本發(fā)明屬于人工智能
技術(shù)領(lǐng)域：
，涉及一種泛相關(guān)稀疏矩陣的信息融合和自適應(yīng)匹配方法。
背景技術(shù)：
：信息匹配在人工智能
技術(shù)領(lǐng)域：
中是一個(gè)熱點(diǎn)，廣泛應(yīng)用于商品鑒別與產(chǎn)品推薦系統(tǒng)尤其是一些商業(yè)系統(tǒng)中。各種類型的信息和不斷出現(xiàn)的信息的異構(gòu)與復(fù)雜性，注定了相關(guān)信息的融合在信息匹配中的重要性，因此信息融合在近幾年的時(shí)間里引起了高度重視和廣泛研究。但是由于信息量巨大且類型繁雜等原因使得信息融合面臨前所未有的挑戰(zhàn)，遠(yuǎn)遠(yuǎn)不能滿足用戶需求。在現(xiàn)有的一些商業(yè)系統(tǒng)中，大量的特定屬性的物體與有關(guān)事件的識(shí)別要通過(guò)人為的鏈接，甚至通過(guò)撥打電話等方法，導(dǎo)致使用非常不方便。而且，某些特定物體與一些屬性難以實(shí)現(xiàn)智能匹配，從而無(wú)法提供有效的服務(wù)定位與資源探索。例如，在一個(gè)二維碼購(gòu)物的應(yīng)用系統(tǒng)中，通過(guò)掃描二維碼信息可以定位產(chǎn)品的顯性屬性如種類價(jià)格等，然而，當(dāng)產(chǎn)品被某客戶購(gòu)買后，通常也只能了解該產(chǎn)品類似訂單、物流等詳情，該產(chǎn)品與該產(chǎn)品擁有者的交互并不能完全反映出來(lái)。舉例說(shuō)明，某客戶通過(guò)二維碼購(gòu)物系統(tǒng)買了一瓶某品牌的酒。打開(kāi)后發(fā)現(xiàn)酒是假的且該客戶非常憤怒，這時(shí)客戶要通過(guò)傳統(tǒng)系統(tǒng)提供的在線客服服務(wù)或者撥打客服電話等方法尋求解決，通常給客戶帶來(lái)了非常不好的購(gòu)物體驗(yàn)。如果能通過(guò)一個(gè)并行多渠道匹配系統(tǒng)，經(jīng)視頻行為信息分析、音頻語(yǔ)音信息智能分析、情感信息識(shí)別分析、主客觀需求信息分析，使物體和事件與深層屬性進(jìn)行智能匹配，即可與人產(chǎn)生多維互動(dòng)，完成基于多維信息的可靠的產(chǎn)品認(rèn)證，產(chǎn)地溯源，服務(wù)推薦和相關(guān)的售后服務(wù)等快速優(yōu)質(zhì)服務(wù)。另外，還有一些系統(tǒng)如圖1所示，只能對(duì)物體與事件的外在屬性完成匹配，而無(wú)法實(shí)現(xiàn)對(duì)標(biāo)識(shí)的多維高層屬性的智能識(shí)別和匹配。在這種傳統(tǒng)的識(shí)別系統(tǒng)中，一般可以完成對(duì)顯性屬性的識(shí)別與匹配，同時(shí)完成匹配算法的優(yōu)化。比如對(duì)人臉圖像的識(shí)別，可以通過(guò)圖像識(shí)別系統(tǒng)完成身份屬性的識(shí)別，進(jìn)而完成相應(yīng)服務(wù)例如開(kāi)門等功能。當(dāng)識(shí)別與服務(wù)是一個(gè)非常復(fù)雜的系統(tǒng)時(shí)，傳統(tǒng)的分類匹配方法已經(jīng)無(wú)法滿足這類復(fù)雜系統(tǒng)的需求?，F(xiàn)有的一些解決方法是通過(guò)深度學(xué)習(xí)進(jìn)行分類匹配。然而，直接應(yīng)用深度學(xué)習(xí)存在著計(jì)算時(shí)間與存儲(chǔ)資源開(kāi)銷過(guò)多的問(wèn)題。從應(yīng)用層面上來(lái)說(shuō)，現(xiàn)在很多智能設(shè)備例如智能手機(jī)等不能實(shí)時(shí)完成相應(yīng)的識(shí)別，所以難以應(yīng)用到現(xiàn)實(shí)生活中；在技術(shù)層面，這種多耦合的系統(tǒng)存在收斂的穩(wěn)定性問(wèn)題。