本發(fā)明總體涉及用于生成推薦的系統(tǒng)，具體是指一種基于人工智能的界面配色方案推薦系統(tǒng)。

背景技術(shù)：

1、隨著人工智能技術(shù)的快速發(fā)展，界面配色方案推薦逐漸成為提升用戶體驗(yàn)的關(guān)鍵部分。進(jìn)行界面配色方案推薦，需要先對(duì)已有的配色方案收集，則涉及到特征提取，一般的特征提取方法存在提取不夠細(xì)致的問(wèn)題，通常忽視多尺度信息的融合，無(wú)法同時(shí)捕捉到局部特征和全局特征，并且多關(guān)注視覺(jué)內(nèi)容本身，而忽略了用戶個(gè)性化的偏好；在配色方案生成子系統(tǒng)中構(gòu)建配色生成模型，對(duì)構(gòu)建配色生成模型進(jìn)行超參數(shù)調(diào)優(yōu)，傳統(tǒng)的超參數(shù)調(diào)優(yōu)方法存在優(yōu)化目標(biāo)片面的問(wèn)題，忽略了其他約束目標(biāo)或多目標(biāo)之間的平衡，導(dǎo)致配色生成模型在某些維度上出現(xiàn)折衷；普通的推薦系統(tǒng)存在推薦不精準(zhǔn)的問(wèn)題，推薦結(jié)果的相關(guān)性和個(gè)性化程度較低，無(wú)法充分滿足用戶的需求。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了一種基于人工智能的界面配色方案推薦系統(tǒng)，針對(duì)一般的特征提取方法存在提取不夠細(xì)致的問(wèn)題，本發(fā)明對(duì)界面收集樣本使用二維特征提取，邊緣特征提取確保能夠準(zhǔn)確獲取界面元素的輪廓和邊界信息，深層次特征提取進(jìn)一步捕捉界面樣本中的復(fù)雜紋理、形狀和配色模式；針對(duì)傳統(tǒng)的超參數(shù)調(diào)優(yōu)方法存在優(yōu)化目標(biāo)片面的問(wèn)題，本發(fā)明通過(guò)結(jié)合元學(xué)習(xí)、強(qiáng)化學(xué)習(xí)和拉格朗日乘子法，使用拉格朗日乘子法在優(yōu)化配色方案時(shí)處理多目標(biāo)優(yōu)化問(wèn)題，尤其是約束目標(biāo)，為每個(gè)配色推薦提供相應(yīng)的反饋信息，確保系統(tǒng)在不同條件下的穩(wěn)定性與高效性；針對(duì)普通的推薦系統(tǒng)存在推薦不精準(zhǔn)的問(wèn)題，本發(fā)明在智能推薦子系統(tǒng)中使用結(jié)合自監(jiān)督異構(gòu)圖神經(jīng)網(wǎng)絡(luò)和協(xié)同過(guò)濾，通過(guò)深層特征與廣泛特征融合，實(shí)現(xiàn)用戶偏好與配色方案的精準(zhǔn)匹配，提升個(gè)性化推薦的準(zhǔn)確性與多樣性。

2、本發(fā)明采用的技術(shù)方案如下：本發(fā)明提供的一種基于人工智能的界面配色方案推薦系統(tǒng)，包括數(shù)據(jù)收集子系統(tǒng)、配色方案生成子系統(tǒng)、智能推薦子系統(tǒng)、用戶交互子系統(tǒng)和優(yōu)化子系統(tǒng)，具體包括以下內(nèi)容：

3、所述數(shù)據(jù)收集子系統(tǒng)收集界面收集樣本，包括已有的配色方案、界面截圖和布局結(jié)構(gòu)，另外獲取用戶偏好和行為數(shù)據(jù)；

4、所述配色方案生成子系統(tǒng)通過(guò)構(gòu)建配色方案生成模型，生成候選配色方案；

5、所述智能推薦子系統(tǒng)基于生成的候選配色方案，通過(guò)結(jié)合自監(jiān)督異構(gòu)圖神經(jīng)網(wǎng)絡(luò)和協(xié)同過(guò)濾，推薦個(gè)性配色方案；

6、所述用戶交互子系統(tǒng)提供可視化界面用戶實(shí)時(shí)查看個(gè)性配色方案，并提供反饋機(jī)制，得到用戶反饋和使用數(shù)據(jù)；

7、所述優(yōu)化子系統(tǒng)根據(jù)用戶反饋和使用數(shù)據(jù)調(diào)整對(duì)配色方案生成模型進(jìn)行優(yōu)化。

