【技术实现步骤摘要】
本专利技术涉及商品推荐，尤其涉及基于知识图谱的农产品电商推荐系统。
技术介绍
1、随着科技的不断发展和人们生活水平的提高，农产品电商平台逐渐成为农业领域的重要组成部分。然而，农产品电商面临着信息过载、用户个性化需求不断增加以及推荐系统精准度的挑战。在传统的农产品交易中，信息不对称、交易环节复杂等问题一直困扰着生产者和消费者。为了更好地满足用户的个性化需求，提高用户体验，基于知识图谱的农产品电商推荐系统应运而生。
2、现有的农产品电商推荐系统无法理解用户的兴趣和需求，降低推荐的个性化精准度，用户对推荐产品的信任度低；此外，现有的农产品电商推荐系统用户的参与度低，降低社交分享的效果，用户在电商平台满意度低，为此，我们提出基于知识图谱的农产品电商推荐系统。
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在的缺陷，而提出的基于知识图谱的农产品电商推荐系统。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、基于知识图谱的农产品电商推荐系统，包括用户画像模块、图谱构建模块、市场监测模块、质量监控模块、营养分析模块、产品推荐模块、社交分享模块、智能调度模块、客服平台以及用户反馈模块；
4、所述用户画像模块用于对用户历史行为进行分析，构建用户画像；
5、所述图谱构建模块用于建立农产品领域的知识图谱；
6、所述市场监测模块用于对市场动态进行实时监测，并更新农产品价格和供应信息；
7、所述质量监控模
8、所述营养分析模块用于对农产品的营养成分进行分析，为用户提供健康饮食建议；
9、所述产品推荐模块用于维护用户与系统的交互历史，改进推荐结果；
10、所述社交分享模块用于用户将系统推荐的农产品分享至各大社交平台，并优化分享内容；
11、所述智能调度模块基于知识图谱优化物流调度；
12、所述客服平台用于接收用户反馈问题，并由智能客服或人工客服回答相关问题；
13、所述用户反馈模块用于收集各客户反馈信息。
14、作为本专利技术的进一步方案，所述用户画像模块构建用户画像具体步骤如下：
15、步骤一：从系统日志、数据库记录和其他用户交互记录中收集用户的各类行为数据，并对原始数据进行清洗，去除异常值和重复数据，之后通过填充默认值或进行插值处理数据中存在的缺失值；
16、步骤二：从处理后的数据中提取关键特征，再对用户的历史行为进行分析，并基于特征提取和行为分析，为用户建立标签，再根据用户标签和行为特征，将用户分为不同的分类；
17、步骤三：将用户标签、分类信息以及特征数据整合，形成用户画像的综合描述，实时记录用户最新的行为，并根据用户的实时行为，更新用户画像，以反映用户兴趣和购物偏好的变化。
18、作为本专利技术的进一步方案，所述图谱构建模块知识图谱构建具体步骤如下：
19、步骤1：利用公开数据库、农业研究机构的报告以及农业科普书籍收集各类农产品各项数据，对收集到的原始数据预处理，通过rdf模型确定知识图谱的实体和关系模型；
20、步骤2：根据农产品数据和模型构建知识图谱中的实体，将农产品实体标识出来，将其链接到知识图谱中的节点，并通过自然语言处理技术，抽取各组实体之间的关系，构建知识图谱中的边，同时收集农业领域专业知识，在知识图谱中嵌入专业农业术语和领域知识；
21、步骤3：使用图数据库将抽取的农产品知识以图谱的形式存储，对建立的知识图谱进行验证，根据用户反馈和实际使用情况进行调优，定期引入新的农产品知识对知识图谱进行扩充和更新，并处理知识图谱中实体的语义关联。
22、作为本专利技术的进一步方案，所述质量监控模块图像识别具体步骤如下：
23、步骤①：收集各农产品各个角度和状态的样本图像，对图像数据中的每组像素，将该像素彩色通道的值按照规定的权重进行加权平均，以生成一组灰度值，并使用计算获取的灰度值替代原始图像中的彩色信息；
24、步骤②：计算灰度图像的直方图，统计每组灰度级别的像素数量，再使用累积分布函数的值对原始图像的每组像素灰度级别进行映射，之后使用经过直方图均衡化处理后的图像像素值替代原始图像中相应的像素值；
