本發(fā)明涉及化塑產(chǎn)品推薦，尤其涉及基于用戶需求的化塑產(chǎn)品推薦方法及系統(tǒng)。

背景技術(shù)：

1、化工和塑料(化塑)行業(yè)是現(xiàn)代制造業(yè)的重要組成部分，其產(chǎn)品廣泛應(yīng)用于多個(gè)領(lǐng)域，包括汽車、建筑、包裝、電子和醫(yī)療等。這一行業(yè)產(chǎn)品類型繁多，規(guī)格復(fù)雜，且每個(gè)產(chǎn)品常具備多種應(yīng)用場景和屬性特征。因此，針對(duì)用戶需求提供個(gè)性化的化塑產(chǎn)品推薦服務(wù)，不僅可以提高采購效率，還能更好地滿足客戶的業(yè)務(wù)需求。

2、現(xiàn)有的化塑產(chǎn)品推薦技術(shù)主要包括以下幾個(gè)方面：基于協(xié)同過濾的推薦方法：通過分析用戶歷史行為數(shù)據(jù)，找出相似用戶或相似產(chǎn)品，進(jìn)行推薦?；趦?nèi)容的推薦方法：利用產(chǎn)品屬性和用戶偏好進(jìn)行匹配。知識(shí)圖譜輔助推薦：利用領(lǐng)域知識(shí)增強(qiáng)推薦系統(tǒng)的解釋性和準(zhǔn)確性。

3、盡管上述研究在化塑產(chǎn)品推薦領(lǐng)域取得了一定進(jìn)展，但現(xiàn)有技術(shù)仍存在以下缺陷：缺乏對(duì)化塑行業(yè)專業(yè)知識(shí)的深度整合，難以準(zhǔn)確理解和匹配復(fù)雜的用戶需求；推薦過程中未充分考慮產(chǎn)品間的多維度關(guān)系和用戶行為的時(shí)序特性；對(duì)新用戶和冷啟動(dòng)問題的處理能力有限；推薦結(jié)果的個(gè)性化程度和解釋性有待提高。

4、綜上所述，現(xiàn)有的化塑產(chǎn)品推薦技術(shù)在處理復(fù)雜專業(yè)領(lǐng)域的個(gè)性化推薦問題時(shí)，仍缺乏一種能夠深度融合領(lǐng)域知識(shí)、精準(zhǔn)理解用戶需求、動(dòng)態(tài)適應(yīng)市場變化的綜合解決方案。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提出了基于用戶需求的化塑產(chǎn)品推薦方法及系統(tǒng)，通過構(gòu)建多維度化塑行業(yè)知識(shí)圖譜、深度語義理解用戶需求、優(yōu)化查詢條件生成、個(gè)性化排序等，以提高推薦的相關(guān)性和準(zhǔn)確性，進(jìn)而提升用戶體驗(yàn)，優(yōu)化采購決策，并為化塑行業(yè)的數(shù)字化轉(zhuǎn)型提供有力支持。

2、本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：

3、一方面，本發(fā)明提供了基于用戶需求的化塑產(chǎn)品推薦方法，包括：

4、s1構(gòu)建化塑行業(yè)知識(shí)圖譜；

5、s2獲取用戶歷史數(shù)據(jù)和當(dāng)前用戶需求，包括歷史搜索數(shù)據(jù)、歷史瀏覽數(shù)據(jù)、歷史交互數(shù)據(jù)和歷史交易數(shù)據(jù)；

6、s3對(duì)用戶歷史數(shù)據(jù)進(jìn)行預(yù)處理，并對(duì)預(yù)處理后的用戶歷史數(shù)據(jù)進(jìn)行分析，提取歷史需求特征；

7、s4利用語義理解模型對(duì)當(dāng)前用戶需求進(jìn)行關(guān)鍵詞提取，并結(jié)合化塑行業(yè)知識(shí)圖譜，生成優(yōu)化查詢條件；

