CN114066572B - 一种电缆交易智能推荐方法及*** - Google Patents
一种电缆交易智能推荐方法及*** Download PDFInfo
- Publication number
- CN114066572B CN114066572B CN202111364667.6A CN202111364667A CN114066572B CN 114066572 B CN114066572 B CN 114066572B CN 202111364667 A CN202111364667 A CN 202111364667A CN 114066572 B CN114066572 B CN 114066572B
- Authority
- CN
- China
- Prior art keywords
- cable
- client
- data
- recommendation
- cables
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种电缆交易智能推荐方法及***,基于内容和协同过滤的推荐算法,将电缆型号参数、客户对不同场景应用的需求量化为特征,从人工调研和大数据筛选转化为智能推荐,解决了客户耗时耗力选择电缆的问题,同时,由于***考虑了新老客户的区分,并解决了冷启动的难题,***对于所有客户均能稳定、快速地推荐合适的电缆,从而促进电缆厂家的销售,提升了客户采购电缆的便利性,其次,针对推荐过程中某些电缆历史数据量不足导致推荐满意度低的情况,利用智能扩充网络对数据进行扩充并训练模型,获得较好的推荐效果,提高推荐的准确性,解决了小样本电缆数据的推荐问题。
Description
技术领域
本发明涉及大数据技术领域,特别涉及一种电缆交易智能推荐方法及***。
背景技术
电缆通常用于传输电能和信号,在电力***、信息传输***、机械设备和仪器仪表***等领域中被广泛应用,是不可或缺的商品。客户在选择电缆时不仅需要考虑电缆本身的型号参数和质量,还要权衡厂家的规模、所属地区、服务态度等,电缆的选择和评价往往不是一个复杂的任务,但如今电缆交易市场庞大,电缆的品种和质量参差不齐,客户如何快速高效的选择合适的电缆是一个具有挑战的问题。
当下企业电缆交易选择的方式主要有2种:一是人工调研,由客户去联系不同的电缆厂家,考察厂家所售电缆的情况以及厂家本身的资质。这种方法耗费人力和物力,效率低下,且调研结果往往受到调研人员的主观影响,目前已逐步被淘汰;二是通过大数据下的信息筛选去选择电缆,这种方法虽然快捷,但其筛选的标准仅仅是客户对电缆的要求,难以准确得到符合客户需求的电缆,导致客户仍需花费大量精力进一步考察商品及其厂家,整个交易过程效率低下。
近年来,随着数据挖掘和机器学习的不断发展,涌现出了很多帮助用户快速选择商品的推荐***,因此本发明运用电缆商品以及客户交易的大量数据,提出一种电缆交易智能推荐方法及***,利用近几年涌现的基于内容和协同过滤的推荐算法,将电缆商品的特有标签以及特有的用户画像用于对电缆的快速推荐中,从常用的大数据信息筛选到快速智能推荐,弥补了交易过程耗费人力物力的不足。由于本发明考虑了新老客户的区别,并解决了冷启动的难题,***对于所有客户均能稳定、快速地推荐合适的电缆,从而促进电缆厂家的销售,提升了客户采购电缆的便利性。
发明内容
本发明要解决的技术问题是提供一种更高效、更准确、推荐效率高的电缆交易智能推荐方法。
为了解决上述问题,本发明提供了一种电缆交易智能推荐方法,其包括以下步骤:
S1、获取并整理清洗电缆信息,建立商品数据库;
S2、获取客户基础信息,提取客户的历史行为数据,建立客户数据库;
S3、判断当前客户是否为新客户,若是,执行步骤S4,否则,执行步骤S8;
S4、调用客户数据库中新客户的基础信息,通过相似性比较获取近邻客户;
S5、根据近邻客户的交易需求推断新客户应用电缆的一个或多个应用场景;
S6、根据应用场景调用商品数据库中的电缆参数和厂家信息进行适配性计算,得到不同电缆对应的适配性评分;
S7、按不同应用场景将各自评分靠前的一个或多个电缆进行推荐,并记录新客户对推荐结果的行为反馈,实时更新客户数据库;
S8、调用客户数据中客户的行为数据,通过协同过滤算法计算客户对不同电缆的中意度;
S9、根据中意度筛选得到客户可能感兴趣的电缆,并记录客户在交易过程中的行为数据,实时更新客户数据库。
作为本发明的进一步改进,步骤S8和步骤S9之间,还包括以下步骤:
A、收集数据中同类型样本数最少的电缆数据,利用智能扩充网络进行建模及训练,获取相似性最高的推荐结果,并计算客户对该样本电缆的中意度。
作为本发明的进一步改进,步骤A包括:
