[发明专利]一种基于群智感知的个性化推荐算法

摘要

本发明提出一种基于群智感知的个性化推荐算法，包括步骤：基于群智感知思想从多源多模态数据融合结果中收集大量环保设备工艺过程的数据，进而对所获取的数据进行特征分析。在推荐过程中，引入Behavior‑Intensive Neural Network框架，包括两个部分：环保设备向量生成和区分行为学习。利用Neural Item Embedding模型为每个环保设备生成一个标准化的向量,再利用Discriminative Behaviors Learning模型探索客户的交互序列获取先验知识，以对目标客户进行环保设备推荐。并设计了两种学习模式进行对用户行为的探索——基于会话的行为学习和偏好行为学习，分别对客户当的前行为和历史偏好学习。最终以向量化的环保设备为基础，通过两种学习行为的结合，对目标客户推荐前k个可能偏好的环保设备。

主权项

1.一种基于群智感知的个性化推荐算法，其特征在于根据客户的需求、环保工艺路线以及环保设备所依据的标准等因素合理地推荐适合客户的环保设备，存在有多源多模态数据融合为个性化推荐提供保障，并结合网络、群智感知思想使推荐更智能。群智感知数据就是从多源多模态数据融合的结果中收集大量环保设备的工艺过程的数据，进而分析数据特征。从数据特征中提取设备历史数据纪录的集合H，(集合大小为n，代表环保设备的数量)，每一个元素代表客户u所对应的交互序列(对多个环保设备的不同选择)，可表示为，其中代表客户u浏览的第j个设备，而则代表对应的具体操作。由此可定义为：给定一个客户u和交互序列，取自集合H，求目标客户u将来可能浏览的下一个环保设备。对于这个推荐过程，引入Behavior‑Intensive Neural Network(BINN)框架，即行为集中神经网络。该框架包括两个部分：Neural Item Embedding(环保设备向量生成)和Discriminative Behaviors Learning(DBL，区分行为学习)。利用Neural Item Embedding模型，该模型可以为每个环保设备生成一个标准化的向量，向量之间有着潜在的相似性与联系。利用Discriminative Behaviors Learning模型，区分式的行为学习，在获得环保设备的向量之后，DBL能够探索客户的交互序列获取先验知识，以对目标客户进行环保设备推荐。目标客户的决策过程取决于两个因素：当前行为与历史偏好。客户的当前行为在短期内是动态变化的，这些变化能够反映客户行为的特征。考虑到每种近期的行为(评价、选设备、忽略等)能够推测出客户的当前行为，我们可以使用任意类型的行为去描述客户的当前行为动机。而对于客户的历史偏好，并不是所有的行为都能反映客户的偏好。例如，如果仅仅点击了一个环保设备然而最后却没有购买，那么我们可以推断这个客户最后并非偏爱这个环保设备。因此，在对客户历史偏好建模的方面，我们仅仅从客户的历史交互行为中保留能够真正反映客户潜在需求的那部分行为。事实上，客户的交互过程可能会随着时间的变化产生不同的反馈。因此，不同于传统的以固定行为为基础进行探索的推荐系统，本项目设计了两种学习模式进行对用户行为的探索——Session Behaviors Learning(SBL，基于会话的行为学习)和Preference Behaviors Learning(PBL，偏好行为学习)，分别对客户的当前行为和历史偏好进行学习。这两部分分别对客户当前的选购设备行为与过去的稳定偏好进行探索。最后，以向量化的环保设备为基础，通过两种学习行为的结合，对目标客户推荐前k个可能偏好的环保设备。