一种基于用户个性标签的推荐算法系统的制作方法

本发明属于数据处理，特别是涉及一种基于用户个性标签的推荐算法系统。

背景技术：

1、目前，随着大数据时代的到来，网络上不断涌现的信息呈指数级增长，个性化推荐系统的研究和应用均取得了很大的进展，但是它依然面临着很多的挑战，比如数据稀疏性问题、冷启动问题、时效性问题、多样性推荐问题等。传统的推荐算法主要分为三类：协同过滤推荐算法、基于内容的推荐算法和混合推荐算法。这类推荐算法在一些应用场景下能取得良好的效果，但他们各自有一些缺陷，如协同过滤主要受冷启动影响，并且难以针对具有特殊喜好的用户进行个性化推荐；基于内容的推荐受物品内容信息提取技术的制约，而且推荐效果比较差；混合推荐难以整合多种推荐算法间的权重。

2、针对上述问题，本发明提供了一种基于用户个性标签的推荐算法系统，提高了推荐效果。

技术实现思路

1、本发明的目的在于提供一种基于用户个性标签的推荐算法系统，通过采集用户信息以及日常行为习惯进行预处理以及异常值处理后制成用户个性标签，并输入到训练好的混合知识图谱模型，将匹配成功的方案推送给管理员，解决了现有的推荐效果、不能精准营销的问题。

2、为解决上述技术问题，本发明是通过以下技术方案实现的：

3、本发明为一种基于用户个性标签的推荐算法系统，包括数据采集模块、数据筛选模块、数据分析模块、构建模型模块、模型预测模块、匹配模块和推送模块；所述数据采集模块、数据筛选模块、数据分析模块、构建模型模块、模型预测模块、匹配模块和推送模块依次连接；所述数据采集模块用于采集用户信息以及日常行为习惯并将采集的用户信息和日常行为习惯数据发送至数据筛选模块；所述筛选模块用于从数据采集模块采集的数据进行初步筛选；所述数据分析模块用于对筛选后的用户信息以及日常行为习惯数据进行异常值处理，当数据出现异常值，则将整行记录删除；数据分析模块将加工处理后的数据发送至构建模型模块；所述构建模型模块用于对用户信息以及日常行为习惯数据模型构建处理；所述匹配模块用于将处理后的用户信息以及日常行为习惯与推荐方案库进行匹配；所述推送模块用于向匹配成功的用户推荐方案发送至管理员终端。

4、作为一种优选的技术方案，所述数据采集模块采集的用户信息以及日常行为习惯需要进行预处理才能得到需要的原始数据集，具体的预处理具体步骤如下：

5、步骤s11：将数据采集模块获取的数据进行清洗；

6、步骤s12：将清洗后的数据进行语义解析；

7、步骤s13：根据语义解析结果，对用户信息、个性和习惯数据标注标签；

8、步骤s14：根据标签以及数据之间关系，构建基础知识图谱。

9、作为一种优选的技术方案，所述构建模型模块通过深度学习的node2vec网络表示算法，将基础知识图谱中的实体嵌入到n维空间，计算知识图谱之间的相似性，构建训练模型作为推荐模型的输入；对基础推荐模型产生的特征比例权重集合，融合用户兴个性迁移模型生成混合知识图谱，并通过node2vec构建反馈特征模型；反馈模型与基础推荐模型构成混合模型，在混合模型上进行排序学习，产生top-n推荐列表。

10、作为一种优选的技术方案，所述知识图谱采用(实体，属性，属性值)三元组的形式描述，通过node2vec网络表示算法将实体嵌入到n维空间中，并生成对应的向量，得到实体向量集和属性向量集，并运用transe算法对实体向量集和属性向量集进行翻译，从而获得一个能够快速计算实体件相似性的三元组向量集。

11、作为一种优选的技术方案，所述node2vec进行知识图谱网络特征学习，将实体映射到n维空间，在低维向量空间中，几何上越接近的实体相关性越大，利用向量的余弦相识度来计算实体ei和ej之间的相关性sim(ei，ej)；