A1、建立两个相同结构的共享权值的子网络,输入两组电缆数据X1和X2,分别将其转换为向量Gw(X1)和Gw(X2),再通过距离度量方法计算出两个向量的距离Ew;
A2、假定智能扩充网络的输入样本为(X1,X2,y),构建损失函数如下:
L(W,(X1,X2,y)i)=(1-y)LG(Ew(X1,X2)i)+yLI(Ew(X1,X2)i)
其中,(X1,X2,y)i为第i个输入样本,其中LG为只计算相同类别对电缆的损失函数,LI为只计算不同类别对电缆的损失函数;标签y=0表示两组电缆数据X1和X2属于不同类型,标签y=1表示两组电缆数据X1和X2属于相同类型,其损失函数的设定遵循:当y=0时,距离越大,损失越小,即关于Ew的单调递减函数,当y=1时,距离越小,损失越大,即关于Ew的单调递增函数。
A3、将LG设置为单调递增,将LI设置为单调递减,利用数据中同类型样本数最少的电缆数据训练损失函数。
作为本发明的进一步改进,在所述通过相似性比较获取近邻客户中,两个客户之间的相似度wuv为:
作为本发明的进一步改进,所述不同电缆对应的适配性评分如下:
其中,C为新客户u的最近邻集合,Rv,j为邻近客户v对电缆j的评分,Pu,j为新客户对电缆j的预测评分。
作为本发明的进一步改进,所述电缆信息包括材料、芯数、载流量、绝缘水平、认证、应用场景、厂家规模、厂家位置和厂家服务水平中的一种或多种,还包括绝缘材料及护套、铠装、母线类型。
作为本发明的进一步改进,所述客户基础信息包括姓名、性别、年龄、所属单位、职位和收货地址中的一种或多种。
作为本发明的进一步改进,所述历史行为数据包括搜索关键词、浏览记录、购买记录、沟通记录、收藏记录和评价记录中的一种或多种。
作为本发明的进一步改进,所述整理清洗包括文本纠错、关键字提取、词意分析、特征编码和数据标准化中的一种或多种。
为了解决上述问题,本发明还提供了一种电缆交易智能推荐***,其包括:
商品数据库建立模块,用于获取并整理清洗电缆信息,建立商品数据库;
客户数据库建立模块,用于获取客户基础信息,提取客户的历史行为数据,建立客户数据库;
判断模块,用于判断当前客户是否为新客户;
相似性比较模块,用于调用客户数据库中新客户的基础信息,通过相似性比较获取近邻客户;
应用场景推断模块,用于根据近邻客户的交易需求推断新客户应用电缆的一个或多个应用场景;
适配性计算模块,用于根据应用场景调用商品数据库中的电缆参数和厂家信息进行适配性计算,得到不同电缆对应的适配性评分;
电缆推荐模块,用于按不同应用场景将各自评分靠前的一个或多个电缆进行推荐,并记录新客户对推荐结果的行为反馈,实时更新客户数据库;
中意度计算模块,用于调用客户数据中客户的行为数据,通过协同过滤算法计算客户对不同电缆的中意度;
电缆筛选模块,用于根据中意度筛选得到客户可能感兴趣的电缆,并记录客户在交易过程中的行为数据,实时更新客户数据库。
本发明的有益效果:
本发明电缆交易智能推荐方法及***基于内容和协同过滤的推荐算法,将电缆型号参数、客户对不同场景应用的需求量化为特征,从人工调研和大数据筛选转化为智能推荐,解决了客户耗时耗力选择电缆的问题。
同时,由于***考虑了新老客户的区分,并解决了冷启动的难题,***对于所有客户均能稳定、快速地推荐合适的电缆,从而促进电缆厂家的销售,提升了客户采购电缆的便利性。
其次,针对推荐过程中某些电缆历史数据量不足导致推荐满意度低的情况,利用智能扩充网络对数据进行扩充并训练模型,获得较好的推荐效果,提高推荐的准确性,解决了小样本电缆数据的推荐问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1是本发明实施例一中电缆交易智能推荐方法的流程图;
图2是本发明实施例二中电缆交易智能推荐***的示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例一
如图1所示,为本发明优选实施例中电缆交易智能推荐方法,其包括以下步骤:
S1、获取并整理清洗电缆信息,建立商品数据库;
其中,所述电缆信息包括但不限于材料、芯数、载流量、绝缘水平、认证、应用场景、厂家规模、厂家位置和厂家服务水平中的一种或多种,还包括绝缘材料及护套、铠装、母线类型等。
其中,所述整理清洗包括文本纠错、关键字提取、词意分析、特征编码和数据标准化中的一种或多种。
S2、获取客户基础信息,提取客户的历史行为数据,建立客户数据库;
其中,所述客户基础信息包括但不限于姓名、性别、年龄、所属单位、职位和收货地址中的一种或多种。
其中,所述历史行为数据包括但不限于搜索关键词、浏览记录、购买记录、沟通记录、收藏记录和评价记录中的一种或多种。
