【技术实现步骤摘要】
本专利技术属于软件开发，具体涉及一种基于无代码的智能组件推荐方法及装置。
技术介绍
1、目前，在政府领域，例如政务服务数字化转型过程中，政府部门需要搭建大量线上服务系统，以满足公众和企业的办事需求。然而，传统的软件开发方法往往耗时较长，且质量参差不齐，无法对政府部门工作人员推荐合适的智能组件。
2、现有技术中，推荐算法主要依赖于用户历史行为数据，例如用户浏览记录、搜索记录等，但这些数据不足以准确反映用户的兴趣点和需求特征，从而导致推荐效果不理想。现有技术中采用基于内容的推荐方法，通过分析组件本身的属性来推荐相似组件。然而，这种方法会忽略用户的实际需求，导致推荐的组件与用户的兴趣点和需求特征不匹配。现有技术在处理用户之间的相似性关系时，存在计算复杂度高、准确性低的问题，从而影响推荐效果。
技术实现思路
1、为此，本专利技术提供一种基于无代码的智能组件推荐方法及装置，通过分析用户在无代码平台上的访问轨迹数据，为用户推荐与其兴趣点和需求特征相似的其他用户的相关业务和历史案例数据，从而提高搭建质量和效率。
2、为了实现上述目的，本专利技术提供如下技术方案：基于无代码的智能组件推荐方法，包括：
3、获取目标用户在无代码平台上的访问轨迹数据，所述访问轨迹数据包括目标用户访问的页面、功能组件和操作行为；
4、对所述访问轨迹数据进行预处理得到目标用户的兴趣点和需求特征，所述需求特征包括用户访问频率达到预设值的功能组件和目标用户在页面上的操作行为；p>
5、根据预处理后的所述访问轨迹数据构建用户兴趣点和需求特征向量，利用兴趣点和需求特征向量，计算目标用户和指定用户之间的相似性关系，找到和目标用户具有相似兴趣点和需求特征的相似用户；
6、获取相似用户在无代码平台上的历史使用业务和历史案例数据；根据筛选出的相似用户的历史使用业务和历史案例数据，对目标用户进行智能组件推荐。
7、作为基于无代码的智能组件推荐方法的优选方案，对所述访问轨迹数据进行预处理的方式包括数据清洗、数据整合、特征提取、数据降维、去噪和数据压缩中的至少一种。
8、作为基于无代码的智能组件推荐方法的优选方案，将所述访问轨迹数据中的目标用户访问的页面、功能组件和操作行为转化为向量形式：
9、对于目标用户访问的页面，将每个页面表示为页面访问向量，页面访问向量的每个元素表示页面的指定特征；
10、对于目标用户访问的功能组件，将每个功能组件表示为功能组件访问向量，功能组件访问向量的每个元素表示功能组件的指定特征；
11、对于目标用户访问的操作行为，将每个操作行为表示为操作行为向量，操作行为向量的每个元素表示操作行为的指定特征；
12、将页面访问向量、功能组件访问向量、操作行为向量组合成一个表示所述访问轨迹数据的轨迹向量。
13、作为基于无代码的智能组件推荐方法的优选方案，构建用户兴趣点和需求特征向量的过程中，采用评分函数为兴趣点和需求特征分配权重，构建的用户兴趣点和需求特征向量形式为：
14、z＝w1m功能+w2m操作+w3m页面
15、式中，w1、w2、w3分别表示功能组件访问、操作行为、页面访问特征的权重；m功能表示功能组件访问向量；m操作表示操作行为向量；m页面表示页面访问向量；
16、采用余弦相似度计算目标用户和指定用户之间的相似性关系，相似性度量表示为：
17、similarity(a，b)＝(向量a·向量b)/(||向量a||*||向量b||)
18、式中，向量a表示用户a的兴趣点和需求特征向量，向量b表示用户b的兴趣点和需求特征向量，“·”表示向量的点积，||向量a||和||向量b||分别表示向量a和向量b的模长。
19、作为基于无代码的智能组件推荐方法的优选方案，对目标用户进行智能组件推荐过程，使用深度学习和自然语言处理的长短期记忆网络提取用户兴趣点和需求特征：
20、令w为lstm模型学到的权重，计算用户i对功能组件j的兴趣度score(i,j)：
21、score(i,j)＝exp(wijtaij)/σexp(wiktakj)
22、式中，wij是lstm模型中第i个用户和第j个功能组件的权重向量；aij是访问矩阵中第i个用户对第j个功能组件的访问频率；akj是特征矩阵中第j个功能组件的特征向量；σexp(wiktakj)是对所有用户k的注意力加权求和；
23、使用基于内容的推荐方法进行推荐组件筛选：
24、计算目标用户u和指定用户v之间的相似度sim(u,v)，对于与目标用户最相似的k`个用户，计算k`个用户使用过的功能组件的jaccard相似系数j(u,v)：
25、j(u,v)＝|au∩av|/|au∪av|
26、式中，au是目标用户u使用过的功能组件；av是指定用户v使用过的功能组件；∩和∪分别表示交集和并集。
