人工智能视域下协同过滤推荐系统的工程训练平台

《人工智能视域下协同过滤推荐系统的工程训练平台》由会员分享，可在线阅读，更多相关《人工智能视域下协同过滤推荐系统的工程训练平台（10页珍藏版）》请在装配图网上搜索。

1、人工智能视域下协同过滤推荐系统的工程训练平台许晓飞;米洁;陈雯柏【摘 要】在培养人工智能类相关工科专业学生的工程综合创新能力中,为了解决学 生对复杂智能工程抽象理论理解困境,提出以构建人工智能典型内核算法应用的协 同推荐系统为工程综合创新实践教学平台.介绍了人工智能的相关背景,针对本科阶 段人工智能复杂工程模拟教育实践特点及存在的问题,进行建设操作演示型、参与 设计型以及探索创新型的系列单元实际训练项目;通过详细分析几种典型协同推荐 内核算法的优劣,展示获取大量数据样本的平台视觉部分、演示基于物品的图片或 用户脸部信息识别的动态分拣部分,可以让学生能够直观学习人工智能技术应用情 况.通过该平台

2、阶梯式的实践教学引导和推进,提高学生科技实践创新意识和实践动 手能力.期刊名称】实验技术与管理年(卷),期】2019(036)004【总页数】5页(P109-113) 【关键词】 人工智能;协同过滤;推荐系统;工程训练【作 者】 许晓飞;米洁;陈雯柏【作者单位】 北京信息科技大学自动化学院,北京 100192;北京信息科技大学教务处,北京 100192;北京信息科技大学自动化学院,北京 100192【正文语种】 中 文中图分类】 G484;TP274 人工智能(AI)技术快速发展对人类社会的各行业都引起了深远广泛的影响，如在深度神经网络的广泛应用、脑科学研究的不断进步与突破,在大数据、云计算等

3、相关技 术的支撑下,人工智能技术被快速地应用到农业、医疗、教育、能源、国防等诸多 领域。许多国家都制定针对性的国家人工智能研发战略规划,社会急剧增加的人才 需求倒逼人工智能类专业人才培养教育模式必须改变。北京大学贾积有教授认为人 工智能教育是在以计算机为代表的人造机器上实现的人类教育1。面对人工智能 重要挑战,作为人工智能类专业的教育工作者创造特定机器实现智能教育平台,并在 此之上开展创新实践教学工作符合人工智能科学技术发展规律,将强化人工智能方 面的人才培养2-4。本文深度总结十几年来我校智能科学与技术专业建设经验5,主动解析提升人工智 能类的本科教育人才培养内涵、关键技术及应用趋势等,提出

4、以构建人工智能视域 下典型内核算法应用的协同过滤推荐系统为工程综合创新实践教学平台6,针对学 生学习智能专业课程中存在对复杂工程抽象理论理解困境,以及编写应用智能算法 的畏难情绪,进行教学实践项目阶梯式的设计,使教师和学生可以从单一、繁重的机 械性劳动中“解放”出来,把注意的中心放到创造性工作上去;智能系统的后台推荐 部分以及深度学习都比较抽象,却是重要且偏重实际应用的算法,涉及编程语言平台 及运行环境也较多,学生学习较为困难; 而通过增加采用摄像头实时获取样本数据的 视觉部分、结合简易机械臂移动部分,基于分拣物品的图片或用户脸部信息识别的 智能数据推荐系统设计,这样一体化平台可以帮助学生直观

5、获取到深度学习算法应 用的过程及结果,从而实现在教学过程中能致力于培养学生的创新意识、创新能力 及实践能力7。1 人工智能视域下工程型人才培养 人工智能的快速发展作为人工智能工程类本科生培养方案中,涉及专业课程内容如 知识的表示方法、机器学习与深度学习、自然语言处理、智能代理、情感计算等方 面,其应用与发展趋势集中在智能导师与助手、智能测评、学习伙伴、数据挖掘与 学习分析等领域4,这些专业课程要求能够融会贯通的关键技术内容简介如下:(1) 知识表示方法。作为人工智能和信息融合的核心技术之一的知识表示,有早期的 一阶谓词逻辑表示法、产生式表示法、框架表示法以及现在的神经网络知识表示法 等。(2)

