[发明专利]基于细粒度迁移的跨场景认知能力评估方法及系统

权利要求书

1.一种基于细粒度迁移的跨场景认知能力评估方法，其特征在于，包括：

以用户在第一场景下的认知数据为源域数据，以该用户在第二场景下的认知数据为目标域数据；

以源域数据集为训练集，训练随机森林分类器，生成源域模型；

以目标域数据集为测试集，对该源域模型的个体分类器进行测试，获得该个体分类器的测试准确率；提取该源域数据集的源域特征和该目标域数据集的目标域特征，获得从该源域特征到该目标域特征的信息增益差；根据该测试准确率和该信息增益差，将所有该个体分类器聚类为多个簇；

对各簇中的个体分类器采用对应的生长机制进行更新，获得目标域模型；

通过该目标域模型对该用户在该第二场景下的认知能力进行评估。

2.如权利要求1所述的跨场景认知能力评估方法，其特征在于，对该个体分类器进行聚类的步骤包括：

以该测试准确率和该信息增益差获取该个体分类器的特征集合适应度和分割阈值适应度，以该特征集合适应度和该分割阈值适应度为先验知识，对该个体分类器进行融合先验知识的聚类操作。

3.如权利要求2所述的跨场景认知能力评估方法，其特征在于，对该个体分类器采用融合先验知识的高斯混合聚类。

4.如权利要求1所述的跨场景认知能力评估方法，其特征在于，该生长机制包括：

参数调整机制，更改该个体分类器分割属性的阈值；

结构调整机制，分裂或删除该个体分类器。

5.一种基于细粒度迁移的跨场景认知能力评估系统，其特征在于，包括：

数据获取模块，用于获取源域数据和目标域数据；其中，以用户在第一场景下的认知数据为该源域数据，以该用户在第二场景下的认知数据为该目标域数据；

模型生成模块，用于以源域数据集为训练集，训练多个个体分类器，以生成初始决策树模型；

聚类模块，用于对该源域模型的个体分类器进行聚类；其中，以目标域数据集为测试集，对该个体分类器进行测试，获得该个体分类器的测试准确率；提取该源域数据集的源域特征和该目标域数据集的目标域特征，获得从该源域特征到该目标域特征的信息增益差；根据该测试准确率和该信息增益差，将所有该个体分类器聚类为多个簇；

更新模块，用于对各簇中的个体分类器采用对应的生长机制进行更新，以获得目标域模型；

评估模块，用于通过该目标域模型对该用户在该第二场景下的认知能力进行评估。

6.如权利要求5所述的跨场景认知能力评估系统，其特征在于，该聚类模块具体包括：以该测试准确率和该信息增益差获取该个体分类器的特征集合适应度和分割阈值适应度，以该特征集合适应度和该分割阈值适应度为先验知识，对该个体分类器进行融合先验知识的聚类操作。

7.如权利要求6所述的跨场景认知能力评估系统，其特征在于，该聚类模块采用融合先验知识的高斯混合聚类方法，对该个体分类器进行聚类操作。

8.如权利要求5所述的跨场景认知能力评估系统，其特征在于，该更新模块中该生长机制包括：

更新阈值机制：更改该个体分类器分割属性的阈值；

结构调整机制：分裂或删除该个体分类器。

9.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，当该计算机可执行指令被执行时，实现如权利要求1～4任一项所述的基于细粒度迁移的跨场景认知能力评估方法。

10.一种数据处理装置，包括如权利要求9所述的计算机可读存储介质，当该数据处理装置的处理器调取并执行该计算机可读存储介质中的计算机可执行指令时，该数据处理装置执行基于细粒度迁移的跨场景认知能力评估。