一种融合供需链的个性化汽车推荐方法及系统技术方案

本发明专利技术公开了一种融合供需链的个性化汽车推荐方法及系统，不仅考虑了用户对车型的打分，而且打分细化到了8种评分标准，形成一个三维的打分张量，更好的根据用户的不同偏好来进行推荐。为了获得更多辅助信息，我们利用汽车领域中特有的车型‑车系之间的从属关系和车系‑制造商之间的生产关系，汽车制造商和汽车零部件供应商之间的供应关系形成的供需链，以及用户购车目的信息，车型配置信息等来帮助预测。本发明专利技术构建多维度共享的耦合张量‑矩阵数据模型后，对张量和矩阵进行联合分解，用ADMM算法来解最小化代价函数，保证算法有效收敛，并且或的更准确的预测结果，从而更好地向用户推荐汽车车型。

Personalized automobile recommendation method and system integrating supply chain

The invention discloses a personalized recommendation method and system of automobile supply chain integration, not only consider the users of the models and scoring scoring, refined to 8 kinds of standard for evaluation, forming a three-dimensional graded tensor, better according to different user preferences to recommend. In order to get more auxiliary information, we use the car in the field between the specific models cars affiliation and car manufacturers are relationship formed between automobile manufacturers and automotive parts suppliers supply relationship of supply chain, and information users Car Buying orders, vehicle configuration information to help predict. The invention constructs coupling tensor matrix data multi dimension model sharing, the tensor and matrix decomposition combined, to solve the cost function is minimized using ADMM algorithm, ensure the algorithm convergence, and more accurate prediction results or, in order to better recommend car models.