8、s5利用優(yōu)化查詢條件在化塑產(chǎn)品數(shù)據(jù)庫中進(jìn)行搜索，得到第一列表；

9、s6利用化塑行業(yè)知識(shí)圖譜對(duì)第一列表進(jìn)行個(gè)性化排序，取前k個(gè)生成推薦列表，并將推薦列表呈現(xiàn)給用戶。

10、優(yōu)選的，化塑行業(yè)知識(shí)圖譜的構(gòu)建過程包括：

11、從化塑產(chǎn)品數(shù)據(jù)庫、行業(yè)標(biāo)準(zhǔn)文檔、專家知識(shí)庫和用戶交互記錄中提取相關(guān)信息；

12、使用命名實(shí)體識(shí)別方法識(shí)別化塑產(chǎn)品、產(chǎn)品類別、屬性、屬性值、專業(yè)術(shù)語和應(yīng)用場景，采用關(guān)系抽取算法提取實(shí)體間的語義關(guān)系；

13、構(gòu)建多維度知識(shí)圖譜，包括第一維度子圖譜、第二維度子圖譜、第三維度子圖譜、第四維度子圖譜，其中第一維度子圖譜根據(jù)產(chǎn)品-產(chǎn)品類別-屬性為三元組格式進(jìn)行構(gòu)建得到，第二維度子圖譜根據(jù)產(chǎn)品-屬性-屬性值為三元組格式進(jìn)行構(gòu)建得到，第三維度子圖譜根據(jù)產(chǎn)品-專業(yè)術(shù)語-同義詞/近義詞為三元組格式進(jìn)行構(gòu)建得到，第四維度子圖譜根據(jù)產(chǎn)品-屬性-應(yīng)用場景為三元組格式進(jìn)行構(gòu)建得到；

14、采用transe算法對(duì)多維度知識(shí)圖譜進(jìn)行表示學(xué)習(xí)，生成實(shí)體和關(guān)系的低維向量表示；

15、對(duì)不同維度的子圖譜進(jìn)行實(shí)體對(duì)齊和關(guān)系映射，使用圖融合算法將各個(gè)維度的子圖譜整合為統(tǒng)一的化塑行業(yè)知識(shí)圖譜。

16、優(yōu)選的，對(duì)不同維度的子圖譜進(jìn)行實(shí)體對(duì)齊和關(guān)系映射，使用圖融合算法將各個(gè)維度的子圖譜整合為統(tǒng)一的化塑行業(yè)知識(shí)圖譜，包括：

17、步驟一、對(duì)于每個(gè)子圖譜gi中的實(shí)體ei：

18、計(jì)算ei與其他子圖譜gj中所有實(shí)體ej的相似度sim(ei,ej)；

19、若sim(ei,ej)>閾值t，則將ei和ej標(biāo)記為同一實(shí)體；

20、步驟二、構(gòu)建關(guān)系映射矩陣r，其中r[i][j]表示子圖譜gi中關(guān)系ri到gj中關(guān)系rj的映射，對(duì)于每對(duì)映射關(guān)系(ri,rj)：

21、選擇一個(gè)統(tǒng)一的表述形式，更新r[i][j]和r[j][i]；

22、步驟三、將第一維度子圖譜g1作為初始化的融合圖譜g，對(duì)于剩余維度的子圖譜gi：

23、將gi中的實(shí)體和關(guān)系添加到g中，使用步驟一和步驟二的結(jié)果處理實(shí)體或關(guān)系的重復(fù)和沖突；

24、步驟四、對(duì)于g中的每個(gè)實(shí)體e：

25、若e存在屬性值沖突，則保留時(shí)間戳最新的屬性值；

26、對(duì)于g中的每個(gè)關(guān)系r：

27、若r存在沖突，則保留置信度最高的關(guān)系；

28、步驟五、對(duì)于g中的任意兩個(gè)三元組(實(shí)體e1，關(guān)系r1，實(shí)體e2)、(實(shí)體e2，關(guān)系r2，實(shí)體e3)：

