CN112541407B - 一种基于用户服务操作流的视觉服务推荐方法 - Google Patents
一种基于用户服务操作流的视觉服务推荐方法 Download PDFInfo
- Publication number
- CN112541407B CN112541407B CN202011365755.3A CN202011365755A CN112541407B CN 112541407 B CN112541407 B CN 112541407B CN 202011365755 A CN202011365755 A CN 202011365755A CN 112541407 B CN112541407 B CN 112541407B
- Authority
- CN
- China
- Prior art keywords
- service
- user
- algorithm
- recommendation
- machine vision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出了一种基于用户服务操作流的视觉服务推荐方法,为一种基于用户服务操作流的视觉服务推荐技术向用户推荐机器视觉算法服务的方法,先通过用户服务操作流用于生成对机器视觉算法底层服务流进行FCM聚类,将底层机器视觉算法服务之间的用户偏好关系进行分类筛选;再使用LFM算法对用户的操作流喜好进行矩阵建模分析,并计算不同用户对底层机器视觉算法服务的依赖程度以及喜好程度,打破了传统算法推荐服务留于表层算法模块的重复推荐,不能从底层算法运作上深度进行算法服务模块推荐。通过分析平台用户使用的视觉算法来了解用户底层使用视觉服务,从而进行精准视觉服务推荐。
Description
技术领域
本发明涉及机器视觉信息处理和数据服务分析技术领域,具体涉及机器视觉服务平台服务运作背景下研究利用机器学习、数据分析、推荐算法等技术,实现对机器视觉科技服务资源的精准推荐以及个性化服务。
背景技术
从2012年人工智能技术由ImageNet竞赛火爆发展到现在,机器视觉技术在工业和生活中的应用越来越广泛,大量的机器视觉技术被打包成服务应用在机器视觉平台上。西方发达国家近年大量部署云服务平台来提供人工智能服务技术,而机器视觉是一项综合技术,包括图像处理、机械工程技术、控制、电光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术(图像增强和分析算法、图像卡、I/O卡等)。一个典型的机器视觉应用***包括图像捕捉、光源***、图像数字化模块、数字图像处理模块、智能判断决策模块和机械控制执行模块。机器视觉***最基本的特点就是提高生产的灵活性和自动化程度。在一些不适于人工作业的危险工作环境或者人工视觉难以满足要求的场合,常用机器视觉来替代人工视觉。同时,在大批量重复性工业生产过程中,用机器视觉检测方法可以大大提高生产的效率和自动化程度。
云计算是并行计算、分布式计算和网格计算的发展,或者说是这些计算科学概念的商业实现。云计算是虚拟化、效用计算、将基础设施作为服务、将平台作为服务和将软件作为服务等概念混合演进并跃升的结果。对于机器视觉服务平台,算法推荐存在效率不高,服务资源重复调用造成浪费的特点,并且大部分推荐算法都没有考虑用户的操作流程以及隐形的底层算法服务使用偏好。
发明内容
本发明的目的是克服现有机器视觉服务推荐技术留于服务算法推荐表层,没有考虑用户操作在视觉平台上操作流程的特点,提出了基于用户服务操作流的服务推荐方法来向用户机器视觉服务。基于LFM(Latent Factor Model)算法用于生成精准推荐的建议。
一种基于大数据平台的个性化服务推荐方法,其特征在于,为一种基于用户服务操作流的视觉服务推荐技术向用户推荐机器视觉算法服务的方法,先通过用户服务操作流用于生成对机器视觉算法底层服务流进行FCM聚类,将底层机器视觉算法服务之间的用户偏好关系进行分类筛选;再使用LFM算法对用户的操作流喜好进行矩阵建模分析,并计算不同用户对底层机器视觉算法服务的依赖程度以及喜好程度,打破了传统算法推荐服务留于表层算法模块的重复推荐,不能从底层算法运作上深度进行算法服务模块推荐。通过分析平台用户使用的视觉算法来了解用户底层使用视觉服务,从而进行精准视觉服务推荐。
具体包括步骤:
1)算法底层服务精细模块化步骤:将大型机器视觉服务算法的底层代码进行解耦,并重新封装成小型服务算法模块,并通过服务接口暴露给用户;并且对各种底层重复服务模块进行模块处理,对无法进行多线程的服务模块进行多线程并发封装;
2)用户操作流分析步骤:根据用户使用的算法的先后顺序,以及算法调用的动态实施情况以及算法数据流向,构建用户操作流状态数据,并对用户的数据流状态进行矩阵建模,矩阵的行是不同用户,列为用户进行算法调用的操作流顺序;建模成功后存入用户数据库字典;在用户调用服务算法模块时,对服务算法模块调用顺序进行跟踪分析,并对用户传入的数据进行类型分析,同时构建一个操作流矩阵并存入用户数据库字典;