6、 机器学习与深度学习。作为人工智能研究的一个核心领域的机器学习,在1997年Tom M. Mitchell在Machine 2 Learning中提出机器学习理论的经典定 义,“计算机可以有通过学习从而不断进化的行为”; 如深度学习通过建立类似于人 脑的分层模型结构,输入数据逐级提取从底层到高层的特征,对应构建起从底层信号 与高层语义间的映射。(3) 自然语言处理。自然语言处理主要是让计算机理解人类的自然语言,以实现用自 然语言与计算机进行交流,如自然语言、机器语言和文本生成之间的翻译及转换。(4) 情感计算。情感计算是指人类通过为机器设定程序使之能识别、理解、处理并 模拟人的情感。例如,可运

7、用摄像机捕捉面部表情和手势,采用情感算法计算,进而使 机器获取捕捉到的用户情感状态。本文提出的协同过滤推荐系统,将人工智能类新工科教育以模拟解决以上几大类复 杂工程问题为载体,转化为系统化的大量样本数据的实时采集输入,智能算法的协同 过滤推荐,以及能直观观测的人机交互式结果输出,具有综合实践的教学过程可操作 化。2 协同过滤推荐系统 推荐系统是一种信息过滤系统,根据用户的历史记录,实现实时、快速地对用户的行 为进行分析,找到其可能感兴趣的视频,为用户进行推荐。日常生活中能接触到的大 量互联网产品都大量使用了推荐系统,如一些比较知名电商网站等。推荐系统的工 作流程示意图如图1 所示8-12。 图

8、1所示的协同过滤推荐系统符合“复杂工程问题”特征。协同攻关 5大模块:数 据收集模块,推荐引擎模块,数据存储模块,用户交互模块以及推荐结果处理模块。一 个教学小项目可以是：对于推荐系统的原理及其如何利用用户轨迹数据进行分析研 究。比如分析经典基于用户/基于物品的协同过滤推荐算法:(1)基于用户的协同过滤 算法主要思想:给定一个评分矩阵和一个准备为之推荐物品的用户,根据评分矩阵结 果找到与这个用户相似度最接近的多个用户,然后从多个用户中选择该用户不曾购 买过的商品推荐给他；(2)基于物品的协同过滤系统不是匹配需求者间的关系,是计 算出与用户感兴趣的商品相似度较高的商品,这里将针对对象从需求者变成

9、商品,然 后把那些相似的物品组合成一个推荐清单。图1 协同过滤推荐平台工作流程示意图 并将两者进行深度研究对比,学生能够选择一种算法对推荐系统进行设计,整个小项 目完成的过程中,培养学生解决不确定问题能力和创新综合思维。3 以用户脸部信息推荐为例的工程综合与创新实践教学平台 用户脸部信息推荐系统的软件部分涉及到人工智能技术的典型方面,如知识的表示 方法、机器学习与深度学习、自然语言处理、情感计算等方面交叉融合功能模块 13-18。3.1 用户脸部信息特征创新实践训练方案举例:简单工程训练目标任务，将人脸识别与推荐系统相结合，使用CNN卷积神经网 络,基于 python 和 caffe 实现对用

10、户面部特征的识别和分析,得出用户的年龄段与 性别等,根据所得结果对用户进行分类。根据返回的用户分类结果,推荐系统选择相 应的商品为用户进行推荐19。完成人脸识别有4 个核心步骤，分别是采集图像、检测图像中人脸位置、对图像 进行预处理和提取、匹配图中人脸的特征并识别。采集图像:在采集人脸图像时可以通过改变采集位置、改变面部表情、静态和动态 等方式来获取不同图像。学生可以搭建出主动寻找出现在拍摄范围内的用户，并获 取面部图像的视觉获取设备,如全方位搜索移动的机械臂上安装摄像头。图像人脸的定位位置:实际应用中的人脸检测主要负责完成人脸在图像中的位置和 大小的确认。图像中的人脸包含颜色、结构、直方图等