S3、判断当前客户是否为新客户,若是,执行步骤S4,否则,执行步骤S8;
S4、调用客户数据库中新客户的基础信息,通过相似性比较获取近邻客户;
其中,在所述通过相似性比较获取近邻客户中,两个客户之间的相似度wuv为:
可选地,相似性计算方式可以为但不限于欧式距离、余弦相似性、皮尔逊相关系数、汉明距离等。
S5、根据近邻客户的交易需求推断新客户应用电缆的一个或多个应用场景;
其中,所述应用场景可以但不限于建筑、电力、冶炼、石化、电子。
S6、根据应用场景调用商品数据库中的电缆参数和厂家信息进行适配性计算,得到不同电缆对应的适配性评分;
其中,所述不同电缆对应的适配性评分如下:
其中,C为新客户u的最近邻集合,Rv,j为邻近客户v对电缆j的评分,Pu,j为新客户对电缆j的预测评分。
S7、按不同应用场景将各自评分靠前的一个或多个电缆进行推荐,并记录新客户对推荐结果的行为反馈,实时更新客户数据库;
其中,所述行为反馈可以但不限于点击记录、浏览记录、收藏记录、购买记录、评价记录。
S8、调用客户数据中客户的行为数据,通过协同过滤算法计算客户对不同电缆的中意度;
其中,所述协同过滤算法为Model-based协同过滤算法,具体实现算法可以为但不限于关联算法、聚类算法、分类算法、回归算法、矩阵分解算法、神经网络、图模型。
S9、根据中意度筛选得到客户可能感兴趣的电缆,并记录客户在交易过程中的行为数据,实时更新客户数据库。
进一步地,步骤S8和步骤S9之间,还包括以下步骤:
A、收集数据中同类型样本数最少的电缆数据,利用智能扩充网络进行建模及训练,获取相似性最高的推荐结果,并计算客户对该样本电缆的中意度。
具体地,步骤A包括:
A1、建立两个相同结构的共享权值的子网络,输入两组电缆数据X1和X2,分别将其转换为向量Gw(X1)和Gw(X2),再通过距离度量方法计算出两个向量的距离Ew;
A2、假定智能扩充网络的输入样本为(X1,X2,y),构建损失函数如下:
L(W,(X1,X2,y)i)=(1-y)LG(Ew(X1,X2)i)+yLI(Ew(X1,X2)i)
其中,(X1,X2,y)i为第i个输入样本,其中LG为只计算相同类别对电缆的损失函数,LI为只计算不同类别对电缆的损失函数;标签y=0表示两组电缆数据X1和X2属于不同类型,标签y=1表示两组电缆数据X1和X2属于相同类型,其损失函数的设定遵循:当y=0时,距离越大,损失越小,即关于Ew的单调递减函数,当y=1时,距离越小,损失越大,即关于Ew的单调递增函数。
A3、将LG设置为单调递增,将LI设置为单调递减,利用数据中同类型样本数最少的电缆数据训练损失函数。
其中,通过分开设计相同类别对、不相同类别对的损失函数,当要最小化损失函数时只需将LG设计成单调递增,将LI设计成单调递减。通过利用小样本电缆数据训练智能扩充网络,得到较为准确的推荐结果。
本发明电缆交易智能推荐方法及***基于内容和协同过滤的推荐算法,将电缆型号参数、客户对不同场景应用的需求量化为特征,从人工调研和大数据筛选转化为智能推荐,解决了客户耗时耗力选择电缆的问题。
同时,由于***考虑了新老客户的区分,并解决了冷启动的难题,***对于所有客户均能稳定、快速地推荐合适的电缆,从而促进电缆厂家的销售,提升了客户采购电缆的便利性。
其次,针对推荐过程中某些电缆历史数据量不足导致推荐满意度低的情况,利用智能扩充网络对数据进行扩充并训练模型,获得较好的推荐效果,提高推荐的准确性,解决了小样本电缆数据的推荐问题。
实施例二
如图2所示,本实施例公开了一种电缆交易智能推荐***,其包括以下模块:
商品数据库建立模块,用于获取并整理清洗电缆信息,建立商品数据库;
其中,所述电缆信息包括但不限于材料、芯数、载流量、绝缘水平、认证、应用场景、厂家规模、厂家位置和厂家服务水平中的一种或多种,还包括绝缘材料及护套、铠装、母线类型等。
其中,所述整理清洗包括文本纠错、关键字提取、词意分析、特征编码和数据标准化中的一种或多种。
客户数据库建立模块,用于获取客户基础信息,提取客户的历史行为数据,建立客户数据库;
其中,所述客户基础信息包括但不限于姓名、性别、年龄、所属单位、职位和收货地址中的一种或多种。
其中,所述历史行为数据包括但不限于搜索关键词、浏览记录、购买记录、沟通记录、收藏记录和评价记录中的一种或多种。
判断模块,用于判断当前客户是否为新客户,若是,进入相似性比较模块,否则,进入中意度计算模块;
相似性比较模块,用于调用客户数据库中新客户的基础信息,通过相似性比较获取近邻客户;
可选地,在所述通过相似性比较获取近邻客户中,两个客户之间的相似度wuv为:
可选地,相似性计算方式可以为但不限于欧式距离、余弦相似性、皮尔逊相关系数、汉明距离等。
