17、利用机器学习分析情感大数据

利用机器学习分析情感大数据

在情感设计和产品开发中，准确分析情感大数据对于满足客户情感需求至关重要。本文将介绍几种用于分析情感大数据的机器学习方法，包括神经网络、支持向量回归（SVR）以及关联规则，并探讨如何处理其中的不确定性。

1. 神经网络参数确定

神经网络的参数包括 $w_j$、$b_j$ 和 $v_{ij}$，我们将一组神经网络参数确定为 $W = [w_i, b_i, v_{ij}]$。可以使用 Levenberg - Marquardt 算法来确定这些参数，该算法通常比反向传播算法更快。

在 Levenberg - Marquardt 算法中，神经网络参数会迭代更新，直到收敛或达到预定义的最大迭代次数。我们用 $w(l)$ 和 $w(l + 1)$ 分别表示第 $l$ 次和第 $(l + 1)$ 次迭代时的神经网络参数。在第 $(l + 1)$ 次迭代时，神经网络参数更新公式为：
[w(l + 1) = w(l) + [J^T(w(l))J(w(l)) + \mu I]^{-1}J^T(w(l))R]
其中，$J(w)$ 是雅可比矩阵，$R$ 是实际情感客户需求与使用神经网络预测的情感客户需求之间的差异，$R$ 的计算公式为：
[R = [y(1) - \hat{y}(1), y(2) - \hat{y}(2), \cdots, y(N_D) - \hat{y}(N_D)]^T]
确定 $J(w)$ 的方法可参考相关资料。

神经网络能够很好地建模感知设计属性与情感客户需求之间的非线性关系，因为网络包含许多隐藏层和隐藏节点。然而，复杂的网络结构也带来了局限性，网络是黑盒结构，不透明，难以探索网络中的明确信息。因