一种基于智能撮合匹配的业务协同管理方法及系统技术方案

本发明专利技术涉及一种基于智能撮合匹配的业务协同管理方法及系统，包括：生成输入向量；将输入向量输入至深度神经网络模型，通过最小化交叉熵损失函数，得到用户偏好特征表示和项目特征表示；通过最近邻算法将用户偏好特征表示和项目特征表示，按照内积度量，查找最相似的预设数量的项目作为推荐结果。一种基于智能撮合匹配的业务协同管理方法及系统使用深度特征嵌入网络进行异构特征学习，可以充分挖掘用户及项目间潜在的特征，能够精准获取信息发布方和信息消费方潜在的需求，并将双方需求进行匹配，以提高信息撮合的成功率。以提高信息撮合的成功率。以提高信息撮合的成功率。

【技术实现步骤摘要】
一种基于智能撮合匹配的业务协同管理方法及系统


[0001]本专利技术涉及业务协同
，尤其涉及一种基于智能撮合匹配的业务协同管理方法及系统。

技术介绍

[0002]随着信息化时代的到来，信息化管理也越来越受到重视，企业内部机构、子公司及外部企业之间的业务协同显得愈发重要。当前，尽管在很多领域个性化推荐已得到普遍应用，但是在企业内部协同领域应用却相对较少。对于大型企业，企业内部协作需求更为频繁，协作需求种类也更加复杂，使得用户很难在海量信息中找到有用的信息，降低了业务协同的效率。同时，已有的推荐系统存在冷启动问题，导致推荐算法的性能不高，因此，怎样将新入库的项目有效地推荐给喜欢它的用户，是推荐算法急需解决的问题。

