申请/专利权人：南京财经大学

申请日：2020-09-29

公开（公告）日：2024-02-13

公开（公告）号：CN112232388B

主分类号：G06F18/2411

分类号：G06F18/2411;G06F18/214;G06Q30/0201

优先权：

专利状态码：有效-授权

法律状态：2024.02.13#授权;2021.02.02#实质审查的生效;2021.01.15#公开

摘要：本发明公开了一种基于ELM‑RFE的购物意图关键因素识别方法，该方法首先初始化因素特征排序表和当前特征子集表，并获取当前训练样本集，接着训练超限学习机分类器并计算特征的排序系数，重复该步骤并找出排序得分最小的因素特征，然后更新关键因素排序指标和当前特征子集表，并重复以上步骤直至当前特征子集表为空。本发明的方法相比于传统的递归特征消除类方法，无需调节学习模型参数，能快速识别影响用户购物意图的最有效的因素。实验表明，相比传统的SVM‑RFE方法，本发明的方法仅需0.1％的计算时间，而且仅需3个因素特征在测试集上得到最高的测试精度。在识别用户购买意图的关键因素应用中，本发明的方法可以提升关键因素特征识别效率。

主权项：1.一种基于ELM-RFE的购物意图关键因素识别方法，其特征在于，所述方法包括以下步骤：步骤1，构建用户购物意图识别的数据样本集X，空的关键因素特征排序表r，以及初始化的因素特征子集指标表s＝[1,2,…,d]，其中d表示因素特征的总数；所述数据样本集X为： 式中，xi∈Rd为第i个数据样本对应的影响用户购物意图的d维特征，ti∈{-1,1}为类别，1表示有用户购买了商品，-1表示用户没有购买商品，Rd表示每个样本包含d个特征，N为数据样本的个数；步骤2，构建当前训练样本集X0；步骤3，训练分类器ELMtrain，分类器的输入为从训练样本集X0中删除表s中第i个指标对应的因素特征后的集合；具体过程包括：步骤3-1，选取隐节点个数L；步骤3-2，随机赋值输入权值a和隐藏层偏置b，其中a∈RN×L，b∈RL；步骤3-3，选取激活函数Ga,b,x，其中x为从训练样本集X0中删除表s中第i个指标对应的因素特征后的集合，表示为X0:,s-i；步骤3-4，构建隐藏层输出矩阵H： 步骤3-5，计算输出权值其中T＝[t1,…,tN]T，为矩阵H的广义逆；步骤4、基于训练后的分类器，计算训练样本集X0中表s中第i个指标对应的因素特征的排序系数；步骤5，重复执行步骤3和步骤4，直至遍历完训练样本集X0，获取排序系数最小的因素特征f；步骤6，更新关键因素特征排序表r，具体为：在关键因素特征排序表r的第一个元素之前加入因素特征f在表s中对应的sf；步骤7，更新因素特征子集指标表s，具体为：从表s中消除sf；步骤8，判断表s是否为空，若是，则终止ELM-RFE方法的过程，返回关键因素特征排序表r，否则返回步骤2继续执行。

全文数据：

权利要求：

百度查询： 南京财经大学 基于ELM-RFE的购物意图关键因素识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD