一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法及系統(tǒng)，包括步驟步驟S1：對用戶采樣獲取用戶樣本數(shù)據(jù)并標(biāo)記用戶的樣本圖片，生成樣本用戶標(biāo)簽標(biāo)注矩陣；步驟S2：通過卷積神經(jīng)網(wǎng)絡(luò)對用戶樣本數(shù)據(jù)預(yù)處理，生成用戶興趣特征矩陣和標(biāo)簽興趣特征矩陣；步驟S3：利用樣本用戶標(biāo)簽標(biāo)注矩陣、用戶興趣特征矩陣和標(biāo)簽興趣特征矩陣計(jì)算并生成用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)；步驟S4：通過用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)，計(jì)算生成用戶新標(biāo)簽標(biāo)注數(shù)據(jù)。本發(fā)明解決在對用戶進(jìn)行圖像數(shù)據(jù)標(biāo)簽化處理過程中，如何合理地、低成本地完成對用戶進(jìn)行新的標(biāo)簽標(biāo)注的問題，本發(fā)明有效地提升了在對用戶進(jìn)行新的標(biāo)簽化的過程中的計(jì)算效率和數(shù)據(jù)利用效率。
【專利說明】
一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法及系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別是涉及一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法及系 統(tǒng)。
【背景技術(shù)】
[0002] 目前大數(shù)據(jù)技術(shù)和商業(yè)智能技術(shù)正在飛速發(fā)展，互聯(lián)網(wǎng)用戶每天正在飛速地產(chǎn)生 大量數(shù)據(jù)，這些數(shù)據(jù)中包含了結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)，其中圖片數(shù)據(jù)就是非結(jié)構(gòu)化數(shù) 據(jù)中占比極大的一塊。基于用戶的圖像數(shù)據(jù)，挖掘用戶的潛在興趣點(diǎn)，在商業(yè)智能領(lǐng)域的需 求已經(jīng)非常巨大，伴隨而生的深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等技術(shù)也正日趨成熟商用。但這些技術(shù)的 應(yīng)用往往需要大量的GPU高昂硬件設(shè)備成本的付出，在對這些圖片數(shù)據(jù)進(jìn)一步進(jìn)行處理的 時(shí)候，會(huì)對同一張圖片進(jìn)行重復(fù)的GPU計(jì)算處理，消耗了大量不必要的計(jì)算資源，從而產(chǎn)生 了極大的資源浪費(fèi)。

【發(fā)明內(nèi)容】

[0003] 為了解決上述問題，本發(fā)明提出了一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法及系統(tǒng)，解決 在對用戶進(jìn)行圖像數(shù)據(jù)標(biāo)簽化處理過程中，如何合理地、低成本地完成對用戶進(jìn)行新的標(biāo) 簽標(biāo)注的問題，本發(fā)明有效地提升了在對用戶進(jìn)行新的標(biāo)簽化的過程中的計(jì)算效率和數(shù)據(jù) 利用效率。
[0004] 為達(dá)到上述目的，本發(fā)明采用的技術(shù)方案是:一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法，步 驟包括：
[0005] 步驟S1:對用戶采樣獲取用戶樣本數(shù)據(jù)，并標(biāo)記用戶的樣本圖片，生成樣本用戶標(biāo) 簽標(biāo)注矩陣；
[0006] 步驟S2:通過卷積神經(jīng)網(wǎng)絡(luò)對用戶樣本數(shù)據(jù)預(yù)處理，生成用戶興趣特征矩陣和標(biāo) 簽興趣特征矩陣；
[0007] 步驟S3:利用樣本用戶標(biāo)簽標(biāo)注矩陣、用戶興趣特征矩陣和標(biāo)簽興趣特征矩陣計(jì) 算并生成用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)；
[0008] 步驟S4:通過用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)，計(jì)算生成用戶新標(biāo)簽標(biāo)注數(shù)據(jù)。
[0009] 進(jìn)一步的是，所述步驟S1包括步驟：
[0010] 對用戶進(jìn)行隨機(jī)采樣作為用戶樣本數(shù)據(jù)，標(biāo)記用戶收藏的圖片作為樣本圖片；
[0011] 對樣本圖片進(jìn)行標(biāo)簽標(biāo)記，其中每張圖片有多個(gè)標(biāo)簽標(biāo)記或只有一個(gè)標(biāo)簽標(biāo)記；
[0012] 利用用戶樣本數(shù)據(jù)和樣本圖片的標(biāo)簽標(biāo)記生成樣本用戶的標(biāo)簽標(biāo)注矩陣，其中第 j個(gè)用戶的標(biāo)簽特征向量由標(biāo)記的圖片標(biāo)簽歸一化分布產(chǎn)生。
[0013] 進(jìn)一步的是，所述步驟S2包括步驟：
[0014] 將每個(gè)用戶樣本數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，獲取分類特征層的數(shù)值輸出 特征，每張圖片輸出一個(gè)固定維度的特征;將帶有標(biāo)簽標(biāo)注的樣本圖片依據(jù)用戶進(jìn)行歸類， 作為訓(xùn)練數(shù)據(jù)輸入;綜合歸一化每個(gè)用戶樣本的特征維度，根據(jù)訓(xùn)練數(shù)據(jù)生成用戶興趣特 征矩陣；
[0015] 將樣本圖片依據(jù)標(biāo)簽進(jìn)行歸類，作為訓(xùn)練數(shù)據(jù)輸入;將生成的圖片特征作為矩陣 的橫向量，構(gòu)建圖像特征矩陣;綜合歸一化每個(gè)標(biāo)簽樣本的特征維度，生成標(biāo)簽興趣特征矩 陣。
[0016] 進(jìn)一步的是，步驟S3中計(jì)算用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)的計(jì)算公式為U · A · TT~Ut，通 過梯度下降方法求解矩陣A;其中，Ut為樣本用戶標(biāo)簽標(biāo)注矩陣，U為用戶興趣特征矩陣，T為 標(biāo)簽興趣特征矩陣，A為用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)。
[0017] 進(jìn)一步的是，所述步驟S4包括步驟：
[0018] 構(gòu)建需要標(biāo)注的用戶的興趣特征矩陣為IT，計(jì)算IT · A · Ττ，記結(jié)果為Ut' =[m， U2，U3…Ui ] T，其中行向量Ui為第i個(gè)用戶對應(yīng)的標(biāo)簽標(biāo)注權(quán)重;逐行抽取用戶的新標(biāo)簽關(guān)聯(lián) 權(quán)重，并篩選適用于用戶的新標(biāo)簽，輸出用戶的標(biāo)簽標(biāo)注數(shù)據(jù)。
[0019] 進(jìn)一步的是，對m進(jìn)行降序排序，通過設(shè)定閾值s對排序后的數(shù)據(jù)進(jìn)行權(quán)重截?cái)啵?獲取新標(biāo)簽對用戶i的權(quán)重標(biāo)記，完成對用戶的新標(biāo)簽標(biāo)注。
[0020] 進(jìn)一步的是，對權(quán)重向量進(jìn)行降序排列，并截取其中前k位的標(biāo)簽，作為該用戶的 標(biāo)注標(biāo)簽，輸出用戶的標(biāo)簽標(biāo)注作為新標(biāo)簽。
[0021] 另一方面，本發(fā)明還提供了一種用于用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法的系統(tǒng)，包括
[0022] 數(shù)據(jù)獲取模塊:采樣用戶的樣本用戶數(shù)據(jù)并標(biāo)記用戶的樣本圖片，生成樣本用戶 標(biāo)簽標(biāo)注矩陣；
[0023]預(yù)處理模塊:連接數(shù)據(jù)獲取模塊，對用戶樣本圖片數(shù)據(jù)預(yù)處理，生成用戶興趣特征 矩陣和標(biāo)簽興趣特征矩陣；
[0024] 計(jì)算模塊:連接預(yù)處理模塊，利用樣本用戶標(biāo)簽標(biāo)注矩陣、用戶興趣特征矩陣和標(biāo) 簽興趣特征矩陣計(jì)算并生成用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)；
