基于动态兴趣和知识图谱的冷链物流车源推荐方法及装置制造方法及图纸

本发明专利技术公开了一种基于动态兴趣和知识图谱的冷链物流车源推荐方法及装置，首先对冷链物流车源信息进行清洗和整理，定义冷链物流车源知识图谱框架，构建所需知识图谱；采用注意力机制对货主的历史车源信息进行融合，将融合获得的特征向量作为货主长期兴趣表示，并通过兴趣传播算法挖掘货主层级兴趣表示，将多层兴趣表示作为货主短期兴趣表示，融合货主长短期兴趣表示得到货主动态兴趣表示；通过知识图卷积神经网络挖掘知识图谱高阶结构信息得到车源特征表示；最后根据货主动态兴趣表示和车源特征表示的内积实现冷链物流车源推荐。本发明专利技术充分利用知识图谱的高阶结构信息和语义信息，深层次挖掘用户动态兴趣，实现个性化推荐。实现个性化推荐。实现个性化推荐。

【技术实现步骤摘要】
基于动态兴趣和知识图谱的冷链物流车源推荐方法及装置


[0001]本专利技术涉及冷链物流推荐
，具体涉及一种基于动态兴趣和知识图谱的冷链物流车源推荐方法及装置。

技术介绍

[0002]目前，无车承运平台中存在大量车源信息，货主从中选择符合自身需求的车源费时费力。
[0003]在冷链物流推荐领域，已有文献通过用户与项目间交互信息来进行推荐，这类方法虽简单实用，但经常面临数据稀疏性问题，且大部分文献中的方法以捕捉用户的长期兴趣为主，缺乏对用户短期兴趣的建模，无法挖掘用户的动态信息来学习动态变化的兴趣特征，导致推荐的项目并不能满足用户的偏好。

