基于深度學習的數據特征的提取與預測研究

楊天瑞，孫偉東

（沈陽航空航天大學計算機學院，沈陽 110000）

隨著科學技術的不斷發展，我國進入到大數據時代，在此時代背景下數據預測與應用成為數據技術開發的重要部分。現階段，阿里集團、騰訊、谷歌等都陸續認識到大數據的重要作用，突出體現便是“雙十一”購物節的成功運營，使當天的銷售額能夠達到前十一個月的20倍以上，這與數據特征提取與預測之間有著十分重要的促進作用。

1 基于深度學習的數據特征提取

社區結構主要是社區內部各要素之間形成的相對穩定的關系，屬于由各個要素的共同作用下組成的有機系統。在對社團演化預測過程中，考慮到社團演化中的合并問題，因此在預測模型中通常提取社團內部的特征，包括規模、內度、內外部連邊的比值等等，這些特征只是單純的能夠體現某個社團，因此需要對社團之間的共性特征進行提取，才能夠對多個社團合并事件進行預測。

通過現有的研究表明，社團的性質能夠通過規模和內外連邊比值體現出來，所謂的規模也就是節點數量，規模越小的社團發生合并的幾率將越高，而社會的數量只能體現其規模，卻無法表現其稀疏程度。因此，需要加入內外連邊比值特征，該特征主要是指社團外部與內部連邊數量的比值，且比值與社團合并可能性之間呈現正比例關系，如若內部連邊與外部連邊相比，增長速度較低，則會增加合并的幾率，因此可以通過對內外連邊比值測試的方式，對社團的演化趨勢進行預測[1]。

假設G=（V，E）屬于無權無向網絡，具有N個頂點，且頂點集合V的取值范圍為V1到VN，頂點與集合二者的連邊用E來表示。同時，該網絡的鄰接矩陣屬于一個角對稱矩陣，將其表示為：

式中，i與j均表示頂點；aij表示兩個頂點間的連邊，其數值為1；當aij的數值為0時則表示兩個頂點連邊之間不存在連邊，這時i的取值范圍在0到N之間，i的度數表示為：

Ci與 Cj屬于兩個隨機社團，二者之間的連接度為 Bd（Ci，Cj），能夠與社團之間相連的一階差值為△Bd（Ci，Cj），二階差值為△△Bd（Ci，Cj），并且計算方式分別為：

一階差值 ：△ Bd（Ci，Cj）=Bd（Ci，Cj）t=to-Bd（Ci，Cj）t=to-△t

二階差值：△△ Bd（Ci，Cj）= △ Bd（Ci，Cj）t=to-△ Bd（Ci，

式中，t0代表的是時間段；△t0代表的是時間步長。

綜上可知，在社團結構中共計需要提取出四個特征數據，分別為 Ni社團大小、連接度 Bd（Ci，Cj），以及一階差值為△ Bd（Ci，Cj）、二階差值為△△ Bd（Ci，Cj）。

2 社團合并預測模型的建立

2.1 深度學習模型的構建

DBN屬于一個概率生成模型，將樣本標簽數據當中的特征值有效的提取出來，利用該模型獲取到社團特征以后進行預測分析。通常波爾茲曼機的輸入范圍為0-1之間，但是在社會合并預測中，特征向量具有連續性，因此可以將RBM中的實值特征轉變為二進制變量。在低維空間中，將樣本數據轉變為高緯度向量，然后輸入到向量訓練層當中，由此完成在深度學習基礎上的社團合并預測模型的建立[2]。

2.2 模型的訓練算法

由于以往采用的BP算法中存在較大的誤差信號，很可能出現“梯度擴散”現象，影響訓練效果。因此，本文采用貪婪逐層算法的方式，對整個網絡進行訓練。貪婪逐層算法是將樣本數據看作成輸入量，對首個RBM進行訓練，并在此基礎上對第二個RBM進行輸入，從而訓練出第二個，以此類推，直至所有深度學習網絡全部被訓練完成。在算法流程方面，主要內容如下。

（1）利用CD算法對特征向量X進行訓練，從而得出第一個RBM。

（2）利用上一個RBM作為向量，輸出下一個RBM。

（3）重復第二步，直至使所有RBM均完成訓練。

（4）通過最后一層得出RBM輸出向量，將輸出向量看做成回歸預測層輸入向量，并且對參數進行初始化處理。

（5）利用帶標簽的數據和BP算法，通過從上到下的方式，對整個預測模型參數進行細微的調整，進而獲取預測模型參數。

利用上述貪婪逐層算法對各個RBM進行訓練以后，便能夠建立DBM預測模型，進而通過數據集的方式對社團的合并進行分析和預測。

3 結束語

綜上所述，本文針對大數據時代下的數據預測進行分析，在深度學習背景下，在RBM基礎上建立了結構模型，對智能家居發展趨勢進行預測，并且提出了社團檢測方法，最后在時間序列數據預測的基礎上，對復雜網絡的社團演化進行預測，這對于智能家居行業的實際工作來說具有較大的應用價值與現實意義。