一种基于深度学习的产品方案组合推荐方法技术

本申请公开了一种基于深度学习的产品方案组合推荐方法，该方法包括：收集专业领域的产品说明书和解决方案，生成产品特征向量和解决方案特征向量；将所述产品特征向量和所述解决方案特征向量输入图生成器，生成原始的产品方案图结构；将所述原始的产品方案图结构结合其他向量通过生成对抗网络GAN的生成器中产生生成的产品方案图结构；所述生成的产品方案图结构经过方案生成器形成解决方案文档；持续收集产品说明书及解决方案，同时对生成的解决方案进行反馈，用于模型的持续优化。用于模型的持续优化。用于模型的持续优化。

【技术实现步骤摘要】
一种基于深度学习的产品方案组合推荐方法


[0001]本申请涉及人工智能领域，尤其涉及一种基于深度学习的产品方案组合推荐方法。

技术介绍

[0002]近年来，人工智能技术发展迅速，其商业化速度超出预期，人工智能将会给整个社会带来颠覆性的变化，已经成为未来各国重要的发展战略。特别是以深度学习为核心的算法演进，其超强的进化能力，在大数据的支持下，通过训练构建得到类似人脑结构的大规模神经网络，已经可以解决各类问题。
[0003]随着信息技术和互联网技术的快速发展，传统的纸质产品文档和方案文档逐渐被电子文档来代替，特别是大型企业，为应对不同的业务场景和客户需求将会积累沉淀大量的产品和解决方案。客户业务场景的不断变化，需要新的产品方案组合来应对，以满足客户个性化的需求。
[0004]而传统的采用人工方式比较费时，并且对于编写整体解决方案的员工的个人能力要求较高，在这种情况下，如何利用深度学习技术，基于现有产品方案，形成新的产品方案组合来适应业务新需求成为亟需解决的问题。