11、非常多的特征,在检测人脸 时将从利用这些特征中提取出的相关信息来完成人脸检测。图像的预处理:预处理操作位于对图像中人脸的检测步骤之后,基于上一步检测出的 结果以适当的预处理方法处理图像,去除图像中的干扰因素,包括调整图片明暗、校 正图片灰度、完成噪声滤波、图像锐化、灰度变换和数值归一化等,为提取人脸特 征做好铺垫。由于拍摄图像时各种人为和环境条件的限制和干扰,直接获得的原始 图像不经过处理无法在系统中直接使用。提取图像中人脸特征与建模:在匹配与识别人脸的过程中常用的四种特征有图像的 直接视觉特征、像素特征、变换参数及其数学特征。提取人脸特征的主要方法可以 分成以下两种:一种是基于已有知识对图像

12、中的人脸特征信息进行提取,另一种则是 源于数学特征的统计和学习。基于已有知识的特征提取方法主要包括分析人脸结构的几何特征和将人脸与模板作 对比获取特征。主要是通过收集人脸上各种器官的形状信息和各个器官之间的距离 信息来收集匹配与识别人脸时所需要的人脸几何特征信息。通常用提取出的每个特 征点之间的距离、曲率和角度等几何分量代表这些特征。匹配图像中的人脸并识别:将上一步从图像中获取出的人脸特征数据与预先制作完 成的样例进行对比,通过匹配结果判断图中是否为人脸，该人脸是否是数据库中登 录过的某人。从图像中获取的需要识别的面部特征与已有样例的特征进行匹配,并 依据这些特征的相似程度来判断人脸的身份信息

13、的过程就是人脸识别的过程。设置 一个阈值,当提取出的特征与数据库中的样例特征相似度超过该阈值时输出匹配结 果。通过以上详细分析可知,系统涉及到人工智能、机器人学、图像处理与模式识别、 数据挖掘、传感采集输入、精密机械等诸多领域的前沿技术。训练方案基于“构思 设计、实施、运行，环环相扣，紧密联系，充分做到学中做,做中学。这种CDIO式 运作的全过程做载体培养的工程能力,不仅促进包含个人的学术技术数据科学素养, 还包含终生学习能力、不同年级不同专业交叉团队交流能力和大智能系统掌控能力3.2 用户脸部信息特征推荐工程训练的复杂性(1) 必须运用深入的工程原理并经过分析才可能得到解决。平台构建人脸识别

14、系统 所使用的深度学习算法卷积神经网络(简称CNN)算法是人工智能领域最新发 展起来应用广泛,效率较高的典型深度学习算法。在处理图像数据时,通过讲解构建不同结构的神经网络,演示导入过于庞大的推荐数 据量时，对比不同算法训练效率和精度，就能够直观理解了 CNN算法的局部感知、 参数共享和多次卷积具体参数意义。(2) 需要涉及多方面的技术,工程和其他因素,并可能相互有一定冲突 推荐算法的设计。所述深度学习智能算法使用CNN算法对用户大数据集进行 模型的建立,结合基于用户的协同过滤推荐和基于物品的协同过滤推荐的两种算法 的优点,最终推送给用户排分在前的商品。 综合技术应用。基于用户脸部信息的推荐分拣

15、系统,对人工智能领域综合技术开 发软件python、opencv、matlab等都有应用,其特征在于,所述深度学习智能算 法、人机交互的推荐系统软件部分和相关性物品分类分拣系统硬件部分结构,能够 识别出用户脸部信息的年龄、性别等特征,形成精准推荐。 硬件架构设计阶梯式选择。系统推荐采集和分拣部分由物体分类模块、信号接 收模块以及传输模块组成,可以分别采取不同阶梯式难度的控制器进行处理,命令发 布能通过有线或无线收发模块进行信息传递、发送推荐分拣指令、编写程序指令控 制传感器输入、电机的转速和舵机的角度等。（3）问题中涉及的因素可能没有完全包含在专业标准和规范中。人脸识别的评估标 准主要有误识率