应用场景推断模块,用于根据近邻客户的交易需求推断新客户应用电缆的一个或多个应用场景;
其中,所述应用场景可以但不限于建筑、电力、冶炼、石化、电子。
适配性计算模块,用于根据应用场景调用商品数据库中的电缆参数和厂家信息进行适配性计算,得到不同电缆对应的适配性评分;
其中,所述不同电缆对应的适配性评分如下:
其中,C为新客户u的最近邻集合,Rv,j为邻近客户v对电缆j的评分,Pu,j为新客户对电缆j的预测评分。
电缆推荐模块,用于按不同应用场景将各自评分靠前的一个或多个电缆进行推荐,并记录新客户对推荐结果的行为反馈,实时更新客户数据库;
其中,所述行为反馈可以但不限于点击记录、浏览记录、收藏记录、购买记录、评价记录。
中意度计算模块,用于调用客户数据中客户的行为数据,通过协同过滤算法计算客户对不同电缆的中意度;
其中,所述协同过滤算法为Model-based协同过滤算法,具体实现算法可以为但不限于关联算法、聚类算法、分类算法、回归算法、矩阵分解算法、神经网络、图模型。
电缆筛选模块,用于根据中意度筛选得到客户可能感兴趣的电缆,并记录客户在交易过程中的行为数据,实时更新客户数据库。
进一步地,所述电缆交易智能推荐***还包括:小样本计算模块,用于收集数据中同类型样本数最少的电缆数据,利用智能扩充网络进行建模及训练,获取相似性最高的推荐结果,并计算客户对该样本电缆的中意度。
所述小样本计算模块用于执行以下步骤:
A1、建立两个相同结构的共享权值的子网络,输入两组电缆数据X1和X2,分别将其转换为向量Gw(X1)和Gw(X2),再通过距离度量方法计算出两个向量的距离Ew;
A2、假定智能扩充网络的输入样本为(X1,X2,y),构建损失函数如下:
L(W,(X1,X2,y)i)=(1-y)LG(Ew(X1,X2)i)+yLI(Ew(X1,X2)i)
其中,(X1,X2,y)i为第i个输入样本,其中LG为只计算相同类别对电缆的损失函数,LI为只计算不同类别对电缆的损失函数;标签y=0表示两组电缆数据X1和X2属于不同类型,标签y=1表示两组电缆数据X1和X2属于相同类型,其损失函数的设定遵循:当y=0时,距离越大,损失越小,即关于Ew的单调递减函数,当y=1时,距离越小,损失越大,即关于Ew的单调递增函数。
A3、将LG设置为单调递增,将LI设置为单调递减,利用数据中同类型样本数最少的电缆数据训练损失函数。
其中,通过分开设计相同类别对、不相同类别对的损失函数,当要最小化损失函数时只需将LG设计成单调递增,将LI设计成单调递减。通过利用小样本电缆数据训练智能扩充网络,得到较为准确的推荐结果。
进一步地,所述电缆交易智能推荐***还包括:数据库、显示模块。
数据库,用于存储电缆和客户的相关数据。
显示模块,用于与客户的交互,将电缆交易推荐***的智能推荐结果显示出来,并将客户的行为数据传回电缆交易推荐***。
以上实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (8)
1.一种电缆交易智能推荐方法,其特征在于,包括以下步骤:
S1、获取并整理清洗电缆信息,建立商品数据库;
S2、获取客户基础信息,提取客户的历史行为数据,建立客户数据库;
S3、判断当前客户是否为新客户,若是,执行步骤S4,否则,执行步骤S8;
S4、调用客户数据库中新客户的基础信息,通过相似性比较获取近邻客户;
S5、根据近邻客户的交易需求推断新客户应用电缆的一个或多个应用场景;
S6、根据应用场景调用商品数据库中的电缆参数和厂家信息进行适配性计算,得到不同电缆对应的适配性评分;
S7、按不同应用场景将各自评分靠前的一个或多个电缆进行推荐,并记录新客户对推荐结果的行为反馈,实时更新客户数据库;
S8、调用客户数据中客户的行为数据,通过协同过滤算法计算客户对不同电缆的中意度;
S9、根据中意度筛选得到客户可能感兴趣的电缆,并记录客户在交易过程中的行为数据,实时更新客户数据库;
步骤S8和步骤S9之间,还包括以下步骤:
A、收集数据中同类型样本数最少的电缆数据,利用智能扩充网络进行建模及训练,获取相似性最高的推荐结果,并计算客户对该样本电缆的中意度;
步骤A包括:
A1、建立两个相同结构的共享权值的子网络,输入两组电缆数据X1和X2,分别将其转换为向量Gw(X1)和Gw(X2),再通过距离度量方法计算出两个向量的距离Ew;
A2、假定智能扩充网络的输入样本为(X1,X2,y),构建损失函数如下:
L(W,(X1,X2,y)i)=(1-y)LG(Ew(X1,X2)i)+yLI(Ew(X1,X2)i)