[0025] 標(biāo)簽生成模塊:連接計(jì)算模塊，通過用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)，計(jì)算生成用戶新標(biāo)簽 標(biāo)注數(shù)據(jù)。
[0026] 進(jìn)一步的是，向預(yù)處理模塊輸入對用戶數(shù)據(jù)，并計(jì)算返回特征，合并為統(tǒng)一的向量 數(shù)據(jù)，標(biāo)準(zhǔn)化用戶的圖片特征，該特征矩陣為用戶的興趣特征描述矩陣，包含全部樣本用戶 數(shù)據(jù)；
[0027]向圖片預(yù)處理模塊輸入樣本圖片中各個(gè)標(biāo)簽的通用特征權(quán)重，該模塊對特征數(shù)據(jù) 其進(jìn)行分維度取期望值；
[0028]向預(yù)處理模塊對需要進(jìn)行新標(biāo)簽標(biāo)注的用戶進(jìn)行樣本圖片的特征處理;將處理好 的用戶圖片數(shù)據(jù)輸入標(biāo)簽標(biāo)注計(jì)算模塊，進(jìn)行矩陣運(yùn)算，計(jì)算用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù);逐行 抽取用戶的新標(biāo)簽關(guān)聯(lián)權(quán)重，并對其進(jìn)行降序排列，通過閾值來篩選適用于用戶的新標(biāo)簽， 輸出用戶的標(biāo)簽標(biāo)注。
[0029] 進(jìn)一步的是，向知識(shí)矩陣計(jì)算模塊輸入每個(gè)用戶新標(biāo)簽的個(gè)數(shù)，該模塊對用戶的 新標(biāo)簽權(quán)重進(jìn)行標(biāo)準(zhǔn)化處理，生成樣本用戶標(biāo)簽數(shù)據(jù)；向知識(shí)矩陣計(jì)算模塊輸入預(yù)處理后 的數(shù)據(jù)，對處理后的樣本數(shù)據(jù)，該模塊通過梯度下降方法對知識(shí)矩陣進(jìn)行數(shù)值計(jì)算，并輸出 用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)。
[0030] 采用本技術(shù)方案的有益效果：
[0031] 有效地提升了在對用戶進(jìn)行新的標(biāo)簽化的過程中的計(jì)算效率和數(shù)據(jù)利用效率；
[0032] 有效地利用了圖片的卷積神經(jīng)網(wǎng)絡(luò)輸出特征，減少了處理圖片過程中卷積計(jì)算的 頻次，降低了在用戶標(biāo)簽標(biāo)記過程中的圖像處理所需的硬件成本；易于擴(kuò)展新的用戶的標(biāo) 簽數(shù)據(jù)，不需要多次對神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本的模型訓(xùn)練。
【附圖說明】
[0033] 圖1為本發(fā)明的一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法流程示意圖；
[0034] 圖2為本發(fā)明的實(shí)施例中步驟S1的流程示意圖；
[0035] 圖3為本發(fā)明的實(shí)施例中步驟S2中獲取用戶興趣特征矩陣的流程示意圖；
[0036] 圖4為本發(fā)明的實(shí)施例中步驟S2中獲取標(biāo)簽興趣特征矩陣的流程示意圖；
[0037] 圖5為本發(fā)明的實(shí)施例中步驟S3的流程示意圖；
[0038]圖6為本發(fā)明的實(shí)施例中步驟S4的流程示意圖；
[0039] 圖7為本發(fā)明實(shí)施例中一種用于用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法的系統(tǒng)的結(jié)構(gòu)示意 圖。
【具體實(shí)施方式】
[0040] 為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合附圖對本發(fā)明作進(jìn)一 步闡述。
[0041] 在實(shí)施例中，參見圖1所示，本發(fā)明提出了一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法，包括 步驟
[0042] 步驟S1:對用戶采樣獲取用戶樣本數(shù)據(jù)并標(biāo)記用戶的樣本圖片，生成樣本用戶標(biāo) 簽標(biāo)注矩陣，如圖2所示；