兩個(gè)或兩個(gè)以上線性系統(tǒng)進(jìn)行耦合，假定輸入是有界的，但其輸出不一定有界。設(shè)一個(gè)系統(tǒng)本身是穩(wěn)定的，若對(duì)該系統(tǒng)進(jìn)行語(yǔ)音分析，則將該系統(tǒng)與語(yǔ)音分析系統(tǒng)進(jìn)行耦合。此時(shí)，語(yǔ)音分析通常在頻域進(jìn)行，而域的轉(zhuǎn)化是通過(guò)傅里葉級(jí)數(shù)展開(kāi)實(shí)現(xiàn)的。如果該系統(tǒng)函數(shù)式的傅里葉級(jí)數(shù)造成局部?jī)?yōu)化不收斂，則也將導(dǎo)致耦合后的系統(tǒng)不收斂。而現(xiàn)有技術(shù)難以保證全局優(yōu)化的收斂，所以直接采用深度學(xué)習(xí)往往難以達(dá)到理想的效果。例如，在一個(gè)二維碼服務(wù)應(yīng)用中，我們可以通過(guò)二維碼，加上圖像信息識(shí)別一個(gè)人的身份和他所購(gòu)買的物品。假如我們需要進(jìn)一步深度學(xué)習(xí)到這個(gè)物品對(duì)于它的擁有者的深層作用與關(guān)系，那么該系統(tǒng)將十分繁復(fù)不宜直接采用深度學(xué)習(xí)的方法。而在實(shí)際應(yīng)用中，這種深層作用與關(guān)系往往又是我們非常希望得到的，我們不能摒棄。如果簡(jiǎn)單采用深度學(xué)習(xí)，一方面導(dǎo)致系統(tǒng)非常復(fù)雜，運(yùn)算資源開(kāi)銷巨大；另一方面強(qiáng)大的深度學(xué)習(xí)系統(tǒng)在異構(gòu)的信息空間很難收斂到全局最優(yōu)。這樣的系統(tǒng)在優(yōu)化時(shí)往往會(huì)死鎖在某一個(gè)駐點(diǎn)或局部最優(yōu)的地方。本發(fā)明基于泛相關(guān)稀疏矩陣信息融合的自適應(yīng)匹配方法，實(shí)現(xiàn)了可以穩(wěn)定收斂的智能匹配與服務(wù)發(fā)現(xiàn)系統(tǒng)。技術(shù)實(shí)現(xiàn)要素：本發(fā)明首先1)構(gòu)建了一種泛相關(guān)稀疏矩陣信息空間，實(shí)現(xiàn)了復(fù)雜異構(gòu)信息的融合表示；2)給出了泛相關(guān)稀疏矩陣的構(gòu)建方法，設(shè)計(jì)了多模塊稀疏化編碼；3)在泛相關(guān)稀疏矩陣空間定義了異構(gòu)元素的運(yùn)算法則；4)在此基礎(chǔ)上實(shí)現(xiàn)了多維屬性智能匹配與服務(wù)發(fā)現(xiàn)的系統(tǒng)。解決現(xiàn)有的同類方法因沒(méi)有統(tǒng)一的系統(tǒng)架構(gòu)和異構(gòu)信息的融合方法而采用分類與分層優(yōu)化導(dǎo)致的難以融合全局元素的問(wèn)題；應(yīng)用層面時(shí)間與通訊資源開(kāi)銷過(guò)多，難以實(shí)現(xiàn)移動(dòng)端環(huán)境應(yīng)用的問(wèn)題；技術(shù)層面難以保證全局穩(wěn)定性和收斂性的問(wèn)題。