27、本专利技术还提供一种基于无代码的智能组件推荐装置，包括：
28、访问轨迹获取模块，用于获取目标用户在无代码平台上的访问轨迹数据，所述访问轨迹数据包括目标用户访问的页面、功能组件和操作行为；
29、访问轨迹预处理模块，用于对所述访问轨迹数据进行预处理得到目标用户的兴趣点和需求特征，所述需求特征包括用户访问频率达到预设值的功能组件和目标用户在页面上的操作行为；
30、特征向量构建模块，用于根据预处理后的所述访问轨迹数据构建用户兴趣点和需求特征向量；
31、相似用户查找模块，用于利用兴趣点和需求特征向量，计算目标用户和指定用户之间的相似性关系，找到和目标用户具有相似兴趣点和需求特征的相似用户；
32、智能组件推荐模块，用于获取相似用户在无代码平台上的历史使用业务和历史案例数据；根据筛选出的相似用户的历史使用业务和历史案例数据，对目标用户进行智能组件推荐。
33、作为基于无代码的智能组件推荐装置优选方案，所述访问轨迹预处理模块中，对所述访问轨迹数据进行预处理的方式包括数据清洗、数据整合、特征提取、数据降维、去噪和数据压缩中的至少一种。
34、作为基于无代码的智能组件推荐装置优选方案，所述特征向量构建模块中：
35、对于目标用户访问的页面，将每个页面表示为页面访问向量，页面访问向量的每个元素表示页面的指定特征；
36、对于目标用户访问的功能组件，将每个功能组件表示为功能组件访问向量，功能组件访问向量的每个元素表示功能组件的指定特征；
37、对于目标用户访问的操作行为，将每个操作行为表示为操作行为向量，操作行为向量的每个元素表示操作行为的指定特征；
38、将页面访问向量、功能组件访问向量、操作行为向量组合成一个表示所述访问轨迹数据的轨迹向量。
39、作为基于无代码的智能组件推荐装置优选方案，所述特征向量本文档来自技高网...
【技术保护点】
1.基于无代码的智能组件推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于无代码的智能组件推荐方法，其特征在于，对所述访问轨迹数据进行预处理的方式包括数据清洗、数据整合、特征提取、数据降维、去噪和数据压缩中的至少一种。
3.根据权利要求1所述的基于无代码的智能组件推荐方法，其特征在于，将所述访问轨迹数据中的目标用户访问的页面、功能组件和操作行为转化为向量形式：
4.根据权利要求1所述的基于无代码的智能组件推荐方法，其特征在于，构建用户兴趣点和需求特征向量的过程中，采用评分函数为兴趣点和需求特征分配权重，构建的用户兴趣点和需求特征向量形式为：
5.根据权利要求1所述的基于无代码的智能组件推荐方法，其特征在于，对目标用户进行智能组件推荐过程，使用深度学习和自然语言处理的长短期记忆网络提取用户兴趣点和需求特征：
6.基于无代码的智能组件推荐装置，其特征在于，包括：
7.根据权利要求6所述的基于无代码的智能组件推荐装置，其特征在于，所述访问轨迹预处理模块中，对所述访问轨迹数据进行预处理的方式包括数据清洗、数据
8.根据权利要求6所述的基于无代码的智能组件推荐装置，其特征在于，所述特征向量构建模块中：
9.根据权利要求6所述的基于无代码的智能组件推荐装置，其特征在于，所述特征向量构建模块中，采用评分函数为兴趣点和需求特征分配权重，构建的用户兴趣点和需求特征向量形式为：
10.根据权利要求6所述的基于无代码的智能组件推荐装置，其特征在于，所述智能组件推荐模块中，使用深度学习和自然语言处理的长短期记忆网络提取用户兴趣点和需求特征：
...【技术特征摘要】
1.基于无代码的智能组件推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于无代码的智能组件推荐方法，其特征在于，对所述访问轨迹数据进行预处理的方式包括数据清洗、数据整合、特征提取、数据降维、去噪和数据压缩中的至少一种。
3.根据权利要求1所述的基于无代码的智能组件推荐方法，其特征在于，将所述访问轨迹数据中的目标用户访问的页面、功能组件和操作行为转化为向量形式：
4.根据权利要求1所述的基于无代码的智能组件推荐方法，其特征在于，构建用户兴趣点和需求特征向量的过程中，采用评分函数为兴趣点和需求特征分配权重，构建的用户兴趣点和需求特征向量形式为：
5.根据权利要求1所述的基于无代码的智能组件推荐方法，其特征在于，对目标用户进行智能组件推荐过程，使用深度学习和自然语言处理的长短期记忆网络提取用户兴...
【专利技术属性】
技术研发人员：杨超，赵雪松，
申请(专利权)人：北京无代码科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。