一种融合协同过滤和区块链的纺织机应用推荐系统和方法与流程

本发明涉及了一种纺织机应用推荐系统，涉及信息，具体涉及一种融合协同过滤和区块链的纺织机应用推荐系统和方法。

背景技术：

1、近年来，随着互联网的普及和应用平台的不断涌现，如何为用户提供更加个性化和精准的服务，已经成为了各大应用平台面临的共同挑战。推荐系统是一种解决这个问题的有效手段之一。推荐系统通过分析用户的历史行为数据，预测用户的兴趣偏好，从而向用户推荐可能感兴趣的内容或商品，提升用户的体验和平台的盈利能力。

2、协同过滤是推荐系统中的算法之一，它基于用户的历史行为数据，利用用户之间的相似度，预测用户对商品或内容的评分或偏好。传统的相似度计算方法包括欧氏距离、余弦相似度等，但这些方法不能完全反映用户之间的兴趣偏好，且忽略了用户历史购买行为中的丰富信息，容易受到噪声和稀疏性等因素的影响，难以捕捉到用户的细粒度偏好，无法提供更加个性化和多样化的推荐结果。

技术实现思路

1、为了解决背景技术中存在的问题，本发明所提供一种融合协同过滤和区块链的纺织机应用推荐系统和方法，为应用平台系统中所出现的问题提供了解决方式，使用深度学习技术结合协同过滤算法，提取用户历史交易内容中的潜在信息，提高算法推荐结果准确度。使用区块链技术，将购买信息上链存证，通过节点共识制造数据冗余，使数据不可篡改，保证了数据的真实可靠性。

2、本发明采用的技术方案是：

3、一、一种融合协同过滤和区块链的纺织机应用推荐系统：

4、纺织机应用推荐系统包括采集纺织机应用相关数据的数据采集模块；包括对数据采集模块采集的纺织机应用相关数据进行处理的数据处理模块；包括根据数据处理模块处理的纺织机应用相关数据进行纺织机应用推荐的推荐模块；包括获得推荐模块推荐的纺织机应用的反馈信息进而优化推荐模块的反馈模块。

5、二、纺织机应用推荐系统的纺织机应用推荐方法，包括：

6、将数据采集模块采集的若干纺织机应用相关数据输入数据处理模块中进行预处理获得若干预处理掩码向量，将各个预处理掩码向量输入推荐模块中进行训练并输出待推荐应用列表，将待推荐应用列表进行推荐并获得推荐后的反馈信息，将反馈信息输入推荐模块中进而对待推荐应用列表中的各个待推荐应用的权重进行优化，从而优化推荐模块，最终获得优化完成的推荐模块。

7、当推荐纺织机应用时，使用数据采集模块采集待推荐者的纺织机应用相关数据并依次输入数据处理模块和优化完成的推荐模块中，优化完成的推荐模块处理后输出待推荐的纺织机应用列表并推荐给待推荐者，实现纺织机应用的推荐。

8、所述的纺织机应用相关数据包括待推荐者相关数据和纺织机应用相关数据，待推荐者相关数据包括待推荐者数据和待推荐的所有的纺织机应用数据，纺织机应用相关数据包括待推荐者的历史获取纺织机应用数据和历史浏览纺织机应用数据。

9、待推荐者相关数据的待推荐者数据包括重要数据和不重要数据，重要数据如待推荐者浏览纺织机应用的点击次数和浏览时长以及待推荐者购买纺织机应用的购买频率等，不重要数据如待推荐者使用的设备、地理位置以及年龄等数据；纺织机应用数据包括耐用性、可靠性、销量和品牌等数据；纺织机应用相关数据的待推荐者的历史获取纺织机应用数据即区块链上的合约中的用户历史购买习惯，包括待推荐者历史购买过的各个纺织机应用的类型和价格等，历史浏览纺织机应用数据即从系统界面监控中获取的用户浏览偏好等行为特征，包括待推荐者历史浏览过的各个纺织机应用的类型和价格等。

10、所述的将数据采集模块采集的若干纺织机应用相关数据输入数据处理模块中进行预处理获得若干预处理掩码向量，针对每个纺织机应用相关数据，具体为将纺织机应用相关数据使用自然语言预训练模型bert进行分词和去除亢余词后得到预处理特征向量列表，进而生成预处理特征向量列表的掩码向量作为预处理掩码向量，掩码向量来表示数据的有效位，可以解决特征信息长度不一的问题。

11、数据采集模块还用于对各个纺织机应用相关数据进行清洗，清洗后剩余的纺织机应用相关数据均为相似的数据。以实现对有相似的纺织机应用相关数据的待推荐者进行推荐。

12、数据处理模块对用户id和应用id信息进行独热编码生成向量，考虑到独热向量分布稀疏，需要根据深度学习模块的需求生成对应的embadding层。

13、所述的推荐模块中包括嵌入embedding层、多头注意力机制、广义矩阵分解gmf、全连接神经网络mlp、全连接层fc和sigmoid激活函数，嵌入embedding层的输入经处理后获得轻特征和重特征，轻特征输入广义矩阵分解gmf处理获得非重要特征，重特征和多头注意力机制的输入经处理后的输出结果进行concat融合，然后再输入全连接神经网络mlp中获得重要特征，非重要特征和重要特征再进行concat融合后一次输入全连接层fc和sigmoid激活函数中处理后输出作为推荐模块的输出。

14、推荐模块根据处理后的数据进行学习，根据数据特征的重要程度将数据划分为两类，普通数据进行广义矩阵分解gmf，较重要的特征则融入具有用户历史序列信息的特征数据，并使用稠密层对数据进行进一步的特征提取和数据稠密化。最后将两者拼接发送至协同过滤层，计算出用户感兴趣的应用评分，为用户推荐评分较高的即较感兴趣的应用。

15、推荐模块分为轻提取和重提取两大模块，轻提取模块使用广义矩阵分解方法来用户和纺机应用特征向量之间的潜在关系，重提取将用户信息、应用信息和用户历史购买信息结合，传入稠密层。最后将两个模块的结果传入全连接输出层输出推荐结果。

16、轻提取模块将用户和物品映射到低维的嵌入空间，来预测用户对未知物品的评分或偏好，核心思想是通过对用户和物品的嵌入向量进行元素级的乘积操作来预测评分，这种元素级乘积操作捕捉了用户和物品之间的交互关系和相似性。

17、重提取模块则使用多头自注意力机制捕捉用户历史行为特征的更多关注点，用深度学习的方式获取历史行为内部潜在的特征信息，由于注意力机制无法学习序列间的位置关系，但是历史行为之间具有明显的时序关系，故引入旋转式位置编码，更符合缩放点积注意力。最后将带有历史行为信息的隐向量与用户特征向量和应用特征向量融合输入稠密层和隐藏层，再与轻提取模块的结果拼接传入全连接输出层输出结果。

18、重提取模块的稠密层和隐层是引入了神经网络来学习更高阶的特征交互，将经过自注意力学习的用户历史序列信息、用户特征向量和商品特征向量拼接传入多层神经网络中，如下：

19、hk＝σ(wkx+bk)

20、

21、其中，hk是第k个中间层的隐向量，wk是第k层的权重矩阵，bk是第k层的偏置项，σ为激活函数，x是包含用户历史序列信息、用户特征信息和商品特征信息的特征向量，ui是第i个用户的特征信息，sai是第i个用户的历史信行为息经过自注意力训练后的特征向量，sj是第i个应用的特征信息。最后将结果与轻提取模块结果拼接传入全连接表示层输出结果，如下：

22、yi,j＝sigmoid(mlp(αgij,(1-α)hk))

23、其中，sigmoid为打分函数，能够将变量映射到0,1之间。mlp为全连接神经网络，α为轻重模块各自的权重，gij为用户i对应用j的隐特征向量，hk为全连接层神经网络中的第k个中间层的隐向量。

24、根据输出分数将其排序，选取得分最高的n个应用进行推荐。

25、该系统中用户特征向量为u＝{u1,u2,...,un}，纺机应用特征向量s＝{s1,s2,...,sm}，则有如下公式：

26、gij＝ui*sj

27、其中，ui是第i个用户特征向量，sj是第j个纺机应用特征向量，gij表示用户i对应用j的隐特征向量，*表示向量内积。

28、所述的将各个预处理掩码向量输入推荐模块中，针对每个预处理掩码向量，将预处理掩码向量中包含待推荐者相关数据的特征向量输入嵌入embedding层中，将纺织机应用相关数据输入多头注意力机制中进行处理，最终经sigmoid激活函数输出各个待推荐的纺织机应用的分数，并将分数最高的前n个纺织机应用推荐给待推荐者。

29、嵌入embedding层输出的重特征中包含待推荐者数据的重要数据以及纺织机应用数据，轻特征重包含待推荐者数据的不重要数据。

30、所述的将待推荐应用列表进行推荐并获得推荐后的反馈信息，具体为将n个纺织机应用推荐给待推荐者，然后采集待推荐者的使用情况信息作为反馈信息，使用情况信息包括待推荐者使用每个推荐的纺织机应用的次数和时长等，使用次数越多及时长越长的纺织机应用的权重越高，进而调整各个推荐的纺织机应用在推荐模块中的sigmoid激活函数中的权重，进而优化推荐模块。

31、反馈模块具体是将推荐信息生成调查表单发送至用户，提取用户反馈信息定期调整样本权重。反馈信息包括用户对推荐结果的评价、用户的实际使用情况等，用于优化推荐应用的权重，提高推荐准确性。

32、一种电子设备，包括：相互耦接的存储器和处理器，其中，存储器存储有程序数据，处理器调用程序数据以执行上述方法。

33、一种计算机可读存储介质，其上存储有程序数据，程序数据被处理器执行时实现上述方法。

34、本发明根据纺机应用场景提出一种优化算法，将深度学习算法引入协同过滤，采用多头自注意力机制，挖掘用户历史购买行为中的丰富特征，引入旋转位置编码，捕捉历史行为中的时序信息。通过对重要特征的更深层次的挖掘，提高推荐结果的准确性。

35、本发明的有益效果是：

36、本发明融合区块链、深度学习等技术，保证数据来源安全可靠和用户特征细粒度提取，在推荐领域应用此方法，可以解决由于未考虑用户历史行为信息、数据信息没有侧重分析而导致的推荐不准确的问题，旨在提高应用平台上推荐系统的推荐准确性和用户体验。