技术实现思路

[0004]专利技术目的：针对以上方法所存在的问题，本专利技术提供一种基于动态兴趣和知识图谱的冷链物流车源推荐方法及装置，利用知识图谱中结构化信息挖掘货主与车源间的细粒度关系，更精准地获取货主的兴趣，同时从货主的长短期兴趣出发，分析随时间变化的兴趣特征，应用在实际场景中更合理。
[0005]技术方案：本专利技术提出一种基于动态兴趣和知识图谱的冷链物流车源推荐方法，包括如下步骤：
[0006]步骤1：对冷链物流车源信息进行清洗和整理，定义冷链物流车源知识图谱框架，构建所需知识图谱G；
[0007]步骤2：采用注意力机制对货主的历史车源信息进行融合，将融合获得的特征向量作为货主长期兴趣表示u
l
，并通过兴趣传播算法挖掘货主层级兴趣表示，将多层兴趣表示作为货主短期兴趣表示u
s
，融合货主短期兴趣表示u
s
与货主长短期兴趣表示u
l
得到货主动态兴趣表示o
d
；
[0008]步骤3：通过知识图卷积神经网络挖掘知识图谱高阶结构信息得到车源特征表示v
u
；
[0009]步骤4：根据货主动态兴趣表示o
d
和车源特征表示v
u
的内积实现冷链物流车源推荐。
[0010]进一步地，所述步骤1的具体方法为：
[0011]步骤1.1：根据无车承运平台车源数据分析冷链物流车源知识图谱中的实体，主要有：车牌号、车型、载重、制冷能力和地区，不同的实体类之间存在关系，关系类别定义为关系指向实体的类别；
[0012]步骤1.2：从无车承运平台数据库中抽取车源数据，根据预先定义好的实体分类得到实体表以及关系表，存入数据库；
[0013]步骤1.3：根据数据库中的冷链物流车源实体和关系并通过图形数据库Neo4j 构
建冷链物流车源知识图谱G，冷链物流车源知识图谱G由三元组(h，r，t)组成，其中h∈E，t∈E，r∈R分别表示三元组的头实体、尾实体和实体间的关系，E和 R分别表示知识图谱G中的实体和关系集合。
[0014]进一步地，所述步骤2中获取货主长期兴趣表示的具体方法为：
[0015]步骤2.1：获取完整的货主历史车源集合H＝{v1，v2，
…
，v
n
}；
[0016]步骤2.2：初始化历史车源向量v
i
和候选车源向量v；
[0017]步骤2.3：定义循环变量i，赋初始值为1，定义货主的长期兴趣表示为u
l
；
[0018]步骤2.4：若i≤len(H)则进入步骤2.5，否则跳转到步骤2.10；
[0019]步骤2.5：将历史车源向量v
i
和候选车源向量v拼接，输入到注意力网络中得到注意力权重a
′
i
，其中a
′
i
＝σ(W
a
[v
i
，v]+b
a
)，W
a
为训练权重，b
a
为偏置向量；
[0020]步骤2.6：通过softmax函数归一化得到融合权重a
i
，其中
[0021]步骤2.7：根据融合权重a
i
和车源向量v
i
乘积得到当前车源融合向量C
i
；
[0022]步骤2.8：u
l
＝u
l
+C
i
；
[0023]步骤2.9：i＝i+1，跳转到步骤2.4；
[0024]步骤2.10：结束循环，得到最终的货主长期兴趣表示u
l
。
[0025]进一步地，所述步骤2中获取货主短期兴趣表示的步骤包括：
[0026]步骤2.11：通过货主交互序列中筛选最近交互的K个车源；
[0027]步骤2.12：定义循环变量i2，初始赋值为1，定义传播层数，值为h；
[0028]步骤2.13：以K个车源作为知识图谱种子集
[0029]步骤2.14：若i2≤h则进入步骤2.15，否则跳转到步骤2.20；
[0030]步骤2.15：根据实体通过传播方式获得货主u的i2层邻居节点集合
[0031]步骤2.16：货主u的i2层的兴趣集合为其中h∈E，t∈E，r∈R分别表示三元组的头实体、尾实体和实体间的关系，E和 R分别表示知识图谱G中的实体和关系集合；
[0032]步骤2.17：通过计算候选车源向量v与兴趣集合中头实体h
i
在关系空间r
i
下相关性得到层内融合权重其中R
i
∈R
d
、 h
i
∈R
d
和v∈R
d
为关系r
i
、头实体h
i
和项目v的嵌入表示；
[0033]步骤2.18：将兴趣集合中的尾实体向量表示进行加权得到i2层货主兴趣表示其中
[0034]步骤2.19：i2＝i2+1，跳转到步骤2.14；
[0035]步骤2.20：结束循环，得到货主的短期兴趣集合
[0036]步骤2.21：定义循环变量i3，初始赋值为1，定义货主的短期兴趣表示u
s
；
[0037]步骤2.22：若i3≤len(O1)则进入步骤2.23，否则跳转到步骤2.28；
[0038]步骤2.23：货主的短期兴趣集合O1中的向量表示和候选车源向量表示v输入到注意力网络中计算注意力权重其中W
h
为训练权重，b
h
为偏置向量；
[0039]步骤2.24：通过softmax函数归一化得到融合权重其中
[0040]步骤2.25：根据融合权重和货主的短期兴趣集合中的向量表示乘积得到当前货主兴趣融合向量
[0041]步骤2.26：
[0042]步骤2.27：i3＝i3+1，跳转到步骤2.22；
[0043]步骤2.28：结束循环，得到最终的货主短期兴趣表示u
s
。
[0044]进一步地，所述步骤2中融合货主短期兴趣表示u...

