[发明专利]基于语义网和簇偏好的冷链物流推荐方法及装置

权利要求书

1.基于语义网和簇偏好的冷链物流推荐方法，其特征在于，包括如下步骤：

步骤1：对用户、车源和历史订单信息进行数据清洗和整理，按照数据其原有结构构建冷链物流知识图谱；

步骤2：利用知识表示的TransR算法将知识图谱的实体和关系嵌入到低维向量，并计算用户间的语义相似度；

步骤3：利用社区发现算法对用户进行聚类获得用户簇；

步骤4：构建车源评分矩阵，对评分矩阵进行聚合获取整个簇的评分矩阵，利用余弦相似度计算用户簇和用户间的相似度，依据最相似的TopN用户对车源的评分计算用户簇对车源的预测评分，同时统计相似簇中子节点频数，构建用户簇偏好子图，计算用户簇偏好车源和车源的语义相似度；

步骤5：依据用户簇对车源的预测评分和车源语义相似度按降序排序得到评分推荐列表和语义推荐列表，取其交集作为最终推荐列表；

所述步骤2的具体方法为：

步骤2.1：使用TransR知识表示算法将实体和关系嵌入到一个R维的语义空间，每个用户语义向量表示为U_i＝(e_1i,e_2i,…,e_ni)^T，U_i表示用户i的语义向量，e_ki为语义向量第k维上的值，其中，变量k∈[1,n]；

步骤2.2：利用欧几里得距离计算用户间的语义相似度，计算公式为其中i和j为用户i和用户j；

步骤2.3：利用规约公式将用户间的语义相似度规约到(0,1]之间，sim_{sem_user}(i,j)值越大，说明用户i和j用户越相似；

所述步骤4的具体方法为：

步骤4.1：根据历史订单信息，整理出用户对于车源的评分数据，用户集合U＝(u₁,u₂,…,u_m)，m为用户个数，车源集合I＝(i₁,i₂,…,i_n)，n为车源个数，构建m×n的用户-车源评分矩阵；

步骤4.2：通过每个簇中的用户的评分向量聚合可以得到整个簇的评分向量S_t，计算公式为其中S_i为第i位用户对车源的评分；

步骤4.3：利用余弦相似度计算用户簇和用户间相似度，S_t和S_j分别为用户簇和用户j对车源的评分向量，取相似度最高的TopN作为用户簇的邻近集合V_n，根据邻近用户对车源的评分预测用户簇对车源的评分，计算公式为其中sim(S_t,S_j)为用户簇与邻近用户之间的相似度值，R_k,j为V_n中邻近用户给车源j的评分，为用户簇对车源的平均评分，为用户对车源的平均评分，P_t,j为用户簇对车源的预测评分；

步骤4.4：统计相似簇中用户每个子节点标签的频数，获取最大频数子节点标签，按照原有冷链物流知识图谱结构构建用户簇偏好子图；

步骤4.5：按照步骤2.1对偏好子图进行知识表示学习，获得的语义向量为U_ti＝(e_1ti，e_2ti，…，e_mti)^T，U_ti表示第i个用户簇偏好车源语义向量；

步骤4.6：按照步骤2.2、2.3方法计算车源间的语义相似度为其中sim_{sem_car}(t,j)为偏好车源语义相似度。

2.根据权利要求1所述的基于语义网和簇偏好的冷链物流推荐方法，其特征在于，所述步骤1的具体方法为：

步骤1.1：从无车承运平台获取用户、车源和历史订单信息，对其进行数据清洗和整理，确保数据的完整性；

步骤1.2：将用户和车源数据中的实体导入Neo4j图数据库，并按照原有实体之间的关系属性，构成冷链物流知识图谱，得到结构化知识的三元组。