8、進(jìn)一步的，配色方案生成子系統(tǒng)通過(guò)構(gòu)建配色生成模型，具體包括以下步驟：

9、步驟s1：數(shù)據(jù)準(zhǔn)備，接收界面收集樣本、用戶偏好和行為數(shù)據(jù)；

10、步驟s2：特征提取，對(duì)界面收集樣本使用二維特征提取，得到界面特征；

11、步驟s3：構(gòu)建模型，使用gan模型作為基礎(chǔ)架構(gòu)，構(gòu)建配色生成模型；

12、步驟s4：模型訓(xùn)練，使用界面收集樣本、用戶偏好和行為數(shù)據(jù)對(duì)配色生成模型進(jìn)行訓(xùn)練，重復(fù)地進(jìn)行超參數(shù)調(diào)優(yōu)；

13、步驟s5：配色方案生成，使用訓(xùn)練完成的配色生成模型生成候選配色方案。

14、進(jìn)一步的，在步驟s2中，對(duì)界面收集樣本使用二維特征提取，具體包括以下步驟：

15、步驟s21：邊緣特征提取，使用濾波器對(duì)界面收集樣本進(jìn)行卷積，提取到界面界面收集樣本中的邊緣提取，通過(guò)resnet結(jié)構(gòu)對(duì)界面收集樣本進(jìn)行多層卷積處理，提取深層特征，生成多層次特征圖，其中每個(gè)像素位置代表界面收集樣本中部分區(qū)域的特征；

16、步驟s22：密集連接特征融合，在卷積層之間采用密集連接機(jī)制，每一層的輸出傳遞到下一層并返回到后續(xù)的每一層，通過(guò)深層特征復(fù)用生成多尺度特征圖；

17、步驟s23：空間通道注意力機(jī)制，針對(duì)每個(gè)多尺度特征圖，計(jì)算每個(gè)像素位置的注意力權(quán)重，同時(shí)對(duì)多尺度特征圖的通道維度進(jìn)行加權(quán)，生成加權(quán)后的特征圖；

18、步驟s24：特征提取，結(jié)合邊緣特征和深層特征，進(jìn)行卷積操作后提取到界面特征。

19、進(jìn)一步的，步驟s4，重復(fù)地進(jìn)行超參數(shù)調(diào)優(yōu)，具體包括以下步驟：

20、步驟s41：初始化，初始化環(huán)境、經(jīng)驗(yàn)回放池、內(nèi)部參數(shù)和外部超參數(shù)，內(nèi)部參數(shù)包括策略網(wǎng)絡(luò)的參數(shù)、策略網(wǎng)絡(luò)的目標(biāo)函數(shù)和拉格朗日乘數(shù)，外部超參數(shù)包括安全閾值和熵溫度；

21、步驟s42：與環(huán)境交互，使用策略網(wǎng)絡(luò)在環(huán)境中采樣，得到批量數(shù)據(jù)為狀態(tài)-動(dòng)作-獎(jiǎng)勵(lì)的數(shù)據(jù)并存儲(chǔ)至經(jīng)驗(yàn)回放池中；

22、步驟s43：更新內(nèi)部參數(shù)，從經(jīng)驗(yàn)回放池采樣批量數(shù)據(jù)，通過(guò)最大化獎(jiǎng)勵(lì)與熵正則化優(yōu)化策略網(wǎng)絡(luò)的目標(biāo)函數(shù)；

23、步驟s44：優(yōu)化拉格朗日乘子，結(jié)合主目標(biāo)和約束目標(biāo)，使用梯度向下法更新策略網(wǎng)絡(luò)參數(shù)；

24、步驟s45：動(dòng)態(tài)調(diào)整拉格朗日乘子，根據(jù)約束目標(biāo)調(diào)整拉格朗日乘子；

25、步驟s46：優(yōu)化超參數(shù)目標(biāo)，定義超參數(shù)正則化目標(biāo)，并優(yōu)化超參數(shù)；

26、步驟s47：設(shè)置收斂標(biāo)準(zhǔn)，主目標(biāo)函數(shù)收斂后終止調(diào)優(yōu)，輸出優(yōu)化后的超參數(shù)。

27、進(jìn)一步的，智能推薦子系統(tǒng)中，結(jié)合自監(jiān)督異構(gòu)圖神經(jīng)網(wǎng)絡(luò)和協(xié)同過(guò)濾的方法具體包括以下步驟：

28、步驟q1：用戶偏好數(shù)據(jù)處理，獲取用戶的歷史配色選擇、點(diǎn)擊行為、評(píng)分?jǐn)?shù)據(jù)以及用戶畫(huà)像；

