一种基于群智感知的个性化推荐算法的制作方法

本发明涉及binn框架(行为集中神经网络)、dbl模型(区分行为学习)和深度学习，具体涉及到一种基于群智感知的个性化智能推荐算法。

背景技术：

目前，如何根据客户的需求和环境要求等精确的对客户进行推荐适合客户的产品是值得深入研究的问题。

由于数据产生过程中人类的参与，群智大数据相比传统感知网络数据具有许多新特点。一是群智数据通过人类线上、线下的多种参与方式获得，同时产生于信息空间和物理空间，且由于人类的纽带作用，不同空间数据实现时空交织和语义关联。二是人类行为的不确定性和自发性等特征使得群智数据常包含较多的错误或冗余，质量良莠不齐，给数据的及时准确处理造成了极大挑战。三是群智数据体现人、机、物的融合，在数据获取过程中还蕴含了丰富的群体智能信息，如群体与感知对象的交互特征(如交互时间、地点、采集情境、采集模式等)，为实现人类和机器智能融合，进行高效数据处理提供了基础。

技术实现要素：

如何根据客户的需求、环保工艺路线以及设备所依据的标准等因素合理地推荐适合用户的环保设备是一个很重要的问题。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。

本发明的技术方案为：

a.从多源多模态数据融合的结果中收集数据并分析数据特征。从数据特征中提取设备历史数据纪录的集合h,h＝{s1,s2,…,sn}(集合大小为n，代表设备的数量)，每一个元素su代表客户u所对应的交互序列。

b.引入behavior-intensiveneuralnetwork(binn)框架，即行为集中神经网络。利用该框架中的neuralitemembedding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。

c.利用discriminativebehaviorslearning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。

d.设计两种学习模式进行对用户行为的探索——sessionbehaviorslearning(sbl，基于会话的行为学习)和preferencebehaviorslearning(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。

e.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。

本发明的有益效果：

(1)构建基于群智感知的个性化推荐算法在实际中合理地推荐适合客户的环保设备，多源多模态数据融合为个性化推荐提供保障。

(2)本方法结合网络、群智感知思想使推荐更智能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于群智感知的个性化推荐算法的结构图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，对一种基于群智感知的个性化推荐算法的具体流程进行详细说明。

a.基于群智感知的个性化推荐算法的总体设计

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-intensiveneuralnetwork(binn)框架，即行为集中神经网络。该框架包括两个部分：neuralitemembedding(环保设备向量生成)和discriminativebehaviorslearning(dbl，区分行为学习)。

利用neuralitemembedding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discriminativebehaviorslearning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——sessionbehaviorslearning(sbl，基于会话的行为学习)和preferencebehaviorslearning(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。

本发明的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，多源多模态数据融合为个性化推荐提供保障，利用binn框架(行为集中神经网络)、dbl模型(区分行为学习)和深度学习并结合网络、群智感知思想使推荐更智能，更好地满足了客户需求。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

技术总结
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。

技术研发人员：谭宇强;赵心怡
受保护的技术使用者：中国石油大学（华东）
技术研发日：2019.04.04
技术公布日：2019.09.03