一种泛相关稀疏矩阵空间的信息融合与自适应匹配方法

摘要

一种泛相关稀疏矩阵空间的信息融合与自适应匹配方法属于人工智能技术领域。本发明首先1)构建了一种泛相关稀疏矩阵信息空间，实现了复杂异构信息的融合表示；2)给出了泛相关稀疏矩阵的构建方法，设计了多模块稀疏化编码；3)在泛相关稀疏矩阵空间定义了异构元素的运算法则；4)在此基础上实现了一种多维属性智能匹配与服务发现的系统。解决现有的同类方法因没有统一的系统架构和异构信息的融合方法而采用分类与分层优化导致的难以融合全局元素的问题；应用层面时间资源开销过多，难以实现移动端环境应用的问题；技术层面难以保证全局稳定性和收敛性的问题。

主权项

一种泛相关稀疏矩阵空间的信息融合与自适应匹配方法,其特征在于：包括泛相关稀疏矩阵异构空间的构建、多模块稀疏化编码和自适应匹配三大部分；泛相关稀疏矩阵异构空间的构建分为识别阶段和构建阶段；而且，所述识别阶段包括以下两个步骤:步骤1，系统通过链接多维通道的智能设备，获得并行结构的元数据输入，通过已有的识别系统，识别出人物和事物，假设人物数量为u₁，事物数量为v₁，其所述人物集合为所述事物集合为步骤2，针对一个事件而言，分别提炼出人、事物、人和事物的关系，构建范式抽象空间{(人，事物，关系)}，所述关系合集构成集合R；在空间属性的基础之上，对于所述人相对于事物的关系，构造数字指标集合R₁＝{1,2,...,r₁}；对于所述事物相对于人的反关系,构造数字指标集合R₂＝{1,2,...,r₂}；提取和相应的全属性以及两者之间的相互关系,其中，对应的属性向量分别为对应的属性向量分别为对于1≤i₁≤u₁，1≤i₂≤v₁，相对于的所述关系为相对于的所述关系为所述构建阶段，包括根据输入数据集提取的人和物品的全属性，以及相互关系深度融合构成泛相关稀疏矩阵；对于事件s，其所述人物集合为对应的属性向量分别为所述事物集合为对应的属性向量分别为对于1≤i₁≤u₁，1≤i₂≤v₁，相对于的所述关系为相对于的所述关系为所述事件s的所述泛相关矩阵为当u₁<50、u₂<50、v₁<50且v₂<50时，取泛相关矩阵的维度为100，A＝(a_ij)_1≤i,j≤50、B＝(b_ij)_1≤i,j≤50、C＝(c_ij)_1≤i,j≤50、D＝(d_ij)_1≤i,j≤50；将属性向量按行置入泛相关矩阵，A为人物属性部分，D为事物属性部分,B为人物对于事物的正关系部分，C为事物相对于人物的反关系部分，矩阵空余的部分补0；也就是说，当u₁<i≤50或u₂<j≤50时，a_ij＝0；当v₁<i≤50或v₂<j≤50时，d_ij＝0；当u₁<i≤50或v₁<j≤50时，b_ij＝0；当u₁<i≤50或v₁<j≤50时，c_ij＝0；可加指标是指对于属性空间的每个分量该项指标的数值能进行泛函意义下的求和运算，指数量指标的属性，反之则为所述不可加指标；可加关系是指对人物之间的相对关系能作叠加运算；若不满足，则为不可加关系；对于泛相关矩阵和其中，A¹、A²为事件的主体，D¹、D²为事件的客体，B¹为A¹相对于D¹的正关系，B²为A²相对于D²的正关系，C¹为D¹相对于A¹的反关系，C²为D²相对于A²的反关系；A¹、A²不能直接相加，当且仅当A¹、A²中的可加主体部分其客体和相互关系完全一致、且与主体关联的关系均为可加关系时，进行求和运算；多模块稀疏化编码：采用训练的方法，输入泛相关矩阵F，将F分成多个模块,对各个模块分别进行稀疏化编码；通过系数序列进行相应的解码得到泛相关矩阵F；自适应匹配：信息库预先置入部分先验信息，并随着所述客户终端反馈信息不断更新；信息库的实现方式为数组对；对于已有事件，其所述泛相关矩阵为F_in，其事件处理方式的所述属性向量为d_out，其在信息库中的储存形式为数组对(F_in,d_out)；对于输入的泛相关矩阵F^new，参照历史的近邻泛相关矩阵给出输出事件处理方式。