一种智能服务交易推荐方法和系统

本发明涉及一种智能服务交易推荐方法和系统，属于人工智能技术领域，特别涉及智能服务推荐技术领域。

背景技术：

近年来，随着电子商务技术的不断发展，网络产品和消费者数量成爆炸式增长，无论是消费者还是商家都面临着庞杂的信息。消费者在众多的商品中难以挑选出合适的商品，且浏览，审阅商品的信息，并从中找到适合自身需求的商品，同样也是一件繁杂的工作。企业之间的交易也存在同样的问题，企业往往有采购某种商品的需要，一方面，企业采购商品同样要从许多企业级商品中挑选合适自己的商品，这要求企业的采购商品时对商品，对企业自身都足够的了解；另一方面，企业可能存在对某些商品的潜在需求，这类需求往往是在企业已经造成了一定损失的情况下才发现的，即为亡羊补牢的措施，而且这类需求通常需要及时处理，故很难有充足的时间选择最佳的补救方式。比如互联网公司的网络安全设施等。综上所述，如果存在一个比较好的推荐系统，能够以现有的交易数据，挖掘消费者和商品，或者企业和商品之间的匹配关系，发现购买者和商品特征之间的交互作用，对未发生的交易进行预测，并给出特定情境下更容易发生的交易事件，不仅能帮助减少采购人员的商品审阅的工作量，还能提前发现企业的潜在需求，避免因为潜在需求无法满足而产生的损失。

随着我国现代服务业蓬勃发展，服务交易已经发生在生活各种各样的场景中。由于服务交易具有交易模式多样化、交易数据海量、交易请求高频等特点，因此对智能推荐系统提出了更高的要求。

目前将传统推荐模型应用于智能服务交易场景还存在以下问题：

1)传统推荐模型只对消费者和商品之间的一对一的特征交互过程建模，即建模消费者的某一个特征和商品的某一个特征产生的交互。而实际上会存在多对多的特征交互，缺失部分信息导致推荐系统准确率下降。

2)传统的推荐算法由于需要进行消费者和商品的特征的繁杂的处理，因此推荐系统使用场景单一，当场景改变时，需要方法进行大规模的调整，无法满足服务交易场景中的交易模式多样化、交易数据海量、交易请求高频等特殊需求。

技术实现要素：

针对上述问题，本发明的目的是提供了一种智能服务交易推荐方法、系统、可读介质和设备，其对用户与产品之间多对多的特征交互建模，捕捉了更多的交易信息，提高了推荐的准确率，更能挖掘用户一些潜在的需求。

为实现上述目的，本发明采取以下技术方案：一种智能服务交易推荐方法，包括以下步骤：s1获取经过预处理的数据；s2构建神经网络和可学习矩阵分解模型，输入步骤s1中获得的数据对模型进行训练，获得效果最好的推荐模型；s3将实际的需求输入效果最好的推荐模型中，获得服务交易推荐。

进一步，步骤s1中数据包括用户数据、服务产品数据和交易数据，将每一次交易获得的用户数据、服务产品数据和交易数据拼接生成新向量。

进一步，拼接生成新向量的方法为：对于数字类型的信息直接转换为向量；对于时间类型的信息统一转换为天数；对于文本类型的信息，先用分词将文本转化为词袋，再进行文本向量化。

进一步，步骤s1中数据的预处理方法为：将拼接后的新向量划分为n个域，设定所有交易中新向量对应产品的定义目标，并将所有交易中新向量分为训练集和验证集。

进一步，新向量对应产品如已经被购买，则其定义目标为y＝1，否则，新向量对应产品的定义目标y＝0。

进一步，步骤s2中对模型进行训练的方法为：s2.1定义目标函数用于预测一次交易在某一时刻产生的概率，并确定分解矩阵的大小k；s2.2对新向量的每个域构建两个全连接网络，并根据两个全连接网络的输出值计算a1；s2.3将两个全连接网络中第二个全连接网络的输出向量m输入模型中，模型的输出结果为a2；s2.4预测结果根据预测结果和定义目标y，更新全连接网络的权重，直至获得效果最好的推荐模型。

进一步，步骤s2.4结束后，将验证集中的数据输入效果最好的推荐模型，若验证结果提升，则保存模型，否则重复步骤s2.1-s2.4，对模型重新训练。

进一步，步骤s2.2中a1的计算公式为：

其中，n是域的数量，oi是第一个全连接网络的输出值；mi和mj均为第二个全连接网络的输出值。

进一步，步骤s3具体包括以下步骤：s3.1获取实际的需求向量以及交易数据向量；s3.2输入编号为i的产品的向量[pi1，pi2,…,piy]，生成向量xi，若产品总数为n，生成所有产品向量集z＝{z1,z2,…，zn}；s3.3将所有产品向量集z输入所述效果最好的推荐模型中，输出预测结果集s3.4对所述预测结果集中的预测结果由大到小进行排序，推荐排在前面的结果。

