基于最优化元学习的个性化推荐方法、系统及存储介质技术方案

本发明专利技术公开了一种基于最优化元学习的个性化推荐方法、系统及存储介质，采用基于分解的时间序列预测模型对用户行为时序数据进行分解，提取其中的趋势性特征和季节性特征，以实现对未来行为预测；采用元学习的方法训练基于分解的时间序列预测模型，对不同用户进行归纳总结，得到泛化性较好的初始化模型；采用基于帕累托最优的多目标优化算法，实现模型训练过程中的最优路径寻找并实现模型的最优解；对初始化模型进行微调得到个性化的用户行为习惯模型，用于实现对不同用户个性化推荐。本发明专利技术能够对家庭用户的行为数据进行深入挖掘，构建用户的行为习惯模型和兴趣模型，为用户生成个性化的推荐策略，极大的提高了对用户推荐策略的准确性。略的准确性。略的准确性。

【技术实现步骤摘要】
基于最优化元学习的个性化推荐方法、系统及存储介质


[0001]本专利技术属于基于深度学习的个性推荐的
，具体涉及一种基于最优化元学习的个性化推荐方法、系统及存储介质。

技术介绍

[0002]随着社会水平的发展和科技的进步，人们的生活水平得到了进一步的提高，最为明显的就是家庭内的智能设备数目逐步增加、种类也越来越丰富，极大的提高了家居生活的舒适度、便利性和安全性。家居的科技含量随着科技的进步不断提高，现在的智能家居已经实现了多种应用场景：智能照明、智能门锁、智能窗帘、智能电视、智能音箱等。其中智能照明可以根据用户的习惯和需要自动调节亮度、智能门锁能通过人脸指纹等实现智能开锁和防盗报警、智能窗帘可以根据光照条件自动调节窗帘开合度、智能电视可以根据用户的喜好来推荐影视作品等等。随着人工智能、大数据和物联网等技术的发展，人们对智能家居的要求会越来越高，家居生活的智能化、人性化和普及化成为必然趋势，它会成为未来家居生活的重要组成部分、为人们带来更加智慧、舒适和健康的生活方式。
[0003]家居智能化的关键点之一就是针对用户行为习惯和爱好的个性化精准推荐，随着智能家居系统中的设备和服务越来越多，用户面临的信息和选择也越来越多，如何从这些信息中挖掘出用户感兴趣的内容，并向用户提供个性化的推荐是智能家居的重要问题。目前的智能家居场景下的个性化推荐更多的集中在单品的个性化推荐，例如：智能音箱根据语音识别和自然语言处理技术来识别用户指令并推荐个性化音乐、智能空调根据历史使用记录、温度、湿度来提供个性化的温度和湿度控制服务，智能照明系统根据用户的行为记录和光照需求为用户提供个性化的照明场景。未来的家居的智能化必将走向全屋，即根据用户行为数据来预测和推荐用户行为，不需要用户进行按键和语音即可享受到舒适的居住环境。
[0004]然而，上述的个性化推荐方法在面对单一设备时表现良好，但在面对全屋的个性化推荐时表现不尽人意。这是因为传统的方法规则简单、无法更深入的挖掘用户的行为习惯和喜好，另外随着用户数据的增多无法有效的对模型更新，这样就无法提供准确有效的推荐服务。以上问题会极大的影响智能家居场景下的行为习惯、兴趣偏好、社交关系等的挖掘，同时会影响推荐策略的准确性和有效性。

