申请/专利权人：湖南师范大学

申请日：2021-07-05

公开（公告）日：2024-06-18

公开（公告）号：CN113642700B

主分类号：G06N3/092

分类号：G06N3/092;G06N3/084;G06N3/04;G06N3/048;G06N3/098;G06F16/951;G06F9/50

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2021.11.30#实质审查的生效;2021.11.12#公开

摘要：本发明公开了一种基于联邦学习和边缘计算的跨平台多模态舆情分析方法，包括：S1.基于边缘计算的多模态舆情数据处理方法，来处理各公司内部的多模态舆情数据，形成多模态舆情数据样本；S2.采用基于联邦学习的跨平台情感分析模型训练方法，进行跨平台的情感分析训练，获得舆情分析的模型。本发明通过联邦学习的方法，将多个不同公司中的多模态舆情数据同时进行学习，得到统一的情感分析神经网络模型，实现了多模态舆情数据的跨平台分析。本发明在进行跨平台多模态舆情数据分析的同时，由于各公司神经网络的数据不需要互相分享，仅分享神经网络的模型参数，很好的保护了各自公司用户的数据隐私。

主权项：1.一种基于联邦学习和边缘计算的跨平台多模态舆情分析方法，其特征在于包括：S1.基于边缘计算的多模态舆情数据处理方法，来处理各公司内部的多模态舆情数据，形成多模态舆情数据样本；S2.采用基于联邦学习的跨平台情感分析模型训练方法，进行跨平台的情感分析训练，获得舆情分析的模型；所述步骤S1中，基于边缘计算的多模态舆情数据处理方法，包括以下步骤：1.1、确定所需要优化的约束条件和目标函数；1.2、各公司实时采集属于自己用户的舆情数据，以便进行多模态舆情数据处理；1.3、将实时采集的舆情数据向量化，将其转换为计算复杂度向量Ut；1.4、建立一个深度强化学习模型，其中强化学习模型的智能体为深度神经网络DNN，并随机初始化网络参数θ0；1.5、将第t时刻采集到的计算复杂度向量Ut实时输入DNN网络，通过DNN网络计算得到卸载决策向量At和资源分配向量Ft；1.6、根据卸载决策向量At和资源分配向量Ft，在本地和边缘服务器上分配相应的计算资源对多模态舆情数据进行处理；1.7、将获得的卸载决策向量At和资源分配向量Ft作为KNN算法的初始数据，根据各项约束条件和目标函数对输入的At和Ft进行优化，选取最优的和构成样本数据；1.8、循环执行步骤1.5至步骤1.7，然后每隔10个周期训练一次DNN网络；步骤1.1中，目标函数为使得多模态舆情数据的处理时间最短： 其中，Fi表示第i个用户需要处理的多模态舆情数据的计算量；Di第i个用户需要处理的多模态舆情数据的数据量；ai表示卸载策略；fi表示移动边缘计算服务器分配给第i个用户进行多模态舆情数据处理的计算资源；fiL表示第i个用户的数据在本地执行时，本地分配的计算资源；ri表示第i个用户的传输速率，由以下公式计算： 其中，hi是当前舆情数据从用户传输至边缘端处的信道增益，B为信道带宽，为用户的发射功率，σ2为噪声；约束条件如下： 其中，C1表示当前用户收集到的舆情信息必须选择卸载至边缘端进行处理或者留在本地处理；ai表示卸载策略，0代表本地处理，1代表卸载至边缘服务器进行处理；C2表示本地计算分配的计算资源不得超过本地可以用于处理数据的计算资源总量；fiL是本地分配的计算资源，是本地可以用于处理数据的计算资源总量；C3表示分配给所有用户进行多模态舆情数据处理的计算资源总量不得超过当前边缘端服务器上所能够分配用于多模态舆情数据处理的计算资源总量；ai表示卸载策略，fi是边缘服务器分配给第i个用户多模态舆情数据处理的计算资源，是当前边缘端所能够分配用于舆情数据处理的计算资源总量。

全文数据：

权利要求：

百度查询： 湖南师范大学 基于联邦学习和边缘计算的跨平台多模态舆情分析方法

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