一种泛相关稀疏矩阵空间的信息融合与自适应匹配方法与流程

本发明属于人工智能
技术领域：
，涉及一种泛相关稀疏矩阵的信息融合和自适应匹配方法。
背景技术：
：信息匹配在人工智能
技术领域：
中是一个热点，广泛应用于商品鉴别与产品推荐系统尤其是一些商业系统中。各种类型的信息和不断出现的信息的异构与复杂性，注定了相关信息的融合在信息匹配中的重要性，因此信息融合在近几年的时间里引起了高度重视和广泛研究。但是由于信息量巨大且类型繁杂等原因使得信息融合面临前所未有的挑战，远远不能满足用户需求。在现有的一些商业系统中，大量的特定属性的物体与有关事件的识别要通过人为的链接，甚至通过拨打电话等方法，导致使用非常不方便。而且，某些特定物体与一些属性难以实现智能匹配，从而无法提供有效的服务定位与资源探索。例如，在一个二维码购物的应用系统中，通过扫描二维码信息可以定位产品的显性属性如种类价格等，然而，当产品被某客户购买后，通常也只能了解该产品类似订单、物流等详情，该产品与该产品拥有者的交互并不能完全反映出来。举例说明，某客户通过二维码购物系统买了一瓶某品牌的酒。打开后发现酒是假的且该客户非常愤怒，这时客户要通过传统系统提供的在线客服服务或者拨打客服电话等方法寻求解决，通常给客户带来了非常不好的购物体验。如果能通过一个并行多渠道匹配系统，经视频行为信息分析、音频语音信息智能分析、情感信息识别分析、主客观需求信息分析，使物体和事件与深层属性进行智能匹配，即可与人产生多维互动，完成基于多维信息的可靠的产品认证，产地溯源，服务推荐和相关的售后服务等快速优质服务。另外，还有一些系统如图1所示，只能对物体与事件的外在属性完成匹配，而无法实现对标识的多维高层属性的智能识别和匹配。在这种传统的识别系统中，一般可以完成对显性属性的识别与匹配，同时完成匹配算法的优化。比如对人脸图像的识别，可以通过图像识别系统完成身份属性的识别，进而完成相应服务例如开门等功能。当识别与服务是一个非常复杂的系统时，传统的分类匹配方法已经无法满足这类复杂系统的需求。现有的一些解决方法是通过深度学习进行分类匹配。然而，直接应用深度学习存在着计算时间与存储资源开销过多的问题。从应用层面上来说，现在很多智能设备例如智能手机等不能实时完成相应的识别，所以难以应用到现实生活中；在技术层面，这种多耦合的系统存在收敛的稳定性问题。两个或两个以上线性系统进行耦合，假定输入是有界的，但其输出不一定有界。设一个系统本身是稳定的，若对该系统进行语音分析，则将该系统与语音分析系统进行耦合。此时，语音分析通常在频域进行，而域的转化是通过傅里叶级数展开实现的。如果该系统函数式的傅里叶级数造成局部优化不收敛，则也将导致耦合后的系统不收敛。而现有技术难以保证全局优化的收敛，所以直接采用深度学习往往难以达到理想的效果。例如，在一个二维码服务应用中，我们可以通过二维码，加上图像信息识别一个人的身份和他所购买的物品。假如我们需要进一步深度学习到这个物品对于它的拥有者的深层作用与关系，那么该系统将十分繁复不宜直接采用深度学习的方法。而在实际应用中，这种深层作用与关系往往又是我们非常希望得到的，我们不能摒弃。如果简单采用深度学习，一方面导致系统非常复杂，运算资源开销巨大；另一方面强大的深度学习系统在异构的信息空间很难收敛到全局最优。这样的系统在优化时往往会死锁在某一个驻点或局部最优的地方。本发明基于泛相关稀疏矩阵信息融合的自适应匹配方法，实现了可以稳定收敛的智能匹配与服务发现系统。技术实现要素：本发明首先1)构建了一种泛相关稀疏矩阵信息空间，实现了复杂异构信息的融合表示；2)给出了泛相关稀疏矩阵的构建方法，设计了多模块稀疏化编码；3)在泛相关稀疏矩阵空间定义了异构元素的运算法则；4)在此基础上实现了多维属性智能匹配与服务发现的系统。解决现有的同类方法因没有统一的系统架构和异构信息的融合方法而采用分类与分层优化导致的难以融合全局元素的问题；应用层面时间与通讯资源开销过多，难以实现移动端环境应用的问题；技术层面难以保证全局稳定性和收敛性的问题。