[发明专利]一种基于深度神经网络的演艺装备智能运维推荐技术

说明书

本发明公开了一种基于深度神经网络的演艺装备智能运维推荐技术，克服了现有技术中基于深度学习的推荐算法缺乏灵活性，这会在实际应用中降低维护人员对推荐结果的信任度的问题，它包括下列步骤：构建数据集，并对数据集中的数据进行特征预处理；构建深度神经网络模型，设置深度神经网络的各参数；将数据送入深度神经网络进行训练，随机选择某种设备进行维护，由模型推荐出其他设备；将注意力机制融入深度神经网络，选择步骤S3中相同的设备，由模型推荐出其他设备；根据实际情况加大不同数据特征的权重，计算相应的推荐结果。由深度神经网络对演艺设备的特征进行提取，再由注意力机制对演艺设备的特征赋予不同的权重，从而使系统推荐出设备组合。

技术领域

本发明涉及舞台演艺设备运维过程中智能推荐算法设计技术领域，特别涉及了一种基于深度神经网络的演艺装备智能运维推荐技术。

背景技术

随着文化产业的快速发展，剧院的数量逐渐增多，剧院中对演艺设备的要求很高，高性能和高精度的设备可以保证演出过程中的安全，并且能增强演出的舞台效果。因此，剧院中演艺设备的定期管理和维护显得尤为重要。然而，一个剧院中的演艺设备的数量和种类众多，人工手动检查和维护会造成时间和精力的巨大浪费。除此之外，人工维护时，每种设备的价格、寿命和其他信息都会影响维护人员的优先级选择，维护人员会被过多的信息所淹没，维护人员将无法精准地选择需要维护的设备，这将导致人工维护的效率低下。

因此，在进行演艺设备维护时，如何在过量的信息中寻找到有用的信息是一个重点研究问题。推荐系统在解决信息过载问题时具有良好的性能，推荐系统被定义为在复杂的信息环境下用户的决策策略。传统的推荐方法主要分为三种：基于内容的推荐方法、基于协同过滤的推荐方法和混合的推荐方法。虽然传统的推荐方法在一定程度上能得到良好的推荐结果，但是在数据较稀疏时并不能表现出良好的性能。尤其是在处理复杂的辅助信息时，传统的推荐方法仍然面临许多困难和挑战。

近年来，深度学习已经成为了推荐系统中有用的方法。深度学习通过挖掘和分析数据的深度，可以有效的提取数据的基本特征，所以在一定程度上弥补了传统推荐方法的缺点，并且也能实现较高质量的推荐。因此，深度学习在推荐领域的应用也越来越广泛。如中国专利局2020年9月22日公开了一种名称为基于深度学习的智能医嘱推荐方法及系统的发明，其公开号为CN110473636B，该发明中推荐方法，包括如下步骤：步骤(1)：构建患者病情信息库。步骤(2)：设定待开医嘱的患者为当前患者，采集当前患者的病情信息，判断当前患者是否有医嘱信息，如果有，执行步骤(4)；否则执行步骤(3)；步骤(3)：确定患者病情信息库中与当前患者病情信息最相近的患者，将最相近患者的医嘱推荐为当前患者的初始医嘱；步骤(4)：将当前患者的病情信息输入训练好的深度学习模型M，深度学习模型M输出为当前患者的推荐医嘱。采用深度学习技术，分析患者复杂的病情信息数据，智能推荐合适的医嘱。然而，基于深度学习的推荐算法缺乏灵活性，这会在实际应用中降低维护人员对推荐结果的信任度。

随着注意力机制网络的出现，一些学者们在深度学习推荐系统中融入了注意力机制。注意力机制借鉴人类的视觉机制，并且被广泛应用于图像识别、自然语言处理和其他领域。注意力机制通过对数据特征赋予不同的权重，可以突出所有特征中更为重要的特征，并且抑制其他无关因素的影响。

发明内容

本发明的目的是克服现有技术中基于深度学习的推荐算法缺乏灵活性，这会在实际应用中降低维护人员对推荐结果的信任度的问题，提供了一种基于深度神经网络的演艺装备智能运维推荐技术，将深度神经网络和注意力机制进行有机结合，由深度神经网络对演艺设备的特征进行提取，再由注意力机制对演艺设备的特征赋予不同的权重，通过对设备数据特征赋予不同的权重，突出了较为重要的特征，减小了无关因素的影响，从而使系统推荐出维护人员可能需要维护的设备组合。

为了实现上述目的，本发明采用以下技术方案：一种基于深度神经网络的演艺装备智能运维推荐技术，其特征在于，它包括下列步骤：

S1：构建关于剧院演艺设备情况的数据集，并对数据集中的数据进行特征预处理；