29、若實(shí)體實(shí)體e1和實(shí)體e3滿足預(yù)定義的推理規(guī)則，則添加新的三元組(實(shí)體e1，關(guān)系rnew，實(shí)體e3)到g中；

30、步驟六、刪除g中的所有懸空實(shí)體和關(guān)系，對(duì)于g中的每個(gè)實(shí)體e：

31、若e的連接度<閾值k，則將e標(biāo)記為待審查；

32、步驟七、計(jì)算g中所有實(shí)體的重要度pr，對(duì)于pr低于閾值p的實(shí)體和其對(duì)應(yīng)的關(guān)系：

33、若不影響g的整體結(jié)構(gòu)，則將其從g中移除；

34、步驟八、對(duì)于步驟六中標(biāo)記為待審查的實(shí)體e：

35、檢查e在其原始子圖譜中的重要度，若重要度超過閾值p，則保留e并增加其連接度，若其重要度低于閾值p，則將其移除；

36、步驟九、重復(fù)步驟一到步驟八，直至融合完成，將融合圖譜g存儲(chǔ)到圖數(shù)據(jù)庫d中，在d上建立多維索引結(jié)構(gòu)，即得到化塑行業(yè)知識(shí)圖譜。

37、優(yōu)選的，步驟s3包括：

38、s31對(duì)用戶歷史數(shù)據(jù)進(jìn)行清洗，去除無效或異常數(shù)據(jù)，并將格式統(tǒng)一，得到預(yù)處理后的用戶歷史數(shù)據(jù)；

39、s32利用tf-idf方法從歷史搜索數(shù)據(jù)和歷史瀏覽數(shù)據(jù)中提取高頻詞，應(yīng)用word2vec模型將高頻詞轉(zhuǎn)化為向量表示，得到高頻詞向量，基于聚類算法對(duì)高頻詞向量進(jìn)行聚類，每個(gè)聚類簇表示一個(gè)用戶主題，得到用戶主題集；

40、s33從歷史瀏覽數(shù)據(jù)和歷史交互數(shù)據(jù)中提取目標(biāo)產(chǎn)品屬性，計(jì)算每個(gè)產(chǎn)品屬性的關(guān)注頻率和停留時(shí)間，生成屬性偏好向量；

41、s34對(duì)歷史交易數(shù)據(jù)中的價(jià)格分布進(jìn)行分析，計(jì)算用戶的平均成交價(jià)格和價(jià)格波動(dòng)，生成價(jià)格敏感度指數(shù)；

42、s35對(duì)歷史交易數(shù)據(jù)的時(shí)間序列進(jìn)行分析，識(shí)別采購周期和季節(jié)性模式，計(jì)算平均采購量和采購頻率，生成采購行為矩陣；

43、s36基于歷史搜索數(shù)據(jù)和歷史交易數(shù)據(jù)，使用樸素貝葉斯分類器推斷應(yīng)用場景，計(jì)算每個(gè)應(yīng)用場景的概率得分；

44、s37計(jì)算用戶與每個(gè)用戶主題的相似度，將用戶主題集轉(zhuǎn)化為主題相似度向量，將主題相似度向量、屬性偏好向量、價(jià)格敏感度指數(shù)、采購行為矩陣、應(yīng)用場景的概率得分作為特征，對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理，并進(jìn)行加權(quán)融合，形成歷史需求特征。

45、優(yōu)選的，步驟s37還包括：對(duì)每個(gè)特征進(jìn)行時(shí)間權(quán)重計(jì)算，對(duì)每個(gè)特征應(yīng)用時(shí)間權(quán)重后進(jìn)行標(biāo)準(zhǔn)化處理，其中，時(shí)間權(quán)重的計(jì)算公式為：

46、

47、

48、式中，w為時(shí)間權(quán)重，λ為時(shí)間衰減系數(shù)，t1為當(dāng)前時(shí)間，t0為特征產(chǎn)生的時(shí)間，λ0為基礎(chǔ)衰減系數(shù)，ts為時(shí)間窗口。