一种泛相关稀疏矩阵空间的信息融合与自适应匹配方法,其特征在于：包括泛相关稀疏矩阵异构空间的构建、多模块稀疏化编码和自适应匹配三大部分；泛相关稀疏矩阵异构空间的构建分为识别阶段和构建阶段；而且，所述识别阶段包括以下两个步骤:步骤1，系统通过连接多维通道的智能设备，获得并行结构的元数据输入，通过识别系统，识别出人物和事物，假设人物数量为u1，事物数量为v1，其所述人物集合为所述事物集合为步骤2，针对一个事件而言，分别提炼出人、事物、人和事物的关系，构建范式抽象空间{(人，事物，关系)}，所述关系合集构成集合R；在空间属性的基础之上，对于所述人相对于事物的关系，构造数字指标集合R1＝{1,2,...,r1}；对于所述事物相对于人的反关系,构造数字指标集合R2＝{1,2,...,r2}；提取和相应的全属性以及两者之间的相互关系,其中，对应的属性向量分别为对应的属性向量分别为对于1≤i1≤u1，1≤i2≤v1，相对于的所述关系为相对于的所述关系为所述构建阶段，包括根据输入数据集提取的人和物品的全属性，以及相互关系深度融合构成泛相关稀疏矩阵；对于事件s，其所述人物集合为对应的属性向量分别为所述事物集合为对应的属性向量分别为对于1≤i1≤u1，1≤i2≤v1，相对于的所述关系为相对于的所述关系为所述事件s的所述泛相关矩阵为当u1<50、u2<50、v1<50且v2<50时，可取泛相关矩阵的维度为100，A＝(aij)1≤i,j≤50、B＝(bij)1≤i,j≤50、C＝(cij)1≤i,j≤50、D＝(dij)1≤i,j≤50；将属性向量按行置入泛相关矩阵，A为人物属性部分，D为事物属性部分,B为人物对于事物的正关系部分，C为事物相对于人物的反关系部分，矩阵空余的部分补0；也就是说，当u1<i≤50或u2<j≤50时，aij＝0；当v1<i≤50或v2<j≤50时，dij＝0；当u1<i≤50或v1<j≤50时，bij＝0；当u1<i≤50或v1<j≤50时，cij＝0；可加指标是指两个属性向量满足对于属性空间的每个分量该项指标的数值能进行泛函意义下的求和运算，反之则为所述不可加指标；可加关系是指对人物之间的相对关系能作叠加运算；若不满足，则为不可加关系；对于泛相关矩阵和其中，A1、A2为事件的主体，D1、D2为事件的客体，B1为A1相对于D1的正关系，B2为A2相对于D2的正关系，C1为D1相对于A1的反关系，C2为D2相对于A2的反关系。A1、A2不能直接相加，当且仅当A1、A2中的可加主体部分其客体和相互关系完全一致、且与主体关联的关系均为可加关系时，方可进行求和运算。多模块稀疏化编码：采用训练的方法，输入泛相关矩阵F，将F分成多个模块,对各个模块分别进行稀疏化编码；首先，将所述泛相关矩阵F分解为多个模块，如4个，形式如下：F=F11000+0F1200+00F210+000F22]]>F11、F12、F21、F22维度相同，当F的维度为偶数且F11、F12、F21、F22的维度恰好为F维度的一半时，F=F11F12F21F22=F11000+0F1200+00F210+000F22]]>其次，对F11、F12、F21、F22分别进行稀疏化编码，系数序列可作为F的特征表示。反之，则可以通过系数序列进行相应的解码得到泛相关矩阵F；自适应匹配：信息库预先置入部分先验信息，并随着所述客户终端反馈信息不断更新；信息库的实现方式为数组对；对于已有事件，其所述泛相关矩阵为Fin，其事件处理方式的所述属性向量为dout，其在信息库中的储存形式为数组对(Fin,dout)；对于输入的泛相关矩阵Fnew，参照历史的近邻泛相关矩阵给出输出事件处理方式。本发明构建了统一化空间，通过多模块稀疏化编码实现了全局最优，保证了系统的全局收敛性。而在优化过程中，计算允许的情况下直接通过深度学习与稀疏化编码相结合，进一步提高了匹配精度。附图说明图1：现有标识系统的拓扑结构图图2：泛相关矩阵构造流程图图3：全属性提取阶段图4：自适应匹配架构图具体实施方式为了达到以上目的，本发明采用的技术方案为一种基于泛相关稀疏矩阵异构空间的信息融合与智能化自适应匹配方法：包括泛相关稀疏矩阵异构空间的构建方法、多模块稀疏化编码和智能化自适应匹配三大部分。