其中,(X1,X2,y)i为第i个输入样本,其中LG为只计算相同类别对电缆的损失函数,LI为只计算不同类别对电缆的损失函数;标签y=0表示两组电缆数据X1和X2属于不同类型,标签y=1表示两组电缆数据X1和X2属于相同类型,其损失函数的设定遵循:当y=0时,距离越大,损失越小,即关于Ew的单调递减函数,当y=1时,距离越小,损失越大,即关于Ew的单调递增函数;
A3、将LG设置为单调递增,将LI设置为单调递减,利用数据中同类型样本数最少的电缆数据训练损失函数。
4.如权利要求1所述的电缆交易智能推荐方法,其特征在于,所述电缆信息包括材料、芯数、载流量、绝缘水平、认证、应用场景、厂家规模、厂家位置和厂家服务水平中的一种或多种,还包括绝缘材料及护套、铠装、母线类型。
5.如权利要求1所述的电缆交易智能推荐方法,其特征在于,所述客户基础信息包括姓名、性别、年龄、所属单位、职位和收货地址中的一种或多种。
6.如权利要求1所述的电缆交易智能推荐方法,其特征在于,所述历史行为数据包括搜索关键词、浏览记录、购买记录、沟通记录、收藏记录和评价记录中的一种或多种。
7.如权利要求1所述的电缆交易智能推荐方法,其特征在于,所述整理清洗包括文本纠错、关键字提取、词意分析、特征编码和数据标准化中的一种或多种。
8.一种电缆交易智能推荐***,其特征在于,包括:
商品数据库建立模块,用于获取并整理清洗电缆信息,建立商品数据库;
客户数据库建立模块,用于获取客户基础信息,提取客户的历史行为数据,建立客户数据库;
判断模块,用于判断当前客户是否为新客户;
相似性比较模块,用于调用客户数据库中新客户的基础信息,通过相似性比较获取近邻客户;
应用场景推断模块,用于根据近邻客户的交易需求推断新客户应用电缆的一个或多个应用场景;
适配性计算模块,用于根据应用场景调用商品数据库中的电缆参数和厂家信息进行适配性计算,得到不同电缆对应的适配性评分;
电缆推荐模块,用于按不同应用场景将各自评分靠前的一个或多个电缆进行推荐,并记录新客户对推荐结果的行为反馈,实时更新客户数据库;
中意度计算模块,用于调用客户数据中客户的行为数据,通过协同过滤算法计算客户对不同电缆的中意度;
电缆筛选模块,用于根据中意度筛选得到客户可能感兴趣的电缆,并记录客户在交易过程中的行为数据,实时更新客户数据库;
还包括:小样本计算模块,用于收集数据中同类型样本数最少的电缆数据,利用智能扩充网络进行建模及训练,获取相似性最高的推荐结果,并计算客户对该样本电缆的中意度;
所述小样本计算模块用于执行以下步骤:
A1、建立两个相同结构的共享权值的子网络,输入两组电缆数据X1和X2,分别将其转换为向量Gw(X1)和Gw(X2),再通过距离度量方法计算出两个向量的距离Ew;
A2、假定智能扩充网络的输入样本为(X1,X2,y),构建损失函数如下:
L(W,(X1,X2,y)i)=(1-y)LG(Ew(X1,X2)i)+yLI(Ew(X1,X2)i)
其中,(X1,X2,y)i为第i个输入样本,其中LG为只计算相同类别对电缆的损失函数,LI为只计算不同类别对电缆的损失函数;标签y=0表示两组电缆数据X1和X2属于不同类型,标签y=1表示两组电缆数据X1和X2属于相同类型,其损失函数的设定遵循:当y=0时,距离越大,损失越小,即关于Ew的单调递减函数,当y=1时,距离越小,损失越大,即关于Ew的单调递增函数;
A3、将LG设置为单调递增,将LI设置为单调递减,利用数据中同类型样本数最少的电缆数据训练损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111364667.6A CN114066572B (zh) | 2021-11-17 | 2021-11-17 | 一种电缆交易智能推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111364667.6A CN114066572B (zh) | 2021-11-17 | 2021-11-17 | 一种电缆交易智能推荐方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114066572A CN114066572A (zh) | 2022-02-18 |
CN114066572B true CN114066572B (zh) | 2022-07-12 |
Family