49、優(yōu)選的，步驟s4包括：

50、s41將當(dāng)前用戶需求輸入預(yù)訓(xùn)練的語義理解模型，提取關(guān)鍵詞、語義特征向量和預(yù)測(cè)信息；

51、s42利用化塑行業(yè)知識(shí)圖譜對(duì)提取的關(guān)鍵詞進(jìn)行實(shí)體鏈接和擴(kuò)展，包括同義詞、近義詞和相關(guān)概念；

52、s43結(jié)合歷史需求特征和知識(shí)圖譜中的實(shí)體重要度，對(duì)擴(kuò)展后的關(guān)鍵詞進(jìn)行權(quán)重調(diào)整；

53、s44計(jì)算語義特征向量與歷史需求特征的相似度，并結(jié)合知識(shí)圖譜中的實(shí)體關(guān)系，得到查詢偏好；

54、s45基于權(quán)重調(diào)整后的關(guān)鍵詞和查詢偏好，結(jié)合歷史需求特征中的屬性偏好、價(jià)格敏感度和應(yīng)用場景信息，以及知識(shí)圖譜中的產(chǎn)品屬性層級(jí)結(jié)構(gòu)，生成初步的查詢條件；

55、s46利用語義特征向量、預(yù)測(cè)信息和知識(shí)圖譜中的關(guān)聯(lián)規(guī)則，擴(kuò)展初步的查詢條件；

56、s47對(duì)擴(kuò)展后的查詢條件進(jìn)行相似度計(jì)算，利用知識(shí)圖譜中的約束關(guān)系去除冗余或矛盾的條件；

57、s48基于知識(shí)圖譜中的實(shí)體重要度，對(duì)剩余條件重新排序，得到最終的優(yōu)化查詢條件。

58、優(yōu)選的，語義理解模型包括輸入層、嵌入層、多層transformer編碼器、上下文增強(qiáng)層、多尺度特征提取層、自適應(yīng)池化層、多任務(wù)輸出層，其中：

59、多層transformer編碼器包含l個(gè)transformer層，每層包括多頭自注意力子層和前饋神經(jīng)網(wǎng)絡(luò)子層，多頭自注意力子層包括h個(gè)注意力頭，每個(gè)注意力頭的維度為d/h，前饋神經(jīng)網(wǎng)絡(luò)子層采用兩層全連接網(wǎng)絡(luò)，中間使用gelu激活函數(shù)，多層transformer編碼器的每個(gè)子層后使用ln和殘差連接；

60、上下文增強(qiáng)層采用雙向長短時(shí)記憶網(wǎng)絡(luò)；

61、多尺度特征提取層包含多個(gè)不同kernel?size的一維卷積，每個(gè)卷積后接leakyrelu激活函數(shù)和最大池化操作；

62、自適應(yīng)池化層采用自注意力機(jī)制；

63、多任務(wù)輸出層包括三條分支，第一分支采用條件隨機(jī)場提取關(guān)鍵詞，第二分支利用非線性變換生成語義特征向量，第三分支為多標(biāo)簽分類器，用于生成預(yù)測(cè)信息，包括預(yù)測(cè)產(chǎn)品類別、預(yù)測(cè)屬性和預(yù)測(cè)應(yīng)用場景。

64、優(yōu)選的，語義理解模型對(duì)當(dāng)前用戶需求的處理過程為：

65、輸入層接收當(dāng)前用戶需求，將文本轉(zhuǎn)換為token序列，并添加[cls]和[sep]標(biāo)記，其中，[cls]用于捕獲整個(gè)輸入的語義信息，[sep]用于區(qū)分不同的輸入片段；