一種泛相關(guān)稀疏矩陣空間的信息融合與自適應(yīng)匹配方法,其特征在于：包括泛相關(guān)稀疏矩陣異構(gòu)空間的構(gòu)建、多模塊稀疏化編碼和自適應(yīng)匹配三大部分；泛相關(guān)稀疏矩陣異構(gòu)空間的構(gòu)建分為識(shí)別階段和構(gòu)建階段；而且，所述識(shí)別階段包括以下兩個(gè)步驟:步驟1，系統(tǒng)通過(guò)連接多維通道的智能設(shè)備，獲得并行結(jié)構(gòu)的元數(shù)據(jù)輸入，通過(guò)識(shí)別系統(tǒng)，識(shí)別出人物和事物，假設(shè)人物數(shù)量為u1，事物數(shù)量為v1，其所述人物集合為所述事物集合為步驟2，針對(duì)一個(gè)事件而言，分別提煉出人、事物、人和事物的關(guān)系，構(gòu)建范式抽象空間{(人，事物，關(guān)系)}，所述關(guān)系合集構(gòu)成集合R；在空間屬性的基礎(chǔ)之上，對(duì)于所述人相對(duì)于事物的關(guān)系，構(gòu)造數(shù)字指標(biāo)集合R1＝{1,2,...,r1}；對(duì)于所述事物相對(duì)于人的反關(guān)系,構(gòu)造數(shù)字指標(biāo)集合R2＝{1,2,...,r2}；提取和相應(yīng)的全屬性以及兩者之間的相互關(guān)系,其中，對(duì)應(yīng)的屬性向量分別為對(duì)應(yīng)的屬性向量分別為對(duì)于1≤i1≤u1，1≤i2≤v1，相對(duì)于的所述關(guān)系為相對(duì)于的所述關(guān)系為所述構(gòu)建階段，包括根據(jù)輸入數(shù)據(jù)集提取的人和物品的全屬性，以及相互關(guān)系深度融合構(gòu)成泛相關(guān)稀疏矩陣；對(duì)于事件s，其所述人物集合為對(duì)應(yīng)的屬性向量分別為所述事物集合為對(duì)應(yīng)的屬性向量分別為對(duì)于1≤i1≤u1，1≤i2≤v1，相對(duì)于的所述關(guān)系為相對(duì)于的所述關(guān)系為所述事件s的所述泛相關(guān)矩陣為當(dāng)u1<50、u2<50、v1<50且v2<50時(shí)，可取泛相關(guān)矩陣的維度為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；將屬性向量按行置入泛相關(guān)矩陣，A為人物屬性部分，D為事物屬性部分,B為人物對(duì)于事物的正關(guān)系部分，C為事物相對(duì)于人物的反關(guān)系部分，矩陣空余的部分補(bǔ)0；也就是說(shuō)，當(dāng)u1<i≤50或u2<j≤50時(shí)，aij＝0；當(dāng)v1<i≤50或v2<j≤50時(shí)，dij＝0；當(dāng)u1<i≤50或v1<j≤50時(shí)，bij＝0；當(dāng)u1<i≤50或v1<j≤50時(shí)，cij＝0；可加指標(biāo)是指兩個(gè)屬性向量滿足對(duì)于屬性空間的每個(gè)分量該項(xiàng)指標(biāo)的數(shù)值能進(jìn)行泛函意義下的求和運(yùn)算，反之則為所述不可加指標(biāo)；可加關(guān)系是指對(duì)人物之間的相對(duì)關(guān)系能作疊加運(yùn)算；若不滿足，則為不可加關(guān)系；對(duì)于泛相關(guān)矩陣和其中，A1、A2為事件的主體，D1、D2為事件的客體，B1為A1相對(duì)于D1的正關(guān)系，B2為A2相對(duì)于D2的正關(guān)系，C1為D1相對(duì)于A1的反關(guān)系，C2為D2相對(duì)于A2的反關(guān)系。A1、A2不能直接相加，當(dāng)且僅當(dāng)A1、A2中的可加主體部分其客體和相互關(guān)系完全一致、且與主體關(guān)聯(lián)的關(guān)系均為可加關(guān)系時(shí)，方可進(jìn)行求和運(yùn)算。多模塊稀疏化編碼：采用訓(xùn)練的方法，輸入泛相關(guān)矩陣F，將F分成多個(gè)模塊,對(duì)各個(gè)模塊分別進(jìn)行稀疏化編碼；首先，將所述泛相關(guān)矩陣F分解為多個(gè)模塊，如4個(gè)，形式如下：F=F11000+0F1200+00F210+000F22]]>F11、F12、F21、F22維度相同，當(dāng)F的維度為偶數(shù)且F11、F12、F21、F22的維度恰好為F維度的一半時(shí)，F(xiàn)=F11F12F21F22=F11000+0F1200+00F210+000F22]]>其次，對(duì)F11、F12、F21、F22分別進(jìn)行稀疏化編碼，系數(shù)序列可作為F的特征表示。反之，則可以通過(guò)系數(shù)序列進(jìn)行相應(yīng)的解碼得到泛相關(guān)矩陣F；自適應(yīng)匹配：信息庫(kù)預(yù)先置入部分先驗(yàn)信息，并隨著所述客戶終端反饋信息不斷更新；信息庫(kù)的實(shí)現(xiàn)方式為數(shù)組對(duì)；對(duì)于已有事件，其所述泛相關(guān)矩陣為Fin，其事件處理方式的所述屬性向量為dout，其在信息庫(kù)中的儲(chǔ)存形式為數(shù)組對(duì)(Fin,dout)；對(duì)于輸入的泛相關(guān)矩陣Fnew，參照歷史的近鄰泛相關(guān)矩陣給出輸出事件處理方式。本發(fā)明構(gòu)建了統(tǒng)一化空間，通過(guò)多模塊稀疏化編碼實(shí)現(xiàn)了全局最優(yōu)，保證了系統(tǒng)的全局收斂性。而在優(yōu)化過(guò)程中，計(jì)算允許的情況下直接通過(guò)深度學(xué)習(xí)與稀疏化編碼相結(jié)合，進(jìn)一步提高了匹配精度。附圖說(shuō)明圖1：現(xiàn)有標(biāo)識(shí)系統(tǒng)的拓?fù)浣Y(jié)構(gòu)圖圖2：泛相關(guān)矩陣構(gòu)造流程圖圖3：全屬性提取階段圖4：自適應(yīng)匹配架構(gòu)圖具體實(shí)施方式為了達(dá)到以上目的，本發(fā)明采用的技術(shù)方案為一種基于泛相關(guān)稀疏矩陣異構(gòu)空間的信息融合與智能化自適應(yīng)匹配方法：包括泛相關(guān)稀疏矩陣異構(gòu)空間的構(gòu)建方法、多模塊稀疏化編碼和智能化自適應(yīng)匹配三大部分。首先，本發(fā)明所述第一部分泛相關(guān)稀疏矩陣的異構(gòu)空間，可分為識(shí)別階段和構(gòu)建階段。而且，所述識(shí)別階段包括以下兩個(gè)步驟:步驟1，系統(tǒng)通過(guò)鏈接多維通道的智能設(shè)備，獲得二維碼、圖片，視頻，音頻，文字序列等元數(shù)據(jù)輸入，通過(guò)已有的識(shí)別系統(tǒng)，識(shí)別出人物和事物(包含但不限于商品，事件，場(chǎng)景和非人物屬性)，假設(shè)人物數(shù)量為u1，事物數(shù)量為v1，其所述人物集合為所述事物集合為步驟2，針對(duì)一個(gè)事件而言，本發(fā)明分別提煉出人、事物、人和事物的關(guān)系，構(gòu)建范式抽象空間{(人，事物，關(guān)系)}，所述關(guān)系合集構(gòu)成集合R。比如說(shuō)張三購(gòu)買一本書(shū)和一瓶水，提取人的集合{張三}，事物的集合{水}和{書(shū)}和關(guān)系的集合{購(gòu)買、被購(gòu)買}。該元素事件對(duì)應(yīng)的所述元素為({張三}，{一瓶水、一本書(shū)}，{購(gòu)買、被購(gòu)買})。而所述人和事物的屬性分為顯性屬性和隱性屬性，所述顯性屬性和隱性屬性為標(biāo)識(shí)物體與事件的唯一顯性標(biāo)識(shí)(ID)。所述顯性屬性包含但不限于標(biāo)識(shí)碼，物理屬性，化學(xué)屬性和社會(huì)屬性。所述隱形屬性包括包含但不限于行為屬性，環(huán)境屬性，心理屬性，生理屬性，功能屬性。所述隱形屬性包括兩個(gè)方面，一個(gè)是A類屬性對(duì)應(yīng)于資源類屬性，一個(gè)是B類屬性對(duì)應(yīng)于對(duì)資源需求的屬性。所述A類屬性可以進(jìn)一步按照時(shí)間，空間，地理位置分類為子空間，所述B類屬性也可以進(jìn)一步劃分子空間。在所述空間屬性的基礎(chǔ)之上，對(duì)于所述人相對(duì)于事物的關(guān)系，構(gòu)造數(shù)字指標(biāo)集合R1＝{1,2,...,r1}；對(duì)于所述事物相對(duì)于人的反關(guān)系,構(gòu)造數(shù)字指標(biāo)集合R2＝{1,2,...,r2}。以上所述泛相關(guān)過(guò)程如圖2所示。結(jié)合相應(yīng)的資料庫(kù)，提取和相應(yīng)的全屬性以及兩者之間的相互關(guān)系,如圖3所示。其中，對(duì)應(yīng)的屬性向量分別為對(duì)應(yīng)的屬性向量分別為對(duì)于1≤i1≤u1，1≤i2≤v1，相對(duì)于的所述關(guān)系為相對(duì)于的所述關(guān)系為所述構(gòu)建階段，包括根據(jù)輸入數(shù)據(jù)集提取的人和物品的全屬性，以及相互關(guān)系深度融合構(gòu)成泛相關(guān)稀疏矩陣。而且，對(duì)于事件s，其所述人物集合為對(duì)應(yīng)的屬性向量分別為所述事物集合為對(duì)應(yīng)的屬性向量分別為對(duì)于1≤i1≤u1，1≤i2≤v1，相對(duì)于的所述關(guān)系為相對(duì)于的所述關(guān)系為所述事件s的所述泛相關(guān)矩陣為當(dāng)u1<50、u2<50、v1<50且v2<50時(shí)，可取泛相關(guān)矩陣的維度為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；將屬性向量按行置入泛相關(guān)矩陣，A為人物屬性部分，D為事物屬性部分,B為人物對(duì)于事物的正關(guān)系部分，C為事物相對(duì)于人物的反關(guān)系部分，矩陣空余的部分補(bǔ)0；也就是說(shuō)，當(dāng)u1<i≤50或u2<j≤50時(shí)，aij＝0；當(dāng)v1<i≤50或v2<j≤50時(shí)，dij＝0；當(dāng)u1<i≤50或v1<j≤50時(shí)，bij＝0；當(dāng)u1<i≤50或v1<j≤50時(shí)，cij＝0；此時(shí)B、C在泛相關(guān)矩陣反斜對(duì)角置放，使得F對(duì)角稀疏，使得矩陣運(yùn)算的時(shí)間得到進(jìn)一步減少而且，本發(fā)明提出了但不限于可加指標(biāo)、可加關(guān)系，并以此為基礎(chǔ)提出了泛相關(guān)矩陣的復(fù)合運(yùn)算。所述可加指標(biāo)是指對(duì)于屬性空間的每個(gè)分量該項(xiàng)指標(biāo)的數(shù)值可以進(jìn)行泛函意義下的求和運(yùn)算和其它運(yùn)算，一般指數(shù)量指標(biāo)的屬性，反之則為所述不可加指標(biāo)，例如說(shuō)三把木椅，三即為所述可加指標(biāo)，而木作為指標(biāo)不能進(jìn)行求和運(yùn)算，為所述不可加指標(biāo)。所述可加關(guān)系是指對(duì)人物之間的相對(duì)關(guān)系可以作疊加運(yùn)算；若不滿足，則為所述不可加關(guān)系。比如關(guān)系購(gòu)買，張三購(gòu)買了一瓶水，張三購(gòu)買了兩瓶水，那么可以相加有張三購(gòu)買了三瓶水，那么該關(guān)系為所述可加關(guān)系；再比如說(shuō)，李四觀察水杯，李四觀察昆蟲(chóng)，是李四不可能同時(shí)觀察水杯和昆蟲(chóng)，故而該關(guān)系為所述不可加關(guān)系。對(duì)于泛相關(guān)矩陣和其中，A1、A2為事件的主體，D1、D2為事件的客體，B1為A1相對(duì)于D1的正關(guān)系，B2為A2相對(duì)于D2的正關(guān)系，C1為D1相對(duì)于A1的反關(guān)系，C2為D2相對(duì)于A2的反關(guān)系。A1、A2不能直接相加，當(dāng)且僅當(dāng)A1、A2中的可加主體部分其客體和相互關(guān)系完全一致、且與主體關(guān)聯(lián)的關(guān)系均為可加關(guān)系時(shí)，方可進(jìn)行求和運(yùn)算。所述泛相關(guān)矩陣的加法，可以有效的對(duì)重疊信息進(jìn)行復(fù)合。對(duì)于其它更復(fù)雜抽象的關(guān)系，泛相關(guān)矩陣可以進(jìn)行相應(yīng)的運(yùn)算。所述泛相關(guān)矩陣將大量信息高度凝練，并有機(jī)融合，構(gòu)建了一個(gè)稀疏化的信息融合的空間，并在此基礎(chǔ)上實(shí)現(xiàn)了高效的全局優(yōu)化。然后，為了保證運(yùn)算的實(shí)時(shí)性，所述泛相關(guān)矩陣并不是直接進(jìn)行通信，本發(fā)明所述第二部分創(chuàng)造性的采用多模塊稀疏化編碼：采用訓(xùn)練的方法，對(duì)各個(gè)模塊分別進(jìn)行稀疏化編碼。通過(guò)多模塊稀疏化編碼可以節(jié)約運(yùn)算時(shí)間、通訊開(kāi)銷以及客戶端上的運(yùn)算，保證即時(shí)通信。首先，將所述泛相關(guān)矩陣F分解為多個(gè)模塊，如4個(gè)，形式如下：F=F11000+0F1200+00F210+000F22]]>F11、F12、F21、F22維度相同，當(dāng)F的維度為偶數(shù)且F11、F12、F21、F22的維度恰好為F維度的一半時(shí)，F(xiàn)=F11F12F21F22=F11000+0F1200+00F210+000F22]]>其次，對(duì)F11、F12、F21、F22分別進(jìn)行稀疏化編碼，系數(shù)序列可作為F的特征表示。反之，則可以通過(guò)系數(shù)序列進(jìn)行相應(yīng)的解碼得到泛相關(guān)矩陣F；然后，本發(fā)明所述第三部分自適應(yīng)匹配是指通過(guò)泛相關(guān)稀疏矩陣對(duì)信息進(jìn)行融合之后，指導(dǎo)先驗(yàn)信息庫(kù)通過(guò)應(yīng)用軟件對(duì)用戶進(jìn)行服務(wù)響應(yīng)和相關(guān)的服務(wù)推薦，這些響應(yīng)與服務(wù)包括但不限于對(duì)產(chǎn)品在多維度的泛相關(guān)稀疏空間進(jìn)行質(zhì)量認(rèn)證，產(chǎn)品溯源，相關(guān)產(chǎn)品與服務(wù)的推薦，相關(guān)措施的實(shí)施。所述先驗(yàn)信息庫(kù)包括但不限于產(chǎn)品與服務(wù)屬性數(shù)據(jù)庫(kù)，熱點(diǎn)排行數(shù)據(jù)庫(kù)、個(gè)人搜索數(shù)據(jù)庫(kù)、屬性匹配數(shù)據(jù)庫(kù)等。所述自適應(yīng)匹配架構(gòu)圖如圖4所示。本發(fā)明還相應(yīng)提供一種基于泛相關(guān)稀疏矩陣信息融合的自適應(yīng)匹配系統(tǒng)，該系統(tǒng)包括泛相關(guān)稀疏矩陣信息融合器、先驗(yàn)信息庫(kù)和客戶終端三部分。所述泛相關(guān)稀疏矩陣信息融合器，已由所述泛相關(guān)稀疏矩陣信息融合部分介紹。所述泛相關(guān)稀疏矩陣信息融合器以智能設(shè)備所獲得的物體與事件的顯性屬性作為輸入；通過(guò)所述顯性屬性擴(kuò)展、隱性屬性學(xué)習(xí)得到所述事件屬性空間；以所述屬性空間為基礎(chǔ)構(gòu)建所述泛相關(guān)矩陣空間，得到矩陣信息；對(duì)所述矩陣信息采用多模塊稀疏化編碼進(jìn)行編碼。所述多維異構(gòu)的先驗(yàn)信息庫(kù)，用于提供用戶功能匹配先驗(yàn)信息。而且，所述先驗(yàn)信息庫(kù)的實(shí)現(xiàn)方式為數(shù)組對(duì)。對(duì)于已有事件，其所述泛相關(guān)矩陣為Fin，其事件處理方式的所述屬性向量為dout，其在信息庫(kù)中的儲(chǔ)存形式為數(shù)組對(duì)(Fin,dout)。而且，所述先驗(yàn)信息庫(kù)的實(shí)現(xiàn)方式為預(yù)先置入部分先驗(yàn)信息，并隨著所述客戶終端反饋信息不斷更新。所述客戶終端以所述泛相關(guān)稀疏矩陣信息融合器生成的泛相關(guān)矩陣的相應(yīng)元素或子集為輸入，結(jié)合所述先驗(yàn)信息庫(kù)的信息，實(shí)現(xiàn)用戶的功能匹配，這些功能包括但不限于產(chǎn)品與服務(wù)的認(rèn)證，相關(guān)產(chǎn)品與服務(wù)的推薦，以及相關(guān)措施的實(shí)施。而且，所述客戶終端匹配的實(shí)現(xiàn)思路為相關(guān)性匹配。對(duì)于泛相關(guān)矩陣所述相關(guān)性匹配的標(biāo)準(zhǔn)如下：其中sim越大表示相似度越高。所述相關(guān)性匹配的實(shí)現(xiàn)方式為近鄰匹配和深度網(wǎng)絡(luò)，所述近鄰匹配的原則有兩種：其一，固定數(shù)量的鄰居：不論鄰居的“遠(yuǎn)近”，只取最近的K個(gè)，作為其鄰居。其二，基于相似度閾值的鄰居：與計(jì)算固定數(shù)量的鄰居的原則不同，基于相似度閾值的鄰居計(jì)算是對(duì)鄰居的遠(yuǎn)近進(jìn)行最大值的限制，落在以當(dāng)前點(diǎn)為中心，距離為K的區(qū)域中的所有點(diǎn)都作為當(dāng)前點(diǎn)的鄰居。而且，所述客戶終端匹配的具體實(shí)現(xiàn)方式為基于泛相關(guān)矩陣的匹配。所述匹配方法有三種：其一，基于當(dāng)前所述泛相關(guān)矩陣找到相鄰鄰居，然后將鄰居匹配的功能匹配到當(dāng)前用戶或者事件。其二，為當(dāng)前用戶事件的泛相關(guān)矩陣在用戶的歷史事件中找到近鄰匹配，將該用戶的歷史最近近鄰的功能匹配到當(dāng)前用戶事件。其三，通過(guò)大量的泛相關(guān)矩陣到功能匹配的數(shù)據(jù)作深度學(xué)習(xí)深度網(wǎng)絡(luò)，當(dāng)前泛相關(guān)矩陣輸入該網(wǎng)絡(luò)，匹配相應(yīng)的功能。而且，所述客戶終端所得匹配信息與所述泛相關(guān)矩陣一起儲(chǔ)存入先驗(yàn)信息庫(kù)。而且，所述客戶終端在提供給用戶相關(guān)功能之后，收集用戶反饋信息，若反饋信息與預(yù)先儲(chǔ)存先驗(yàn)信息庫(kù)的匹配信息對(duì)比，若不同則更新該信息，若相同則不作操作。本發(fā)明構(gòu)建了統(tǒng)一化空間，通過(guò)多模塊稀疏化編碼實(shí)現(xiàn)了全局最優(yōu)，保證了系統(tǒng)的全局收斂性。而在優(yōu)化過(guò)程中，計(jì)算允許的情況下直接通過(guò)深度學(xué)習(xí)與稀疏化編碼相結(jié)合，進(jìn)一步提高了匹配精度。當(dāng)前第1頁(yè)1 2 3