基于神经网络的物联网实体信息交互关系识别.docVIP

基于神经网络的物联网实体信息交互关系识别 　　摘要：近年来，智慧物联的应用越来越多，如智能社区、智能家居以及智能汽车等，该应用主要通过传感器等设备来实时的接收和分析数据并把结果反馈给控制系统，从而达到智能的效果，而实体间的智能交互就是其中重要的一个环节。但是，从目前的结果来看效果较差，主要表现在实体间交互的自主性较差，需要依赖人的参与，实体不能通过分析与其它实体间的历史交互来自主按需的与相应的实体进行交互。为了解决该问题，该文主要研究基于神经网络的物联网实体信息交互关系识别方法。 　　该文首先提出了实体信息交互模型，并且从线性模型和非线性模型的角度去分析适合物联网实体交互关系识别的分类模型，提出了一种基于神经网络的物联网实体交互关系识别模型。为了验证本文思路的正确性，该文主要考察以逻辑回归为代表的线性模型和以神经网络为代表的非线性模型在本问题上的应用，此外，为了保证模型的努棒性，该文提出了三种不同数据场景下模型的学习方式来适应不同情况下对于模型的要求，从而来保证模型的可靠性。最后通过实验数据比较验证了神经网络在本问题上的有效性。 　　该文实验数据选取了麻省理工学院数字媒体实验室做社会演变研究时所用公开的数据集，该数据主要用来评估本文的模型在实体关系识别上的有效性。实验结果证明，与之前的方法相比，该模型在物联网实体关系实时识别上表现出更好的准确率。 　　关键词：关系分类；物联网；神经网络；关系识别 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）04-0175-03 　　1 背景 　　近年来，在互联网基础上提出的“物联网”[1-2]概念受到广泛关注。以物联网为代表的新一代信息通信技术发展迅速，被认为是继计算机、互联网和移动通信网络之后的第三次信息产业浪潮。 　　随着信息技术的发展和完善，物联网形成一个巨大的泛在网络，将会有更广阔的应用前景。对于人类日常生活和人类的行为模型的研究还有更多，Choudhury和Pentland在文献[3]中提出了一种名为Sociometer的便携传感器系统；美国麻省理工学院媒体数值研究实验室与著名的手机厂商诺基亚公司共同研究的“Reality Mining”项目，分析人类日常行为方式[4]、人类之间关系抽取[5]以及构建人类关系网络结构[6]。此外，Oleksandr Lobunets 和Wolfgang Prinz在文献[7]中提出了一种名为PeopleWhere的智能系统，它主要是利用传感器技术实现局部个人感知系统，并基于此建立一个局部小型社会网络，这和上面所述的机会网络有点类似。 　　范伟和李晓明等人在文献[8]中给出了对于物联网数据建模和挖掘的挑战，文中给出了如何对海量数据进行挖掘的计算框架，认为基于MapReduce/Hadoop[9-10]的计算框架并不适用于物联网海量数据的挖掘，而孙凝晖等人在文献[11]中提出的海计算框架更加适合物联网海量数据的挖掘的计算框架。在物联网实体信息交互关系识别和交互关系抽取上，孙世轩等人在文献[12]中提出了一种基于Chameleon聚类算法的实体关系抽取模型，此外夏季等人在文献[13]中提出了一种基于隐朴素贝叶斯[14]的物联网实体交互关系识别模型，该模型在朴素贝叶斯模型的基础上为每个属性节点增加一个隐藏的父节点，以此来表示该属性与其他各属性之间的依赖关系所产生的影响，从而来弱化了?闶鞅匆端故粜灾?间相互独立的假设。 　　本文“基于神经网络的物联网实体关系识别”是在上述研究的基础上进一步探讨物联网实体交互关系的识别方法并且对这些方法做出比较。 　　2 基于神经网络的物联网实体关系识别 　　2.1 基本思想 　　本文将介绍逻辑回归和神经网络这两种分类算法在物联网实体交互关系识别问题中的应用，其中主要原因如下：1）两种方法的思路类似，都是去做关系分类，损失函数也可以完全相同，唯一不同的就是数据特征的表达空间，逻辑回归是线性分类器，而神经网络可以拓展成非线性的分类器，从而可以通过增强特征表达空间来更好的拟合数据，本章将对比这两类算法来探索适合本问题的分类模型；2） 参数的学习过程几乎类似，都可以用批量梯度下降或者随机梯度下降来解决参数优化问题，这样有利于在不同场景下去学习和更新我们的模型，从而可以很容易的适应海量数据和模型实时更新的需求。 　　2.2 算法原理及应用场景分析 　　2.2.1 基于逻辑回归的关系分类算法 　　1）模型训练 　　由于逻辑回归只能处理二分类问题，因此现在我们假设物联网中实体的关系分类分为朋友和非朋友两类，并且假设分类“朋友”为对于标签1的分类，那么分类“非朋友”就是对应标签0的分类。同样我们假设m表示我们训练数据的总数量，n表示数据特征的的维度，[θ]表示我们模型的参