一种基于群体智能的群智竞赛平台框架系统及方法
专利汇可以提供一种基于群体智能的群智竞赛平台框架系统及方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种基于 群体智能 的群智竞赛平台 框架 系统及方法，包括：在 服务器 端布置数据标注平台接入模 块 、群智社区接入模块及交互式训练空间模块，以Web页面形式呈献给用户进行交互；本发明解决现有 机器学习 竞赛系统并未充分利用群体智能的弱点，提高现有机器学习竞赛系统的数据利用效率、模型训练效率，可充分发挥利用群体智能的优势，极大程度上减少了竞赛举办者举办竞赛的成本，同时节省了竞赛参与人员参与竞赛的成本。，下面是一种基于群体智能的群智竞赛平台框架系统及方法专利的具体信息内容。
1.一种基于群体智能的群智竞赛平台框架系统，其特征在于，包括：在服务器端布置数据标注平台接入模块、群智社区接入模块、交互式训练空间模块；整个系统以Web页面形式呈献给用户进行交互；
数据标注平台接入模块：以RestfulAPI协议作为通信方式，从交互式训练空间模块接收用户提出的数据标注请求，通过主动学习策略动态选择标注实例，优先选择最有信息量的价值实例进行标注，将标注完成的数据输出至交互式训练空间模块；
群智社区接入模块：为基于手机微信的群智竞赛平台辅助模块，部署在一台独立的服务器上实现竞赛发布者、竞赛选手间相互的交流沟通功能，同时永久保存竞赛发布者发布的文字信息、文件信息和分享链接信息；通过itchat框架实现微信端与服务器端双向同步通讯，将最终的信息发往服务器端；通过Django框架将信息最终呈现到竞赛平台的指定位置；群智社区接入模块通过交互式训练空间模块，实时获取交互式训练空间模块中的模型训练日志、模型训练结果及选手在群智竞赛平台上发布的各项信息，将各项信息及时同步到选手的微信账号中；
交互式训练空间模块：为在线模型的训练模块，采用Docker技术实现对多编程语言、多函数依赖的广泛兼容，并以Docker方式部署线上模型训练环境，接收参赛选手提交的不同模型，基于服务器集群资源对不同模型进行线上训练；同时，结合主动学习方法，对海量未标注数据进行数据标注选择，将选择后的结果发往数据标注平台模块进行标注，同时接收数据标注平台模块标注后的返回结果，继续对所述不同模型进行线上训练，不断调优，最终达到符合上传者的预期。
2.根据权利要求1所述的基于群体智能的群智竞赛平台框架系统，其特征在于，数据标注平台接入模块实现过程如下：
(1)以RestfulAPI协议作为通信方式，完成交互式训练空间模块与数据标注平台接入模块的双向通信，一方面实现派发标注任务，即根据所获得的标注任务，通过标注策略将标注任务派发给标注方，其中标注策略通常为随机派发策略，即根据标注方的标注能力随机派发特定的标注任务；另一方面实现完成标注任务回传，即完成标注任务后，通过即时回传和统一回传两种方式将标注结果回传，即时回传是每完成一定批次的标注任务后以RestfulAPI的形式向交互式训练空间模块发送标注好的结果，支持交互式训练空间中的模型即时快速迭代；统一回传根据标注方的需求标注完特定量的标注任务后，直接将结果以文件形式返回给标注方；
(2)基于主动学习策略优先派发最有信息量的价值实例，接收从交互式模型训练空间模块发来的数据标注请求，优先派发主动学习选择的最有信息量的价值实例给标注方。
3.根据权利要求1所述的基于群体智能的群智竞赛平台框架系统，其特征在于，所述群智社区接入模块实现过程如下：
(1)通过itchat框架实现微信端与服务器端的双向同步通讯，一方面，从交互式训练空间模块获取信息同步至微信端，调用itchat库的auto_login函数生成微信登录二维码，竞赛举办者扫码登录微信账号，竞赛举办者在平台端发布的文字形式、文件形式、分享链接形式的信息，信息将被封装为json形式字段通过itchat库同步至微信端，方便竞赛举办者与选手进行即时交流；另一方面，从微信端同步消息至服务器端，通过在一台通讯服务器上启动群聊消息抓取程序实时获取群聊消息，根据消息类型生成数据记录并存入数据库，实现微信端消息抓取；
(2)基于Django框架完成信息存储及呈现，通过Django框架管理的postgreSQL数据库可永久保存微信端与服务器端同步的所有信息，方便选手随时查阅；在交互式训练空间模块的前端页面进行消息可视化展示时要先从数据库中查询得到相应的微信群聊消息数据，然后根据模板文件将数据信息渲染，最终以可视化的形式展示在页面上，对于交互式训练空间模块的消息可视化展示采用JavaScript与HTML语言编译开发，使用semantic-ui前端开发框架进行页面布局。
4.根据权利要求1所述的基于群体智能的群智竞赛平台框架系统，其特征在于，所述交互式训练空间模块实现过程如下：
(1)基于Docker技术实现交互式训练空间模块的搭建，模型训练空间的搭建利用Docker Hub公共仓库，它既支持竞赛举办者根据实际需求选择现有Docker镜像，又支持竞赛参与者根据自身需求定制并上传特定Docker镜像；竞赛举办者可从Docker Hub公共仓库中直接拉取现有的容器或自己部署配置特定的Docker容器以支持竞赛举办，从而实现多编程语言多运行环境的线上代码编译及运行；此外，当前交互式训练空间模块所部署的服务器已部署了机器学习相关的多种环境及依赖，方便选手直接调用；