本发明还公开了一种智能服务交易推荐系统，包括：数据获取模块，用于获取经过预处理的数据；模型训练模块，用于构建神经网络和可学习矩阵分解模型，输入数据获取模块中获得的数据对模型进行训练，获得效果最好的推荐模型；交互模块，用于将实际的需求输入效果最好的推荐模型中，获得服务交易推荐。

本发明由于采取以上技术方案，其具有以下优点：

1、本发明采用的基于深度神经网络和可学习矩阵分解的推荐系统，对用户与产品之间多对多的特征交互建模，捕捉了更多的交易信息，提高了推荐的准确率，更能挖掘用户一些潜在的需求。

2、本发明能够对需要用户和商品的特征进行通用的处理，当场景改变时，不需要对推荐方法进行大规模的调整，能够满足服务交易场景的需求。

附图说明

图1是本发明一实施例中的智能服务交易推荐方法的示意图。

具体实施方式

为了使本领域技术人员更好的理解本发明的技术方向，通过具体实施例对本发明进行详细的描绘。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。

实施例一

本实施例一种智能服务交易推荐方法，如图1所示，包括以下步骤：

s1获取经过预处理的数据，对数据集进行读取、连接，为模型训练提供数据。

经过预处理的数据集为安全服务产品的交易数据集，该数据集中的数据包括用户数据、服务产品数据和交易数据，将每个用户数据生成向量[c1,c2,...,cx]；将服务产品数据生成向量[p1,p2,…,py]；将交易数据生成向量[t1,t2,…,tz]。

将每一次交易获得的用户数据、服务产品数据和交易数据拼接生成新向量x＝[c1,c2,…,cx,p1,p2,…,py,t1,t2,…,tz]。在拼接过程中，对于数字类型的信息直接转换为向量；对于时间类型的信息统一转换为天数；对于文本类型的信息，先用分词将文本转化为词袋，再进行文本向量化。本实施例中优选采用word2vec文本向量化方法。

将拼接后的新向量划分为n个域，即x＝[field1,field2，…,fieldn]，设定所有交易中新向量对应产品的定义目标，新向量对应产品如已经被购买，则其定义目标为y＝1，取交易时未购买过的产品作为负例，此时新向量对应产品的定义目标y＝0。并将所有交易中新向量分为训练集和验证集。

s2构建神经网络和可学习矩阵分解模型，输入步骤s1中获得的数据对模型进行训练，获得效果最好的推荐模型。

该模型训练的具体方法为：

s2.1定义目标函数用于预测一次交易在某一时刻产生的概率，并确定分解矩阵的大小k；

s2.2对新向量的每个域构建两个全连接网络，即线性层，其中，第一个全连接层输出长为1的向量o∈r¹，第二个全连接层输出长为k的向量m∈r^k，当存在n个域时，最终输出：o1,o2,…,on与m1,m2,…,mn。根据两个全连接网络的输出值计算a1，a1的计算公式为：

其中，n是域的数量，oi是第一个全连接网络的输出值；mi和mj均为第二个全连接网络的输出值。

一个输出为长为1的向量o∈r¹，另一个输出长为k的向量m∈r^k。；

s2.3将两个全连接网络中第二个全连接网络的输出值m1,m2,…,mn拼接在一起形成第二个全连接网络的输出向量m，并将m输入含有多层神经元的神经网络模型中，模型的输出结果为a2；本实施例中神经网络模型包括线性层、激活层、dropout和batchnormalization。

s2.4预测结果根据预测结果和定义目标y产生的损失(loss)反向传播，更新各个全连接网络的权重，直至获得效果最好的推荐模型。

步骤s2.4结束后，将验证集中的数据输入效果最好的推荐模型，若验证结果提升，则保存模型，否则重复步骤s2.1-s2.4，对模型重新训练。

s3将实际的需求输入效果最好的推荐模型中，获得服务交易推荐。

s3.1获取实际的需求向量以及推荐场景向量；

s3.2输入编号为i的服务产品向量[pi1,pi2,…,piy]，生成向量zi，若产品总数为n，生成所有产品向量集z＝{z1,z2,...，zn}；

s3.3将所有产品向量集x输入效果最好的推荐模型中，输出预测结果集

s3.4对预测结果集中的预测结果由大到小进行排序，推荐排在前面的结果。

实施例二

基于相同的发明构思，本实施例公开了一种智能服务交易推荐系统，包括：

数据获取模块，用于获取经过预处理的数据；

模型训练模块，用于构建神经网络和可学习矩阵分解模型，输入数据获取模块中获得的数据对模型进行训练，获得效果最好的推荐模型；

交互模块，用于将实际的需求输入效果最好的推荐模型中，获得服务交易推荐。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围。