一种基于群智感知的个性化推荐算法制造技术

本发明专利技术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。

A personalized recommendation algorithm based on group intelligence perception

【技术实现步骤摘要】
一种基于群智感知的个性化推荐算法
本专利技术涉及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。
技术介绍
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。
技术实现思路
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本文档来自技高网...

【技术保护点】
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...

【技术特征摘要】
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-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...

【专利技术属性】
技术研发人员：谭宇强，赵心怡，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37