12、其中，sim(ei，ej)的计算公式为：

13、

14、作为一种优选的技术方案，构建的训练作为排序模型训练输入，通过决策函数产生top-n推荐列表，并得到n维特征对排序结果的权重比例集合，用以构建反馈模型。

15、作为一种优选的技术方案，基础知识图谱衡量用户的个性偏好，通过反馈模型和用户个性偏移模型构建混合知识图谱模型。

16、作为一种优选的技术方案，所述匹配模块进行匹配流程如下：

17、步骤s21：合并双方用id；其体为：用户与管理员分别将id发送给对方，两方分别求用户id的并集；

18、步骤s22：求双方评分数据的平均值：具体为：用户与管理员分别计算本地的平均评分和样本数并将其计算的本地的平均评分和样本数发送给对方；

19、步骤s23：定义并创建模型；

20、步骤s24：设定好参数进行模型训练；

21、步骤s25：将停止迭代标签分别发送给用户与管理员。

22、本发明具有以下有益效果：

23、本发明通过采集用户信息以及日常行为习惯进行预处理以及异常值处理后制成用户个性标签，并输入到训练好的混合知识图谱模型，将匹配成功的方案推送给管理员了，提高推荐效果以及营销的精准度。

24、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

技术特征：

1.一种基于用户个性标签的推荐算法系统，包括数据采集模块、数据筛选模块、数据分析模块、构建模型模块、模型预测模块、匹配模块和推送模块，其特征在于：

2.根据权利要求1所述的一种基于用户个性标签的推荐算法系统，其特征在于，所述数据采集模块采集的用户信息以及日常行为习惯需要进行预处理才能得到需要的原始数据集，具体的预处理具体步骤如下：

3.根据权利要求1所述的一种基于用户个性标签的推荐算法系统，其特征在于，所述构建模型模块通过深度学习的node2vec网络表示算法，将基础知识图谱中的实体嵌入到n维空间，计算知识图谱之间的相似性，构建训练模型作为推荐模型的输入；对基础推荐模型产生的特征比例权重集合，融合用户兴个性迁移模型生成混合知识图谱，并通过node2vec构建反馈特征模型；反馈模型与基础推荐模型构成混合模型，在混合模型上进行排序学习，产生top-n推荐列表。

4.根据权利要求3所述的一种基于用户个性标签的推荐算法系统，其特征在于，所述知识图谱采用(实体，属性，属性值)三元组的形式描述，通过node2vec网络表示算法将实体嵌入到n维空间中，并生成对应的向量，得到实体向量集和属性向量集，并运用transe算法对实体向量集和属性向量集进行翻译，从而获得一个能够快速计算实体件相似性的三元组向量集。

5.根据权利要求3所述的一种基于用户个性标签的推荐算法系统，其特征在于，所述node2vec进行知识图谱网络特征学习，将实体映射到n维空间，在低维向量空间中，几何上越接近的实体相关性越大，利用向量的余弦相识度来计算实体ei和ej之间的相关性sim(ei，ej)；

6.根据权利要求3所述的一种基于用户个性标签的推荐算法系统，其特征在于，构建的训练作为排序模型训练输入，通过决策函数产生top-n推荐列表，并得到n维特征对排序结果的权重比例集合，用以构建反馈模型。

7.根据权利要求3所述的一种基于用户个性标签的推荐算法系统，其特征在于，基础知识图谱衡量用户的个性偏好，通过反馈模型和用户个性偏移模型构建混合知识图谱模型。

8.根据权利要求1所述的一种基于用户个性标签的推荐算法系统，其特征在于，所述匹配模块进行匹配流程如下：

技术总结
本发明公开了一种基于用户个性标签的推荐算法系统，涉及数据处理技术领域。本发明包括数据采集模块、数据筛选模块、数据分析模块、构建模型模块、模型预测模块、匹配模块和推送模块，数据采集模块、数据筛选模块、数据分析模块、构建模型模块、模型预测模块、匹配模块和推送模块依次连接。本发明通过采集用户信息以及日常行为习惯进行预处理以及异常值处理后制成用户个性标签，并输入到训练好的混合知识图谱模型，将匹配成功的方案推送给管理员了，提高推荐效果以及营销的精准度。

技术研发人员：卿小明,李建明
受保护的技术使用者：深圳市众禧禾立科技有限公司
技术研发日：
技术公布日：2024/1/14