CN109710853A - 一种人工智能分类匹配方法及系统 - Google Patents

Abstract

本发明提供一种人工智能分类匹配方法，包括：S1、接收用户的需求信息数据；S2、根据所述需求信息数据提取出用户的目标特征数据；S3、将所述目标特征数据与数据库中的信息数据进行特征比对，并判断出推荐信息数据，所述推荐信息数据为与目标特征数据相似度高于预设值的信息数据；S4、将所述推荐信息数据从输出端口输出给用户。本发明还涉及相应的人工智能分类匹配系统。采用本发明的方法和系统，将缩减以往繁冗复杂的搜索过程，提高使用效率，使用户有更好的用户体验，顺利筛选匹配到满足目标需求的产品。

Description

一种人工智能分类匹配方法及系统

技术领域

本发明涉及计算机人工智能领域，更具体来说，涉及一种人工智能分类匹配系统。

背景技术

如今互联网已经渗透到人们生活的方方面面，人们也已经习惯了在互联网上寻找自己想要的信息，最常见的信息例如是想要购买的商品、想要体验的服务等。通常，一个用户在某互联网平台上提出需求，期望得到快速、准确的反馈结果。传统繁冗复杂的搜索过程已经无法满足如今快节奏、个性化的生活需求。系统除了配备有简单的关键字匹配流程之外，需要更智能、精准的匹配方式。

将以往简单粗略的关键字搜索方式转化为精准智能化匹配用户需求并实现定向推送的模式是当前亟待解决的技术关键。

发明内容

为了解决现有技术存在的问题，本发明提供一种人工智能分类匹配方法。

本发明采取以下方案：一种人工智能分类匹配方法，包括：

S1、接收用户的需求信息数据；

S2、根据所述需求信息数据提取出用户的目标特征数据；

S3、将所述目标特征数据与数据库中的信息数据进行特征比对，并判断出推荐信息数据，所述推荐信息数据为与目标特征数据相似度高于预设值的信息数据；

S4、将所述推荐信息数据从输出端口输出给用户。

在一些实施例中，步骤S2包括：

根据所述需求信息数据结合所述用户的用户特征，从而提取出所述用户的目标特征数据。

在一些实施例中，所述用户特征包括行为特征和基础信息构成，所述行为特征通过调用数据库中针对所述用户往常的行为日志构成的统计数据得到。

在一些实施例中，所述统计数据为对所述用户一段时间内浏览记录的输入信息数据采用时间衰减因子分别做权重判断后的集合，所述时间衰减因子为1/[log(t)+1]，其中t为该输入信息数据距离当前需求信息数据输入时的时间。

在一些实施例中，步骤S2中，采用word2vec模型根据所述需求信息数据提取出用户的目标特征数据。

在一些实施例中，步骤S3中，通过调用短路径算法将所述目标特征数据与数据库中的信息数据进行特征比对，所述短路径算法计算相似度具体为：

其m)为所述用户的第i个特征向量，Q＝[q₁，q₂，……，q_m]，q_i(i＝1，2，……，m)为数据库中任一信息数据的相应第i个特征向量。

在一些实施例中，采用负向样本算法对目标特征数据中与所述需求信息数据匹配的特征数据极大化其出现概率，而对与所述需求信息数据不匹配的特征数据极小化其出现概率。

在一些实施例中，所述用户的需求信息数据将存入所述数据库中作为针对所述用户的行为日志，从而更新针对所述用户的统计数据。

本发明还提供一种人工智能分类匹配系统，包括：

输入接口，用于用户登录，并接收用户输入的需求信息数据；

请求模块，用于将所述输入接口接收到的需求信息数据发送给云端，并请求云端根据所述需求信息数据提取出用户的目标特征数据，云端将所述目标特征数据与数据库中的信息数据进行特征比对，并判断出推荐信息数据，所述推荐信息数据为与目标特征数据相似度高于预设值的信息数据；

输出接口，将所述推荐信息数据输出给用户。

通过采用前述技术方案，本发明的有益效果为：一方面，通过本发明的应用，将缩减以往繁冗复杂的搜索过程，提高使用效率，使用户有更好的用户体验，顺利筛选匹配到满足目标需求的产品。另一方面，商家可以更好地服务于用户，更多的商家拓展多维度的商业模式，提升商业价值，进一步实现双方利益最大化。

