System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于电力人工智能模型系统,尤其涉及电力人工智能模型优化推荐方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、电力人工智能模型系统中的所运营的算法模型与电商平台内的商品存在本质区别,电商平台内的商品均是实物产品,而电力人工智能模型系统内的算法模型是虚拟产品,其整个交易以及算法模型产品的应用也是在网络上实现的;另外,电力人工智能模型系统内的算法模型并不是一成不变的,是需要根据用户需求更新迭代的。专利技术人发现,现有的推荐算法大多是根据关键词匹配进行检索推荐,但是未考虑各个关键词所占的比重,从而导致推荐结果精度偏低,影响用户对电力人工智能模型系统的体验性。
技术实现思路
1、为了解决上述
技术介绍
中存在的技术问题,本专利技术提供电力人工智能模型优化推荐方法及系统,其能够适用于电力人工智能模型系统的算法模型推荐,为不同业务的电力用户群体提供算法模型的推荐准确。
2、为了实现上述目的,本专利技术采用如下技术方案:
3、本专利技术的第一个方面提供电力人工智能模型优化推荐方法。
4、电力人工智能模型优化推荐方法,其包括:
5、从电力用户业务需求信息中提取若干关键词并量化,形成关键词特征向量;
6、根据算法模型库中各个算法模型标签及其权重,得到各个算法模型特征向量,形成算法模型特征向量矩阵;分别计算关键词特征向量与算法模型特征向量矩阵中各个算法模型特征向量之间
7、向电力用户业务需求信息中逐个增加新的关键词,更新关键词特征向量;再分别计算更新后的关键词特征向量与算法模型特征向量矩阵中各个算法模型特征向量之间的相似度,更新推荐算法模型矩阵;
8、当增加新的关键词达到设定数量或更新前后的推荐算法模型矩阵差异度小于设定阈值时,基于最新的推荐算法模型矩阵,得到最终的推荐算法模型序列。
9、作为一种实施方式,从电力用户业务需求信息中提取关键词的过程为:
10、对用户需求信息进行多层次分词和语义分析提取,得到关键词。
11、作为一种实施方式,各个算法模型标签的权重确定过程为:
12、获取历史浏览记录、搜索记录或需求记录中与算法模型标签相关的关键词,形成关键词库;
13、采用词频-逆文档频率方法,计算算法模型标签在关键词库中的词频和逆文档频率,进而得到对应权重值。
14、作为一种实施方式,所述相似度根据两个向量之间的夹角余弦值来表征。
15、作为一种实施方式,所述特征向量矩阵中的各个元素表示用户对某个模型在对应标签特征上表现出的对用户的吸引力。
16、本专利技术的第二个方面提供电力人工智能模型优化推荐系统。
17、电力人工智能模型优化推荐系统,其包括:
18、关键词提取模块,其用于从电力用户业务需求信息中提取关键词并进行量化,形成关键词特征向量;
19、初始矩阵形成模块,其用于根据算法模型库中各个算法模型标签及其权重,得到各个算法模型特征向量,形成算法模型特征向量矩阵;分别计算关键词特征向量与算法模型特征向量矩阵中各个算法模型特征向量之间的相似度,形成初始的推荐算法模型矩阵;
20、模型重新排序模块,其用于向电力用户业务需求信息中逐个增加新的关键词,更新关键词特征向量;再分别计算更新后的关键词特征向量与算法模型特征向量矩阵中各个算法模型特征向量之间的相似度,更新推荐算法模型矩阵;
21、推荐算法模型库形成模块,其用于当增加新的关键词达到设定数量或更新前后的推荐算法模型矩阵差异度小于设定阈值时,基于最新的推荐算法模型矩阵,得到最终的推荐算法模型序列。
22、作为一种实施方式,在所述关键词提取模块中,从电力用户业务需求信息中提取关键词的过程为:
23、对用户需求信息进行多层次分词和语义分析提取,得到关键词。
24、作为一种实施方式,在所述初始矩阵形成模块中,各个算法模型标签的权重确定过程为:
25、获取历史浏览记录、搜索记录或需求记录中与算法模型标签相关的关键词,形成关键词库;
26、采用词频-逆文档频率方法,计算算法模型标签在关键词库中的词频和逆文档频率,进而得到对应权重值。
27、作为一种实施方式,所述相似度根据两个向量之间的夹角余弦值来表征。
28、作为一种实施方式,所述特征向量矩阵中的各个元素表示用户对某个模型在对应标签特征上表现出的对用户的吸引力。
29、本专利技术的第三个方面提供一种计算机可读存储介质。
30、一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的电力人工智能模型优化推荐方法中的步骤。
31、本专利技术的第四个方面提供一种计算机设备。
32、一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的电力人工智能模型优化推荐方法中的步骤。
33、与现有技术相比,本专利技术的有益效果是:
34、创新性提出了电力人工智能模型优化推荐方法,解决了现有推荐方法并不适用于电力人工智能模型系统中算法模型推荐的问题,根据算法模型库中的各个算法模型标签及其权重,得到特征向量矩阵,进而通过逐次增加电力用户业务需求信息关键词的方式,多次更新关键词特征向量,并计算其与算法模型特征向量矩阵中各个算法模型特征向量之间的相似度,对算法模型库中的算法模型进行重新排序,直至相似度达到设定条件时形成最终的推荐算法模型库,提高了为不同业务的电力用户群体推荐算法模型的准确性,实现了不同业务的电力用户需求。
35、本专利技术附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.电力人工智能模型优化推荐方法,其特征在于,包括:
2.如权利要求1所述的电力人工智能模型优化推荐方法,其特征在于,从电力用户业务需求信息中提取关键词的过程为:
3.如权利要求1所述的电力人工智能模型优化推荐方法,其特征在于,各个算法模型标签的权重确定过程为:
4.如权利要求1所述的电力人工智能模型优化推荐方法,其特征在于,所述相似度根据两个向量之间的夹角余弦值来表征。
5.如权利要求1所述的电力人工智能模型优化推荐方法,其特征在于,所述特征向量矩阵中的各个元素表示用户对某个模型在对应标签特征上表现出的对用户的吸引力。
6.电力人工智能模型优化推荐系统,其特征在于,包括:
7.如权利要求6所述的电力人工智能模型优化推荐系统,其特征在于,在所述关键词提取模块中,从电力用户业务需求信息中提取关键词的过程为:
8.如权利要求6所述的电力人工智能模型优化推荐系统,其特征在于,所述相似度根据两个向量之间的夹角余弦值来表征;
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一项所述的电力人工智能模型优化推荐方法中的步骤。
...【技术特征摘要】
1.电力人工智能模型优化推荐方法,其特征在于,包括:
2.如权利要求1所述的电力人工智能模型优化推荐方法,其特征在于,从电力用户业务需求信息中提取关键词的过程为:
3.如权利要求1所述的电力人工智能模型优化推荐方法,其特征在于,各个算法模型标签的权重确定过程为:
4.如权利要求1所述的电力人工智能模型优化推荐方法,其特征在于,所述相似度根据两个向量之间的夹角余弦值来表征。
5.如权利要求1所述的电力人工智能模型优化推荐方法,其特征在于,所述特征向量矩阵中的各个元素表示用户对某个模型在对应标签特征上表现出的对用户的吸引力。
6.电力人工智能模型优化推荐系统,其特征在于,包括:
【专利技术属性】
技术研发人员:张克,韩元凯,徐康,袁弘,刘晗,王勇,邓华,武侠,梁天,战捷,鲍娌娜,崔豪驿,齐一飞,杜彦清,
申请(专利权)人:国网智能科技股份有限公司,
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。