[0043] 具體為:對用戶進(jìn)行隨機(jī)采樣作為用戶樣本數(shù)據(jù)，標(biāo)記用戶收藏的圖片作為樣本 圖片;對樣本圖片進(jìn)行標(biāo)簽標(biāo)記，其中每張圖片有多個(gè)標(biāo)簽標(biāo)記或只有一個(gè)標(biāo)簽標(biāo)記;利用 用戶樣本數(shù)據(jù)和樣本圖片的標(biāo)簽標(biāo)記生成樣本用戶的標(biāo)簽標(biāo)注矩陣，其中第j個(gè)用戶的標(biāo) 簽特征向量由標(biāo)記的圖片標(biāo)簽歸一化分布產(chǎn)生。
[0044] 優(yōu)選實(shí)施例，如圖2所示：
[0045] 步驟S1-1，采樣用戶，獲取用戶的圖片數(shù)據(jù)。
[0046] 該步驟包含，通過隨機(jī)采樣的形式獲取數(shù)據(jù)庫中的用戶數(shù)據(jù)，若用戶的圖片數(shù)量 大于閾值，則采樣該用戶。
[0047]步驟S1-2,將所有采樣的用戶標(biāo)識(shí)ID生成列表文件;抽取用戶的圖片數(shù)據(jù)。
[0048]步驟S1-3,抽取用戶i的圖片集合，對其進(jìn)行新標(biāo)簽標(biāo)注數(shù)據(jù)的統(tǒng)計(jì)，獲取用戶的 標(biāo)注特征，對其進(jìn)行L2的標(biāo)準(zhǔn)化處理，得到【/, = ，Ut為樣本用戶標(biāo)簽標(biāo)注 矩陣。
[0049]在該實(shí)施例中，讀取采樣用戶標(biāo)識(shí)列表文件，獲取用戶的圖片數(shù)據(jù)，存放文件夾， 并以用戶的ID作為文件夾命名。
[0050] 步驟S2:通過卷積神經(jīng)網(wǎng)絡(luò)對用戶樣本數(shù)據(jù)預(yù)處理，生成用戶興趣特征矩陣和標(biāo) 簽興趣特征矩陣；
[0051] 提取圖片特征數(shù)據(jù)，構(gòu)建用戶興趣特征矩陣數(shù)據(jù);通過對采樣用戶圖片進(jìn)行卷積 神經(jīng)網(wǎng)絡(luò)分類特征的提取，該步驟中涉及到卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)建，不在該發(fā)明的涉及范圍 為現(xiàn)有技術(shù)。
[0052]具體為，將每個(gè)用戶的樣本圖片數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，獲取分類特 征層的數(shù)值輸出特征，每張圖片輸出一個(gè)固定維度的特征;將帶有標(biāo)簽標(biāo)注的樣本圖片依 據(jù)用戶進(jìn)行歸類，作為訓(xùn)練數(shù)據(jù)輸入;綜合歸一化每個(gè)用戶樣本的特征維度，根據(jù)訓(xùn)練數(shù)據(jù) 生成用戶興趣特征矩陣。
[0053] 優(yōu)選實(shí)施例，如圖3和圖4所示：
[0054]步驟S2-1-1，對采樣用戶的每一張圖片獲取其分類特征記為P/，其中m為用戶標(biāo) 識(shí)，i為圖片標(biāo)識(shí)；
[0055] 對其進(jìn)行L2標(biāo)準(zhǔn)化處理即：
[0057]生成采用用戶的興趣特征矩陣記為^ f ,將此特征矩陣存儲(chǔ)為 文件，文件名稱以用戶ID命名。
[0058]步驟S2-1-2,生成用戶興趣特征矩陣。
[0059] 讀取采樣用戶的興趣特征數(shù)據(jù)，分別對其進(jìn)行各個(gè)特征維度的歸一化處理，生成 用戶興趣特征矩陣記為U。
[0060] 記yi為用戶i的興趣特征向量，U= |>1，以2士3^少11]1'，其中以1的計(jì)算公式如下：
[0062] 具體為，將樣本圖片依據(jù)標(biāo)簽進(jìn)行歸類，作為訓(xùn)練數(shù)據(jù)輸入;將生成的圖片特征作 為矩陣的橫向量，構(gòu)建圖像特征矩陣;綜合歸一化每個(gè)標(biāo)簽樣本的特征維度，生成標(biāo)簽興趣 特征矩陣。
[0063] 對采樣用戶的圖片進(jìn)行新標(biāo)簽的標(biāo)注，生成新標(biāo)簽的特征矩陣。該步驟包含，對采 樣用戶圖片進(jìn)行基于新標(biāo)簽標(biāo)注的歸類。
[0064] 步驟S2-2-1，對用戶圖片數(shù)據(jù)新標(biāo)簽標(biāo)注，被標(biāo)注的圖片可以包含有1個(gè)或者1個(gè) 以上的標(biāo)簽屬性。
[0065]步驟S2-2-2，生成新標(biāo)簽的特征矩陣。