25、步骤③：根据预设的标准差生成一组二维高斯核，之后在图像上滑动高斯核，将生成的高斯核与原始图像进行卷积操作，并对每组像素进行加权平均，用高斯核卷积得到的图像替代原始图像中相应的像素值以平滑图像；
26、步骤④：对预处理后的图像进行标注，标记正常和异常的农产品质量特征，基于专家知识或先前的经验，建立农产品质量的评价规则模型，并依据建立的规则模型对农产品图像进行识别和质检；
27、步骤⑤：对图像特征进行匹配，判断农产品是否符合质量标准，根据质检规则，将农产品分为正常和异常两类，根据质检结果，反馈各组农产品的质量信息，并记录每次质检的结果。
28、作为本专利技术的进一步方案，所述产品推荐模块推荐结果改进具体步骤如下：
29、步骤ⅰ：产品推荐模块收集并预处理用户的历史行为数据，再将将处理后的数据划分为训练集和测试集，之后从知识图谱中抽取并预处理农产品的图像数据，为每租用户-产品对生成标签，以表示用户是否对该产品感兴趣或购买；
30、步骤ⅱ：根据用户的历史行为，将正样本和负样本进行标记，构建推荐改进模型，同时初始化模型信息，并使该模型输入层接收农产品图像数据，输出层生成用户对产品的兴趣度得分；
31、步骤ⅲ：将训练集输入推荐改进模型中，之后推荐改进模型对训练集进行前向传播，以获取用户兴趣预测结果，之后通过交叉熵损失函数计算该预测结果与实际值之间的差异；
32、步骤ⅳ：利用反向传播算法计算损失对模型参数的梯度，再对计算得到的梯度进行裁剪，然后根据计算得到的梯度，使用sgd优化器更新模型的权重和偏置项，在每轮训练结束后，使用测试集对模型进行验证，调整网络结构或超参数，重复进行训练，直至达到预先设定的训练轮数或停止训练的条件；
33、步骤ⅴ：训练完成的推荐改进模型实时收集用户特征和农产品特征，并计算用户对每组农产品的兴趣度得分，再过滤用户已经浏览过或购买过的农产品，将剩余的农产品按照用户兴趣度得分由高到低进行排序，并将生成的推荐列表呈现给用户。
34、作为本专利技术的进一步方案，所述社交分享模块分享内容优化具体步骤如下：
35、步骤①：社交分享模块初始化lur链表，并通过该链表存储用户最近的社交活动记录，实时监测用户的社交活动，将新的社交活动记录添加到lur链表的头部，当链表长度超过预设最大长度值时，删除链表尾部的节点；
36、步骤②：对于用户对不同类型社交活动的偏好，为每组活动设置不同的权重，从lur链表中提取用户最近的社交活动作为特征，构建用户的社交活动历史，之后构建社交活动决策树，并将每组可能本文档来自技高网...
【技术保护点】
1.基于知识图谱的农产品电商推荐系统，其特征在于，包括用户画像模块、图谱构建模块、市场监测模块、质量监控模块、营养分析模块、产品推荐模块、社交分享模块、智能调度模块、客服平台以及用户反馈模块；
2.根据权利要求1所述的基于知识图谱的农产品电商推荐系统，其特征在于，所述用户画像模块构建用户画像具体步骤如下：
3.根据权利要求2所述的基于知识图谱的农产品电商推荐系统，其特征在于，所述图谱构建模块知识图谱构建具体步骤如下：
4.根据权利要求3所述的基于知识图谱的农产品电商推荐系统，其特征在于，所述质量监控模块图像识别具体步骤如下：
5.根据权利要求4所述的基于知识图谱的农产品电商推荐系统，其特征在于，所述产品推荐模块推荐结果改进具体步骤如下：
6.根据权利要求1所述的基于知识图谱的农产品电商推荐系统，其特征在于，所述社交分享模块分享内容优化具体步骤如下：
【技术特征摘要】
1.基于知识图谱的农产品电商推荐系统，其特征在于，包括用户画像模块、图谱构建模块、市场监测模块、质量监控模块、营养分析模块、产品推荐模块、社交分享模块、智能调度模块、客服平台以及用户反馈模块；
2.根据权利要求1所述的基于知识图谱的农产品电商推荐系统，其特征在于，所述用户画像模块构建用户画像具体步骤如下：
3.根据权利要求2所述的基于知识图谱的农产品电商推荐系统，其特征在于，所述图谱...
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。