【技术保护点】

【技术特征摘要】
1.一种基于动态兴趣和知识图谱的冷链物流车源推荐方法，其特征在于，包括如下步骤：步骤1：对冷链物流车源信息进行清洗和整理，定义冷链物流车源知识图谱框架，构建所需知识图谱G；步骤2：采用注意力机制对货主的历史车源信息进行融合，将融合获得的特征向量作为货主长期兴趣表示u
l
，并通过兴趣传播算法挖掘货主层级兴趣表示，将多层兴趣表示作为货主短期兴趣表示u
s
，融合货主短期兴趣表示u
s
与货主长短期兴趣表示u
l
得到货主动态兴趣表示o
d
；步骤3：通过知识图卷积神经网络挖掘知识图谱高阶结构信息得到车源特征表示v
u
；步骤4：根据货主动态兴趣表示o
d
和车源特征表示v
u
的内积实现冷链物流车源推荐。2.根据权利要求1所述的基于动态兴趣和知识图谱的冷链物流车源推荐方法，其特征在于，所述步骤1的具体方法为：步骤1.1：根据无车承运平台车源数据分析冷链物流车源知识图谱中的实体，主要有：车牌号、车型、载重、制冷能力和地区，不同的实体类之间存在关系，关系类别定义为关系指向实体的类别；步骤1.2：从无车承运平台数据库中抽取车源数据，根据预先定义好的实体分类得到实体表以及关系表，存入数据库；步骤1.3：根据数据库中的冷链物流车源实体和关系并通过图形数据库Neo4j构建冷链物流车源知识图谱G，冷链物流车源知识图谱G由三元组(h，r，t)组成，其中h∈E，t∈E，r∈R分别表示三元组的头实体、尾实体和实体间的关系，E和R分别表示知识图谱G中的实体和关系集合。3.根据权利要求1所述的基于动态兴趣和知识图谱的冷链物流车源推荐方法，其特征在于，所述步骤2中获取货主长期兴趣表示的具体方法为：步骤2.1：获取完整的货主历史车源集合H＝{v1，v2，
…
，v
n
}；步骤2.2：初始化历史车源向量v
i
和候选车源向量v；步骤2.3：定义循环变量i，赋初始值为1，定义货主的长期兴趣表示为u
l
；步骤2.4：若i≤len(H)则进入步骤2.5，否则跳转到步骤2.10；步骤2.5：将历史车源向量v
i
和候选车源向量v拼接，输入到注意力网络中得到注意力权重α
′
i
，其中a
′
i
＝σ(W
a
[v
i
，v]+b
a
)，W
a
为训练权重，b
a
为偏置向量；步骤2.6：通过softmax函数归一化得到融合权重a
i
，其中步骤2.7：根据融合权重a
i
和车源向量v
i
乘积得到当前车源融合向量C
i
；步骤2.8：u
l
＝u
l
+C
i
；步骤2.9：i＝i+1，跳转到步骤2.4；步骤2.10：结束循环，得到最终的货主长期兴趣表示u
l
。4.根据权利要求1所述的基于动态兴趣和知识图谱的冷链物流车源推荐方法，其特征在于，所述步骤2中获取货主短期兴趣表示的步骤包括：步骤2.11：通过货主交互序列中筛选最近交互的K个车源；
步骤2.12：定义循环变量i2，初始赋值为1，定义传播层数，值为h；步骤2.13：以K个车源作为知识图谱种子集步骤2.14：若i2≤h则进入步骤2.15，否则跳转到步骤2.20；步骤2.15：根据实体通过传播方式获得货主u的i2层邻居节点集合步骤2.16：货主u的i2层的兴趣集合为其中h∈E，t∈E，r∈R分别表示三元组的头实体、尾实体和实体间的关系，E和R分别表示知识图谱G中的实体和关系集合；步骤2.17：通过计算候选车源向量v与兴趣集合中头实体h
i
在关系空间r
i
下相关性得到层内融合权重其中R...

【专利技术属性】
技术研发人员：李翔，束玮，谢乾，朱全银，任柯，周泓，孙纪舟，陈帅，张曼，费晶茹，徐伟，杨秋实，洪玉昆，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：