技术实现思路

[0005]为了解决上述问题，本专利技术提供了一种基于深度学习的产品方案组合推荐方法，通过提取专业领域的产品说明书和解决方案中的产品方案特征，生成产品方案图数据结构，利用图卷积神经网络对图数据结构进行编码，采用自动编码器AutoEncoder模型结合生成对抗网络GAN，产生图结构生成模型。根据业务场景需求经过构造的神经网络模型，实现产品有针对性的组合，进而形成推荐方案，最终产生完整的产品解决方案文档。
[0006]本专利技术的一种基于深度学习的产品方案组合推荐方法，包括：
[0007]收集专业领域的产品说明书和解决方案，生成产品特征向量和解决方案特征向量；
[0008]将所述产品特征向量和所述解决方案特征向量输入图生成器，生成原始的产品方案图结构；
[0009]将所述原始的产品方案图结构结合其他向量通过生成对抗网络GAN的生成器中产生生成的产品方案图结构；所述生成的产品方案图结构经过方案生成器形成解决方案文档；
[0010]持续收集产品说明书及解决方案，同时对生成的解决方案进行反馈，用于模型的持续优化。
[0011]在本申请的一种实施例中，收集专业领域的产品说明书和解决方案，生成产品特征向量和解决方案特征向量，具体包括：
[0012]收集专业领域产品说明书和解决方案，为其创建唯一标识，产品之间的关系、解决
方案之间的关系以及产品与解决方案之间的关系；利用所述产品特征提取器和所述方案特征提取器提取产品和方案特征，生成产品特征向量和解决方案特征向量。
[0013]在本申请的一种实施例中，将所述产品特征向量和所述解决方案特征向量输入图生成器，生成原始的产品方案图结构，具体包括：
[0014]通过所述图生成器，基于产品特征向量形成产品关系图谱，基于解决方案特征向量形成解决方案关系图谱，并构建所述解决方案特征向量与产品特征向量组合关系，由此生成原始的产品方案图结构。
[0015]在本申请的一种实施例中，将所述原始的产品方案图结构结合其他向量通过生成对抗网络GAN的生成器中产生生成的产品方案图结构，具体包括：
[0016]将所述原始的产品方案图结构通过编码器，对所述原始的产品方案图结构表示的产品方案进行编码，形成编码向量；将用户需求的属性特征向量通过条件生成器生成条件向量，将所述编码向量与所述条件向量连接形成第一向量；将所述第一向量输入所述生成器中；
[0017]所述编码器核心模型采用图卷积神经网络；所述条件生成器的核心模型采用卷积神经网络。
[0018]在本申请的一种实施例中，将所述原始的产品方案图结构结合其他向量通过生成对抗网络GAN的生成器中产生生成的产品方案图结构，具体包括：
[0019]将所述条件向量、随机向量、生成向量连接形成第二向量，将所述第二向量输入生成器，所述生成向量根据指定的数据分布生成，所述随机向量由随机数形成，经过所述生成器产生方案产品图结构。
[0020]在本申请的一种实施例中，将所述原始的产品方案图结构与所述生成的产品方案图结构输入判别器中进行训练，输出判别器判别的数值。
[0021]在本申请的一种实施例中，固定所述GAN中辨别器的网络参数，更新所述编码器、所述条件生成器和所述生成器的网络参数，使得所述辨别器无法区分是生成的产品方案图结构还是原始的产品方案图结构，同时生成的产品方案图结构，满足场景需求关键字标签分类。
[0022]在本申请的一种实施例中，交替训练所述辨别器和所述编码器、所述条件生成器、所述生成器的网络参数，得到最终的产品方案图结构。
[0023]在本申请的一种实施例中，将所述图生成器、所述方案生成器、所述编码器、所述生成器和所述辨别器初始化；将收集的所述专业领域产品说明书和解决方案作为样本，训练所述图生成器、所述方案生成器、所述编码器；根据所述产品方案图结构训练所述生成器和所述辨别器。
[0024]在本申请的一种实施例中，多次接收用户的方案需求，经过所述条件生成器生成条件向量，所述条件向量与随机向量、生成向量形成所述第二向量通过所述GAN中生成器、所述方案生成器生成多个解决方案文档。
[0025]本专利技术提供了一种基于深度学习的产品方案组合推荐方法，充分考虑产品和方案的特点，根据收集的专业领域产品说明书和解决方案，提取其特征，构建产品和方案的知识图谱。设计图卷积神经网络模型，采用自动编码器AutoEncoder模型结合生成对抗网络，通过模型训练得到图结构生成模型；根据业务场景需求经过图结构生成模型，实现产品有针
对性的组合，再通过方案生成器，形成完整的推荐产品解决方案；与传统方案相比，本方法推荐的解决方案有更好的适应性，能满足客户业务场景的不断变化，特别是将产品方案关系加入到推荐算法中，通过图卷积神经网络提取其潜在特征，实现更优的产品组合，进而实现更加合理、准确的解决方案。另外，由于随机向量的存在，生成的解决方案呈现多样性，同时又满足条件向量的实际需求，完成客户对解决方案个性化的要求。
附图说明
[0026]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0027]图1为本申请实施例提供的一种基于深度学习的产品方案组合推荐方法步骤示意图；
[0028]图2为本申请实施例提供的利用深度学习技术生成解决方案文档的流程示意图。
具体实施方式
[0029]为了使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例对本申请进行清楚、完整的描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
[0030]图卷积神经网络(Graph Convolutional Netw本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的产品方案组合推荐方法，其特征在于，包括：收集专业领域的产品说明书和解决方案，生成产品特征向量和解决方案特征向量；将所述产品特征向量和所述解决方案特征向量输入图生成器，生成原始的产品方案图结构；将所述原始的产品方案图结构结合其他向量通过生成对抗网络GAN的生成器中产生生成的产品方案图结构；所述生成的产品方案图结构经过方案生成器形成解决方案文档；持续收集产品说明书及解决方案，同时对生成的解决方案进行反馈，用于模型的持续优化。2.根据权利要求1所述方法，其特征在于，收集专业领域的产品说明书和解决方案，生成产品特征向量和解决方案特征向量，具体包括：收集专业领域产品说明书和解决方案，为其创建唯一标识，产品之间的关系、解决方案之间的关系以及产品与解决方案之间的关系；利用所述产品特征提取器和所述方案特征提取器提取产品和方案特征，生成产品特征向量和解决方案特征向量。3.根据权利要求1所述方法，其特征在于，将所述产品特征向量和所述解决方案特征向量输入图生成器，生成原始的产品方案图结构，具体包括：通过所述图生成器，基于产品特征向量形成产品关系图谱，基于解决方案特征向量形成解决方案关系图谱，并构建所述解决方案特征向量与产品特征向量组合关系，由此生成原始的产品方案图结构。4.根据权利要求1所述方法，其特征在于，将所述原始的产品方案图结构结合其他向量通过生成对抗网络GAN的生成器中产生生成的产品方案图结构，具体包括：将所述原始的产品方案图结构通过编码器，对所述原始的产品方案图结构表示的产品方案进行编码，形成编码向量；将用户需求的属性特征向量通过条件生成器生成条件向量，将所述编码向量与所述条件向量连接形成第一向量；将所述第一向量输入所述生成器中；所述编码器核心模...

【专利技术属性】
技术研发人员：孙善宝，罗清彩，闫盼盼，谭强，
申请(专利权)人：济南浪潮高新科技投资发展有限公司，
类型：发明
国别省市：