[发明专利]一种基于非负矩阵分解的智能卷烟配方维护方法

权利要求书

1.一种基于非负矩阵分解的智能卷烟配方维护方法，其特征在于，包括如下步骤：

步骤S1：数据处理：

将配方数据转换成实际的二进制配方矩阵Y，将单料烟组转换成二进制配方向量作为模型输入；

步骤S2：确定模型系数矩阵M：

应用数据挖掘和NMF方法，利用大量数据训练模型，通过训练来确定模型参数k的大致范围，随后通过验证过程求出k的最优解，再根据模型参数k计算模型系数矩阵M；

步骤S3：计算单料烟的预测值

用单料烟组乘以模型系数矩阵M，即产生每个单料烟的预测值

步骤S4：获得推荐的替换单料烟列表S：

将中已有的单料烟的预测值替换为零后，将预测值降序排序，取顶部的前t个为推荐的替换单料烟列表S；

步骤S5：启发式选择替换单料烟：

在推荐的候选列表S中采用一对一替换算法或多对多替换算法选择单料烟替换缺失的单料烟；

其中，通过NMF方法分解配方矩阵：

Y_{old_formulas}≈W_{old_formulas}H＝X_{old_formulas}M

其中，W_{old_formulas}和H为通过非负矩阵分解得出的两个矩阵，W_{old_formulas}为n×k矩阵，H为k×m矩阵；Y_{old_formulas}和X_{old_formulas}是原配方的二进制表示；用最小二乘法估计模型系数矩阵：

步骤S2所述的模型系数矩阵M按如下步骤建立：

步骤S21：调整验证集；

基于10折交叉验证将配方数据分为训练、验证和测试数据集；对于验证集中的每个配方，随机选择一个单料烟并从配方中消除，模型完成配方的能力是通过验证模型是否能够检索从配方中消除的单料烟来完成的；

步骤S22：训练模型参数k；

验证过程中，将修改后的配方输入训练模型，模型输出所有单料烟的预测值列表；将配方中已经存在单料烟的预测值替换为零之后，将验证配方的预测值从高到低排序，并确定有序列表中消除的单料烟的等级；针对每个验证集，分别计算所选范围中的每个k值对应的所有被消除单料烟的平均数等级，选择平均等级最小的k值作为当前验证集的最优k值；在所有验证集的最优值k中，选择中位数值作为模型的最优k值；

步骤S23：计算模型系数矩阵M；

此时所用的数据集为步骤S22中的训练集+验证集；使用验证期间得到的最优k值，通过NMF方法分解数据集矩阵，并计算模型系数矩阵M。

2.根据权利要求1所述的基于非负矩阵分解的智能卷烟配方维护方法，其特征在于，步骤S5中，一对一替换算法执行如下：

当某配方缺失一种单料烟时，计算缺失的一个单料烟与推荐的t个单料烟化学指标信息的相似度并排序，从中选择相似度最大的一个进行替换。

3.根据权利要求1所述的基于非负矩阵分解的智能卷烟配方维护方法，其特征在于，步骤S5中，多对多替换算法执行如下：

当某配方缺失x(1xt)种单料烟时，采用基于平均相似度的多对多替换，在推荐的t个单料烟中选择x个进行替换；具体如下：

首先，在推荐的t个单料烟中选出x个单料烟为一组，进行排列组合；分别计算组合的x个单料烟和缺失的每个单料烟的平均相似度距离；然后，对x个平均相似度距离求和，选出和最小的一组，其所对应的x个单料烟，即为替换单料烟。

4.根据权利要求2或3所述的基于非负矩阵分解的智能卷烟配方维护方法，其特征在于，采用欧几里得距离计算缺失单料烟和候选单料烟的化学成分信息的相似度，距离值越小则意味着相似度越高。