(2)基于服务器集群资源对模型线上训练，在交互式训练空间模块中，编译运行代码的环境即为Docker容器内部对应的环境，构建模型训练空间之后，竞赛参与者得合竞赛的Docker镜像，通过在交互式训练空间模块中编辑自己举办竞赛的Competition docker image属性，将定制的Docker镜像设置为运行参赛者提交代码的默认运行环境，一旦有参赛选手将自己的代码及模型上传到竞赛平台，自动调用Docker的环境依赖完成代码执行及模型训练，支持CPU与GPU训练两种形式，将对硬件资源的调用封装成函数接口，支持训练集群的接入和使用；训练信息、日志和结果信息实时反馈给用户，从而方便用户对不同模型进行线上训练，不断调优；
(3)结合主动学习方法对海量未标注数据进行标注选择，其中主动学习算法以函数形式封装，支持不确定样例法(Uncertainty Sampling)、委员会问询法(Query By Committee)，支持二元分类、多元分类及多标签分类标注问题的解决，同时支持用户自由上传多种方法、进行参数调整；向数据标注平台接入模块发出请求，基于竞赛举办者已公开的标注数据得到初步训练的模型结果，初步训练好的模型根据主动学习策略对未标注数据进行信息量评估，发布标注任务的用户自由设定期望得到的标注样例数量、标注任务截止时间和标注任务描述，通过RestfulAPI的形式向数据标注平台接入模块发出标注请求，待标注任务完成后接收返回结果并将结果加入到已标注数据集中使机器学习模型继续迭代。
5.一种基于群体智能的群智竞赛平台框架实现方法，其特征在于，步骤如下：
(1)竞赛任务发布：根据竞赛举办者所拥有的标注数据集按照竞赛规定格式制定竞赛上传压缩包zip格式至系统，压缩包至少应包括竞赛说明yaml格式、竞赛训练集csv格式、测试集csv格式、评分标准python格式四项文件；自动解压、解析压缩包格式内容，并自动创建竞赛，竞赛举办者进入创办后的竞赛窗口进一步完善竞赛信息最终发布竞赛任务；
(2)模型交互式训练空间构建：支持竞赛举办者直接使用平台现有环境、从Docker Hub中拉取现有容器及参赛选手上传个人私有容器方式；
(3)模型交互式训练：选手根据竞赛举办者的需求提交个人模型工程文件zip格式，系统会基于交互式训练空间中的环境，根据提交文件中的metadata说明对模型进行训练，训练结果直接由评分器对模型训练结果予以评分，并将结果反馈给竞赛参与者，竞赛参与者根据模型训练日志、评分结果进行模型调参调优以取得更好成绩；同时，每位竞赛举办者限制竞赛参与者提交模型结果的次数，在节省计算资源的同时鼓励选手高效调参，防止参赛选手多次提交撞测试点；
(4)向数据标注平台发出数据标注需求：在交互式模型训练模块中嵌入主动学习的模块，基于对现有已标注数据的训练选择未标注数据中最有信息量(most informative)的一批实例，模型在每次训练过程中通过不确定样例法计算所有未标注数据的不确定度(Uncertainty)、通过委员会问询法计算所有未标注数据的投票熵(Entropy)、通过深度主动学习算法计算所有未标注数据的不确定方差(Uncertainty Variance)，选择最有价值的一批实例交由标注平台进行标注，标注任务的发送采用RestfulAPI的形式；
(5)标注结果返回交互式训练空间进行模型迭代：在RestfulAPI中规定了任务的完成时间、任务的说明、任务的标注方式信息，数据标注平台接入模块在接受到标注请求后会将标注任务派发；选择即时回传、统一回传两种方式将标注结果返回，其中即时回传是将标注好的数据直接发送至交互式训练空间方便模型，即时快速迭代提高效率，统一回传意味着将标注结果集中发送给数据标注需求者；
(6)群智社区服务竞赛举办者与选手：群智服务社区会记录和群智竞赛相关的信息、文件和通知，与微信端双向同步，既方便竞赛举办者及时发布通知，又方便竞赛参与者们彼此交流学习，将与竞赛相关的信息通过API请求发送至postgreSQL数据库中永久保存，并通过Django框架的render_to_response函数供竞赛举办者和竞赛参与者查阅关键信息。
一种基于群体智能的群智竞赛平台框架系统及方法
技术领域
发明内容
具体实施方式
|{d∈D：t∈d}|是t出现的文档数量。
有“委员”关于如何对实例标注意见最不一致的那个。衡量各个“委员”意见不一致的程度常常用到投票熵(Vote Entropy)的概念，常用公式如下：
其中V(yt，m)是标记m在时序t时，从所有委员会成员处收集到的“投票”数量。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 电池单元安装设备及其方法 | 2020-05-08 | 539 |
| 用于免疫治疗癌症的尺寸可调的微生物模拟物 | 2020-05-08 | 343 |
| 一种光伏板储能装置 | 2020-05-08 | 313 |
| 一种环保气体柜 | 2020-05-08 | 777 |
| 亥姆霍兹共振器及基于其的低频宽带吸声降噪结构 | 2020-05-08 | 796 |
| 一种基于复合膜的声学超构体及声障板 | 2020-05-08 | 557 |
| 演示大屏定制方法、装置、计算机设备和可读存储介质 | 2020-05-08 | 5 |
| 自主多租户数据库云服务框架 | 2020-05-08 | 618 |
| 学生安全意识评估系统及方法 | 2020-05-11 | 375 |
| 一种基于区块链的城市管网的管理方法、设备及介质 | 2020-05-11 | 214 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