[0066] 將包含有同樣標(biāo)簽的圖片進(jìn)行歸類，并抽取其特征#，其中t為標(biāo)簽標(biāo)識(shí)，i為圖片 標(biāo)識(shí)。
[0067] 對/f進(jìn)行L2標(biāo)準(zhǔn)化處理，生成新標(biāo)簽的特征矩陣記為r = [if ,/f...。
[0068] 將新標(biāo)簽的特征矩陣存儲(chǔ)為文件，并以標(biāo)簽ID進(jìn)行命名。
[0069]讀取標(biāo)簽特征數(shù)據(jù)，分別對其進(jìn)行各個(gè)特征維度的歸一化處理，生成標(biāo)簽興趣特 征矩陣為T。
[0070]記Ti為標(biāo)簽i的特征向量，Τ= [τ?，τ2，τ3··_τη]τ，其中^的計(jì)算公式如下：
[0072]步驟S3:利用樣本用戶標(biāo)簽標(biāo)注矩陣、用戶興趣特征矩陣和標(biāo)簽興趣特征矩陣計(jì) 算并生成用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)。
[0073]具體為，計(jì)算用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)的計(jì)算公式為U · A · TT~Ut，通過梯度下降方 法求解矩陣A;其中，Ut為樣本用戶標(biāo)簽標(biāo)注矩陣，U為用戶興趣特征矩陣，T為標(biāo)簽興趣特征 矩陣，A為用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)。
[0074]優(yōu)選實(shí)施例，如圖5所示：
[0075] 構(gòu)建學(xué)習(xí)模型，求解相應(yīng)的關(guān)聯(lián)矩陣，生成知識(shí)模塊。該步驟包含，構(gòu)建關(guān)聯(lián)模型， 對關(guān)聯(lián)矩陣進(jìn)行基于統(tǒng)計(jì)的求解，并輸出最終的模型知識(shí)矩陣，用于對新用戶的標(biāo)簽標(biāo)注。
[0076] 步驟S3-1，構(gòu)建用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)模型，本發(fā)明通過對圖片特征進(jìn)行基于用 戶的建模來實(shí)現(xiàn)對新用戶的標(biāo)簽標(biāo)注的效果，其主要問題是找到標(biāo)簽的特征與用戶興趣 特征之間的數(shù)據(jù)關(guān)聯(lián)，構(gòu)建U · A · TT~Ut關(guān)系式，得到用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)A。
[0077] 步驟S3-2，通過梯度下降方法來對矩陣A進(jìn)行求解。
[0078]優(yōu)化目標(biāo)函數(shù)如下：
[0080] 其中，μι，τι分別為用戶i的特征向量和標(biāo)簽j的特征向量，其計(jì)算方法請參見步驟 S2-1-2 和步驟 S2-2-3。
[0081] 計(jì)算所得的關(guān)聯(lián)因子矩陣，寫入文本或者內(nèi)存或者cache模塊，作為關(guān)聯(lián)用戶標(biāo)簽 關(guān)聯(lián)知識(shí)數(shù)據(jù)模塊。
[0082]步驟S4:通過用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)，計(jì)算生成用戶新標(biāo)簽標(biāo)注數(shù)據(jù)。
[0083]具體的為，包括步驟:構(gòu)建需要標(biāo)注的用戶的興趣特征矩陣為IT，計(jì)算IT · A · Ττ， 記結(jié)果為U1/ =[111，112，113 - 1^]1'，其中行向量1^為第；[個(gè)用戶對應(yīng)的標(biāo)簽標(biāo)注權(quán)重;逐行抽取 用戶的新標(biāo)簽關(guān)聯(lián)權(quán)重，并篩選適用于用戶的新標(biāo)簽，輸出用戶的標(biāo)簽標(biāo)注數(shù)據(jù)。
[0084]優(yōu)選方法一:對m進(jìn)行降序排序，通過設(shè)定閾值s對排序后的數(shù)據(jù)進(jìn)行權(quán)重截?cái)啵?獲取新標(biāo)簽對用戶i的權(quán)重標(biāo)記，完成對用戶的新標(biāo)簽標(biāo)注。
