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！

申请/专利权人：东华大学

摘要：一种基于眼动特征与DeepFM的直播购物兴趣度预测方法，对经过眼动仪输出后的直播视频进行注视时间相关的数据处理。利用封装后的跟踪模型对于直播售卖物品进行跟踪。建立跟踪框为用户视点与目标区域。基于得到用户的眼动数据，并引入协作信息图，通过协作信息图将用户行为和项目知识编码为统一的关系图；基于DeepFM架构，在深度神经网络上添加自注意力机制提高模型对于关键信息的学习能力；输出结果并通过二元交叉熵损失函数Logloss以及AUC评判模型精度。本发明基于用户历史浏览数据含眼动数据训练模型。使用者可通过此模型预测用户对于直播商品的兴趣度大小，以供相关人员调整直播策略、提升直播中用户的体验。

主权项：1.一种基于眼动特征与DeepFM的直播购物兴趣度预测方法，包括如下步骤：S1、对经过眼动仪输出后的直播视频进行注视时间相关的数据处理；利用封装后的跟踪模型对于直播售卖物品进行跟踪；建立跟踪框为用户视点与目标区域，当目标区域覆盖用户视点时，判定重合即对应时间内用户视点正关注该区域；S2、基于步骤S1得到用户的眼动数据，并引入协作信息图，通过协作信息图将用户行为和项目知识编码为统一的关系图；具体包括以下步骤：S21、定义一个用户项二部图{eu,yui,ei|eu∈U,ei∈I}，其中eu是一个用户实体，yui表示用户之间的链接u及项目i，ei表示项目实体，u和i分别表示用户和项目集；当两者之间存在相互作用时，yui为1；协作信息图将新增数据维度合并到其中，其中每个用户的行为都可以表示为一个三元组eu，Interact，ei；Interact＝1表示存在额外的交互关系eu和ei，从而用户信息图和新增维度集成为一个统一的图；S22、多模态信息编码器以新增维度实体与原始信息实体作为输入，利用实体编码器和注意层为每个实体学习新的实体表示，新实体表示法在保留自身信息的同时，聚合了相邻实体的信息；S3、基于DeepFM架构，在深度神经网络上添加自注意力机制提高模型对于关键信息的学习能力；具体包括以下子步骤：S31、预测模型引入了DNN对嵌入编码后的特征向量x进行全连接层级联，建立了一个回归或者分类模型；DNN模型中每一个神经元的输出为上一层神经元的线性加权值作非线性映射之后的相应，即对于l+1层神经元而言，其输出相应值为： 其中Wl，al和bl分别表示第l层第权重矩阵、第l层神经元第输出相应、连接第l层和第l+1层第偏置值向量；为非线性映射函数，采用Sigmoid函数或ReLU函数： S32、在兴趣度模型中，使用多头注意力网络共同关注来自不同位置、不同表征空间的信息，模拟来自多个感兴趣视图的用户偏好；在兴趣交互层中，将序列本身作为数据的键、值向量，其输出的向量从神经网络先前的隐藏输出中聚合；S4、输出结果并通过二元交叉熵损失函数Logloss以及AUC评判模型精度。

全文数据：

权利要求：

百度查询： 东华大学 一种基于眼动特征与DeepFM的直播购物兴趣度预测方法