CN110348877B

CN110348877B - 基于大数据的智能业务推荐算法、计算机可读存储介质

Info

Publication number: CN110348877B
Application number: CN201910459726.4A
Authority: CN
Inventors: 王斌; 朱超
Original assignee: University of Shanghai for Science and Technology
Current assignee: University of Shanghai for Science and Technology
Priority date: 2019-05-27
Filing date: 2019-05-27
Publication date: 2023-11-14
Anticipated expiration: 2039-05-27
Also published as: CN110348877A

Abstract

本发明提供了一种基于大数据的智能业务推荐算法、计算机可读存储介质，主要包括：基于的embedding算法生成对抗网络，以将对象数据C_e映射成特征二维矩阵C_t；基于对象特征的业务推荐深度学习算法，训练业务推荐神经网络N_r，并输入特征二维矩阵C_t以生成与对象相匹配的初始推荐业务概率RS；基于神经网络的个性化匹配算法，训练神经网络学习推荐人的历史业务数据，形成个性化网络N_ci；个性化网络N_ci以初始推荐业务概率RS数据为输入，以向推荐人示出对象的目标业务推荐概率PRS，从而提高了推荐人的业务推荐成功率。

Description

基于大数据的智能业务推荐算法、计算机可读存储介质

技术领域

本发明涉及一种计算机深度学习算法，尤其涉及一种基于大数据的智能业务推荐算法、计算机可读存储介质。

背景技术

随着社会经济的发展，我国的中小企业越来越多，在日常运营过程中其起不可避免地需要专业的咨询机构来辅助他们，以提高工作效率。然而随着咨询服务需求的增加，咨询机构也越来越多，种类越来越复杂，中小企业想要找到适合自己的高质量的服务机构变得愈发的困难。还有一点就是中小企业并不知道市场上咨询机构有多少，能给自己有效帮助的又有多少，这个时候如果能将市场上符合企业需求的服务机构进行智能推荐排序，将会大大减少企业寻找服务机构的成本，提高企业办事效率。

而目前现有技术的智能业务推荐技术主要有以下两种：

1）基于内容的智能推荐

基于内容的智能推荐是挖掘用户过去的历史纪录，比如：浏览记录、购买记录和搜索记录，根据用户的爱好来进行智能匹配向用户推荐相关内容，以增加推荐成功率，提高推荐内容点击率。

2）基于关联信息的智能推荐

基于关联信息的智能推荐是挖掘用户正在浏览的信息进行匹配，在用户浏览的同时向用户推荐与浏览信息相似的信息，以此来提高信息推荐成功率和推荐内容的点击率。

根据上述技术所需的数据信息来源可知，以上两种业务推荐方法的缺陷在于，该技术在进行智能业务推荐时所挖掘和采集的数据纬度较为片面，因此在数据收集不够全面的条件下会产生很大的计算和判断误差，从而其业务推荐也就不会精确。因此上述现有技术在实际应用中的智能推荐效果并不令人满意。

发明内容

本发明的主要目的在于提供一种基于大数据的智能业务推荐算法、计算机可读存储介质，以提高智能业务推荐技术的精准性。

为了实现上述目的，根据本发明的一个方面，提供了一种基于大数据的智能业务推荐算法，步骤包括：基于的embedding算法生成对抗网络，以将对象数据C_e映射成特征二维矩阵C_t；基于对象特征的业务推荐深度学习算法，训练业务推荐神经网络N_r，并输入特征二维矩阵C_t以生成与对象相匹配的初始推荐业务概率RS；基于神经网络的个性化匹配算法，训练神经网络学习推荐人的历史业务数据，形成个性化网络N_ci；个性化网络N_ci以初始推荐业务概率RS数据为输入，以向推荐人示出对象的目标业务推荐概率PRS。

优选地，其中基于的embedding算法生成对抗网络的步骤包括：建立生成网络N_g和检测网络N_d，其中该生成网络N_g对C_e处理后获取特征二维矩阵C_t；该检测网络N_d以至少2个随机对象的C_t作为输入，以输出相似度NS_ij，并供各推荐人打分CS_ij，以训练检测网络N_d，并设定损失函数为：

L₁=

其中M为打分的推荐人数量。

优选地，其中基于的embedding算法生成对抗网络的步骤还包括：设定平均误差为损失，训练生成网络N_g，其中k为检测网络N_d的训练次数。

优选地，其中该生成网络N_g为32层网络结构，该检测网络N_d为28层网络结构。

优选地，其中基于对象特征的业务推荐深度学习算法的步骤包括：

采用对象的历史推荐转化率U={}训练神经网络/>，设定损失函数为L₂ =/>，并使用adam算法训练网络；

将C_t代入训练后的神经网络，以获取与对象相匹配的初始推荐业务概率RS={}。

优选地，其中历史业务数据包括：历史推荐业务转化率Y={}。

优选地，其中基于神经网络的个性化匹配算法步骤包括：

使用历史推荐业务转化率Y训练神经网络，设定损失函数为

L₃ ,其中/>，并使用adam算法训练网络。

优选地，其中对象数据C_e包括：对象基本信息及对象历史业务信息，该对象基本信息包括：对象注册信息，对象近年财务数据、对象各类人员数量、对象各类无形资产数量；该对象历史业务信息包括：各类服务项目信息、商务流程积累数据。

为了实现上述目的，根据本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上记载的基于大数据的智能业务推荐算法的步骤。

通过本发明提供的基于大数据的智能业务推荐算法、计算机可读存储介质，能够精确的得出适合特定推荐人的对象的目标业务推荐概率，从而大大提高了推荐人的业务推荐成功率。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明的基于大数据的智能业务推荐算法中对抗网络内生成网络N_g的结构示意图；

图2为本发明的基于大数据的智能业务推荐算法中对抗网络内检测网络N_d的结构示意图；

图3为本发明的基于大数据的智能业务推荐算法中业务推荐神经网络N_r结构示意图；

图4为本发明的基于大数据的智能业务推荐算法中个性化网络N_ci结构示意图。

实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本领域的技术人员更好的理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，在本领域普通技术人员没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。

本发明的基于大数据的智能业务推荐算法，主要利用卷积神经网络来分析对象的基本信息及对象历史业务信息，并综合推荐人的历史业务数据，来获取针对不同推荐人自身情况所适应的对象目标业务推荐概率，从而便于推荐人精准的向业务对象推荐合适的业务，提高业务推荐成功率。

在设计上，本发明中主要利用embeding算法将对象基本数据以及日常服务中推荐人积累的数据映射为特征二维矩阵，再以这个特征二维矩阵为输入利用卷积神经网络结构产生推荐给对象的业务，最后用推荐人的历史业务数据来训练一个个性化网络N_ci，这个个性化网络N_ci可以对不同的推荐人将推荐的业务进行排名。

因此该基于大数据的智能业务推荐算法的主要步骤包括：由基于的embedding算法生成对抗网络，以将对象数据C_e映射成特征二维矩阵C_t；基于对象特征的业务推荐深度学习算法，训练业务推荐神经网络N_r，并输入特征二维矩阵C_t以生成与对象相匹配的初始推荐业务概率RS；基于神经网络的个性化匹配算法，训练神经网络学习推荐人的历史业务数据，形成个性化网络N_ci；个性化网络N_ci以初始推荐业务概率RS数据为输入，以向推荐人示出对象的目标业务推荐概率PRS。

其中该对象数据C_e输入为1维数组，长度为360，其优选包括：对象基本信息及对象历史业务信息，具体的，该对象基本信息包括：对象注册信息（一维，长度为17），对象近年财务数据如前3年财务数据（一维，长度为39）、各类人员数量（一维，长度为6）、对象各类无形资产数量如知识产权数量（一维，长度为8）等；而该对象历史业务信息包括：各类服务项目信息，（一维，长度为180）、商务流程积累数据（即商务在服务各个节点给对象贴的标签。一维，长度为110）。

其中基于的embedding算法生成对抗网络的步骤上主要包括：建立生成网络N_g和检测网络N_d，其中该生成网络N_g对C_e处理后获取特征二维矩阵C_t；该检测网络N_d以至少2个随机对象的C_t作为输入，以输出相似度NS_ij，并供各推荐人打分CS_ij，以训练检测网络N_d，并设定损失函数为L₁。其中该生成网络N_g优选为32层网络结构，该检测网络N_d优选为28层网络结构。

具体来说请参阅图1至图2，该对抗网络的生成主要包括三个步骤：

a) 生成网络N_g将C_e经过2层全连接网络后转变为30*30的二维矩阵，接着通过若干层特征金字塔卷积神经网络分析C_e，输出对象的特征二维矩阵C_t；

b) 优选获取50个（batch size=50）对象的特征二维矩阵C_t之后，开始训练检测网络；即检测网络N_d以至少两个对象的特征二维矩阵作为输入，以两个对象相似度作为输出NS。优选利用多数量推荐人，如200对推荐人对随机抽取的两个对象/>和/>的相似度的打分CS_ij，同时该检测网络N_d也对同样两个对象进行打分NS_ij，以训练检测网络N_d，并设定损失函数为：

L₁= ，其中该M为打分的推荐人数量，如本实施例中优选为200。

c) 经过优选为k次步骤b的训练后，以这k次检测的平均误差为损失，训练生成网络N_g,其中本实施例中该k优选为50次。

最后反复以上三个步骤，使得两个网络N_d与N_g互相对抗，从而共同促进，最终该生成网络Ng会准确的发掘对象数据C_e，并将之反映到对象的特征二维矩阵Ct上。

请参考图3，其中基于对象特征的业务推荐深度学习算法，主要以对象特征二维矩阵Ct作为输入, 使得经过训练后的业务推荐神经网络N_r，将会输出所有业务的推荐概率RS：

RS={}

具体来说，该基于对象特征的业务推荐深度学习算法的步骤包括：

采用对象的历史推荐转化率U={}训练业务推荐神经网络N_r，并设定损失函数为L₂=/>，并使用adam算法训练网络；

之后将C_t代入训练后的业务推荐神经网络N_r，即可获取与对象相匹配的初始推荐业务概率RS={}。

其中需要说明的是，因为该基于对象特征的业务推荐深度学习算法中，并未考虑推荐的个性特征需求，因此输出的业务推荐概率并不能直接使用，而需交给基于神经网络的个性化匹配算法做更多处理，才能得出确切的对象的目标业务推荐概率。

其中，该基于神经网络的个性化匹配算法，以对象的特征二维矩阵C_t和基于对象特征的业务推荐深度学习算法，来生成业务推荐概率RS：

作为输入，籍此才能输出针对特定推荐人和特定对象的目标业务推荐概率PRS />}，以供推荐人参考。

具体来说，该基于神经网络的个性化匹配算法，主要使用推荐人针对某一对象时的历史推荐业务转化率Y={}来训练个性化网络N_ci，其使用损失函数为：

L₃ ，并使用adam算法优化网络，其中/>, 为针对某一对象时，某一推荐人的历史推荐业务转化率。

之后当完成个性化网络N_ci的训练时，网络的参数将会保存。在实际使用时，本算法将优先读取对应推荐人的网络参数，然后通过上述卷积神经网络分析这些数据，依据推荐人的历史推荐成绩，给推荐人推荐最有可能转化的业务，从而实现根据推荐人自身情况，精确的得出适合特定推荐人的对象的目标业务推荐概率，从而大大提高了推荐人的业务推荐成功率。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。其中上述实施例中所采用的神经网络优选为卷积神经网络，但显然，根据本说明书的内容，还可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器（processor）执行本申请各个实施例所述方法的全部或部分步骤。如一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于大数据的智能业务推荐算法的步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims

1.一种基于大数据的智能业务推荐方法，步骤包括：

基于embedding算法生成对抗网络，以将对象数据C_e映射成特征二维矩阵C_t；其中对象数据C_e包括：对象基本信息及对象历史业务信息，所述对象基本信息包括：对象注册信息，对象近年财务数据、对象各类人员数量、对象各类无形资产数量；所述对象历史业务信息包括：各类服务项目信息、商务流程积累数据；

基于对象特征的业务推荐深度学习算法，训练业务推荐神经网络N_r，并输入特征二维矩阵C_t以生成与对象相匹配的初始推荐业务概率RS；

基于神经网络的个性化匹配算法，训练神经网络学习推荐人的历史推荐业务转化率Y，形成个性化网络N_ci；

个性化网络N_ci以初始推荐业务概率RS数据为输入，以向推荐人示出对象的目标业务推荐概率PRS；

其中基于对象特征的业务推荐深度学习算法的步骤包括：

将C_t代入训练后的神经网络，以获取与对象相匹配的初始推荐业务概率RS={}；

其中基于神经网络的个性化匹配算法步骤包括：

使用历史推荐业务转化率Y训练神经网络，设定损失函数为：

L3 , 并使用adam算法训练网络，其中当Y={/>}时，/>，即针对某一对象时，某一推荐人的历史推荐业务转化率。

2.根据权利要求1所述的基于大数据的智能业务推荐方法，其中基于embedding算法生成对抗网络的步骤包括：建立生成网络N_g和检测网络N_d，其中所述生成网络N_g对C_e处理后获取特征二维矩阵C_t；所述检测网络N_d以至少2个随机对象的C_t作为输入，以输出相似度NS_ij，并供各推荐人打分CS_ij，以训练检测网络N_d，并设定损失函数为：

L₁= 。

3.根据权利要求2所述的基于大数据的智能业务推荐方法，其中基于embedding算法生成对抗网络的步骤还包括：设定平均误差为损失，训练生成网络N_g，其中k为检测网络N_d的训练次数。

4.根据权利要求3所述的基于大数据的智能业务推荐方法，其中所述生成网络N_g为32层网络结构，所述检测网络N_d为28层网络结构。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4项中任一项所述基于大数据的智能业务推荐方法的步骤。