技术实现思路

[0005]本专利技术的目的在于提供一种基于最优化元学习的个性化推荐方法、系统及存储介质，通过使用深度学习模型对用户行为数据进行挖掘建模，并在少量用户数据的情况下能够快速微调，实现对于不同用户都能快速实现个性化预测推荐。
[0006]用户行为数据的有效挖掘是个性化推荐的重要组成部分，数据集包含了居家行为轨迹，动作，各智能电器的使用情况等数据。本专利技术通过大数据技术对大量的用户行为习惯进行建模，得到智能家居群体的居住和设备习惯特点，再针对特定用户对模型进行调整，这
样就能快速、准确的建立个性化的用户行为习惯模型。然后，根据算法模型对用户的生活状态和习惯进行评估以及对未来行为进行预测，这样就能对用户生成精准的服务策略和提供个性化的服务。这可以全面的提高智能家居生活的智能化程度，有效的提高居住质量，对智能家居行业产生重要影响。
[0007]本专利技术主要通过以下技术方案实现：
[0008]一种基于最优化元学习的个性化推荐方法，采用基于分解的时间序列预测模型对用户行为时序数据进行分解，提取其中的趋势性特征和季节性特征，以实现对未来行为预测；采用元学习的方法训练基于分解的时间序列预测模型，对不同用户进行归纳总结，得到泛化性较好的初始化模型；采用基于帕累托最优的多目标优化算法，实现模型训练过程中的最优路径寻找并实现模型的最优解；对初始化模型进行微调得到个性化的用户行为习惯模型，用于实现对不同用户个性化推荐。
[0009]为了更好地实现本专利技术，进一步地，包括以下步骤：
[0010]步骤S1：对用户行为时序数据进行数据预处理，然后将数据集按照6：2：2划分得到训练集、验证集、测试集；所述训练集用于模型训练；所述验证集用于检验网络结构和调整模型超参数，判断是否过拟合；所述测试集用于检验模型的泛化能力；
[0011]步骤S2：将基于分解的时间序列预测模型作为基础模型，并采用训练集对基础模型进行训练，通过残差结构对时序数据逐层分解，最终获得用户行为时序数据不同层次之间的趋势性特征和周期性特征；
[0012]步骤S3：采用基于最优元学习的方法对基础模型进行训练，通过归纳总结不同用户之间的共性，挖掘模型先验知识，获得鲁棒性较好的初始化参数，得到适用于所有用户的初始化模型；
[0013]步骤S4：在新用户加入时，通过少量数据对初始化模型进行微调得到新用户的用户行为习惯模型，用于实现对不同用户个性化推荐。
[0014]为了更好地实现本专利技术，进一步地，所述步骤S1中，所述数据预处理包括：对用户行为时序数据进行线性归一化处理，将原始用户行为数据转换到[0,1]的范围，以平衡不同行为对模型的影响；针对在部分时间段存在缺省值的用户行为时序数据，对其统一做上、下条数据填补，以保证输入数据的时间粒度一致。
[0015]为了更好地实现本专利技术，进一步地，所述步骤S2中，基于分解的时间序列预测模型包括若干个从上至下依次设置的Stack，所述Stack由若干个从上至下依次设置的Block组成，每个Block包括从前至后依次设置的编码器、自注意力模块以及并列设置的两个全连接层；
[0016]所述编码器由若干个LSTM单元组成，用于从输入向量中提取长短时间特征向量：
[0017]h1＝LSTMs(x
i
)
[0018]所述自注意力模块用于使模型关注到不同时间点之间的相关性，并更多的关注到输入向量中的关键信息，具体公式如下：
[0019]h2＝Att(h1)
[0020]Att(Q，K，V)＝w(QK
T
)V
[0021]其中，Q，K，V分别是由输入序列分别乘以权重矩阵W
q
，W
k
，W
v
得到，
[0022]QK
T
为计算样本特征和信息特征之间的相似度，
[0023]w()为激活函数，用于得到各个样本和各个信息之间的相似或相关程度分布，
[0024]V为值向量矩阵；
[0025]两个全连接层的输出如下：
[0026][0027][0028]所述用于下一个Block运算，所述用于加法运算得到Stack的输出，所述用于叠加运算得到预测结果。
[0029]为了更好地实现本专利技术，进一步地，所述步骤S3中，基于最优元学习的方法是采用多目标优化对元学习训练过程中的多个任务进行平衡，给不同任务分配最优权值，使得模型训练过程中按照最优路径进行迭代，获得最优的路径和结果；最优化的目标，公式如下：
[0030][0031]其中，L
τi
(θ
t
)表示第t个任务微调后的模型损失，
[0032]将不同任务损失乘本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于最优化元学习的个性化推荐方法，其特征在于，采用基于分解的时间序列预测模型对用户行为时序数据进行分解，提取其中的趋势性特征和季节性特征，以实现对未来行为预测；采用元学习的方法训练基于分解的时间序列预测模型，对不同用户进行归纳总结，得到泛化性较好的初始化模型；采用基于帕累托最优的多目标优化算法，实现模型训练过程中的最优路径寻找并实现模型的最优解；对初始化模型进行微调得到个性化的用户行为习惯模型，用于实现对不同用户个性化推荐。2.根据权利要求1所述的一种基于最优化元学习的个性化推荐方法，其特征在于，包括以下步骤：步骤S1：对用户行为时序数据进行数据预处理，然后将数据集按照6：2：2划分得到训练集、验证集、测试集；所述训练集用于模型训练；所述验证集用于检验网络结构和调整模型超参数，判断是否过拟合；所述测试集用于检验模型的泛化能力；步骤S2：将基于分解的时间序列预测模型作为基础模型，并采用训练集对基础模型进行训练，通过残差结构对时序数据逐层分解，最终获得用户行为时序数据不同层次之间的趋势性特征和周期性特征；步骤S3：采用基于最优元学习的方法对基础模型进行训练，通过归纳总结不同用户之间的共性，挖掘模型先验知识，获得鲁棒性较好的初始化参数，得到适用于所有用户的初始化模型；步骤S4：在新用户加入时，通过少量数据对初始化模型进行微调得到新用户的用户行为习惯模型，用于实现对不同用户个性化推荐。3.根据权利要求2所述的一种基于最优化元学习的个性化推荐方法，其特征在于，所述步骤S1中，所述数据预处理包括：对用户行为时序数据进行线性归一化处理，将原始用户行为数据转换到[0,1]的范围，以平衡不同行为对模型的影响；针对在部分时间段存在缺省值的用户行为时序数据，对其统一做上、下条数据填补，以保证输入数据的时间粒度一致。4.根据权利要求2所述的一种基于最优化元学习的个性化推荐方法，其特征在于，所述步骤S2中，基于分解的时间序列预测模型包括若干个从上至下依次设置的Stack，所述Stack由若干个从上至下依次设置的Block组成，每个Block包括从前至后依次设置的编码器、自注意力模块以及并列设置的两个全连接层；所述编码器由若干个LSTM单元组成，用于从输入向量中提取长短时间特征向量：h1＝LSTMs(x
i
)所述自注意力模块用于使模型关注到不同时间点之间的相关性，并更多的关注到输入向量中的关键信息，具体公式如下：h2＝Att(h1)Att(Q，K，V)＝w(QK
T
)V其中，Q，K，V分别是由输入序列分别乘以权重矩阵W
q
，W
k
，W
v
得到，QK
T
为计算样本特征和信息特征之间的相似度，w()为激活函数，用于得到各个样本和各个信息之间的相似或相关程度分布，V为值向量矩阵；两个全连接层的输出如下：
所...

【专利技术属性】
技术研发人员：王佳昊，钟鑫，方剑平，林建旋，廖小顺，徐睿泽，
申请(专利权)人：厦门智小金智能科技有限公司，
类型：发明
国别省市：