[发明专利]根据用户偏好学习预测颜色和谐程度的方法

权利要求书

1.根据用户偏好学习预测颜色和谐程度的方法，其特征在于该方法包括以下步骤：

第一部分：数据采集和预处理

步骤一：进行在线爬虫，获取某个网站中所有评论人数超过设定人的颜色主题id、用户评论的id和具体的评论；

步骤二：对获取的评论信息进行语义分类；检索用户评论中的关键词，根据关键词判断该评论要表现的和谐程度；

步骤三：删除空白的评论以及该评论的用户id，按照用户名排序进行编号，获得颜色主题的id，用户的id以及由评论转化而来的和谐度值；

第二部分：构建颜色和谐预测模型

步骤一：基于反向传播神经网络构建颜色和谐预测模型

1-1：提取多种颜色特征，包括调色板颜色、平均值、标准差、中位数、最大值、最小值、众数、颜色矩、每个颜色空间中单个通道的最大-最小值以及主题中相邻颜色的欧氏距离，将这些颜色特征作为反向传播神经网络的输入层进行训练；

1-2：通过三层隐藏层训练输入层的颜色特征；

1-3：采用sigmod函数作为三层隐藏层的激活函数，梯度下降算法作为神经网络反向传播的损失函数；

步骤二：在反向传播神经网络的隐藏层和输出层之间构造基于用户偏好的Kernel概率分布模型；

假设有M个用户对N个颜色主题进行评价，颜色主题的颜色特征用C_n表示，第m个用户给出颜色主题的评价用Z_mn表示，Z_mn即为真实标签，且Z_mn的总数小于M×N；

2-1：扩展C_n的大小为长度为M的向量；

2-2：利用步骤一的反向传播神经网络将颜色特征向量转化为颜色特征β_mn，其中，β_mn∈(0,1)；

2-3：根据真实标签Z_mn和颜色特征β_mn初步生成审美能力值α'_mn：

其中K表示颜色评级，颜色主题不同，颜色评级也不同；

2-4：分析审美能力值α'_mn，获取其基于Kernel分布的概率密度函数p(x|K,h)和累积分布函数F(x|K,h)，h为Kernel分布函数中的带宽参数；

2-5：根据累积分布函数F(x|K,h)生成与用户一一对应的审美能力值α_m：

其中，x'为审美能力值，x'＝{α₁,α₂,…,α_m}，u是满足均匀分布的随机变量；

2-6：通过α_m和β_mn计算最终颜色主题的和谐度值L_mn：

步骤三：比对L_mn与Z_mn的误差，计算Loss值并返回步骤一进行反向迭代，直至Loss值不再变化为止；

步骤四：输出迭代后的和谐度值L_mn，并将其作为最终预测结果。

2.根据权利要求1所述的方法，其特征在于：

数据采集和预处理中：

步骤一中所述的网站为在线网站COLOURLovers，获取网站中所有评论人数超过5人的颜色主题id，以及用户评论的id和具体的评论；

步骤二中所述的关键词是指积极词汇或者消极词汇，如果评论中不包含关键词，则将此对应的谐度值列为谐度值的中间值。

3.根据权利要求1所述的方法，其特征在于：

构建颜色和谐预测模型中：

1-2：通过三层隐藏层训练输入层的颜色特征，利用多次实验确定每个隐藏层的节点数；第一层隐藏层有300个神经元，第二层隐藏层有20个神经元，第三层隐藏层有1个神经元；

1-3：还包括设置学习率η＝0.00075来平衡预测精度和时间消耗。