[发明专利]面向科技服务平台的企业画像与科技服务个性化需求预测方法

权利要求书

1.一种面向科技服务平台的企业画像与科技服务个性化需求预测方法，其特征在于，包括步骤：

(1)从平台数据库中采集企业属性数据、行为数据以及所选择科技服务类型数据，并将收集到数据按行业类型分类；

(2)利用数据挖掘方法从采集的数据提取企业标签，包括企业科技创新投入、科技创新产出、行为偏好与活跃度四种类型；企业画像为企业标签与企业属性数据组成的集合；

(3)选取企业数据数量最多的行业建立神经网络模型，将企业行为数据作为网络输入，科技服务类型数据作为网络输出训练神经网络，得到针对该行业的企业科技服务需求预测模型；

(4)通过迁移学习方法和其他行业的企业数据对所得预测模型参数进行调整更新，得到针对不同行业的企业科技服务需求预测模型。

2.根据权利要求1所述的面向科技服务平台的企业画像与科技服务个性化需求预测方法，其特征在于，步骤(1)中，企业属性数据指标包括企业名称、省份、行业、企业规模与信用。

3.根据权利要求1所述的面向科技服务平台的企业画像与科技服务个性化需求预测方法，其特征在于，步骤(1)中，行为数据包括企业科技创新投资、专利、论著与标准数量、平台广告偏好及平台内点击次数、访问、浏览次数。

4.根据权利要求1所述的面向科技服务平台的企业画像与科技服务个性化需求预测方法，其特征在于，步骤(1)中，科技服务类型包括行业认证、管理咨询、科技活动和知识产权代理。

5.根据权利要求1所述的面向科技服务平台的企业画像与科技服务个性化需求预测方法，其特征在于，步骤(2)中：

企业科技创新投入、科技创新产出与活跃度标签分为高中低三档，分别由企业科技创新投资、知识产权数量及企业对平台访问浏览次数描述；

行为偏好标签代表企业对平台内不同类型科技服务广告的偏好程度，由企业对不同类型广告的点击次数描述。

6.根据权利要求1所述的面向科技服务平台的企业画像与科技服务个性化需求预测方法，其特征在于，步骤(2)中，所述数据挖掘方法为k-means聚类方法。

7.根据权利要求1所述的面向科技服务平台的企业画像与科技服务个性化需求预测方法，其特征在于，步骤(3)中，所述神经网络模型是一个前反馈神经网络，它由输入层、隐层与输出层三部分组成，具体计算过程为：

β₃＝φ(θ₃β₂)

其中，θ₁、θ₂和θ₃分别代表网络输入层、隐层与输出层的参数，和φ(·)代表非线性激活函数，其函数形式为和φ(·)＝1/(1-e^x)。

8.根据权利要求1所述的面向科技服务平台的企业画像与科技服务个性化需求预测方法，其特征在于，步骤(4)中，迁移学习方法首先将利用行业数据对神经网络模型进行预训练，然后利用训练后的神经网络和其他行业的数据进行需求预测并计算误差，最后根据预测误差与梯度下降算法训练后的模型参数进行调整，得到针对该行业的神经网络预测模型，具体计算过程为：

其中，α₁、α₂和α₃分别代表网络参数θ₁、θ₂和θ₃的更新结果，E代表神经网络对科技服务需求的预测误差，代表误差E关于网络参数θ₁、θ₂和θ₃的梯度，ρ代表梯度下降的更新速率。