3)FCM分析步骤:从数据库中提取机器视觉服务模块信息以及用户字典获取用户操作流和用户数据流,通过FCM模糊聚类分析,对机器视觉服务模块从功能以及调用特性进行分类,以及对不同的用户的操作流矩阵与用户数据流矩阵进行模糊聚类,从而实现对用户进行分类,并将分类结果存储进用户服务匹配数据库;
4)用户服务匹配步骤:将用户服务匹配数据库中服务数据用户与服务使用频率统计,对FCM分析过后的底层服务类数据和用户服务模块进行粗匹配,大致构造User-Item矩阵;
5)LFM推荐优化算法步骤:使用用户服务匹配构造的User-Item矩阵进行参数迭代,并进行对不用user之间计算其item向量之间的夹角,得出相似用户群,对于相同用户群体之间进行机器视觉服务补充推荐,并记录服务推荐数据流,将已经呈现给用户,但是用户并未使用的服务进行记录,使用这些数据重新更新User-Item矩阵,进行在线学习,从而实现精准用户服务推荐。
进一步的,机器视觉算法服务超精细模块化,将机器视觉算法服务从算法模块层面精细分层到底层服务模块调用层面,将大型机器视觉算法进行拆解并重封装,为用户服务操作流分析提供硬性接口。
进一步的,用户服务操作流的统计计算,使用FCM模糊集聚类算法,将用户的操作流进行粗加工,对用户所使用的算法以及其操作流进行分析,从而分析出用户操作流的层级关系以及机器视觉算法底层服务模块之间的相关系数。
进一步的,使用LFM算法对用户操作流层级关系及算法模块相关系数进行处理,将筛选过后的算法服务模块推荐给用户,让用户自由选择所需要服务算法模块。
附图说明
图1是基于用户服务操作流的视觉服务推荐技术架构图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
实施例
如图1所示,基于用户服务操作流的视觉服务推荐方法的具体步骤:
1.算法底层服务精细模块化步骤:将大型机器视觉服务算法的底层代码进行解耦,并重新封装成小型服务算法模块,并通过服务接口暴露给用户;并且对各种底层重复服务模块进行模块处理,对无法进行多线程的服务模块进行多线程并发封装,从而保证底层服务模块调用的独立性和高并发性。
2.用户操作流分析步骤:根据用户使用的算法的先后顺序,以及算法调用的动态实施情况以及算法数据流向,构建用户操作流状态数据,并对用户的数据流状态进行矩阵建模,矩阵的行是不同用户,列为用户进行算法调用的操作流顺序。建模成功后存入用户数据库字典。在用户调用服务算法模块时,对服务算法模块调用顺序进行跟踪分析,并对用户传入的数据进行类型分析,同时构建一个操作流矩阵并存入用户数据库字典。
在存入的过程中,用户的重复操作要进行去重处理,从而减少用户字典的数据冗余。
3.FCM分析步骤:从数据库中提取机器视觉服务模块信息以及用户字典获取用户操作流和用户数据流,通过FCM模糊聚类分析,对机器视觉服务模块从功能以及调用特性进行分类,以及对不同的用户的操作流矩阵与用户数据流矩阵进行模糊聚类,从而实现对用户进行分类,并将分类结果存储进用户服务匹配数据库。
4.用户服务匹配步骤:将数据库中服务数据用户与服务使用频率统计,对FCM分析过后的底层服务类数据和用户服务模块进行粗匹配,大致构造User-Item矩阵。
5.LFM推荐优化算法步骤:使用用户服务匹配构造的User-Item矩阵进行参数迭代,并进行对不用user之间计算其item向量之间的夹角,得出相似用户群,对于相同用户群体之间进行机器视觉服务补充推荐,并记录服务推荐数据流,将已经呈现给用户,但是用户并未使用的服务进行记录,使用这些数据重新更新User-Item矩阵,进行在线学习,从而实现精准用户服务推荐。
基于上述方案技术方案,***使用时:
首先将后端机器视觉算法进行解耦和,把不同的算法服务进行精细化模块封装,再将服务算法代码放入数据库中进行保存,将机器视觉服务的前端用户点击时间以及算法操作时间推荐***进行对接,将用户操作流传到后端,后端调用FCM分析,用户服务匹配数据库进行LFM服务推荐,从而将算法服务推荐给用户,用户在前端可以自行选择算法服务,进行机器视觉算法操作。
Claims (1)
1.一种基于大数据平台的个性化服务推荐方法,其特征在于,为一种基于用户服务操作流的视觉服务推荐技术向用户推荐机器视觉算法服务的方法,先通过用户服务操作流对机器视觉算法底层服务流进行FCM聚类,将底层机器视觉算法服务之间的用户偏好关系进行分类筛选;再使用LFM算法对用户的操作流喜好进行矩阵建模分析,并计算不同用户对底层机器视觉算法服务的依赖程度以及喜好程度,打破了传统算法推荐服务留于表层算法模块的重复推荐,不能从底层算法运作上深度进行算法服务模块推荐;通过分析平台用户使用的视觉算法来了解用户底层使用视觉服务,从而进行精准视觉服务推荐;
1)算法底层服务精细模块化步骤:将大型机器视觉服务算法的底层代码进行解耦,并重新封装成小型服务算法模块,并通过服务接口暴露给用户;并且对各种底层重复服务模块进行模块处理,对无法进行多线程的服务模块进行多线程并发封装;
2)用户操作流分析步骤:根据用户使用的算法的先后顺序,以及算法调用的动态实施情况以及算法数据流向,构建用户操作流状态数据,并对用户的数据流状态进行矩阵建模,矩阵的行是不同用户,列为用户进行算法调用的操作流顺序;建模成功后存入用户数据库字典;在用户调用服务算法模块时,对服务算法模块调用顺序进行跟踪分析,并对用户传入的数据进行类型分析,同时构建一个操作流矩阵并存入用户数据库字典;
