[发明专利]动态分析的工业品相似度计算方法和系统

权利要求书

1.一种动态分析的工业品相似度计算方法，其特征在于，包括：

步骤S1：在Bert模型中添加输入层，对输入到Bert模型的行业数据先进行预处理再进行输入；

步骤S2：对Bert模型进行参数优化，先使用通用参数进行模型训练，得到实际模型训练类别，再结合训练参数特点，预设指标后对损失函数进行收敛，得到实际模型训练结果；

步骤S3：对实际模型训练结果进行相似度计算，得到符合预设条件的工业品。

2.根据权利要求1所述的动态分析的工业品相似度计算方法，其特征在于，将行业数据按照8：2的比例分成训练集和测试集，分别用于训练和测试，并将训练和测试的数据作为输入层的输入带入到Bert模型中。

3.根据权利要求1所述的动态分析的工业品相似度计算方法，其特征在于，在输入通用参数后，通过Bert模型预测模型训练类别；

对预测模型训练类别和实际模型训练类别进行正确率计算，正确率越高则表明模型分类的正确性越高，若正确率低于预设阈值则继续进行模型训练。

4.根据权利要求1所述的动态分析的工业品相似度计算方法，其特征在于，对实际模型训练结果进行损失值计算，计算模型预测结果与实际模型训练结果的差值，若差值越小，则表明模型训练的效果越好；若差值高于预设阈值，则继续进行模型训练。

5.根据权利要求1所述的动态分析的工业品相似度计算方法，其特征在于，采用余弦相似度进行相似度计算，公式为：

其中，similarity(A,B)表示余弦相似度；A表示目标用户的行为向量；B表示除目标用户的行为向量；A·B表示向量A和向量B的内积；||A||表示向量A的模；||B||表示向量B的模；n表示向量的分量数；i表示向量的第i个分量；A_i表示向量A的第i个分量；B_i表示向量B的第i个分量；

根据相似度计算结果，对相似度最高的工业品数据进行工业品推荐。

6.一种动态分析的工业品相似度计算系统，其特征在于，包括：

模块M1：在Bert模型中添加输入层，对输入到Bert模型的行业数据先进行预处理再进行输入；

模块M2：对Bert模型进行参数优化，先使用通用参数进行模型训练，得到实际模型训练类别，再结合训练参数特点，预设指标后对损失函数进行收敛，得到实际模型训练结果；

模块M3：对实际模型训练结果进行相似度计算，得到符合预设条件的工业品。

7.根据权利要求6所述的动态分析的工业品相似度计算系统，其特征在于，将行业数据按照8：2的比例分成训练集和测试集，分别用于训练和测试，并将训练和测试的数据作为输入层的输入带入到Bert模型中。

8.根据权利要求6所述的动态分析的工业品相似度计算系统，其特征在于，在输入通用参数后，通过Bert模型预测模型训练类别；

对预测模型训练类别和实际模型训练类别进行正确率计算，正确率越高则表明模型分类的正确性越高，若正确率低于预设阈值则继续进行模型训练。

9.根据权利要求6所述的动态分析的工业品相似度计算系统，其特征在于，对实际模型训练结果进行损失值计算，计算模型预测结果与实际模型训练结果的差值，若差值越小，则表明模型训练的效果越好；若差值高于预设阈值，则继续进行模型训练。

10.根据权利要求6所述的动态分析的工业品相似度计算系统，其特征在于，采用余弦相似度进行相似度计算，公式为：

其中，similarity(A,B)表示余弦相似度；A表示目标用户的行为向量；B表示除目标用户的行为向量；A·B表示向量A和向量B的内积；||A||表示向量A的模；||B||表示向量B的模；n表示向量的分量数；i表示向量的第i个分量；A_i表示向量A的第i个分量；B_i表示向量B的第i个分量；

根据相似度计算结果，对相似度最高的工业品数据进行工业品推荐。