[发明专利]媒体信息张量监督学习方法

权利要求书

1.一种媒体信息张量监督学习方法，其特征在于：它包括如下步骤：

S1、收集媒体信息；

S2、构建n阶媒体信息张量x；

S3、构建n阶张量监督学习算法的超平面函数f(χ)＝χ×₁a₁×₂a₂...×_na_n+b；

S4、基于媒体信息训练样本集求解超平面函数中的参数a_k、b，其中k＝1、2、…n；

S5、基于计算的超平面函数f(χ)＝χ×₁a₁×₂a₂...×_na_n+b对股票波动进行预测。

2.根据权利要求1所述的媒体信息张量监督学习方法，其特征在于：所述媒体信息包括市场交易信息、媒体新闻信息、股民情感信息。

3.根据权利要求1所述的媒体信息张量监督学习方法，其特征在于：所述步骤S4中求解a_k、b，其中k＝1、2、…n的步骤为：

S41、设置m＝0；

S42、m＝m+1；

S43、令β_k,k≠m＝||a_k||²，

S44、通过计算a_m；

其中，为目标函数，为约束条件；C为惩罚因子，ε为误差，ξ为松弛变量；

S45、判断问题是否收敛，若是则执行步骤S46，若不是，则执行步骤S42；

S46、输出：a_k、b，其中k＝1、2、…n，惩罚因子C，误差ε。

4.根据权利要求3所述的媒体信息张量监督学习方法，其特征在于：所述目标函数及所述约束条件的构建过程为：

当张量为二阶张量时，令其张量监督学习算法的回归函数为f(x)＝u^Txv+b，通过张量的内积计算，转换后f(x)＝〈x，uv^T〉+b；其中，向量目标值

通过||uv^T||保证回归函数的泛化能力，构建张量回归问题如下：

minu,v,bJ(u,v,b)=12||uvT||2s.t.yi-<xi,uvT>-b≤ϵ<xi,uvT>+b-yi≤ϵ]]>

引入松弛变量ξ和惩罚因子C对异常点进行处理，引入异常点后，其张量回归问题如下：

minw,v,b,ξi,ξi*J(u,v,b)=12||uvT||+CΣi=1N(ξi+ξi*)s.t.yi-<xi,uvT>-b≤ϵ+ξi<xi,uvT>+b-yi≤ϵ+ξi*ξi,ξi*≥0]]>

其中，C值越大则松弛变量在目标问题中所占比重越大，异常点付出的成本就越多，回归函数允许出现的异常点就更少，反之亦然。

5.根据权利要求4所述的媒体信息张量监督学习方法，其特征在于：求解所述u，v，b的步骤为：引入拉格朗日因子，张量回归问题转换为：

L=12||uvT||2+CΣi=1N(ξi+ξi*)-Σi=1Nαi(ϵ+ξi-yi+uTxiv+b)-Σi=1Nαi*(ϵ+ξi*+yi-uTxiv-b)-Σi=1N(ηi*ξi*+ηiξi)]]>

其中，α_i，η_i，为拉格朗日乘子；由于

12||uvT||2=12trace(uvTuvT)=12(vTv)trace(uTu)=12(vTv)(uTu)]]>

把其等式带入拉格朗日函数得：

L=12(vTv)(uTu)+CΣi=1N(ξi+ξi*)-Σi=1Nαi(ϵ+ξi-yi+uTxiv+b)-Σi=1Nαi*(ϵ+ξi*+yi-uTxiv-b)-Σi=1N(ηi*ξi*+ηiξi);]]>

对未知数u，v，b，ξ_i，求导有：

u=Σi=1N(αi-αi*)xivvTv,i=1...n]]>

v=Σi=1N(αi-αi*)uTxiuTu,i=1...n]]>

Σi=1N(αi-αi*)=0,i=1...n]]>

C-α_i-η_i＝0，i＝1…n

C-αi*-ηi*=0,i=1...n]]>

对张量x进行降阶，令向量u为单位向量，即u＝(1，1，...，1)^T；二阶张量x通过u进行降阶，设向量常数β₁＝||u||²，由此张量回归问题可以化解为：

minv,b,ξi,ξi*J(v,b,ξi,ξi*)=12β1||v||2+CΣi=1N(ξi+ξi*)s.t.yi-vTxi-b≤ϵ+ξivTxi+b-yi≤ϵ+ξi*ξi,ξi*≥0]]>

用求解支持向量回归机算法的方法求解v；

用v对张量x进行降阶，令常数β₂＝||v||²，张量回归问题为：

minu,b,ξi,ξi*J(u,b,ξi,ξi*)=12β1||u||2+CΣi=1N(ξi+ξi*)s.t.yi-uTxi-b≤ϵ+ξiuTxi+b-yi≤ϵ+ξi*ξi,ξi*≥0]]>

求解出u；

对于n阶张量，令向量a₁、a₂…a_n中有n-1个向量为单位向量，用其对n阶张量进行降阶转化为向量问题，随后用支持向量回归算法求解。