16、、拒识率和识别的正确率,误识率是错误地将别人识别作指定人的 概率,拒识率是错误地将指定人识别作别人的概率,识别的正确率是识别正确的人次 与总参与人次的比值。本平台采用识别的正确率作为人脸识别系统的评估标准。 推荐系统的评估标准主要为用户点击推荐系统所推荐的物品的比率,即点击率,假设 为N个用户推荐了 n次物品，而其中有k次用户选择了推荐的物品，则点击率c为 4用户脸部信息推荐系统创新实践阶梯式训练内容 用户脸部信息推荐系统的硬件架构具体可分为移动机械臂、视觉、协同过滤推荐和 推荐物流4个功能模块。针对本科阶段的不同年级学生对复杂智能工程抽象理论 理解困境,以及编写智能算法的畏难情绪,将协同过滤

17、推荐平台建设成操作演示型、 参与设计型以及探索创新型的阶梯式单元训练项目。4.1 实验环境配置项目（操作演示型）平台的软件部分:推荐系统操作配置最新的python环境编写推荐系统程序;在 python2.7、Anaconda2、opencv2.4.13.4、caffe 环境下编写人脸识别程序，其 中采用了卷积神经网络算法,采集106 863张男性和女性530名人脸图像的数据集 训练，测试实现了 98.1%的识别率;在应用SVM分类器模型，以及融合LBP算法及 SVM分类器算法的模型证明了较高人脸检测及识别性别、年龄精度的模型;将人 脸识别应用到推荐系统中，能更快地获取用户信息，为用户进行分类,

18、提高推荐速 度。通过采集用户人脸信息,数据挖掘出用户年龄、性别，用于推荐的基于用户的 推荐系统。平台的硬件部分:搭建用户脸部信息推荐系统的硬件架构具体可分为移动机械臂、 视觉、协同过滤推荐和推荐物流（用电机、传送带、单片机等元件构建分拣系统）的 4个功能模块,分别电源管理后能够独立演示,或者串联整体演示,如图2所示。图2 协同过滤推荐系统实物图4.2 样本数据集的构建项目（参与设计型） 大型人脸数据集对于推进人脸识别研究很重要,但是它们的构建很繁琐,可以组织学 生参与实施采集获取构建，如FaceScrub数据集。实际使用移动的机械臂安装摄像 头。进行图像采集并进行图像处理的一系列操作后反馈出的

19、识别结果，如图3所 示。图3 程序使用摄像头人脸年龄段、性别检测 可以看到推荐系统能够准确识别出人脸脸部位置及所处年龄段、性别、表情、种族。 图3中右上角3个按钮分别为开始人脸检测、暂停人脸检测和退出,下方4个复选 框中Detection代表是否检测人脸位置、Landmark代表是否标示出人脸检测的 关键点、Gender代表是否显示性别、Age代表是否显示年龄。4.3 算法分析（探索创新型）推荐系统使用CNN等网络训练模型时，首先通过提取人脸脸型、器官结构及其间 距等特征，获取人脸信息,根据这些信息分别建立人脸检测与识别、年龄识别、性 别识别、表情识别与种族识别模型,并在识别过程中使用这些模型

20、分工完成各项识 别,相较单个模型完成多项特征的识别更容易准确获取图像信息。图4为3种算法 人脸识别率正确率统计。图4 3种算法人脸识别正确率统计图通过对图4进行分析,在使用相同的数据集进行训练后,传统的SVM分类器对该人 脸数据集的识别率不高,仅有约76.6%的识别正确率。融合LBP算法及SVM分类 器算法后约有 94.8%的识别正确率,而本文使用的 CNN 算法对该数据集约有 98.1% 的识别率,较前两种算法分别提升了21.5%和3.3%。由此可知,使用卷积神经网络 算法可以有效的提升人脸检测及识别性别精确程度。鉴于用户的算法以及基于物品的算法各有优劣,所以决定使用以上这两种算法实现 本推