3)FCM分析步骤:从数据库中提取机器视觉服务模块信息以及用户字典获取用户操作流和用户数据流,通过FCM模糊聚类分析,对机器视觉服务模块从功能以及调用特性进行分类,以及对不同的用户的操作流矩阵与用户数据流矩阵进行模糊聚类,从而实现对用户进行分类,并将分类结果存储进用户服务匹配数据库;
4)用户服务匹配步骤:将用户服务匹配数据库中服务数据用户与服务使用频率统计,对FCM分析过后的底层服务类数据和用户服务模块进行粗匹配,大致构造User-Item矩阵;
5) LFM推荐优化算法步骤:使用用户服务匹配构造的User-Item矩阵进行参数迭代,并进行对不同 user之间计算其item向量之间的夹角,得出相似用户群,对于相同用户群体之间进行机器视觉服务补充推荐,并记录服务推荐数据流,将已经呈现给用户,但是用户并未使用的服务进行记录,使用这些数据重新更新User-Item矩阵,进行在线学习,从而实现精准用户服务推荐。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020108418529 | 2020-08-20 | ||
CN202010841852 | 2020-08-20 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541407A CN112541407A (zh) | 2021-03-23 |
CN112541407B true CN112541407B (zh) | 2022-05-13 |
Family
ID=75017065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011365755.3A Active CN112541407B (zh) | 2020-08-20 | 2020-11-29 | 一种基于用户服务操作流的视觉服务推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541407B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166668A (zh) * | 2014-06-09 | 2014-11-26 | 南京邮电大学 | 基于folfm模型的新闻推荐***及方法 |
CN108198045A (zh) * | 2018-01-30 | 2018-06-22 | 东华大学 | 基于电子商务网站数据挖掘的混合推荐***的设计方法 |
CN108763478A (zh) * | 2018-05-29 | 2018-11-06 | 努比亚技术有限公司 | 用户隐性特征计算方法、服务器及计算机可读存储介质 |
CN108763590A (zh) * | 2018-06-20 | 2018-11-06 | 合肥工业大学 | 一种基于双变加权核fcm算法的数据聚类方法 |
CN111199422A (zh) * | 2019-12-25 | 2020-05-26 | 浙江工商大学 | 融合时间衰减因子的改进lfm协同过滤方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008077022A2 (en) * | 2006-12-18 | 2008-06-26 | The Johns Hopkins University | Himf and btk in pulmonary, cardiac, and inflammation disorders |
CN105913296B (zh) * | 2016-04-01 | 2020-01-03 | 北京理工大学 | 一种基于图的个性化推荐方法 |
CN108460489A (zh) * | 2018-03-15 | 2018-08-28 | 重庆邮电大学 | 一种基于大数据技术的用户行为分析与服务推荐框架 |
-
2020
- 2020-11-29 CN CN202011365755.3A patent/CN112541407B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166668A (zh) * | 2014-06-09 | 2014-11-26 | 南京邮电大学 | 基于folfm模型的新闻推荐***及方法 |
CN108198045A (zh) * | 2018-01-30 | 2018-06-22 | 东华大学 | 基于电子商务网站数据挖掘的混合推荐***的设计方法 |
CN108763478A (zh) * | 2018-05-29 | 2018-11-06 | 努比亚技术有限公司 | 用户隐性特征计算方法、服务器及计算机可读存储介质 |
CN108763590A (zh) * | 2018-06-20 | 2018-11-06 | 合肥工业大学 | 一种基于双变加权核fcm算法的数据聚类方法 |