【技术实现步骤摘要】
一种融合供需链的个性化汽车推荐方法及系统
本专利技术涉及一种融合供需链的个性化汽车推荐方法及系统。
技术介绍
个性化推荐系统广泛用于向用户提供准确的建议，帮助其高效地做出产品购买决策。最常用的推荐方法是基于用户的历史消费信息，向用户推荐将来可能购买的产品，这通常被看作是一个矩阵或者张量的补全任务。但事实上，这些历史信息是非常有限的，往往无法为推荐系统提供充分有效的信息。在个性化汽车推荐领域，这是一个张量补全的任务。张量的三个维度分别对应用户，车型和评价指标，张量中的元素代表用户对车型的某一评价指标的打分，反映出三者之间的联系。我们的任务是根据历史打分记录预测出用户对其他车型的各个评价指标的打分，从而根据完整的打分张量向用户推荐可能喜爱的车型产品。然而这个历史打分张量通常是非常稀疏的，没有考虑到其他的辅助信息，无法提供足够有价值的推荐。
技术实现思路
针对现有技术中存在的上述不足，本专利技术的目的就是提供一种融合供需链的个性化汽车推荐方法及系统，它利用用户与车型的购买关系，车型与所属的车系的从属关系，车系与制造商的生产关系以及汽车制造商和汽车零部件供应商之间的供应关系形成的供需链，为推荐系统提供更多辅助信息。此外，该方法还还利用用户的购车目的，车型所具有的配置信息来补充供需链信息，发现不同实体之间隐含的关系，为用户提供准确的个性化推荐。该方法利用基于ADMM(AlternatingDirectionMethodofMultipliers，即交替方向乘子法)的耦合张量-矩阵分解方法，更快速地预测打分张量中的缺失值，并得到更好的预测结果。为了实现上述目的，本专利技术采用如下技术方案：一种融合供需链的个性化汽车推荐方法，包括以下步骤：Step1：构造张量-矩阵耦合数据模型；Step1.1：构造汽车打分张量X；Step1.2：构造车型与所属的车系的从属关系矩阵L、车系与汽车制造商的生产关系矩阵M、汽车制造商与供应商关系矩阵S、用户购车目的矩阵P和车型配置信息矩阵T；Step1.3：利用张量与矩阵之间、矩阵与矩阵之间维度共享关系，形成张量-矩阵耦合数据模型；Step2：对Step1中得到的汽车打分张量X采用CP分解，得到因子矩阵A1、B1和C；对于车型与所属的车系的从属关系矩阵L、车系与汽车制造商的生产关系矩阵M、汽车制造商与供应商关系矩阵S、用户购车目的矩阵P和车型配置信息矩阵T采用矩阵分解方法，使每个矩阵分解后都分别得到相应的若干个因子矩阵，然后构建张量X和车型与所属的车系的从属关系矩阵L、车系与汽车制造商的生产关系矩阵M、汽车制造商与供应商关系矩阵S、用户购车目的矩阵P、车型配置信息矩阵T的联合分解损失函数Z；利用联合分解损失函数Z构建约束性优化问题；Step3：用增广拉格朗日方法将Step2的约束性优化问题转化为一个无约束优化问题；Step4：用ADMM算法来解决Step3的无约束优化问题，对Step1的张量-矩阵耦合数据模型进行联合分解；Step5：迭代计算Step4，矩阵A1,B1,C在迭代计算后，通过来还原张量X，补全其缺失值；计算出RMSE和MAE，RMSE和MAE的数值越小说明预测结果越好，预测数值与实际数值相差越小；Step6：设置迭代过程的终止条件为达到最大迭代次数Imax或者RMSE达到阈值以下，判断Step5中求得的RMSE或迭代次数是否满足设定的终止条件，若满足则循环结束，进入step7，否则返回Step4；Step7：根据step5还原出的张量得到完整的用户打分张量，针对不同的用户，根据预测出来的结果，按照打分从高到低的次序依次向用户推荐车型。