29、步驟q2：構(gòu)建用戶-配色圖結(jié)構(gòu)，將每個(gè)候選配色方案作為一個(gè)節(jié)點(diǎn)，用戶作為另一個(gè)類別的節(jié)點(diǎn)，初始化節(jié)點(diǎn)的特征向量，用戶與歷史配色選擇之間的邊權(quán)重表示偏好程度，候選配色方案之間通過(guò)相似性構(gòu)建邊；

30、步驟q3：收集深層特征，定義目標(biāo)節(jié)點(diǎn)為所有候選配色方案，設(shè)置領(lǐng)域范圍為目標(biāo)節(jié)點(diǎn)的1跳鄰居到k跳鄰居，使用圖神經(jīng)網(wǎng)絡(luò)逐層處理鄰域范圍內(nèi)鄰居的特征，為不同跳數(shù)的鄰居分配權(quán)重，將所有層的特征融合，形成目標(biāo)節(jié)點(diǎn)的深層特征表示；

31、步驟q4：收集廣泛特征，定義直接領(lǐng)域?yàn)槟繕?biāo)節(jié)點(diǎn)的1跳鄰居，使用單層圖卷積網(wǎng)絡(luò)對(duì)目標(biāo)節(jié)點(diǎn)的直接鄰域進(jìn)行聚合，生成目標(biāo)節(jié)點(diǎn)的廣泛特征表示；

32、步驟q5：協(xié)作對(duì)比學(xué)習(xí)，根據(jù)目標(biāo)節(jié)點(diǎn)和深層鄰居與直接鄰居的關(guān)系構(gòu)建深度視圖和廣度視圖，構(gòu)建兩種特征的正負(fù)樣本，設(shè)定深層特征表示和廣泛特征表示來(lái)自同一個(gè)目標(biāo)節(jié)點(diǎn)的為正樣本，深層特征表示和廣泛特征表示來(lái)自不同目標(biāo)節(jié)點(diǎn)的為負(fù)樣本，對(duì)于每一對(duì)正負(fù)樣本，計(jì)算對(duì)比損失函數(shù)和總損失函數(shù)，對(duì)深層特征表示和廣泛特征表示進(jìn)行優(yōu)化；

33、步驟q6：生成節(jié)點(diǎn)嵌入，對(duì)優(yōu)化后的深層特征表示和廣泛特征表示融合為節(jié)點(diǎn)的最終嵌入向量，并進(jìn)行歸一化；

34、步驟q7：協(xié)同過(guò)濾評(píng)分預(yù)測(cè)，使用節(jié)點(diǎn)的最終嵌入向量進(jìn)行評(píng)分預(yù)測(cè)，使用均方誤差損失優(yōu)化評(píng)分預(yù)測(cè)，得到預(yù)測(cè)評(píng)分；

35、步驟q8：推薦生成，根據(jù)預(yù)測(cè)評(píng)分生成個(gè)性配色方案推薦列表。

36、采用上述方案本發(fā)明取得的有益效果如下：

37、（1）針對(duì)一般的特征提取方法存在提取不夠細(xì)致的問(wèn)題，本發(fā)明對(duì)界面收集樣本使用二維特征提取，邊緣特征提取確保能夠準(zhǔn)確獲取界面元素的輪廓和邊界信息，深層次特征提取進(jìn)一步捕捉界面樣本中的復(fù)雜紋理、形狀和配色模式；

38、（2）針對(duì)傳統(tǒng)的超參數(shù)調(diào)優(yōu)方法存在優(yōu)化目標(biāo)片面的問(wèn)題，本發(fā)明通過(guò)結(jié)合元學(xué)習(xí)、強(qiáng)化學(xué)習(xí)和拉格朗日乘子法，使用拉格朗日乘子法在優(yōu)化配色方案時(shí)處理多目標(biāo)優(yōu)化問(wèn)題，尤其是約束目標(biāo)，為每個(gè)配色推薦提供相應(yīng)的反饋信息，確保系統(tǒng)在不同條件下的穩(wěn)定性與高效性；

39、（3）針對(duì)普通的推薦系統(tǒng)存在推薦不精準(zhǔn)的問(wèn)題，本發(fā)明在智能推薦子系統(tǒng)中使用結(jié)合自監(jiān)督異構(gòu)圖神經(jīng)網(wǎng)絡(luò)和協(xié)同過(guò)濾，通過(guò)深層特征與廣泛特征融合，實(shí)現(xiàn)用戶偏好與配色方案的精準(zhǔn)匹配，提升個(gè)性化推薦的準(zhǔn)確性與多樣性。