首先，本发明所述第一部分泛相关稀疏矩阵的异构空间，可分为识别阶段和构建阶段。而且，所述识别阶段包括以下两个步骤:步骤1，系统通过链接多维通道的智能设备，获得二维码、图片，视频，音频，文字序列等元数据输入，通过已有的识别系统，识别出人物和事物(包含但不限于商品，事件，场景和非人物属性)，假设人物数量为u1，事物数量为v1，其所述人物集合为所述事物集合为步骤2，针对一个事件而言，本发明分别提炼出人、事物、人和事物的关系，构建范式抽象空间{(人，事物，关系)}，所述关系合集构成集合R。比如说张三购买一本书和一瓶水，提取人的集合{张三}，事物的集合{水}和{书}和关系的集合{购买、被购买}。该元素事件对应的所述元素为({张三}，{一瓶水、一本书}，{购买、被购买})。而所述人和事物的属性分为显性属性和隐性属性，所述显性属性和隐性属性为标识物体与事件的唯一显性标识(ID)。所述显性属性包含但不限于标识码，物理属性，化学属性和社会属性。所述隐形属性包括包含但不限于行为属性，环境属性，心理属性，生理属性，功能属性。所述隐形属性包括两个方面，一个是A类属性对应于资源类属性，一个是B类属性对应于对资源需求的属性。所述A类属性可以进一步按照时间，空间，地理位置分类为子空间，所述B类属性也可以进一步划分子空间。在所述空间属性的基础之上，对于所述人相对于事物的关系，构造数字指标集合R1＝{1,2,...,r1}；对于所述事物相对于人的反关系,构造数字指标集合R2＝{1,2,...,r2}。以上所述泛相关过程如图2所示。结合相应的资料库，提取和相应的全属性以及两者之间的相互关系,如图3所示。其中，对应的属性向量分别为对应的属性向量分别为对于1≤i1≤u1，1≤i2≤v1，相对于的所述关系为相对于的所述关系为所述构建阶段，包括根据输入数据集提取的人和物品的全属性，以及相互关系深度融合构成泛相关稀疏矩阵。而且，对于事件s，其所述人物集合为对应的属性向量分别为所述事物集合为对应的属性向量分别为对于1≤i1≤u1，1≤i2≤v1，相对于的所述关系为相对于的所述关系为所述事件s的所述泛相关矩阵为当u1<50、u2<50、v1<50且v2<50时，可取泛相关矩阵的维度为100，A＝(aij)1≤i,j≤50、B＝(bij)1≤i,j≤50、C＝(cij)1≤i,j≤50、D＝(dij)1≤i,j≤50；将属性向量按行置入泛相关矩阵，A为人物属性部分，D为事物属性部分,B为人物对于事物的正关系部分，C为事物相对于人物的反关系部分，矩阵空余的部分补0；也就是说，当u1<i≤50或u2<j≤50时，aij＝0；当v1<i≤50或v2<j≤50时，dij＝0；当u1<i≤50或v1<j≤50时，bij＝0；当u1<i≤50或v1<j≤50时，cij＝0；此时B、C在泛相关矩阵反斜对角置放，使得F对角稀疏，使得矩阵运算的时间得到进一步减少而且，本发明提出了但不限于可加指标、可加关系，并以此为基础提出了泛相关矩阵的复合运算。所述可加指标是指对于属性空间的每个分量该项指标的数值可以进行泛函意义下的求和运算和其它运算，一般指数量指标的属性，反之则为所述不可加指标，例如说三把木椅，三即为所述可加指标，而木作为指标不能进行求和运算，为所述不可加指标。所述可加关系是指对人物之间的相对关系可以作叠加运算；若不满足，则为所述不可加关系。比如关系购买，张三购买了一瓶水，张三购买了两瓶水，那么可以相加有张三购买了三瓶水，那么该关系为所述可加关系；再比如说，李四观察水杯，李四观察昆虫，是李四不可能同时观察水杯和昆虫，故而该关系为所述不可加关系。对于泛相关矩阵和其中，A1、A2为事件的主体，D1、D2为事件的客体，B1为A1相对于D1的正关系，B2为A2相对于D2的正关系，C1为D1相对于A1的反关系，C2为D2相对于A2的反关系。A1、A2不能直接相加，当且仅当A1、A2中的可加主体部分其客体和相互关系完全一致、且与主体关联的关系均为可加关系时，方可进行求和运算。所述泛相关矩阵的加法，可以有效的对重叠信息进行复合。