CN111199422A (zh) * | 2019-12-25 | 2020-05-26 | 浙江工商大学 | 融合时间衰减因子的改进lfm协同过滤方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112541407A (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Garcia-Garcia et al. | Pointnet: A 3d convolutional neural network for real-time object class recognition | |
Oh et al. | Hybrid genetic algorithms for feature selection | |
Kang | Rotation-invariant wafer map pattern classification with convolutional neural networks | |
CN110263151B (zh) | 一种面向多视角多标签数据的隐语义学习方法 | |
CN116152267A (zh) | 基于对比性语言图像预训练技术的点云实例分割方法 | |
CN110188816B (zh) | 基于多流多尺度交叉双线性特征的图像细粒度识别方法 | |
CN111797846B (zh) | 一种基于特征金字塔网络的反馈式目标检测方法 | |
CN107918761A (zh) | 一种基于多流形核鉴别分析的单样本人脸识别方法 | |
CN115294563A (zh) | 一种基于Transformer的增强了局部语义学习能力的3D点云分析方法及装置 | |
Han et al. | 3CROSSNet: Cross-level cross-scale cross-attention network for point cloud representation | |
Depuru et al. | Convolutional neural network based human emotion recognition system: A deep learning approach | |
CN110991247B (zh) | 一种基于深度学习与nca融合的电子元器件识别方法 | |
CN111881906A (zh) | 一种基于注意力机制图像检索的logo识别方法 | |
Öztürk et al. | Hybrid neural network and genetic algorithm based machining feature recognition | |
Terziyan et al. | Causality-aware convolutional neural networks for advanced image classification and generation | |
Pandey et al. | Do-it-yourself recommender system: Reusing and recycling with blockchain and deep learning | |
Sarpietro et al. | Explainable deep learning system for advanced silicon and silicon carbide electrical wafer defect map assessment | |
Theodosiou et al. | A review study on ML-based methods for defect-pattern recognition in wafer maps | |
CN112541407B (zh) | 一种基于用户服务操作流的视觉服务推荐方法 | |
CN113569955A (zh) | 一种模型训练方法、用户画像生成方法、装置及设备 | |
Chen et al. | Review of lightweight deep convolutional neural networks | |
Luo et al. | An ELM-embedded deep learning based intelligent recognition system for computer numeric control machine tools | |
CN112749701A (zh) | 车牌污损分类模型的生成方法和车牌污损分类方法 | |
Schönhof et al. | Towards automated capability assessment leveraging deep learning | |
CN115293639A (zh) | 一种基于隐马尔可夫模型的战场态势研判方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |