一种面向工业互联网平台的智能推荐系统及方法技术方案

本发明专利技术涉及计算机推荐技术领域，公开了一种面向工业互联网平台的智能推荐系统及方法，所述的系统包括后台管理模块、用户端、推荐管理模块、前端展示模块；所述的方法包括以下流程：(1)对后台管理模块中平台的信息进行数据预处理；(2)对用户信息进行数据预处理；(3)关于平台文本信息的文本

【技术实现步骤摘要】
一种面向工业互联网平台的智能推荐系统及方法


[0001]本专利技术涉及计算机推荐
，具体涉及一种面向工业互联网平台的智能推荐系统及方法。

技术介绍

[0002]近些年，随着互联网时代的飞速发展，互联网上的信息量大幅度的暴涨，导致我们处在一个数据爆炸的时代。正是因为这个时代的到来，我们在某个平台上浏览信息时会存在信息过载的问题，即用户无法从过量的信息中获得对自己真正有价值的那部分信息，对信息的使用效率极低。除此之外，近年来随着工业互联网的兴起，越来越多的工业互联网平台逐渐涌现，平台旨为企业用户提供各种各样的产品及服务交易平台，同时也可以为其提供各种最新的相关新闻和各种政策，帮助企业用户及时了解行业的最新动态及供求信息。目前市面上除了比较著名的海尔卡奥斯工业互联网平台、徐工汉云工业互联网平台等，还有好很多人企业创建的小型工业互联网平台。
[0003]正是为众多工业互联网平台的出现，对于浏览访问平台的企业用户来说，要找到符合自身需求的产品和政策信息等，则需要花费大量的时间和精力，效率极低。近年来涌现一部分关于工业互联网平台的推荐是基于协同过滤的传统推荐算法，但是它并不能解决当前存在的现实问题，比如数据稀疏和冷启动的问题。而且在工业互联网平台中，某一种产品或信息对不同的企业用户的重要性肯定是不同的，所以仅用传统推荐算法已经无法解决上述的数据稀疏和冷启动等痛点问题。
[0004]相比于其他信息网站平台，工业互联网平台的信息和用户具有着比较鲜明的特点：比如平台中的新闻信息和各种行业解决方案的多元性和隐藏特征相关性、平台中的用户的特点是虽然数量不及平台信息的数量级，但是每个用户都有相对个性化的特点及喜好(行业动态、解决方案等)。针对工业互联网平台的这种特性，本专利即提出了一种面向工业互联网平台的涉及卷积神经为网络、注意力机制和因子分解机的新的推荐模型。公开号为CN109241424A的专利文件公开了一种推荐方法，其所提出的模型，虽然都用到卷积神经为网络、注意力机制和因子分解机这三种技术，但是整个处理数据的流程以及模型不能很好的适用于工业互联网平台，该专利文件中的模型把用户和信息按同一方式进行建模，大大忽略了工业互联网平台中的用户和信息的各自特点特征。本专利技术则是依据工业互联网平台的独有特点而创新的。

技术实现思路

[0005]本专利技术针对上述问题，提供了一种面向工业互联网平台的智能推荐系统及其工作方法，首先解决了工业互联网平台中信息过载的问题，其次解决了推荐中的新企业用户的冷启动问题和针对某一产品、行业解决方案等信息对用户的重要性权重不一的问题。
[0006]本专利技术解决技术问题的技术方案为：
[0007]一种面向工业互联网平台的智能推荐系统，包括后台管理模块、用户端、推荐管理
模块、前端展示模块，
[0008]所述的后台管理模块，对平台的信息数据进行特征分类，并对信息数据进行增删改查以及存储管理；所述的信息数据主要包括工业互联网平台上的行业新闻政策、行业解决方案、各类产品、专家库等。
[0009]所述的用户端，包括用户信息管理模块和用户行为记录管理模块，所述的用户信息管理模块负责对企业用户的新用户注册以及对用户注册信息的存储，所述的用户行为记录管理模块负责记录用户在平台上的浏览记录日志；如新闻政策浏览、行业解决方案浏览、平台检索记录等。
[0010]所述的前端展示模块主要是为企业用户展示与自己最匹配的待推荐列表；
[0011]所述的推荐管理模块，将后台管理模块的信息数据与用户端的信息数据作为输入，通过卷积神经网络对后台管理模块的信息数据进行特征建模得到文本
‑
主题特征模型，通过FM(Factorization Machine，因子分解机)结合注意力机制(Attention Mechanism)对用户端的信息数据进行特征建模得到用户
‑
兴趣特征模型，通过对文本
‑
主题特征模型和用户
‑
兴趣特征模型的特征向量emedding进行特征交互融合，再经过sigmoid非线性转换，得到预测的被推荐信息的喜爱程度的概率值，将被推荐信息按照喜爱程度的概率值的大小进行排序，得到所推荐的k个结果topk作为输出传输至前端展示模块。
[0012]一种面向工业互联网平台的智能推荐系统的工作方法，包括以下流程：
[0013](1)对后台管理模块中平台的信息进行数据预处理：对平台的文本数据进行jieba分词转变成多个token单元，把分词得到的多个token通过word2vector方式得到固定长度的向量X
i
；
[0014](2)对用户信息进行数据预处理：把用户的注册信息和行为记录数据信息进行one
‑
hot编码，转换成词向量Q；此编码形式是采用n
’
位状态寄存器来对n
’
个状态进行编码，每个状态都有他独立的寄存器位，并且在任意时候只有一位有效。是最常见的二进制向量表示方式。比如“中国、美国、法国”通过one
‑
hot编码则分别为“100、010、001”。所以通过此编码方式把有关用户所有的数据转换成向量表示。
[0015](3)关于平台文本信息的文本
‑
主题特征提取：把流程(1)中所得到的向量X
i
作为推荐管理模块的卷积神经网络部分的embedding输入，然后把其传入到含有卷积层的隐藏层中进行卷积计算，最后输出文本
‑
主题特征向量y
CNN
；其中所述的卷积神经网络可以是任何的卷积神经网络，例如现有技术中的m层卷积神经网络(CNN)。
[0016](4)关于企业用户信息的用户
‑
兴趣特征提取：把流程(2)中所得到的向量Q作为推荐管理模块的另一部分引入注意力机制网络的因子分解机(FM)的输入部分，此部分通过因子分解机(FM)结合注意力机制计算得到每个用户含有独一无二信息权重的用户
‑
兴趣特征向量y
AFM
，公式如下：
[0017][0018]在公式(I)中，y
AFM
为用户
‑
兴趣特征向量，w0为全局常数偏置项，n为企业用户信息用户
‑
兴趣特征总数，i和j是属于大于0且小于n的值，w
i
为一阶特征向量参数，p
T
为参数向量，a
i，j
是特征值Q
i
和Q
j
所对应的隐向量v
i
和v
j
的注意力得分，v
i
为第i个企业用户信息用户
‑
兴趣特征的K维隐向量；v
j
为第j个企业用户信息用户
‑
兴趣特征的K维隐向量，Q
i
为上述流程
(2)中第i个特征向量Q，Q
j
为上述流程(2)中第j个特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络和注意力机制的工业互联网平台的推荐系统，其特征在于，包括后台管理模块、用户端、推荐管理模块、前端展示模块；所述的后台管理模块对平台的信息数据进行特征分类，并对信息数据进行增删改查以及存储管理；所述的用户端包括用户信息管理模块和用户行为记录管理模块，所述的用户信息管理模块负责对企业用户的新用户注册以及对用户注册信息的存储，所述的用户行为记录管理模块负责记录用户在平台上的浏览记录日志；所述的推荐管理模块，将后台管理模块的信息数据与用户端的信息数据作为输入，通过卷积神经网络对后台管理模块的信息数据进行特征建模得到文本
‑
主题特征模型，通过因子分解机结合注意力机制对用户端的信息数据进行特征建模得到用户
‑
兴趣特征模型，通过对文本
‑
主题特征模型和用户
‑
兴趣特征模型的特征向量emedding进行特征交互融合，再经过sigmoid非线性转换，得到预测的被推荐信息的喜爱程度的概率值，将被推荐信息按照喜爱程度的概率值的大小进行排序，得到所推荐的k个结果topk作为输出传输至前端展示模块；所述的前端展示模块为企业用户展示与自己最匹配的待推荐列表。2.一种基于卷积神经网络和注意力机制的工业互联网平台的推荐系统的工作方法，其特征在于，包括以下流程：(1)对后台管理模块中平台的信息进行数据预处理：对平台的文本数据进行jieba分词转变成多个token单元，把分词得到的多个token通过word2vector方式得到固定长度的向量X
i
；(2)对用户信息进行数据预处理：把用户的注册信息和行为记录数据信息进行one
‑
hot编码，转换成词向量Q；(3)关于平台文本信息的文本
‑
主题特征提取：把流程(1)中所得到的向量X
i
作为推荐管理模块的卷积神经网络部分的embedding输入，然后把其传入到含有卷积层的隐藏层中进行卷积计算，最后输出文本
‑
主题特征向量y
CNN
；(4)关于企业用户信息的用户
‑
兴趣特征提取：把流程(2)中所得到的向量Q作为推荐管理模块的另一部分引入注意力机制网络的因子分解机的输入部分，公式如下：在公式(I)中，y
AFM
为用户
‑
兴趣特征向量，w0为全局常数偏置项，n为企业用户信息用户
‑
兴趣特征总数，i和j是属于大于0且小于n的值，w
i
为一阶特征向量参数，p
T
为参数向量，a
i，j
是特征值Q
i
和Q
j
所对应的隐向量v
i
和v
j
的注...

【专利技术属性】
技术研发人员：顾然，孟庆龙，王丹，丁文康，杨天嘉，袁慧苗，王星星，程大全，郭卫孟，李成攻，郝慧娟，郝凤琦，白金强，程广河，唐勇伟，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：