对于其它更复杂抽象的关系，泛相关矩阵可以进行相应的运算。所述泛相关矩阵将大量信息高度凝练，并有机融合，构建了一个稀疏化的信息融合的空间，并在此基础上实现了高效的全局优化。然后，为了保证运算的实时性，所述泛相关矩阵并不是直接进行通信，本发明所述第二部分创造性的采用多模块稀疏化编码：采用训练的方法，对各个模块分别进行稀疏化编码。通过多模块稀疏化编码可以节约运算时间、通讯开销以及客户端上的运算，保证即时通信。首先，将所述泛相关矩阵F分解为多个模块，如4个，形式如下：F=F11000+0F1200+00F210+000F22]]>F11、F12、F21、F22维度相同，当F的维度为偶数且F11、F12、F21、F22的维度恰好为F维度的一半时，F=F11F12F21F22=F11000+0F1200+00F210+000F22]]>其次，对F11、F12、F21、F22分别进行稀疏化编码，系数序列可作为F的特征表示。反之，则可以通过系数序列进行相应的解码得到泛相关矩阵F；然后，本发明所述第三部分自适应匹配是指通过泛相关稀疏矩阵对信息进行融合之后，指导先验信息库通过应用软件对用户进行服务响应和相关的服务推荐，这些响应与服务包括但不限于对产品在多维度的泛相关稀疏空间进行质量认证，产品溯源，相关产品与服务的推荐，相关措施的实施。所述先验信息库包括但不限于产品与服务属性数据库，热点排行数据库、个人搜索数据库、属性匹配数据库等。所述自适应匹配架构图如图4所示。本发明还相应提供一种基于泛相关稀疏矩阵信息融合的自适应匹配系统，该系统包括泛相关稀疏矩阵信息融合器、先验信息库和客户终端三部分。所述泛相关稀疏矩阵信息融合器，已由所述泛相关稀疏矩阵信息融合部分介绍。所述泛相关稀疏矩阵信息融合器以智能设备所获得的物体与事件的显性属性作为输入；通过所述显性属性扩展、隐性属性学习得到所述事件属性空间；以所述属性空间为基础构建所述泛相关矩阵空间，得到矩阵信息；对所述矩阵信息采用多模块稀疏化编码进行编码。所述多维异构的先验信息库，用于提供用户功能匹配先验信息。而且，所述先验信息库的实现方式为数组对。对于已有事件，其所述泛相关矩阵为Fin，其事件处理方式的所述属性向量为dout，其在信息库中的储存形式为数组对(Fin,dout)。而且，所述先验信息库的实现方式为预先置入部分先验信息，并随着所述客户终端反馈信息不断更新。所述客户终端以所述泛相关稀疏矩阵信息融合器生成的泛相关矩阵的相应元素或子集为输入，结合所述先验信息库的信息，实现用户的功能匹配，这些功能包括但不限于产品与服务的认证，相关产品与服务的推荐，以及相关措施的实施。而且，所述客户终端匹配的实现思路为相关性匹配。对于泛相关矩阵所述相关性匹配的标准如下：其中sim越大表示相似度越高。所述相关性匹配的实现方式为近邻匹配和深度网络，所述近邻匹配的原则有两种：其一，固定数量的邻居：不论邻居的“远近”，只取最近的K个，作为其邻居。其二，基于相似度阈值的邻居：与计算固定数量的邻居的原则不同，基于相似度阈值的邻居计算是对邻居的远近进行最大值的限制，落在以当前点为中心，距离为K的区域中的所有点都作为当前点的邻居。而且，所述客户终端匹配的具体实现方式为基于泛相关矩阵的匹配。所述匹配方法有三种：其一，基于当前所述泛相关矩阵找到相邻邻居，然后将邻居匹配的功能匹配到当前用户或者事件。其二，为当前用户事件的泛相关矩阵在用户的历史事件中找到近邻匹配，将该用户的历史最近近邻的功能匹配到当前用户事件。其三，通过大量的泛相关矩阵到功能匹配的数据作深度学习深度网络，当前泛相关矩阵输入该网络，匹配相应的功能。而且，所述客户终端所得匹配信息与所述泛相关矩阵一起储存入先验信息库。而且，所述客户终端在提供给用户相关功能之后，收集用户反馈信息，若反馈信息与预先储存先验信息库的匹配信息对比，若不同则更新该信息，若相同则不作操作。本发明构建了统一化空间，通过多模块稀疏化编码实现了全局最优，保证了系统的全局收敛性。而在优化过程中，计算允许的情况下直接通过深度学习与稀疏化编码相结合，进一步提高了匹配精度。当前第1页1 2 3