所述Step1.1中汽车打分张量为三阶张量，分别对应维度为用户，车型和车型评价指标。汽车打分张量X中的元素Xijk取值范围为1-5，表示用户i对车型j的第k个评价指标的打分。车型共有八个评价指标分别为空间、动力、舒适性、油耗、操控、外观、内饰和性价比。汽车打分张量X是稀疏的，有缺失值，目的是更准确地预测出缺失值，为用户提供个性化推荐。所述Step1.2：构造车型与所属的车系的从属关系矩阵L，矩阵L的两个维度分别对应车型和车系，矩阵元素Ljq取值为0-1型，若为1，表示车型j属于车系q下的产品；构造车系与汽车制造商的生产关系矩阵M，矩阵M的两个维度分别是车系和制造商；构造汽车制造商与供应商关系矩阵S，矩阵S的两个维度分别是制造商和供应商，M和S的取值也是0-1型。构造用户购车目的矩阵P，P的两个维度分别是用户和购车目的，若用户i具有购车目的n，则Pin为1，否则为0。构造车型配置信息矩阵T，T的两个维度分别为车型和配置属性。车型与所属的车系的从属关系矩阵L、车系与汽车制造商的生产关系矩阵M、汽车制造商与供应商关系矩阵S、用户购车目的矩阵P和车型配置信息矩阵T都是完整的，用来协助预测张量X中的缺失值。Step1.3：张量和矩阵之间或者是矩阵与矩阵之间存在多个维度的共享关系：汽车打分张量X与用户购车目的矩阵P共享用户维度，汽车打分张量X与车型配置信息矩阵T及车型所属车系的从属关系矩阵L共享车型维度，车型所属车系的从属关系矩阵L与车系和制造商生产关系矩阵M共享车系维度，车系制造商生产关系矩阵M与制造商和供应商供应关系矩阵S共享制造商维度，共享关系形成张量-矩阵耦合数据模型。Step2：联合分解损失函数Z：Z＝ZX+ZP+ZT+ZL+ZM+ZS；(1)其中，ZX表示张量X进行CP分解的损失函数，ZP表示矩阵P因子分解的损失函数，ZT表示矩阵T因子分解的损失函数，ZL表示矩阵L因子分解的损失函数，ZM表示矩阵M因子分解的损失函数，ZS表示矩阵S因子分解的损失函数。ZX,ZP,ZT,ZL,ZM,ZS分别定义如下：其中，A1、B1和C是张量X通过CP分解得到的因子矩阵；A2和D为矩阵P分解得到的因子矩阵；B2和E为矩阵T分解得到的因子矩阵；B3和F1为矩阵L分解得到的因子矩阵；F2和G1为矩阵M分解得到的因子矩阵；G2和H为矩阵S分解得到的因子矩阵。λ1,λ2,λ3,λ4,λ5,λ6是正则化参数，||*||F表示矩阵的F-范数。X(1)是张量X按照mode-1展开得到的矩阵，表示Khatri-Rao乘积。由于张量X及矩阵P，T，L，M，S相互之间存在共享的维度，因此期望张量X和矩阵P，T，L，M，S分解得到的共享维度对应的因子矩阵是相同的，构建全局变量矩阵来对共享维度的因子矩阵作出限制；张量X和矩阵P共享用户维度，期望二者分解出的对应用户维度的因子矩阵A1和A2是相等的，定义全局变量矩阵与因子矩阵A1和A2对应；全局变量矩阵对A1和A2作出限制如下：同样的，对于其他矩阵与张量间和矩阵与矩阵之间的共享维度，定义和对应相应的因子矩阵。张量X和矩阵T、L共享车型维度，期望三者分解出的对应车型维度的因子矩阵B1,B2和B3是相等的，定义全局变量矩阵与因子矩阵B1,B2和B3对应；全局变量矩阵对B1,B2和B3作出限制如下：矩阵L和M共享车系维度，期望二者分解出的对应车系维度的因子矩阵F1和F2是相等的，定义全局变量矩阵与因子矩阵F1和F2对应；全局变量矩阵对F1和F2作出限制如下：矩阵M和S共享制造商维度，期望二者分解出的对应制造商维度的因子矩阵G1和G2是相等的，定义本文档来自技高网...

