一种基于经济运行不确定性因素分析的精准服务推荐方法技术

本发明专利技术提供了一种基于经济运行不确定性因素分析的精准服务推荐方法，包括以下步骤：步骤1:原始数据处理。对数据进行预处理，包括缺失值处理、异常值处理和标准化，然后从原始数据中提取出有效特征，并进行特征嵌入。步骤2:初始化模型。根据数据特征，初始化推荐系统模型。步骤3:训练模型。将步骤1中处理好的样本输入至步骤2中的模型，选择合适的损失函数训练模型。步骤4:采集困难负样本。使用LIME算法，得到各个特征的归因值，根据归因值采集困难负样本。步骤5:再次训练模型，输出最终模型。在负样本中加入困难负样本，再次训练模型，提高模型的鲁棒性。型的鲁棒性。型的鲁棒性。

【技术实现步骤摘要】
一种基于经济运行不确定性因素分析的精准服务推荐方法


[0001]本专利技术涉及推荐系统的召回领域，特别涉及一种基于经济运行不确定性因素分析的精准服务推荐方法。

技术介绍

[0002]“宅经济”、“懒人经济”，共同促进了线上消费的发展。根据艾瑞咨询发布的报告，对比疫情前后，用户线上消费的频率明显增加。例如，用户增量最高的生鲜水果与食品饮料品类，疫情后线上消费比疫情前分别增长了27.6％与17.3％；在 618期间，京东家电专卖店整体成交额同比增长240％。
[0004]一方面，线上市场迅速扩张，各个电商平台需要为用户提供精准的服务推荐，从海量的候选商品中召回一批用户感兴趣的商品，以方便用户线上选购。另一方面，电商推荐系统应该具有鲁棒性。推荐系统根据用户画像、用户消费记录等历史数据来捕捉用户的消费偏好，从而为用户匹配合适的商品。现有的推荐系统过度强调在历史消费数据上的精准性，认为在历史数据上的准确性越高就越能预测出用户未来的消费行为。然而，这可能导致推荐系统过度的依赖从历史数据中学习到的个别特征，缺乏鲁棒性以应对未来可能出现的不稳定因素的影本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于经济运行不确定性因素分析的精准服务推荐方法，其特征在于，包括以下步骤：步骤1，对原始数据进行预处理，得到数据特征；步骤2，根据数据特征，初始化推荐系统模型；步骤3，将步骤1中处理好的样本输入至步骤2中的推荐系统模型，并训练推荐系统模型；步骤4，采集困难负样本；步骤5，再次训练推荐系统模型，输出最终的推荐系统模型，利用最终的推荐系统模型得到推荐结果。2.根据权利要求1所述的方法，其特征在于，步骤1中，所述原始数据包括描述用户的数据、描述物品的数据以及用户与物品之间的交互数据。3.根据权利要求2所述的方法，其特征在于，步骤1中，分别对原始数据进行缺失值处理、异常值处理和标准化，最后使用先验知识挑选出有效的特征用于训练模型，对离散型特征使用one
‑
hot编码进行特征嵌入，数值型特征保持不变。4.根据权利要求3所述的方法，其特征在于，步骤2中，所述推荐系统模型包括线性模型和深度神经网络，所述线性模型表示为：y＝w
T
x+b其中，x＝[x
1 x2ꢀ…ꢀ
x
d
]
T
为输入样本，x
i
为第i个样本特征，i取值为1～d；权重w＝[w
1 w2ꢀ…ꢀ
w
d
]
T
和偏置b是线性模型需要学习的参数，；y是线性模型的输出；所述深度神经网络包括特征组合层和特征交互层，特征组合层表示为：其中，V
x
是所有特征嵌入向量的集合；x
i
表示第i个特征，v
i
为第i个特征的嵌入向量，一共有n个特征；
⊙
表示两个向量对应维度相乘得到的元素积向量，通过如下公式降低时间复杂度：5.根据权利要求4所述的方法，其特征在于，步骤2中，所述特征交互层包含两个以上的隐藏层，第一个隐藏层表示如下：h
(1)
＝f(W
(1)
f(V
x
)+b
(1)
)+f(V
x
)其中，h
(1)
是第一个隐藏层的输出；W
(1)
和b
(1)
分别是第一个隐藏层的权重和偏置参数；f(V
x
)为特征组合层的输出；f(.)为Relu激活函数，表示如下：f(x)＝max(0,x)特征交互层的其余层表示如下：h
(l+1)
＝f(W
(l)
h
(l)
+b
(l)
)+h
(l)
其中，h
(l)
是深度神经网络第l层的输出；W
(l)
和b
(l)
分别是第l层的权重和偏置参数；f(.)为Relu激活函数。6.根据权利要求5所述的方法，其特征在于，步...

【专利技术属性】
技术研发人员：窦万春，任可，戴海鹏，
申请(专利权)人：南京大学，
类型：发明
国别省市：