ID=80277602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111364667.6A Active CN114066572B (zh) | 2021-11-17 | 2021-11-17 | 一种电缆交易智能推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066572B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106471491A (zh) * | 2015-05-29 | 2017-03-01 | 深圳市汇游智慧旅游网络有限公司 | 一种时变的协同过滤推荐方法 |
CN109684538A (zh) * | 2018-12-03 | 2019-04-26 | 重庆邮电大学 | 一种基于用户个人特征的推荐方法及推荐*** |
CN110084610A (zh) * | 2019-04-23 | 2019-08-02 | 东华大学 | 一种基于孪生神经网络的网络交易欺诈检测*** |
CN110083764A (zh) * | 2019-04-11 | 2019-08-02 | 东华大学 | 一种协同过滤算法冷启动问题的解决方法 |
CN110287402A (zh) * | 2019-05-05 | 2019-09-27 | 江苏一乙生态农业科技有限公司 | 一种基于用户偏好的个性化评论推荐方法 |
CN110619552A (zh) * | 2018-06-19 | 2019-12-27 | 航天信息股份有限公司 | 会员购物数据挖掘算法综合引擎 |
CN111899075A (zh) * | 2020-08-11 | 2020-11-06 | 恒瑞通(福建)信息技术有限公司 | 一种基于用户行为的个性化商品推荐方法及装置 |
CN112581189A (zh) * | 2020-12-29 | 2021-03-30 | 科技谷(厦门)信息技术有限公司 | 一种供应商智能推荐***及方法 |
CN113192626A (zh) * | 2021-04-13 | 2021-07-30 | 山东大学 | 基于孪生神经网络的用药方案推荐***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7756879B2 (en) * | 2004-07-23 | 2010-07-13 | Jeffrey Parsons | System and method for estimating user ratings from user behavior and providing recommendations |
-
2021
- 2021-11-17 CN CN202111364667.6A patent/CN114066572B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106471491A (zh) * | 2015-05-29 | 2017-03-01 | 深圳市汇游智慧旅游网络有限公司 | 一种时变的协同过滤推荐方法 |
CN110619552A (zh) * | 2018-06-19 | 2019-12-27 | 航天信息股份有限公司 | 会员购物数据挖掘算法综合引擎 |
CN109684538A (zh) * | 2018-12-03 | 2019-04-26 | 重庆邮电大学 | 一种基于用户个人特征的推荐方法及推荐*** |
CN110083764A (zh) * | 2019-04-11 | 2019-08-02 | 东华大学 | 一种协同过滤算法冷启动问题的解决方法 |
CN110084610A (zh) * | 2019-04-23 | 2019-08-02 | 东华大学 | 一种基于孪生神经网络的网络交易欺诈检测*** |
CN110287402A (zh) * | 2019-05-05 | 2019-09-27 | 江苏一乙生态农业科技有限公司 | 一种基于用户偏好的个性化评论推荐方法 |
CN111899075A (zh) * | 2020-08-11 | 2020-11-06 | 恒瑞通(福建)信息技术有限公司 | 一种基于用户行为的个性化商品推荐方法及装置 |
CN112581189A (zh) * | 2020-12-29 | 2021-03-30 | 科技谷(厦门)信息技术有限公司 | 一种供应商智能推荐***及方法 |
CN113192626A (zh) * | 2021-04-13 | 2021-07-30 | 山东大学 | 基于孪生神经网络的用药方案推荐***及方法 |
Non-Patent Citations (4)
Title |
---|