【技术保护点】
一种融合供需链的个性化汽车推荐方法，其特征是，包括以下步骤：Step1：构造张量‑矩阵耦合数据模型；Step1.1：构造汽车打分张量X；Step1.2：构造车型与所属的车系的从属关系矩阵L、车系与汽车制造商的生产关系矩阵M、汽车制造商与供应商关系矩阵S、用户购车目的矩阵P和车型配置信息矩阵T；Step1.3：利用张量与矩阵之间、矩阵与矩阵之间维度共享关系，形成张量‑矩阵耦合数据模型；Step2：对Step1中得到的汽车打分张量X采用CP分解，得到因子矩阵A

【技术特征摘要】
1.一种融合供需链的个性化汽车推荐方法，其特征是，包括以下步骤：Step1：构造张量-矩阵耦合数据模型；Step1.1：构造汽车打分张量X；Step1.2：构造车型与所属的车系的从属关系矩阵L、车系与汽车制造商的生产关系矩阵M、汽车制造商与供应商关系矩阵S、用户购车目的矩阵P和车型配置信息矩阵T；Step1.3：利用张量与矩阵之间、矩阵与矩阵之间维度共享关系，形成张量-矩阵耦合数据模型；Step2：对Step1中得到的汽车打分张量X采用CP分解，得到因子矩阵A1、B1和C；对于车型与所属的车系的从属关系矩阵L、车系与汽车制造商的生产关系矩阵M、汽车制造商与供应商关系矩阵S、用户购车目的矩阵P和车型配置信息矩阵T采用矩阵分解方法，使每个矩阵分解后都分别得到相应的若干个因子矩阵，然后构建张量X和车型与所属的车系的从属关系矩阵L、车系与汽车制造商的生产关系矩阵M、汽车制造商与供应商关系矩阵S、用户购车目的矩阵P、车型配置信息矩阵T的联合分解损失函数Z；利用联合分解损失函数Z构建约束性优化问题；Step3：用增广拉格朗日方法将Step2的约束性优化问题转化为一个无约束优化问题；Step4：用ADMM算法来解决Step3的无约束优化问题，对Step1的张量-矩阵耦合数据模型进行联合分解；Step5：迭代计算Step4，矩阵A1,B1,C在迭代计算后，通过来还原张量X，补全其缺失值；计算出RMSE和MAE，RMSE和MAE的数值越小说明预测结果越好，预测数值与实际数值相差越小；Step6：设置迭代过程的终止条件为达到最大迭代次数Imax或者RMSE达到阈值以下，判断Step5中求得的RMSE或迭代次数是否满足设定的终止条件，若满足则循环结束，进入step7，否则返回Step4；Step7：根据step5还原出的张量得到完整的用户打分张量，针对不同的用户，根据预测出来的结果，按照打分从高到低的次序依次向用户推荐车型。2.如权利要求1所述的一种融合供需链的个性化汽车推荐方法，其特征是，所述Step1.1中汽车打分张量为三阶张量，分别对应维度为用户，车型和车型评价指标；汽车打分张量X中的元素Xijk取值范围为1-5，表示用户i对车型j的第k个评价指标的打分；车型共有八个评价指标分别为空间、动力、舒适性、油耗、操控、外观、内饰和性价比；汽车打分张量X是稀疏的，有缺失值，目的是更准确地预测出缺失值，为用户提供个性化推荐。3.如权利要求1所述的一种融合供需链的个性化汽车推荐方法，其特征是，所述Step1.2：构造车型与所属的车系的从属关系矩阵L，矩阵L的两个维度分别对应车型和车系，矩阵元素Ljq取值为0-1型，若为1，表示车型j属于车系q下的产品；构造车系与汽车制造商的生产关系矩阵M，矩阵M的两个维度分别是车系和制造商；构造汽车制造商与供应商关系矩阵S，矩阵S的两个维度分别是制造商和供应商，M和S的取值也是0-1型；构造用户购车目的矩阵P，P的两个维度分别是用户和购车目的，若用户i具有购车目的n，则Pin为1，否则为0；构造车型配置信息矩阵T，T的两个维度分别为车型和配置属性；车型与所属的车系的从属关系矩阵L、车系与汽车制造商的生产关系矩阵M、汽车制造商与供应商关系矩阵S、用户购车目的矩阵P和车型配置信息矩阵T都是完整的，用来协助预测张量X中的缺失值。4.如权利要求1所述的一种融合供需链的个性化汽车推荐方法，其特征是，Step1.3：张量和矩阵之间或者是矩阵与矩阵之间存在多个维度的共享关系：汽车打分张量X与用户购车目的矩阵P共享用户维度，汽车打分张量X与车型配置信息矩阵T及车型所属车系的从属关系矩阵L共享车型维度，车型所属车系的从属关系矩阵L与车系和制造商生产关系矩阵M共享车系维度，车系制造商生产关系矩阵M与制造商和供应商供应关系矩阵S共享制造商维度，共享关系形成张量-矩阵耦合数据模型。5.如权利要求1所述的一种融合供需链的个性化汽车推荐方法，其特征是，Step2：联合分解损失函数Z：Z＝ZX+ZP+ZT+ZL+ZM+ZS；(1)其中，ZX表示张量X进行CP分解的损失函数，ZP表示矩阵P因子分解的损失函数，ZT表示矩阵T因子分解的损失函数，ZL表示矩阵L因子分解的损失函数，ZM表示矩阵M因子分解的损失函数，ZS表示矩阵S因子分解的损失函数；ZX,ZP,ZT,ZL,ZM,ZS分别定义如下：其中，A1、B1和C是张量X通过CP分解得到的因子矩阵；A2和D为矩阵P分解得到的因子矩阵；B2和E为矩阵T分解得到的因子矩阵；B3和F1为矩阵L分解得到的因子矩阵；F2和G1为矩阵M分解得到的因子矩阵；G2和H为矩阵S分解得到的因子矩阵；λ1,λ2,λ3,λ4,λ5,λ6是正则化参数，||*||F表示矩阵的F-范数；X(1)是张量X按照mode-1展开得到的矩阵，⊙表示Khatri-Rao乘积；由于张量X及矩阵P，T，L，M，S相互之间存在共享的维度，因此期望张量X和矩阵P，T，L，M，S分解得到的共享维度对应的因子矩阵是相同的，构建全局变量矩阵来对共享维度的因子矩阵作出限制。6.如权利要求5所述的一种融合供需链的个性化汽车推荐方法，其特征是，所述构建全局变量矩阵来对共享维度的因子矩阵作出限制：张量X和矩阵P共享用户维度，期望二者分解出的对应用户维度的因子矩阵A1和A2是相等的，定义全局变量矩阵与因子矩阵A1和A2对应；全局变量矩阵对A1和A2作出限制如下：同样的，对于其他矩阵与张量间和矩阵与矩阵之间的共享维度，定义和对应相应的因子矩阵；张量X和矩阵T、L共享车型维度，期望三者分解出的对应车型维度的因子矩阵B1,B2和B3是相等的，定义全局变量矩阵与因子矩阵B1,B2和B3对应；全局变量矩阵对B1,B2和B3作出限制如下：

【专利技术属性】
技术研发人员：蒋倩玉，王雅芳，徐增林，李广西，刘士军，潘丽，史秀涛，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37