21、荐系统的设计。首先为每一类用户手动初始化物品评分矩阵,根据人脸识别系 统的反馈结果为新的用户进行分类,根据该分类及物品评分矩阵为用户进行推荐,而 后根据用户是否点选该物品以及用户对该物品的评分,对物品评分矩阵进行优化,选 择用户评分高的物品及与其相似的物品进行推荐。本文中构建的推荐系统尚未经过大型数据集测试,在小范围的测试中,推荐点击率为16%。从图5中可以看出本文算法优于两种传统算法。下一步指导学生将平台扩大训练集的基础上,克服由于测试人数过少、数据训练不充分可能引起推荐结果的不确定性,以及对如何有效利用用户的评分以及对用户评分稀疏时如何减少其负面 影响进行研究。指导学生为以后的设计提供需综

22、合考虑各个算法的优劣势参考数据, 根据用户需求实现性价比最高的方案设计。图5 3种推荐算法的推荐点击率对比图5 结语人工智能视域下协同过滤推荐平台阶梯式教学培养过程,是从培养创新精神入手,以 提高创新能力为核心,通过引导学生由易到难阶梯式地完成系统搭建与创新探索,有 效应用学生学习的个性化、教学精准化和实时跟踪与反馈式督导,将更充分发挥学 生主体性、主动性,带动学生独立学习、大胆探索、勇于创新能力的过程。下一步继续指导学生进行创新实践探索,结合人工智能最新研究成果进行直观应用, 如使用CNN算法的改进扩展算法一一FASTER R-CNN图像处理算法，实现实时数 据动态、快速、模糊情况更快的训练

23、和识别速度以及更高的精度; 硬件架构加装提 升整体处理程序配置,将推荐系统、视频音频实时数据识别系统、分拣系统高效地 整合为一个系统,持续改进平台推荐工作效率。参考文献(References)相关文献】1 贾积有人工智能赋能教育与学习几远程教育.2018:39-47.2 李德毅，马楠.智能时代新工科:人工智能推动教育改革的实践J.高等工程教育研究.2017(5):8-12.3 贾积有屆夕卜人工智能教育应用最新热点问题探讨J.中国电化教育,2010 (7):113-118.4 闰志明，唐夏夏，秦旋，等教育人工智能(EAI)的内涵凰关键技术与应用趋势:美国为人工智能的未 来做好准备和国家人工智能研

24、发战略规划报告解析J.远程教育杂志,2017,35:26-35.5 陈雯柏，吴细宝,许晓飞.基于机器人足球平台的工程训练研究J.实验室研究与探索.2017, 36(5):228-235.6 常健，陈耀明,许晓飞智能数据分析及推荐系统的设计J.电子技术,2017(9):46-49.7 陈雯柏. 智能机器人原理与实践 M. 北京:清华大学出版社,2016:47-66.8 孙远帅基于大数据的推荐算法研究D.厦门:厦门大学.2014.9 王强.基于协同过滤的个性化推荐算法研究及系统实现D成都:西南交通大学,2017.10 李俭霞电子商务智能推荐系统及应用研究D.重庆:重庆大学.2009.11 李亚,王

25、广润，王青基于深度卷积神经网络的跨年龄人脸识别J.北京:北京邮电大 学,2017,40(1):84-88，110.12 杨思吉.基于Mahout框架的协同过滤推荐引擎的研究与实现D.广州:华南理工大学，2013.13 廖广军复杂条件下的人脸检测与识别应用研究D. 广州:华南理工大学,2014.14 周子亮结合非负矩阵分解的推荐算法及框架研究D.北京:北京交通大学，2012.15 赵宁,王学军推荐系统中协同过滤技术的研究J.河北省科学院学报,2013(2):62-65.16 房璐璐基于Hadoop的电影推荐系统的设计与实现D.北京:北京邮电大学2015.17 牛亚南教学资源个性化推荐系统的设计和实现D.大连:大连理工大学.2013.18 朱秋双.基于改进LBP的人脸识别算法研究D.南京:南京邮电大学,2015.19 HAN J W, KAMBER M.数据挖掘:概念与技术M.范明,孟小峰，译.2版北京:机械工业出版 社,2007: 263-266.