短期内致力于解决买方购买需求和卖家商品信息无法得到最佳匹配对接的问题，在长期过程中将持续采用数据推荐的方式不断优化改良系统，改善供需两侧不平衡的现状。

附图说明

图1是本发明实施例的人工智能分类匹配方法的示意图；

图2是本发明实施例的人工智能分类匹配系统的示意图；

图3(a)是word2vec模型前向过程的示意图；

图3(b)是word2vec模型后向过程的示意图。

具体实施方式

现结合附图和具体实施例对本发明进一步说明。

本专利涉及一种人工智能分类匹配方法，用来自动匹配用户需求和商品或服务提供商所提供的商品或服务的信息。具体地，如图1所示，该方法包括以下步骤：

S1、接收用户的需求信息数据；

S2、根据所述需求信息数据提取出用户的目标特征数据；

S3、将所述目标特征数据与数据库中的信息数据进行特征比对，并判断出推荐信息数据，所述推荐信息数据为与目标特征数据相似度高于预设值的信息数据；

S4、将所述推荐信息数据从输出端口输出给用户。

下面，将对各步骤做详细的描述。

步骤S1中的用户，可以通过注册的方式获得，其具有用户基础信息，例如性别、年龄、所在省份等，又通过一定时间累积请求的需求信息也即其行为日志，使得该用户体现出有别于其他用户的行为特征，例如个人偏好、性格、品味、职业等。这些行为特征通过数据库中对用户行为的统计分析所形成的统计数据表示出来。这些构成了该用户的用户特征。

用户所请求的需求信息数据可以是某件或某类商品名称或某项服务名称，或者是其他行为需求，例如使用输入法打字。

接收该用户的需求信息数据可以是通过多种途径，例如直接向具有相应数据处理能力的数据处理系统例如处理器或服务器、云端提出需求由它们接收该需求信息数据，也可以先通过一个终端例如电脑、手机等软件、APP、检索入口等输入需求信息数据，由该终端接收并识别该需求信息数据后向前述数据处理系统例如云端提出请求。

步骤S2中，根据所述需求信息数据结合所述用户的用户特征，从而提取出所述用户的目标特征数据。

通过调用数据库，可以得到该用户的用户特征。该数据库可以存储在前述数据处理系统中，也可另外存储在其他设备上，这里的数据库是所有用户信息、相应商品或服务信息的集合。通常信息特征主要是商品或服务名称、特点等。

有别于现有技术的简单搜索功能，本发明中的用户目标特征数据是一种多维度数据挖掘模式，其结合了该用户的历史搜索偏好和本次搜索的特定搜索需求，使得其输入的需求信息数据虽然是常规的，但在匹配过程中则自动叠加了多维度考量，从而能够获取更精准的信息数据。

具体来说，用户的统计数据为对所述用户一段时间内浏览记录的输入信息数据采用时间衰减因子分别做权重判断后的集合，该时间衰减因子为1/[log(t)+1]，其中t为该输入信息数据距离当前需求信息数据输入时的时间。该时间衰减因子的加入，能反馈出随时间变化的信息相关性，也即用户的兴趣变化。

步骤S2中，为了提取目标特征数据，采用word2vec模型根据所述需求信息数据提取出用户的目标特征数据。具体如图3(a)、图3(b)所示，用户特征可以利用word2vec模型前向过程来实现，如图3(a)所示，即通过将用户的行为日志作为输入层，从而映射出输出层的用户特征。而所述目标特征数据则可利用word2vec模型的后向过程实现，如图3(b)所示，将所述用户特征和需求信息数据作为输入层，从而映射出输出层的目标特征数据。

得到的目标特征数据会很多，为了快速搜索和匹配，步骤S3中，通过调用短路径算法将所述目标特征数据与数据库中的信息数据进行特征比对，所述短路径算法计算相似度具体为：

其中，所述用户的目标特征数据P＝[p₁，p₂，……，p_m]，p_i(i＝1，2，……，m)为所述用户的第i个特征向量，Q＝[q₁，q₂，……，q_m]，q_i(i＝1，2，……，m)为数据库中任一信息数据的相应第i个特征向量。

进一步地采用负向样本算法(NS算法)对目标特征数据中与所述需求信息数据匹配的特征数据即正向样

本极大化其出现概率，而对与所述需求信息数据不匹配的特征数据即负向样本极小化其出现概率，将大概率的信息数据作为推荐信息数据输出给用户。

而本次用户输入的需求信息数据可以存入数据库中作为针对所述用户的行为日志，从而更新针对所述用户的统计数据。

常规的搜索匹配运算中，一般采用简单的最优距离算法来进行。而本项目的优势在于运用了字段人工智能识别的方式，对需求信息数据进行类神经网络建模，并采取word2vec可正向和反向的优势，构建反馈模型中，使其形成自迭代功能。

同时，由于采用上述相似度公式，相较于通常采用的寻路算法公式，具有将大复杂度，大数据量降维运算的优势。

另外，在步骤S3中，为了快速对海量数据进行读写和匹配，还采用了云服务数据存储技术，具体为分布式存储，采用按大字段分布存储，小字段关联存储的形式，便于采取word2vec+NP算法方法的使用。在S4中，为了更准确地预测该用户的用户特征，本次用户所请求的需求信息数据将存入服务器或者云端的数据库中作为针对该用户的统计数据的数据源，从而更新针对该用户的统计数据。例如，随着用户的角色转换，其一段时间内输入的搜索信息将更新，相应的统计数据也将更新，则相应得出的用户特征也将更新。

