买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京理工大学申请的专利一种基于深度学习的知识服务实体聚类数目预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115758191B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211350301.8，技术领域涉及：G06F18/23213；该发明授权一种基于深度学习的知识服务实体聚类数目预测方法是由牛振东;马原驰;张春霞;何慧;易坤设计研发完成，并于2022-10-31向国家知识产权局提交的专利申请。

本一种基于深度学习的知识服务实体聚类数目预测方法在说明书摘要公布了：本发明涉及一种基于深度学习的知识服务实体聚类数目预测方法，属于数据挖掘应用与信息处理技术领域。本方法为了解决在网络知识服务应用中，在海量文献和数据下如何有效预测实体聚类数目，提高信息数据挖掘推送精准度和效率的技术问题，结合了自编码器与蒙特卡洛方法，能够准确地自动预估高维数据集的聚类数目，有效地克服目前聚类数目需要人为预估的技术缺陷，显著提高系统在热点推荐、搜索、问答等方面的信息推荐能力，为用户推荐相关度更高的信息。本发明在文本挖掘和细粒度知识服务等领域，具有广阔的应用前景。

本发明授权一种基于深度学习的知识服务实体聚类数目预测方法在权利要求书中公布了：1.一种基于深度学习的知识服务实体聚类数目预测方法，其特征在于，包括以下步骤： 步骤1：提取数据集特征；包括以下步骤： 步骤1.1：通过自编码器，提取数据集特征； 首先，导入归一化后的数据集；通过自编码器的方式，完成从输入层到隐藏层的编码过程，使之获得降维的特征，如式1所示： h＝gθ1x＝αW1x+b11 其中，h表示隐变量，g表示激活函数，θ1表示激活函数中影响该节点的权重，x表示输入；α、W1、b1均为自编码器网络中激活函数的计算参数，经梯度下降训练得到； 经过上述处理，使高维的输入x编码成低维的隐变量h； 步骤1.2：使用T-SNE算法，对特征进行可视化降维，获得数据集的二维特征表示； 步骤2：对数据集特征进行高斯混合聚类GMM，并计算各项参数； 步骤2.1：创建GMM模型集合； 设置一个聚类数目K值的范围，n为正整数且n≥2，创建基于K值范围的模型集合； 对可视化降维结果建立不同K值下的GMM聚类模型，形成模型的集合U； 步骤2.2：计算每一个K值下的相关参数； 令n为观察数，RSS为剩余平方和，k为模型参数个数，L为似然函数；通过式2、式3，计算每个模型下的AIC值和BIC值，以此作为模型的直接评估手段，其中，AIC值体现合适的聚类数目，BIC值体现模型的简单有效程度；具体如下： AIC＝2k+nlnRSS2 BIC＝klnn-2lnL3 其中，ln表示计算自然对数； 计算silhouette系数与CH值，作为评价模型的间接评估手段；其中，簇内不相似度为ai，簇间不相似度为bi，所有样本的si的均值称为聚类结果的silhouette系数，计算公式如式4所示；CH值，即CalinskiHarabasz指数，计算方式如式5所示： 其中，n表示聚类的数目，k表示当前的类，trBk表示类间离差矩阵的迹，trWk表示类内离差矩阵的迹； 步骤2.3：通过参数值判断相应K的大小； 取silhouette系数与CH值最大值与峰值的位置，AIC与BIC为最小值的位置，分别得到各项参数对应的K值取值； 步骤3：使用蒙特卡洛方法，得到聚类数目预测结果； 步骤3.1：消除干扰影响； 结合步骤2某次计算出的silhouette系数、CH值、AIC与BIC参数下的K值，先取一次K的均值作为本次的预测结果；之后，采用蒙特卡洛方法，设计迭代次数，迭代N次后，求K值的均值； 步骤3.2：最后一次迭代的K值，即为总体的聚类数目预测值，将其作为最终聚类数目预测结果； 根据聚类数目K，对信息数据进行聚类，完成信息数据的精准推荐。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。