[0085]優(yōu)選方法二，對權(quán)重向量進(jìn)行降序排列，并截取其中前k位的標(biāo)簽，作為該用戶的 標(biāo)注標(biāo)簽，輸出用戶的標(biāo)簽標(biāo)注作為新標(biāo)簽。
[0086] 優(yōu)選實(shí)施例，如圖6所示：
[0087]步驟S4-1，計(jì)算待標(biāo)注用戶的標(biāo)簽特征，通過知識(shí)模塊對新用戶進(jìn)行標(biāo)簽標(biāo)注。該 步驟包含，計(jì)算待標(biāo)注用戶的興趣特征矩陣，其計(jì)算方法請參見步驟S2-1-2,用戶的興趣特 征矩陣為1/。
[0088] 最終新用戶的標(biāo)簽標(biāo)注權(quán)重矩陣為= · A · Ττ其中UV ]Τ〇
[0089] 步驟S4-2，計(jì)算新用戶的標(biāo)簽評分權(quán)重。
[0090]方法一 丨為用戶的新標(biāo)簽權(quán)重評分，對其依據(jù)權(quán)重大小進(jìn)行降序排序，設(shè)置閾值 s，獲取權(quán)重大于s的標(biāo)簽。
[0091]方法二:對權(quán)重向量進(jìn)行降序排列，并截取其中前k位的標(biāo)簽，作為該用戶的標(biāo)注 標(biāo)簽。
[0092]為配合本發(fā)明方法的實(shí)現(xiàn)，基于相同的發(fā)明構(gòu)思，如圖7所示，本發(fā)明還提供了一 種用于用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法的系統(tǒng)，包括：
[0093]數(shù)據(jù)獲取模塊:采樣用戶的樣本用戶數(shù)據(jù)并標(biāo)記用戶的樣本圖片，生成樣本用戶 標(biāo)簽標(biāo)注矩陣；
[0094]預(yù)處理模塊:連接數(shù)據(jù)獲取模塊，對用戶樣本圖片數(shù)據(jù)預(yù)處理，生成用戶興趣特征 矩陣和標(biāo)簽興趣特征矩陣；
[0095] 計(jì)算模塊:連接預(yù)處理模塊，利用樣本用戶標(biāo)簽標(biāo)注矩陣、用戶興趣特征矩陣和標(biāo) 簽興趣特征矩陣計(jì)算并生成用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)；
[0096] 標(biāo)簽生成模塊:連接計(jì)算模塊，通過用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)，計(jì)算生成用戶新標(biāo)簽 標(biāo)注數(shù)據(jù)。
[0097]其中，向預(yù)處理模塊輸入對用戶數(shù)據(jù)，并計(jì)算返回特征，合并為統(tǒng)一的向量數(shù)據(jù)， 標(biāo)準(zhǔn)化用戶的圖片特征，該特征矩陣為用戶的興趣特征描述矩陣，包含全部樣本用戶數(shù)據(jù)； [0098]向圖片預(yù)處理模塊輸入樣本圖片中各個(gè)標(biāo)簽的通用特征權(quán)重，該模塊對特征數(shù)據(jù) 其進(jìn)行分維度取期望值；
[0099]向預(yù)處理模塊對需要進(jìn)行新標(biāo)簽標(biāo)注的用戶進(jìn)行樣板圖片的特征處理;將處理好 的用戶圖片數(shù)據(jù)輸入標(biāo)簽標(biāo)注計(jì)算模塊，進(jìn)行矩陣運(yùn)算，計(jì)算用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù);逐行 抽取用戶的新標(biāo)簽關(guān)聯(lián)權(quán)重，并對其進(jìn)行降序排列，通過閾值來篩選適用于用戶的新標(biāo)簽， 輸出用戶的標(biāo)簽標(biāo)注。
[0100] 其中，向知識(shí)矩陣計(jì)算模塊輸入每個(gè)用戶新標(biāo)簽的個(gè)數(shù)，該模塊對用戶的新標(biāo)簽 權(quán)重進(jìn)行標(biāo)準(zhǔn)化處理，生成樣本用戶標(biāo)簽數(shù)據(jù)；向知識(shí)矩陣計(jì)算模塊輸入預(yù)處理后的數(shù)據(jù)， 對處理后的樣本數(shù)據(jù)，該模塊通過梯度下降方法對知識(shí)矩陣進(jìn)行數(shù)值計(jì)算，并輸出用戶標(biāo) 簽關(guān)聯(lián)知識(shí)數(shù)據(jù)。
[0101] 以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù) 人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說明書中描述的只是說明本 發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變 化和改進(jìn)都落入要求保護(hù)的本發(fā)明范圍內(nèi)。本實(shí)發(fā)明要求保護(hù)范圍由所附的權(quán)利要求書及 其等效物界定。
【主權(quán)項(xiàng)】
1. 一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法，其特征在于，步驟包括； 步驟S1:對用戶采樣獲取用戶樣本數(shù)據(jù)，并標(biāo)記用戶的樣本圖片，生成樣本用戶標(biāo)簽標(biāo) 注矩陣； 步驟S2:通過卷積神經(jīng)網(wǎng)絡(luò)對用戶樣本數(shù)據(jù)預(yù)處理，生成用戶興趣特征矩陣和標(biāo)簽興 趣特征矩陣； 步驟S3:利用樣本用戶標(biāo)簽標(biāo)注矩陣、用戶興趣特征矩陣和標(biāo)簽興趣特征矩陣計(jì)算并 生成用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)； 步驟S4:通過用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)，計(jì)算生成用戶新標(biāo)簽標(biāo)注數(shù)據(jù)。2. 根據(jù)權(quán)利要求1所述的一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法，其特征在于，所述步驟S1包 括步驟： 對用戶進(jìn)行隨機(jī)采樣作為用戶樣本數(shù)據(jù)，標(biāo)記用戶收藏的圖片作為樣本圖片； 對樣本圖片進(jìn)行標(biāo)簽標(biāo)記，其中每張圖片有多個(gè)標(biāo)簽標(biāo)記或只有一個(gè)標(biāo)簽標(biāo)記； 利用用戶樣本數(shù)據(jù)和樣本圖片的標(biāo)簽標(biāo)記生成樣本用戶的標(biāo)簽標(biāo)注矩陣，其中第j個(gè) 用戶的標(biāo)簽特征向量由標(biāo)記的圖片標(biāo)簽歸一化分布產(chǎn)生。3. 根據(jù)權(quán)利要求2所述的一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法，其特征在于，所述步驟S2包 括步驟： 將每個(gè)用戶樣本數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，獲取分類特征層的數(shù)值輸出特 征，每張圖片輸出一個(gè)固定維度的特征;將帶有標(biāo)簽標(biāo)注的樣本圖片依據(jù)用戶進(jìn)行歸類，作 為訓(xùn)練數(shù)據(jù)輸入;綜合歸一化每個(gè)用戶樣本的特征維度，根據(jù)訓(xùn)練數(shù)據(jù)生成用戶興趣特征 矩陣； 將樣本圖片依據(jù)標(biāo)簽進(jìn)行歸類，作為訓(xùn)練數(shù)據(jù)輸入;將生成的圖片特征作為矩陣的橫 向量，構(gòu)建圖像特征矩陣;綜合歸一化每個(gè)標(biāo)簽樣本的特征維度，生成標(biāo)簽興趣特征矩陣。4. 根據(jù)權(quán)利要求3所述的一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法，其特征在于，步驟S3中計(jì)算 用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)的計(jì)算公式為U · A · TT~Ut，通過梯度下降方法求解矩陣A;其中，Ut 為樣本用戶標(biāo)簽標(biāo)注矩陣，U為用戶興趣特征矩陣，T為標(biāo)簽興趣特征矩陣，A為用戶標(biāo)簽關(guān) 聯(lián)知識(shí)數(shù)據(jù)。5. 根據(jù)權(quán)利要求4所述的一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法，其特征在于，所述步驟S4包 括步驟： 構(gòu)建需要標(biāo)注的用戶的興趣特征矩陣為V，計(jì)算If · A · Ττ，記結(jié)果為U1/ =[ui，U2，U3··· m]T，其中行向量m為第i個(gè)用戶對應(yīng)的標(biāo)簽標(biāo)注權(quán)重;逐行抽取用戶的新標(biāo)簽關(guān)聯(lián)權(quán)重，并 篩選適用于用戶的新標(biāo)簽，輸出用戶的標(biāo)簽標(biāo)注數(shù)據(jù)。6. 根據(jù)權(quán)利要求5所述的一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法，其特征在于，對m進(jìn)行降序 排序，通過設(shè)定閾值s對排序后的數(shù)據(jù)進(jìn)行權(quán)重截?cái)?，獲取新標(biāo)簽對用戶i的權(quán)重標(biāo)記，完成 對用戶的新標(biāo)簽標(biāo)注。7. 根據(jù)權(quán)利要求5所述的一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法，其特征在于，對權(quán)重向量進(jìn) 行降序排列，并截取其中前k位的標(biāo)簽作為該用戶的標(biāo)注標(biāo)簽，輸出用戶的標(biāo)簽標(biāo)注作為新 標(biāo)簽。8. -種用于用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法的系統(tǒng)，其特征在于，包括： 數(shù)據(jù)獲取模塊:采樣用戶的樣本用戶數(shù)據(jù)，并標(biāo)記用戶的樣本圖片，生成樣本用戶標(biāo)簽 標(biāo)注矩陣； 預(yù)處理模塊:連接數(shù)據(jù)獲取模塊，對用戶樣本圖片數(shù)據(jù)預(yù)處理，生成用戶興趣特征矩陣 和標(biāo)簽興趣特征矩陣； 計(jì)算模塊:連接預(yù)處理模塊，利用樣本用戶標(biāo)簽標(biāo)注矩陣、用戶興趣特征矩陣和標(biāo)簽興 趣特征矩陣計(jì)算并生成用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)； 標(biāo)簽生成模塊:連接計(jì)算模塊，通過用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)，計(jì)算生成用戶新標(biāo)簽標(biāo)注 數(shù)據(jù)。9. 根據(jù)權(quán)利要求8所述的一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法，其特征在于， 向預(yù)處理模塊輸入對用戶數(shù)據(jù)，并計(jì)算返回特征，合并為統(tǒng)一的向量數(shù)據(jù)，標(biāo)準(zhǔn)化用戶 的圖片特征，該特征矩陣為用戶的興趣特征描述矩陣，包含全部樣本用戶數(shù)據(jù)； 向圖片預(yù)處理模塊輸入樣本圖片中各個(gè)標(biāo)簽的通用特征權(quán)重，該模塊對特征數(shù)據(jù)其進(jìn) 行分維度取期望值； 向預(yù)處理模塊對需要進(jìn)行新標(biāo)簽標(biāo)注的用戶進(jìn)行樣本圖片的特征處理;將處理好的用 戶圖片數(shù)據(jù)輸入標(biāo)簽標(biāo)注計(jì)算模塊，進(jìn)行矩陣運(yùn)算，計(jì)算用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù);逐行抽取 用戶的新標(biāo)簽關(guān)聯(lián)權(quán)重，并對其進(jìn)行降序排列，通過閾值來篩選適用于用戶的新標(biāo)簽，輸出 用戶的新標(biāo)簽標(biāo)注。10. 根據(jù)權(quán)利要求8所述的一種用戶可擴(kuò)展的標(biāo)簽標(biāo)注方法，其特征在于，向知識(shí)矩陣 計(jì)算模塊輸入每個(gè)用戶新標(biāo)簽的個(gè)數(shù)，該模塊對用戶的新標(biāo)簽權(quán)重進(jìn)行標(biāo)準(zhǔn)化處理，生成 樣本用戶標(biāo)簽數(shù)據(jù)；向知識(shí)矩陣計(jì)算模塊輸入預(yù)處理后的數(shù)據(jù)，對處理后的樣本數(shù)據(jù)，該模 塊通過梯度下降方法對知識(shí)矩陣進(jìn)行數(shù)值計(jì)算，并輸出用戶標(biāo)簽關(guān)聯(lián)知識(shí)數(shù)據(jù)。
【文檔編號(hào)】G06F17/30GK106095966SQ201610435965
【公開日】2016年11月9日
【申請日】2016年6月15日
【發(fā)明人】陸豪放
【申請人】成都品果科技有限公司