66、嵌入層對(duì)每個(gè)token生成詞嵌入、位置嵌入和分段嵌入，將三種嵌入相加，得到初始表示；

67、初始表示經(jīng)過多層transformer編碼器處理，每層包括：

68、多頭自注意力計(jì)算每個(gè)token相對(duì)于其他token的注意力權(quán)重，提取句子級(jí)語義特征。

69、前饋神經(jīng)網(wǎng)絡(luò)通過非線性變換處理注意力輸出；

70、使用雙向長短時(shí)記憶網(wǎng)絡(luò)對(duì)多層transformer編碼器的輸出進(jìn)行處理，添加上下文信息；

71、多尺度特征提取層應(yīng)用多種卷積核提取特征，將不同卷積核輸出的特征進(jìn)行拼接，得到多尺度特征；

72、自適應(yīng)池化層通過自注意機(jī)制將多尺度特征轉(zhuǎn)化為固定長度的語義表示；

73、多任務(wù)輸出層中，第一分支采用條件隨機(jī)場對(duì)每個(gè)token進(jìn)行序列標(biāo)注，輸出關(guān)鍵詞列表，第二分支將池化后的語義表示通過非線性層轉(zhuǎn)換為語義特征向量，第三分支采用多標(biāo)簽分類器對(duì)產(chǎn)品類別、關(guān)鍵屬性、應(yīng)用場景進(jìn)行結(jié)構(gòu)化預(yù)測(cè)。

74、優(yōu)選的，步驟s6包括：

75、s61基于化塑行業(yè)知識(shí)圖譜，為第一列表中的每個(gè)化塑產(chǎn)品計(jì)算與優(yōu)化查詢條件的語義相關(guān)度；

76、s62結(jié)合用戶歷史數(shù)據(jù)，計(jì)算每個(gè)化塑產(chǎn)品的個(gè)性化得分；

77、s63利用化塑行業(yè)知識(shí)圖譜的多維度信息，計(jì)算化塑產(chǎn)品之間的相似度；

78、s64將語義相關(guān)度、個(gè)性化得分、相似度進(jìn)行加權(quán)組合，得到每個(gè)化塑產(chǎn)品的綜合得分，根據(jù)綜合得分對(duì)第一列表進(jìn)行重排，得到第二列表；

79、s65從第二列表中選取前k個(gè)選項(xiàng)，生成推薦列表，將推薦列表呈現(xiàn)給用戶。

80、另一方面，本發(fā)明還提供基于用戶需求的化塑產(chǎn)品推薦系統(tǒng)，所述系統(tǒng)用于執(zhí)行上述任一項(xiàng)所述的方法，所述系統(tǒng)包括：

81、知識(shí)圖譜構(gòu)建模塊，其配置為從化塑產(chǎn)品數(shù)據(jù)庫、行業(yè)標(biāo)準(zhǔn)文檔及專家知識(shí)庫中提取信息，利用實(shí)體識(shí)別和關(guān)系抽取形成多維度知識(shí)圖譜，并執(zhí)行實(shí)體對(duì)齊、關(guān)系映射及圖譜融合操作，以生成統(tǒng)一的化塑行業(yè)知識(shí)圖譜；

82、數(shù)據(jù)采集模塊，配置為從用戶交互活動(dòng)中獲取歷史搜索數(shù)據(jù)、瀏覽數(shù)據(jù)、交互數(shù)據(jù)和交易數(shù)據(jù)；

83、預(yù)處理模塊，連接至數(shù)據(jù)采集模塊，并配置為對(duì)所獲取的用戶歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、格式標(biāo)準(zhǔn)化及異常值剔除，以生成預(yù)處理后的用戶數(shù)據(jù)集；

84、用戶建模模塊，配置為通過分析預(yù)處理后的用戶數(shù)據(jù)集，提取用戶歷史行為特征，生成用戶興趣主題、屬性偏好向量、價(jià)格敏感度指數(shù)、采購行為矩陣及應(yīng)用場景的概率得分；

85、語義理解模塊，內(nèi)置語義理解模型，包括輸入層、嵌入層、多層transformer編碼器、上下文增強(qiáng)層、多尺度特征提取層、自適應(yīng)池化層、多任務(wù)輸出層，對(duì)當(dāng)前用戶需求進(jìn)行語義解析，提取關(guān)鍵詞、語義特征向量及預(yù)測(cè)信息；

86、查詢優(yōu)化模塊，連接于語義理解模塊與知識(shí)圖譜構(gòu)建模塊之間，并配置為結(jié)合用戶歷史需求特征和化塑行業(yè)知識(shí)圖譜對(duì)用戶查詢進(jìn)行語義擴(kuò)展、權(quán)重調(diào)整及條件優(yōu)化，生成優(yōu)化查詢條件；

87、產(chǎn)品搜索模塊，配置為在化塑產(chǎn)品數(shù)據(jù)庫中依據(jù)優(yōu)化查詢條件執(zhí)行搜索操作，從而生成第一列表；

88、個(gè)性化排序模塊，其連接至產(chǎn)品搜索模塊，配置為依據(jù)語義相關(guān)度、個(gè)性化得分及產(chǎn)品相似度綜合計(jì)算每個(gè)化塑產(chǎn)品的綜合得分，以對(duì)第一列表進(jìn)行排序調(diào)整；

89、推薦生成模塊，配置為從經(jīng)過排序調(diào)整的第一列表中選擇預(yù)設(shè)數(shù)量的產(chǎn)品，以生成最終推薦列表并輸出給用戶；

90、反饋收集模塊，用于采集用戶對(duì)推薦結(jié)果的反饋，以優(yōu)化化塑行業(yè)知識(shí)圖譜。

91、本發(fā)明相對(duì)于現(xiàn)有技術(shù)具有以下有益效果：

92、(1)通過融合多維度知識(shí)圖譜、深度語義理解、查詢優(yōu)化和個(gè)性化排序，實(shí)現(xiàn)了對(duì)化塑產(chǎn)品用戶需求的精準(zhǔn)理解和匹配，顯著提高了推薦的準(zhǔn)確性和相關(guān)性，有效解決了化塑行業(yè)復(fù)雜語義環(huán)境下的產(chǎn)品推薦難題；

93、(2)通過構(gòu)建多維度化塑行業(yè)知識(shí)圖譜并進(jìn)行圖融合，系統(tǒng)性地整合了產(chǎn)品類別、屬性、專業(yè)術(shù)語和應(yīng)用場景等多方面信息，為后續(xù)的語義理解和查詢優(yōu)化提供了豐富的知識(shí)基礎(chǔ)，增強(qiáng)了推薦系統(tǒng)對(duì)行業(yè)特性的把握能力；

94、(3)利用基于多層transformer編碼器的語義理解模型，結(jié)合上下文增強(qiáng)和多尺度特征提取方式，實(shí)現(xiàn)了對(duì)用戶需求的深度解析，提取出關(guān)鍵詞、語義特征向量和預(yù)測(cè)信息，大幅提升了系統(tǒng)對(duì)復(fù)雜用戶需求的理解能力；

95、(4)采用多階段查詢優(yōu)化策略，包括實(shí)體鏈接、語義擴(kuò)展、權(quán)重調(diào)整和條件生成等步驟，有效地將用戶需求轉(zhuǎn)化為優(yōu)化的查詢條件，提高了檢索效率和結(jié)果的相關(guān)性；

96、(5)通過融合語義相關(guān)度、個(gè)性化得分和產(chǎn)品相似度的綜合排序機(jī)制，實(shí)現(xiàn)了對(duì)搜索結(jié)果的個(gè)性化重排，確保了推薦列表與用戶需求的高度匹配，同時(shí)兼顧了產(chǎn)品多樣性；

97、(6)推薦系統(tǒng)通過模塊化設(shè)計(jì)和多項(xiàng)創(chuàng)新技術(shù)的集成，實(shí)現(xiàn)了從用戶需求輸入到最終推薦列表輸出的全流程智能化處理，為化塑行業(yè)用戶提供了高效、精準(zhǔn)、個(gè)性化的產(chǎn)品推薦服務(wù)，顯著提升了用戶體驗(yàn)和采購決策效率。