[发明专利]多目标流形数据分析方法、装置、设备及存储介质

说明书

本发明涉及多目标流形数据分析方法、装置、设备及存储介质。该架构包括：获取多目标流形数据；将多目标流形数据输入预先训练好的流形数据分析模型，得到多目标流形数据的分析结果，流形数据分析模型利用样本流形数据和样本流形数据对应的样本分析序列，对流形空间内的初始分析模型训练得到。根据本发明实施例，由于流形数据分析模型利用样本流形数据和样本流形数据对应的样本分析序列，对流形空间内的初始分析模型训练得到，使得利用流形数据分析模型，能够很好的分析高维度的流形数据，保证流形数据分析的准确性，可以适用于海量的高维流形数据进行分析，具有很好的推广应用价值。

技术领域

本发明涉及大数据分析技术领域，尤其涉及多目标流形数据分析方法、装置、设备及存储介质。

背景技术

在大数据时代，很多类型的数据受到多维特征的影响，使得数据的复杂度越来越高，可以将复杂度高的数据称为流形数据。例如，电影数据的维度包括制片人维度、拍摄时间维度、结束时间维度、赞助公司维度、演员维度以及上映时间等维度。

对于海量的流形数据，用户希望高效且准确的分析流形数据。但是，目前的数据分析手段可以对低维度的数据进行有效分析，对于高维度的流形数据的分析准确性极低。

流形数据分析方法是一种广义的优化求解算法，在流形上的限制条件下，求单位对数似然函数J(θ)的最小值，其中θ为模型参数集。J(θ)定义为：

其中，y为真实数据观测值，p为模型预测值，ln()表示自然对数函数，·表示均值函数；λ为常数，w为每组的权重，ρ为信号流形空间，表示组求和函数。

模型预测值p是真实数据x和参数集θ的函数，根据费米-狄拉克分布函数，可以表示为：

其中，e表示指数函数，f(x|θ)表示如下：

f(x|θ)＝θ_μδ^μ(x-α_δ)+o(…)

其中，x表示真实数据，θ_μ表示变量参数向量；δ^μ(x-α_δ)为狄拉克δ函数构成的行向量(即各变量对应的组参数向量)；o(…)表示其他项，如高阶无穷小、或神经网络模型等。

信号流形空间ρ为分组集δ上的函数，定义为：

其中，δ表示组，y_δ为真实数据观测值在各分组上的均值，p_δ为模型预测值在各分组上的均值，ln()表示自然对数函数。

单位对数似然函数J(θ)的梯度向量和海森矩阵分别为：

其中，μ,v表示变量，δ_μ,δ_μ表示变量对应的组参数，·表示均值函数；λ为常数，w为每组的权重，ρ为信号流形空间，表示组求和函数。

非线性优化问题的迭代解为：

其中，Δθ_μ为每次迭代变量参数更新的增量向量，表示的逆矩阵，表示的行向量。Δα_δ为每次迭代组参数更新的增量向量，β为常数，ln()表示自然对数函数，·表示均值函数。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本发明提供了多目标流形架构的流形数据分析方法、装置、设备及存储介质。

第一方面，本发明提供了多目标流形数据分析方法，该方法包括：