买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东南大学

摘要：本发明公开了基于深度学习和多Agent优化的软件评审者混合推荐方法，包括以下步骤：步骤（1）主要负责系统中的资源调度与分配；步骤（2）低阶特征处理，步骤（3）评审者召回；步骤（4）评审者排序并推荐；本发明采用LFM学习项目PR的隐因子矩阵和评审者的隐因子矩阵，通过计算两个隐因子矩阵的内积填补行为特征矩阵的空缺值，降低其稀疏度，然后再使用基于项目PR的协同过滤推荐算法进行推荐。排序部分使用深度神经网络（DNN）学习评审者的通用特征向量，DNN将会学习到高阶特征组合，使得推荐更加精准。通过设计多Agent系统实现各个部分之间的协同学习，提高海量数据环境下的推荐效率。

主权项：1.基于深度学习和多Agent优化的软件评审者混合推荐方法，其特征在于：通过多Agent技术实现推荐框架各个部分之间进行协同工作，并包括以下步骤：步骤1系统SA：负责系统中的资源调度与分配，包括收集项目PR和开发者的特征数据，对特征进行编码以及提供数据调用服务；步骤2EA：低阶特征处理，负责从SA获取特征向量，并完成离散型特征的向量嵌入与向量拼接，并对其它模块提供数据调用服务；其中所述步骤2中的低阶特征处理部分将特征分为离散型特征和连续型特征；所述连续型特征也称为实值特征，该类特征被直接使用；离散型特征为种类特征，该类特征不具有实值，使用one-hot进行编码；因此低阶特征处理会将one-hot编码的高维特征向量嵌入到低维特征向量空间中，实现特征降维，然后与连续型实值特征进行拼接得到新的低维的特征向量送入后续的模块中进行学习训练；步骤3RA：评审者召回，负责从EA获取相应的行为矩阵数据，并完成LFM的隐因子分解与行为矩阵的空缺值填补，最后完成PBCF的初步推荐工作，RA还提供评审者候选集数据调用服务；评审者召回部分采用隐因子分解模型LFM和基于项目PR的协同过滤推荐；评审者参与的项目PR的行为矩阵Sn×m＝rij首先通过LFM进行分解，分别得到项目PR的隐因子矩阵Wn×d＝wij和评审者的隐因子矩阵Vm×d＝vij，这两个矩阵做内积用来填补行为矩阵的空缺值；然后行为矩阵将会通过PBCF计算目标PR与其它PR之间的相似度，与目标PR最相似的若干PR的评审者，这些评审者之前未参与目标PR的评审工作将会被进行初步推荐进入评审者候选集；LFM通过学习行为矩阵中的已经存在的数据不断更新PR的隐因子矩阵和评审者的隐因子矩阵；LFM的损失函数如下所示： LFM采用随机梯度下降更新参数；经过训练之后，行为矩阵S≈WTV，也即使用PR隐因子矩阵与评审者隐因子矩阵的内积填补行为矩阵的空缺值，从而降低行为矩阵的数据稀疏度；经过LFM学习的行为矩阵用来作为协同过滤的数据源；协同过滤算法采用基于用户的协同过滤，在评审者推荐场景下，用户为项目PR，而评审者则是推荐的内容；PBCF首先计算项目PR的相似度，相似度采用余弦相似度进行计算，经过计算后，对所有相似度进行排序，余弦相似度最高的若干PR被挑选出来，参与这些PR评审的评审者且未参与目标PR评审的评审者将会被推荐，这些评审者将会被作为评审者候选集送入第三部分进行排序推荐；步骤4SRA：评审者排序并推荐；负责从EA和RA获取相应的评审者通用特征数据与评审者候选数据集；获取数据之后完成DNN高阶特征预测，选择性地完成FM二阶线性预测，并将命中的候选评审者排序向项目PR进行推荐；推荐的结果将会作为初步的评审者候选集，送入排序部分进行排序并推荐；排序部分使用深度神经网络学习评审者的通用特征向量，DNN将会学习到高阶特征组合，使得推荐更加精准；另外选择性地让通用特征向量通过因子分解机，FM的结果将和DNN一起通过激活函数得到最终的结果；FM学习到一阶特征和二阶交叉特征的线性组合，将FM作为DNN的补充获得更为精准的推荐结果。

全文数据：

权利要求：

百度查询： 东南大学 基于深度学习和多Agent优化的软件评审者混合推荐方法