本技术方案介绍了一种创新的基于迁移学习的新用户行为分析技术与系统。该技术方案涉及使用源域标注数据集训练教师模型,该模型旨在识别源域用户行为;进一步,该系统利用教师模型辅助构建目标域的用户行为识别模型,以实现对新用户行为的高效识别。
背景技术
随着人体行为识别技术的进步及其应用范围的不断扩大,构建能够适应个体差异的模型显得格外重要。在人体行为识别领域,模型能够在未知数据上有效预测的能力具有重要的实际意义。
为训练特定用户的人体行为识别模型,必须收集大量不同用户的标注数据。然而,个体行为模式与传感器佩戴位置的差异可能导致数据分布的显著差异。例如,在进行相同行为时,不同个体的动作角度和速度可能有所不同,这可能导致传感器记录的数据出现显著差异,进一步导致标注数据的收集既耗时又成本高。然而,收集新用户的大量无标签数据相对容易。因此,如何在新用户的无标签数据中的准确识别行为模式成为研究的关键点。
在当前的研究中,迁移学习使得模型能够利用来自其他任务或用户的标注数据,减少了对新用户大量标注数据的依赖性。因此,迁移学习在新用户行为识别领域逐渐成为一种热门方法。迁移学习通过将已有模型的知识迁移到新用户行为识别任务上,可以显著减少所需的数据量,从而显著降低模型训练成本。然而,大多数迁移学习方法主要依赖源任务的知识,以提升目标任务上的性能。但如果源任务与目标任务之间存在较大差异,例如,由于用户间在行为模式、生理特征及使用习惯上存在显著差异,传统的迁移学习模型可能未能充分捕捉这些个体间的差异,导致难以满足所有用户的个性化需求,从而限制了模型的泛化能力。此外,迁移学习有时可能导致负迁移,即模型在目标用户上的性能因迁移过程而降低。这可能是由于模型对源用户数据特征过度拟合,同时忽略目标任务的特定特征。
实现思路