技术实现思路

[0003]为解决现有技术的不足，本专利技术提出一种基于智能撮合匹配的业务协同管理方法及系统，该方法及系统使用深度特征嵌入网络进行异构特征学习，可以充分挖掘用户及项目间潜在的特征，能够精准获取信息发布方和信息消费方潜在的需求，并将双方需求进行匹配，以提高信息撮合的成功率。
[0004]为实现以上目的，本专利技术所采用的技术方案包括：
[0005]一种基于智能撮合匹配的业务协同管理方法，其特征在于，包括：
[0006]S1、生成输入向量；
[0007]S2、将输入向量输入至深度神经网络模型，通过最小化交叉熵损失函数，得到用户偏好特征表示和项目特征表示；
[0008]S3、通过最近邻算法将用户偏好特征表示和项目特征表示，按照内积度量，查找最相似的预设数量的项目作为推荐结果。
[0009]进一步地，所述步骤S1包括：
[0010]S11、获取用户项目浏览记录信息；
[0011]S12、根据用户项目浏览记录信息，挖掘项目之间的连接关系，生成用户行为构建图；
[0012]S13、使用随机游走算法游走用户行为构建图中每个项目节点，生成项目节点序列；
[0013]S14、将项目节点序列输入至Skip
‑
Gram模型，进行Word2vec训练，得到每个项目节点的向量表示；
[0014]S15、将若干个项目节点的向量进行拼接，得到初始输入向量；
[0015]S16、将初始输入向量输入至自注意力模型，计算若干个项目节点向量的权重系数，得到输入向量。
[0016]进一步地，所述步骤S13包括：
[0017]从图中随机选择一个项目节点开始，从该项目节点的相邻项目节点中随机选择一个项目节点作为下一个项目节点，直至遍历所有项目节点，生成项目节点序列。
[0018]进一步地，所述用户项目浏览记录信息包括：用户历史浏览信息、用户参与项目行为信息、用户操作日志信息、用户基本信息以及项目特征信息。
[0019]进一步地，所述根据用户项目浏览记录信息，挖掘项目之间的连接关系，生成用户行为构建图，包括：
[0020]设置时间窗口，以每个项目为一个节点，通过一个有向边连接若干个项目节点，为每条边基于用户行为项目连接的出现总数分配权重，权重为项目i转向项目j的频次。
[0021]进一步地，所述深度神经网络模型的激活函数为ReLU函数。
[0022]进一步地，所述深度神经网络模型通过Softmax激活函数预测用户参与项目i的概率：
[0023][0024]其中，u表示用户嵌入向量，用户嵌入向量为用户的偏好信息，vi表示项目i的嵌入向量，项目的嵌入向量为ReLU层到Softmax输出层的权重，U表示用户集。
[0025]本专利技术还涉及一种基于智能撮合匹配的业务协同管理系统，其特征在于，包括：
[0026]输入向量生成模块，用于生成输入向量；
[0027]深度神经网络模型模块，用于将输入向量输入至深度神经网络模型，通过最小化交叉熵损失函数，得到用户偏好特征表示和项目特征表示；
[0028]推荐结果查找模块，用于通过最近邻算法将用户偏好特征表示和项目特征表示，按照内积度量，查找最相似的预设数量的项目作为推荐结果。
[0029]本专利技术还涉及一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于智能撮合匹配的业务协同管理方法。
[0030]本专利技术还涉及一种电子设备，其特征在于，包括处理器和存储器；
[0031]所述存储器，用于存储深度神经网络模型；
[0032]所述处理器，用于通过调用深度神经网络模型，执行上述的基于智能撮合匹配的业务协同管理方法。
[0033]本专利技术还涉及一种计算机程序产品，包括计算机程序和/或指令，其特征在于，该计算机程序和/或指令被处理器执行时实现上述基于智能撮合匹配的业务协同管理方法的步骤。
[0034]本专利技术的有益效果为：
[0035]采用本专利技术所述基于智能撮合匹配的业务协同管理方法及系统，该方法及系统使用深度特征嵌入网络进行异构特征学习，可以充分挖掘用户及项目间潜在的特征，能够精准获取信息发布方和信息消费方潜在的需求，并将双方需求进行匹配，以提高信息撮合的成功率。实现资源需求方和资源供给方撮合匹配，解决信息发布方和信息消费方信息不对称、获取有效信息难的问题，同时解决推荐系统存在的冷启动问题，提升推荐的性能和用户体验，有效提高撮合匹配业务协同管理系统的准确度。同时结合深度神经网络技术的业务撮合系统，可以挖掘业务撮合系统中用户及项目间隐含的、潜在的特征，克服已有撮合业务
系统中信息对接效率低问题，能够提高撮合系统的性能。
附图说明
[0036]图1为本专利技术基于智能撮合匹配的业务协同管理方法流程示意图。
[0037]图2为本专利技术基于智能撮合匹配的业务协同管理系统结构示意图。
具体实施方式
[0038]为了更清楚的理解本专利技术的内容，将结合附图和实施例详细说明。
[0039]本专利技术第一方面涉及一种步骤流程如图1所示的方法，包括：
[0040]图嵌入层生成模型的异构特征信息
[0041]S1、生成输入向量；
[0042]S11、获取用户项目浏览记录信息；
[0043]用户项目浏览记录信息包括：用户历史浏览信息、用户参与项目行为信息、用户操作日志信息、用户基本信息以及项目特征信息。
[0044]S12、根据用户项目浏览记录信息，挖掘项目之间的连接关系，生成用户行为构建图；
[0045]基于用户在过去一段时间内参与和浏览的项目存在相似性的假设，根据上述假设，可以从用户项目浏览记录中，挖掘出项目之间隐藏的连接关系。
[0046]这里设置一个时间窗口，通过一个有向边进行连接，例如：项目D和项目A是连接的，因为在窗口内某用户顺序访问了项目D和A。通过利用所有用户的协同行为，为每条边基于所有用户行为项目连接的出现总数分配一个权重。具体地，在所有用户行为历史中，该边的权重等于项目i转向项目j的频次。
[0047]S13、使用随机游走算法游走本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能撮合匹配的业务协同管理方法，其特征在于，包括：S1、生成输入向量；S2、将输入向量输入至深度神经网络模型，通过最小化交叉熵损失函数，得到用户偏好特征表示和项目特征表示；S3、通过最近邻算法将用户偏好特征表示和项目特征表示，按照内积度量，查找最相似的预设数量的项目作为推荐结果。2.如权利要求1所述的方法，其特征在于，所述步骤S1包括：S11、获取用户项目浏览记录信息；S12、根据用户项目浏览记录信息，挖掘项目之间的连接关系，生成用户行为构建图；S13、使用随机游走算法游走用户行为构建图中每个项目节点，生成项目节点序列；S14、将项目节点序列输入至Skip
‑
Gram模型，进行Word2vec训练，得到每个项目节点的向量表示；S15、将若干个项目节点的向量进行拼接，得到初始输入向量；S16、将初始输入向量输入至自注意力模型，计算若干个项目节点向量的权重系数，得到输入向量。3.如权利要求1所述的方法，其特征在于，所述步骤S13包括：从图中随机选择一个项目节点开始，从该项目节点的相邻项目节点中随机选择一个项目节点作为下一个项目节点，直至遍历所有项目节点，生成项目节点序列。4.如权利要求1所述的方法，其特征在于，所述用户项目浏览记录信息包括：用户历史浏览信息、用户参与项目行为信息、用户操作日志信息、用户基本信息以及项目特征信息。5.如权利要求1所述的方法，其特征在于，所述根据用户项目浏览记录信息，挖掘项目之间的连接关系，生成用户行为构建图，包括：设置时间窗口，以每个项目为一个节点，通过一个有向边连接若...

【专利技术属性】
技术研发人员：杜伟，魏振，方军，
申请(专利权)人：中信银行股份有限公司，
类型：发明
国别省市：