全连接网络中，基于Adam优化方法和预设的损失函数训练模型，得到多任务人格预测模型；所述多任务人格预测模型用于预测用户的人格特征，从而预测用户的偏好；S7、基于所述多任务人格预测模型获取用户在每个人格维度上的概率值，基于所述每个人格维度上的概率值和所述人格标签数据获取用户每个人格维度上的得分；其中，在S3中，所述文本向量的获取方法包括：对所述文本训练数据进行统计，选取时间距离最近的若干条记录，形成文本内容集合，基于预训练的Bert模型对所述文本内容集合进行处理，得到文本向量，具体为：senti_vec＝Bertsenti其中：senti表示第i个文本训练数据；在S3中，所述图像向量的获取方法包括：对所述图像训练数据进行统计，选取时间距离最近的若干条记录，形成图像内容集合，基于预训练的VGG-16模型对所述图像内容集合进行处理，得到图像向量，具体为：imagei_vec＝VGG16imagei其中：imagei表示第i个图像训练数据；在S3中，所述偏好特征向量的获取方法包括：获取用户的社交关系： 其中：itemm表示用户user1参与互动的动态；用户与其他用户产生的数据有过互动，即作为一条点赞训练数据，每个用户所有的点赞训练数据构成一个社交网络G1；基于Node2Vec方法获得每个用户的偏好特征向量：usern_vec＝Node2VecGn其中：Gn表示第n个用户；在S6中，所述多任务人格预测模型的获取方法包括：将所述用户特征向量输入到预训练的多任务分类全连接网络中，利用两层全连接网络和softmax层处理，得到多任务分类的每个子任务值，具体包括：h1＝W５·V+b°h５_act＝sigoidh1h2＝W6·h1_act+b2 其中：V表示用户特征向量，V＝concatusern_vec,D_vec,Image_vec；W5、W6表示权重；h1表示两层全连接层中第一层的输出；h1_act表示h1经激活函数的输出；h2表示两层全连接层中第二层的输出；sigmoid为激活函数；softmax将得到的子任务值映射到[0，1]区间内；预设的损失函数为： 其中：loss表示各个子任务的均方误差；L即表示子任务的个数。

全文数据：

权利要求：

百度查询： 合肥工业大学 基于深度学习的多任务人格预测方法和系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD