申请/专利权人：浙江工业大学

申请日：2022-06-16

公开（公告）日：2024-06-21

公开（公告）号：CN115019933B

主分类号：G16H20/30

分类号：G16H20/30;G06N3/0455;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.09.23#实质审查的生效;2022.09.06#公开

摘要：一种融合GMF及CDAE的弱视训练方案推荐方法，属于计算机技术领域。它包括以下步骤：1、获取弱势训练平台数据库中的用户信息数据；2、通过CDAE模型、GMF模型分别对输入的数据进行数据特征提取；3、融合层对CDAE模型、GMF模型的输出进行权重融合；4、优化函数学习模型参数，使预测评分和真实评分的预测误差最小，输出用户推荐结果。本发明是在弱视训练系统中引入智能化推荐，利用计算机领域的神经网络算法使人工配方得到解决，使医疗人员和技术人员得到解放；其引入CDAE模型、GMF模型，有效缓解了因为数据的稀疏性导致的推荐准确率不够的问题，同时提高了推荐效率。

主权项：1.一种融合GMF及CDAE的弱视训练方案推荐方法，其特征在于：推荐系统包括输入层、隐藏层、融合层及输出层；隐藏层包括广义矩阵分解GMF模型及协同降噪自动编码器CDAE模型，所述协同降噪自动编码器CDAE采用三层网络及两层全连接层，其使用偏移向量及tanh激活函数；基于推荐系统的推荐方法具体包括以下步骤：步骤1、输入层获取弱视训练平台数据库中的用户信息数据，用户信息数据包括用户个人基本信息、弱视训练项目相关信息和用户-训练项目交互信息；选取一部分数据进行破损处理，将处理后的破损数据输入协同降噪自动编码器CDAE模型中，将另外一部分没有破损的数据输入广义矩阵分解GMF模型中；步骤2、隐藏层中的协同降噪自动编码器CDAE模型、广义矩阵分解GMF模型分别对输入的数据进行数据特征提取；步骤3、融合层对隐藏层中协同降噪自动编码器CDAE模型、广义矩阵分解GMF模型的输出进行权重融合以均衡高低阶特征；经过融合层得到预测的用户-训练项目评分将其传入输出层用于反馈优化；步骤4、输出层采用均方误差损失MSE来作为目标优化函数学习模型参数，使预测评分和真实评分的预测误差最小，模型参数通过AdamW优化器进行迭代校正；最后根据预测评分的高低顺序，选择设定的TOP-N推荐数量对用户进行推荐；所述步骤1中，将输入层输入的数据映射成描述用户和项目在潜在因素模型上下文中的隐向量，然后以此作为广义矩阵分解GMF模型的输入；将与广义矩阵分解GMF模型输入相同的用户隐向量与破损的用户-项目交互数据相结合作为协同降噪自动编码器CDAE模型的输入，数据处理过程中，将用户-训练项目评分向量中为1的数据随机置0来产生破损数据；所述协同降噪自动编码器CDAE模型中，将来自输入层的用户-训练项目数据输入到两层全连接层提取用户-训练项目的高阶交互信息；在两层全连接层中引入激活函数实现非线性过程，具体如下：首先将输入层中处理后的破损向量映射到全连接层的第一层；然后将第一层全连接；所述广义矩阵分解GMF模型中，首先将用户隐向量和训练项目隐向量对应元素相乘，然后对相乘之后得到的向量乘以权重WG之后相加，再将结果输入激活函数中作进一步映射以引入非线性过程；所述用户个人基本信息包括用户ID、姓名、性别、年龄、矫正视力、症状标签，弱视训练项目信息包括训练项目ID、项目名称、策略ID、策略名称、类别、类别ID，历史训练评分记录包括用户ID、训练项目ID，用户评分。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种融合GMF及CDAE的弱视训练方案推荐方法

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