[发明专利]社区推荐方法、系统、计算机设备及存储介质在审
申请号: | 202011142989.1 | 申请日: | 2020-10-23 |
公开(公告)号: | CN112380425A | 公开(公告)日: | 2021-02-19 |
发明(设计)人: | 莫海彤;叶朕源;魏宗财;魏纾晴;刘奕君;彭丹丽;刘晨瑜;陈旭华 | 申请(专利权)人: | 华南理工大学 |
主分类号: | G06F16/9535 | 分类号: | G06F16/9535;G06N3/04;G06N3/08;G06Q10/06 |
代理公司: | 广州市华学知识产权代理有限公司 44245 | 代理人: | 李君 |
地址: | 510640 广*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 社区 推荐 方法 系统 计算机 设备 存储 介质 | ||
1.一种社区推荐方法,其特征在于,所述方法包括:
获取居民社会经济属性数据和社区属性数据;
构建社区评价指标体系;其中,所述社区评价指标体系包括各个社区的分项指数和完整社区指数;
以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,使用反向传播神经网络模型进行训练,得到训练后的模型;
获取用户输入的社会经济属性数据,利用训练后的模型进行预测,得到该用户对应的社区各项指数的预测值;
将该用户对应的社区各项指数的预测值,与各个社区的分项指数和完整社区指数进行匹配,得到匹配结果;
根据匹配结果,输出社区推荐列表。
2.根据权利要求1所述的推荐方法,其特征在于,所述构建社区评价指标体系,具体包括:
针对每个社区,选择教育、医疗、商业服务、体育休闲、公共交通、环境、经济、区位、治理作为评价体系的准则层指标,向下再进行细分为共五十三项评价指标;
使用层次分析法计算出九项准则层指标以及各项准则层指标内部的各项评价指标的权重值,具体为:通过滚雪球式抽样随机获取一定量的居民样本,并请各位居民对九项准则层指标以及各项准则层指标内部的各项评价指标的重要性程度进行两两排序,综合所有受访居民的意见,对九项准则层指标及其细分的各项评价指标进行两两排序,根据优先级赋值,将总分最高的列为最优先的指标,计算得出九项准则层指标以及各项准则层指标内部的各项评价指标的权重值;
对各项准则层指标内部的各项评价指标的数据进行归一化处理后,乘以权重加和,得到九项准则层指标的系数,作为九项社区的分项指数;
将九项指数和对应权重相乘并相加,进行归一化处理后,得到完整社区指数,作为综合评价社区的指标。
3.根据权利要求2所述的推荐方法,其特征在于,所述基于层次分析法计算出九项准则层指标以及各项准则层指标内部的各项评价指标的权重值,具体包括:
按照决策的目标、考虑的因素和决策对象之间的相互关系分为最高层、中间层和最低层,并绘出层次结构图,以建立层次结构模型;
使用一致矩阵法构造判断矩阵;
对应于判断矩阵最大特征根的特征向量,经归一化后记为W,W的元素为同一层次元素对于上一层因素相对重要性的排序权值;
引入随机一致性指标RI,定义一致性比率CR=CI/RI,若一致性比率CR0.1,则通过一致性检验,将判断矩阵的归一化特征向量作为权向量,否则,重新构造判断矩阵加以调整;
从最高层次到最低层次依次计算某一层次所有因素对于最高层相对重要性的权重值,从而得到九项准则层指标以及各项准则层指标内部的各项评价指标的权重值。
4.根据权利要求1所述的推荐方法,其特征在于,所述反向传播神经网络模型包括输入层、隐藏层和输出层,输入层到隐藏层的权重系数矩阵为第一权重系数矩阵,隐藏层的偏置为第一偏置,隐藏层到输出层的权重系数矩阵为第二权重系数矩阵,输出层的偏置为第二偏置;
所述以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,使用反向传播神经网络模型进行训练,得到训练后的模型,具体包括:
以居民社会经济属性数据和社区属性数据作为影响因素,以各个社区的分项指数和完整社区指数作为被预测指标,构成训练集;
设置学习速率、终止阈值、最大步数、第一权重系数矩阵、第二权重系数矩阵、第一偏置和第二偏置;
将训练集输入反向传播神经网络模型,计算各层的输入值和输出值,再计算权重系数和偏置的梯度/所需偏导数,并更新第一权重系数矩阵、第二权重系数矩阵、第一偏置和第二偏置;
不断迭代以修正第一权重系数矩阵、第二权重系数矩阵、第一偏置和第二偏置,得到训练后的模型。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华南理工大学,未经华南理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011142989.1/1.html,转载请声明来源钻瓜专利网。