[发明专利]供应商推荐方法及系统

权利要求书

1.一种供应商推荐方法，其特征在于，包括：

接收至少一个供应商样本；

基于自适应多层感知的在线迁移学习模型预测各该供应商样本对应的推荐操作；

跟踪并获取供应商用户对各该供应商样本的实际采纳效果；

根据推荐操作与实际采纳效果的对比调整所述自适应多层感知的在线迁移学习模型所服务采购用户的前一批次的用户特征和当前批次的用户特征之间的权重分配及非线性参数向量；

重新获取新的供应商样本并以调整后的在线迁移学习模型预测对应的推荐操作，重复上述步骤，直至筛选出满足供应商用户的所有供应商样本。

2.根据权利要求1所述的供应商推荐方法，其特征在于，所述基于自适应多层感知的在线迁移学习模型的预测函数为：

其中，y′_i为推荐系统的是否推荐的操作结果，为投影函数，α_1,t和α_2,t分别为前一批次用户特征权重和当前批次用户特征权重所对应的权重参数，与为基于多层感知的非线性投影函数，l_α是关于单批次预测错误率的函数，Θ(v,v_Φ)为前一批次最终的用户特征，为本批次当前时间的用户特征，且用于表示用户特征扣号内逗号前的部分为线性特征，逗号后的部分为非线性特征。

3.根据权利要求2所述的供应商推荐方法，其特征在于，α_1,t和α_2,t的初始值分别为0.5；更新函数为：

其中，u∈R^d，u_φ为非线性映射函数，η为迁移学习速率；根据推荐结果的成功与否，用户当前特征权重的线性部分会按照下列规则更新：

其中，为下一时刻更新的用户特征，y_t为对应实际采纳效果的实际用户操作，为合页损失函数，为学习速率，β为限制w_t的更新速度的参数。

4.根据权利要求3所述的供应商推荐方法，其特征在于，还包括：

在所述基于自适应多层感知的在线迁移学习模型中，以z_t作为非线性多层感知网络的隐藏层节点，从下述z_t到z_t+1的变化方式更新隐层权重：

其中，为学习速率。

5.根据权利要求4所述的供应商推荐方法，其特征在于，还包括：

在所述基于自适应多层感知的在线迁移学习模型中，将非线性映射函数分割成至少两个线性成分从而使模型能够继续使用在线迁移学习的参数更新方式，包括：

采用基于MLP的如下非线性映射函数：

z_t＝[z_t¹,z_t²,z_t³,...,z_t^h]

其中，z_tⁱ为第i个隐层节点，且每个节点都以ReLU函数作为激活函数，h为隐层节点个数；定义非线性映射函数的参数向量为：

φ_t＝[r₁^t,r₂^t,...,r_h^t]

参数向量的更新方式服从PA回归算法的更新策略如下：

其中，为PA回归算法的损失函数，为学习速率，r_i为隐层权重的每i个元素。

6.根据权利要求2至5任一所述的供应商推荐方法，其特征在于：

l_α＝e^f(MC)

其中，MC为单批次预测错误率，为偏好参数，max(MC)为当前最大预测错误率，min(MC)为当前最小预测错误率。

7.一种供应商推荐系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6任一所述方法的步骤。