另外，为了节省运算量，也为更主动地与用户产生精准的连结，步骤S4中，还可将得出的推荐信息数据从输出端口输出给提出相同需求信息数据的其他用户。

基于上述方法，本发明还涉及一种人工智能分类匹配系统，如图2所示，该系统包括：

输入接口，用于用户登录，并接收用户输入的需求信息数据；

请求模块，用于将所述输入接口接收到的需求信息数据发送给云端，并请求云端根据所述需求信息数据提取出用户的目标特征数据，云端将所述目标特征数据与数据库中的信息数据进行特征比对，并判断出推荐信息数据，所述推荐信息数据为与目标特征数据相似度高于预设值的信息数据；

输出接口，将所述推荐信息数据输出给用户。

该系统可以是电脑端的一个软件程序，也可以是手机端的APP应用，或者是一个特定网站的检索、搜索界面。该系统具有前述输入接口和请求模块，从而接收和发出用户的需求信息数据，云端作为前述数据处理系统的一种形式，其作为需求信息数据接收方，按照前述人工智能分类匹配方法运行从而得到推荐信息数据，并传送给该系统的输出接口例如一个输出界面，这样的系统即属于本发明保护范围之内。

具体的执行步骤，参照前述人工智能分类匹配方法的描述，这里不再赘述。

采用本发明的人工智能分类匹配方法及系统，具有的效益在于，一方面，通过本发明的应用，将缩减以往繁冗复杂的搜索过程，提高使用效率，使用户有更好的用户体验，顺利筛选匹配到满足目标需求的产品。另一方面，商家可以更好地服务于用户，更多的商家拓展多维度的商业模式，提升商业价值，进一步实现双方利益最大化。

短期内致力于解决买方购买需求和卖家商品信息无法得到最佳匹配对接的问题，在长期过程中将持续采用数据推荐的方式不断优化改良系统，改善供需两侧不平衡的现状。

尽管结合优选实施方案具体展示和介绍了本发明，具体实现该技术方案方法和途径很多，以上所述仅是本发明的优选实施方式，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (10)

1.一种人工智能分类匹配方法，其特征在于，包括：

S1、接收用户的需求信息数据；

S2、根据所述需求信息数据提取出用户的目标特征数据；

S3、将所述目标特征数据与数据库中的信息数据进行特征比对，并判断出推荐信息数据，所述推荐信息数据为与目标特征数据相似度高于预设值的信息数据；

S4、将所述推荐信息数据从输出端口输出给用户。

2.根据权利要求1所述的人工智能分类匹配方法，其特征在于，步骤S2包括：

根据所述需求信息数据结合所述用户的用户特征，从而提取出所述用户的目标特征数据。

3.根据权利要求2所述的人工智能分类匹配方法，其特征在于，所述用户特征包括行为特征和基础信息构成，所述行为特征通过调用数据库中针对所述用户一定时间内的行为日志构成的统计数据得到。

4.根据权利要求3所述的人工智能分类匹配方法，其特征在于，所述统计数据为对所述用户一段时间内浏览记录的输入信息数据采用时间衰减因子分别做权重判断后的集合，所述时间衰减因子为1/[log(t)+1]，其中t为该输入信息数据距离当前需求信息数据输入时的时间。

5.根据权利要求3所述的人工智能分类匹配方法，其特征在于，步骤S2中，采用word2vec模型根据所述需求信息数据提取出用户的目标特征数据。

6.根据权利要求1所述的人工智能分类匹配方法，其特征在于，步骤S3中，通过调用短路径算法将所述目标特征数据与数据库中的信息数据进行特征比对，所述短路径算法计算相似度具体为：

其中，所述用户的目标特征数据P＝[p₁，p₂，……，p_m]，p_i(i＝1，2，……，m)为所述用户的第i个特征向量，Q＝[q₁，q₂，……，q_m]，q_i(i＝1，2，……，m)为数据库中任一信息数据的相应第i个特征向量。

7.根据权利要求1所述的人工智能分类匹配方法，其特征在于，采用负向样本算法对目标特征数据中与所述需求信息数据匹配的特征数据极大化其出现概率，而对与所述需求信息数据不匹配的特征数据极小化其出现概率。

8.根据权利要求2所述的人工智能分类匹配方法，其特征在于，所述用户的需求信息数据将存入所述数据库中作为针对所述用户的行为日志，从而更新针对所述用户的统计数据。

9.根据权利要求1所述的人工智能分类匹配方法，其特征在于，步骤S4还包括：

将所述推荐信息数据从输出端口输出给提出相同需求信息数据的其他用户。

10.一种人工智能分类匹配系统，其特征在于，包括：

输入接口，用于用户登录，并接收用户输入的需求信息数据；

请求模块，用于将所述输入接口接收到的需求信息数据发送给云端，并请求云端根据所述需求信息数据提取出用户的目标特征数据，云端将所述目标特征数据与数据库中的信息数据进行特征比对，并判断出推荐信息数据，所述推荐信息数据为与目标特征数据相似度高于预设值的信息数据；

输出接口，将所述推荐信息数据输出给用户。