[发明专利]使用滚动窗口的连续学习神经网络系统

权利要求书

1.一种方法，包括：

由分析计算机确定与用于随时间推移而发生的交互的交互数据相关联的滚动窗口；

由所述分析计算机检取用于在所述滚动窗口中发生的交互的交互数据；

由所述分析计算机基于历史交互数据生成伪交互数据；以及

由所述分析计算机使用用于在所述滚动窗口内发生的交互的所述交互数据和所述伪交互数据形成神经网络模型。

2.根据权利要求1所述的方法，其中所述滚动窗口包括期间发生所述交互数据的时间范围，且其中所述方法还包括：

由所述分析计算机嵌入用于在所述滚动窗口内发生的所述交互的所述交互数据和所述伪交互数据以形成交互数据矩阵，且其中使用所述交互数据矩阵形成所述神经网络模型。

3.根据权利要求2所述的方法，其中生成所述伪交互数据还包括：

由所述分析计算机确定所述历史交互数据中的一个或多个数据趋势，所述一个或多个数据趋势包括在所述滚动窗口内和外发生的交互；以及

由所述分析计算机基于所述一个或多个数据趋势生成多个伪交互以形成所述伪交互数据。

4.根据权利要求3所述的方法，其中确定所述一个或多个数据趋势还包括：

由所述分析计算机将至少所述历史交互数据集群成一个或多个社区组，其中所述一个或多个社区组中的每个社区组包括表示具有相似特性的交互的数据。

5.根据权利要求4所述的方法，其中形成所述神经网络模型还包括：

由所述分析计算机拆分所述交互数据矩阵的一部分以形成测试样本；

由所述分析计算机将所述测试样本存储到数据库中；

由所述分析计算机用未包括在所述测试样本中的所述交互数据矩阵训练神经网络；

基于所述训练，由所述分析计算机确定部分地定义所述神经网络模型的多个神经网络权重；

由所述分析计算机使用所述测试样本评估所述神经网络模型；以及

基于所述评估，由所述分析计算机将所述神经网络模型存储在模型数据库中。

6.根据权利要求5所述的方法，其中所述神经网络为卷积神经网络或递归神经网络。

7.根据权利要求1所述的方法，还包括：

确定一个或多个误差矩阵；以及

用机器学习模型和所述一个或多个误差矩阵嵌入用于在所述滚动窗口内发生的所述交互的所述交互数据和所述伪交互数据以形成交互数据矩阵，且其中形成所述神经网络模型包括使用所述交互数据矩阵来形成所述神经网络模型。

8.根据权利要求7所述的方法，其中确定所述一个或多个误差矩阵还包括：

由所述分析计算机使用用于在所述滚动窗口内发生的所述交互的所述交互数据的第一部分训练模型；

由所述分析计算机使用用于在所述滚动窗口内发生的所述交互的所述交互数据的第二部分评估所述模型；

由所述分析计算机基于所述评估确定误差矩阵和总误差；

由所述分析计算机确定所述总误差是否超出预定误差阈值；以及

如果所述总误差超出所述预定误差阈值，则由所述分析计算机将所述误差矩阵存储在数据库中。

9.根据权利要求1所述的方法，还包括：

由所述分析计算机将所述神经网络模型存储在模型数据库中。

10.根据权利要求9所述的方法，还包括：

由所述分析计算机接收包括请求数据的请求消息；以及

由所述分析计算机确定对所述请求消息的响应消息，所述响应消息包括由所述神经网络模型基于所述请求数据输出的响应数据。