Alleviating the New Item Cold-Start Problem by Combining Image Similarity;Dong Cao 等;《2019 IEEE 9th International Conference on Electronics Information and Emergency Communication》;20190805;589-595 * |
Cooperative Filtering Program Recommendation Algorithm Based on User Situations and Missing Values Estimation;Jian Dong 等;《International Conference on Intelligent Information Processing》;20180926;247-258 * |
分***级电缆网接点智能匹配方法;蔡诚 等;《2020中国自动化大会(CAC2020)论文集》;20201106;641-644 * |
基于微信小程序的智能推荐点餐***的设计与实现;李昊;《中国优秀硕士学位论文全文数据库信息科技辑》;20120215(第02期);I138-2790 * |
Also Published As
Publication number | Publication date |
---|---|
CN114066572A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20070118546A1 (en) | User's preference prediction from collective rating data | |
CN109684538A (zh) | 一种基于用户个人特征的推荐方法及推荐*** | |
CN106708821A (zh) | 基于用户个性化购物行为进行商品推荐的方法 | |
CN101990668A (zh) | 推荐信息生成装置和推荐信息生成方法 | |
CN109816015B (zh) | 一种基于材料数据的推荐方法及*** | |
CN111754278A (zh) | 物品推荐方法、装置、计算机存储介质和电子设备 | |
CN111695024A (zh) | 对象评估值的预测方法及***、推荐方法及*** | |
CN114266443A (zh) | 数据评估方法和装置、电子设备、存储介质 | |
CN115631012A (zh) | 目标推荐方法及装置 | |
CN115829683A (zh) | 一种基于逆奖赏学习优化的电力积分商品推荐方法及*** | |
Hassan et al. | Improving prediction accuracy of multi-criteria recommender systems using adaptive genetic algorithms | |
CN114155004A (zh) | 客户管理方法及装置 | |
CN112464106B (zh) | 对象推荐方法及装置 | |
Idrissi et al. | Addressing cold start challenges in recommender systems: towards a new hybrid approach | |
CN114066572B (zh) | 一种电缆交易智能推荐方法及*** | |
CN112860878A (zh) | 业务数据推荐方法、存储介质及设备 | |
CN112801803A (zh) | 一种理财产品推荐方法和装置 | |
CN110020195B (zh) | 文章推荐方法及装置、存储介质、电子设备 | |
CN113450167A (zh) | 一种商品推荐方法和装置 | |
CN114429384B (zh) | 基于电商平台的产品智能推荐方法及*** | |
CN113837843B (zh) | 产品推荐方法、装置、介质及电子设备 | |
CN112200602B (zh) | 用于广告推荐的神经网络模型训练方法及装置 | |
Liu et al. | Minimizing required user effort for cold-start recommendation by identifying the most important latent factors | |
CN113761002A (zh) | 信息推送方法、装置、设备和计算机可读存储介质 | |
CN116911913B (zh) | 一种交互结果的预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |