[发明专利]区块链内外多源异构数据基于广度学习算法的融合方法

权利要求书

1.一种区块链内外多源异构数据基于广度学习算法的融合方法,其特征在于：

步骤S1:将多种类型的数据包括用户视角的数据和行为视角的数据，映射到高维非线性的潜在空间中的多源数据；

步骤S2:使用词嵌入技术将多源数据转化为低维空间中的向量，得到多源数据简单的，初步的分布式表示X^p和X^u，X^p和X^u分别为行为视角的数据分布式表示和用户视角的数据分布式表示，将其作为卷积神经网络模型的输入；

步骤S3:将X^p和X^u通过卷积神经网络模型进行卷积操作，得到卷积操作提取的用户视角抽象特征c^u和行为视角抽象特征c^p；

步骤S4:对于行为视角抽象特征c^p，继续作为LSTM模块的输入，可以得到LSTM模块的最后时刻隐藏层输出h_t，并将最后时刻隐藏的输出h_t作为行为视角的最终特征；

步骤S5:通过趋势预测层联合优化用户视角抽象特征c^u和行为视角的最终特征h_t,并预设整个模型架构的最小化误差值,且误差值公式为：

其中n_samples表示n个样本，n_labels表示n个标签，是数据的真实趋势，L_ij＝{(k,l):f_ik＜f_ij,y_ik＝1,y_il＝0},L_ij表示第i个样本对应第j个标签的预测误差值，其中(k,l)是行向量，表示第k个预测标签与第l个实际标签的误差值；f_ik＜f_ij表示第i个样本对应的第k个标签的预测值小于第i个样本对应的第j个标签的预测值，即表示预测错误；y_ik表示第i个样本对应的第k个标签的真实值，y_il表示第i个样本对应的第l个标签的真实值；是分类器的预测趋势,若ranking(y,f)小于预设的最小化误差值，则说明本模型得到的分类器的预测趋势满足预设的数据趋势预测的要求。

2.根据权利要求1所述的一种区块链内外多源异构数据基于广度学习算法的融合方法,其特征在于：所述步骤S2使用词嵌入技术将多源数据转化为低维空间中的向量，具体为：

假定向量维度为d，行为视角的评论句子的长度为l_p，用户视角的评论句子的长度为l_u，则行为视角的数据分布式表示为：

用户视角的数据分布式表示为：

且其中，R表示向量空间，和分别是X^p和X^u的第i个位置的词向量。

3.根据权利要求2所述的一种区块链内外多源异构数据基于广度学习算法的融合方法,其特征在于：所述卷积操作得到用户视角抽象特征c^u具体包括：

假定数据分布表达式中的第i到j个词向量拼接为

对拼接的词向量x_ij进行卷积操作，公式为：

得到对应数据分布表达式的抽象特征：

其中，h为卷积核的长度，W∈R^h*d为卷积核的权重矩阵，L为一条评论的长度，b∈R^d为偏置项。

4.根据权利要求2所述的一种区块链内外多源异构数据基于广度学习算法的融合方法,其特征在于：所述卷积操作得到行为视角抽象特征c^p具体包括：

假定数据分布表达式中的第i到j个词向量拼接为

对拼接的词向量x_ij进行卷积操作，公式为：

得到对应数据分布表达式的抽象特征：

其中，h为卷积核的长度，W∈R^h*d为卷积核的权重矩阵，L为一条评论的长度，b∈R^d为偏置项。

5.根据权利要求1所述的一种区块链内外多源异构数据基于广度学习算法的融合方法,其特征在于：所述步骤S4具体为：

LSTM能学习到文本的语义序列特征，这是因为它以指定的周期循环地执行cell块，每个cell块依赖于前一个时刻隐藏层的输出h_t-1和当前时刻的输入x_t；每个cell块包含三个门限：遗忘门f_t，输入门i_t，输出门o_t，其公式分别为：

i_t＝δ(W_f·[h_t-1,x_t]+b_f) (6)

f_t＝δ(W_i·[h_t-1,x_t]+b_i) (7)

o_t＝δ(W_o·[h_t-1,x_t]+b_o) (8)

其中δ表示激活函数,W_f，W_i，W_o分别是遗忘门f_t，输入门i_t，输出门o_t的权重参数，b_f，b_i，b_o分别是遗忘门，输入门，输出门的偏置项；W_C为候选值向量的权重参数；b_C为候选值向量的偏置项；

根据遗忘门f_t，输入门i_t，可以得到当前时刻遗忘门的临时状态C_t为：

C_t和C_t-1分别为当前时刻和上一时刻遗忘门的临时状态

根据当前时刻遗忘门的临时状态C_t，可以得到LSTM模块的最后时刻隐藏层输出h_t为：

h_t＝o_t*tanh(C_t) (11)

并将最后时刻隐藏的输出h_t作为行为视角的最终特征。