【技术实现步骤摘要】
本专利技术涉及智能搜索和推荐，特别是涉及一种基于微信小程序的b2b商铺智能搜索和推荐方法。
技术介绍
1、在b2b电子商务领域，现有技术已经实现了在线平台的创建，这些平台允许供应商和采购商之间进行交易。这些平台通常具备以下功能：1、基本搜索和浏览功能：用户可以查找产品或服务，联系供应商并进行交易。2、简单的推荐系统：通常基于关键词匹配、协同过滤或基于规则的方法。
2、然而，现有技术在b2b电子商务平台方面存在以下缺陷和不足：1、有限的个性化推荐：推荐系统通常基于简单的关键词匹配，忽略了用户的个性化需求和兴趣，这导致用户接收到的推荐信息不够相关，无法充分满足其需求，从而限制了交易的效率。2、缺乏实时性：现有推荐系统通常不具备实时性，无法即时响应用户的行为和需求变化，导致用户可能错过新的商机或产品，同时也无法获得及时的信息更新。3、固定的搜索方式：大多数平台的搜索功能仅基于文本关键词，忽略了其他搜索方式，从而限制了用户的搜索体验和多样性。4、缺乏数据分析：现有技术通常没有强大的数据分析工具，无法为供应商和采购商提供有关市场趋势、客户需求和库存管理的深入洞察，这使得商家的决策和策略制定受到限制。5、隐私和数据安全问题：在用户数据的隐私保护方面可能存在问题，用户的敏感信息可能受到威胁，从而影响了用户的信任和安全感。
3、所以本专利技术提供一种新的方案来解决此问题。
技术实现思路
1、针对上述情况，为克服现有技术之缺陷，本专利技术之目的在于提供一种基于微信小程序的b2
2、一种基于微信小程序的b2b商铺智能搜索和推荐方法，包括如下步骤，
3、s1、数据训练：
4、收集和整理文本语料库作为训练数据，然后对训练数据进行数据预处理、构建训练样本、模型训练和评估，以训练深度学习模型理解文本语义关系和上下文信息；
5、s2、语义分析：
6、对用户的搜索文本进行语义分析，以提取关键信息并理解用户需求；
7、s3、相关性评分：
8、针对用户搜索结果计算相关性分数，以确定其与用户查询的匹配程度；
9、s4、反馈循环：
10、根据用户的点击行为和反馈数据，对搜索结果的排序模型进行优化和调整，以提高搜索准确性和用户满意度。
11、优选地，所述步骤s1数据训练的具体操作方法如下：
12、s11、数据收集：收集b2b商铺中相关的文本语料库，包括产品描述、供应商信息、用户评论及其它与搜索领域相关的文本数据；
13、s12、数据预处理：采用nlp引擎文本数据进行处理，对包括文本清洗、分词、去除停用词和词性标注，将文本数据转化为深度学习模型可以理解和处理的格式；
14、s13、构建训练样本：将预处理后的文本数据转化为训练样本；
15、s14、模型训练：使用准备好的训练样本，训练深度学习模型，包括定义模型架构、选择优化算法、设置损失函数和超参数调优；
16、s15、模型评估：在训练完成后对模型进行评估，使用准确率、召回率与f1分数指标，指导后续的模型优化工作。
17、优选地，所述步骤2中对自然语言处理任务采用词嵌入方法，具体公式为：
18、词嵌入公式：p(w|c)＝1/(1+exp(-v_w·v_c))
19、p(c|w)＝1/(1+exp(-v_c·(∑_{i＝1}^{n}v_{w_i})))
20、其中，v_w和v_c分别表示词w和词c的词向量，n表示上下文窗口内的词汇数量。
21、优选地，所述步骤s2中语义分析由bert-base-chinese模型来实现，具体包括如下步骤：
22、s21、分词：将文本拆分成单词或词汇单元；
23、s22、词嵌入：将分词后的词汇转换为词向量表示；
24、s23、模型输入：将词向量输入到bert-base-chinese模型中；
25、s24、任务特定层：针对不同的自然语言处理任务，在bert模型的基础上添加特定层；
26、s25、命名实体识别：在bert模型的基础上添加一个命名实体识别层；
27、s26、依存句法分析：在bert模型的基础上添加一个依存句法分析层；
28、s27、语义角色标注：在bert模型的基础上添加一个语义角色标注层；
29、s28、情感分析：在bert模型的基础上添加一个情感分析层。
30、优选地，所述步骤s3中相关性评分的具体操作方法如下：
31、s31、词汇匹配：计算用户查询中的关键词在搜索结果中出现的次数，使用基于词频的统计方法计算词汇匹配的得分；
32、s32、语义相似度：采用余弦相似度公式计算查询词和搜索结果中的词汇之间的语义相似度；
33、s33、上下文关系：分析搜索结果的上下文信息，包括关键词在文档中的位置、关键词之间的距离，从而确定查询词和搜索结果之间的关联程度；
34、s34、综合评分：将词汇匹配、语义相似度和上下文关系进行综合考虑，计算搜索结果的相关性分数；
35、s35、根据计算出的相关性分数，对搜索结果进行排序；分数越高，表示搜索结果与用户查询的匹配程度越高，因此在搜索结果列表中排名越靠前。
36、优选地，所述步骤s32中余弦相似度公式为：
37、cosine_similarity(a,b)＝dot_product(a,b)/(||a||*||b||)
38、其中，a和b是两个向量，dot_product(a,b)表示向量a和向量b的点积，||a||和||b||表示向量a和向量b的范数；
39、余弦相似度衡量了两个向量之间的夹角余弦值，范围在-1到1之间，余弦相似度越接近1，表示查询和结果越相关；越接近-1，表示越不相关。
40、优选地，所述步骤s4中采用在线梯度下降算法来实现模型的实时优化，具体计算如下：
41、梯度下降更新公式：
42、其中，α是学习率，表示每次更新的步长，
43、j(θ)是损失函数，表示当前参数集合的损失，
44、是损失函数对参数集合的梯度。
45、优选地，所述步骤s4中还需要对不同搜索结果的排序模型进行a/b测试，通过对比不同的搜索结果排序算法或模型，在实际用户中进行实验和比较，以确定最佳的搜索结果排序策略。
46、通过以上技术方案，本专利技术的有益效果为：
47、1.更高的搜索准确性：通过引入智能搜索系统，本专利技术能够更准确地理解用户的搜索查询，不仅仅是基于关键词匹配。这提高了搜索的准确性，使用户更容易找到他们需要的产品和供应商。这意味着用户可以更快速地进行交易，减少了搜索和筛选时间，提高了效率。
48、2.个本文档来自技高网...
【技术保护点】
1.一种基于微信小程序的B2B商铺智能搜索和推荐方法，其特征在于，包括如下步骤，
2.根据权利要求1所述的方法，其特征在于，所述步骤S1数据训练的具体操作方法如下：
3.根据权利要求2所述的方法，其特征在于，所述步骤2中对自然语言处理任务采用词嵌入方法，具体公式为：
4.根据权利要求1所述的方法，其特征在于，所述步骤S2中语义分析由BERT-base-chinese模型来实现，具体包括如下步骤：
5.根据权利要求1所述的方法，其特征在于，所述步骤S3中相关性评分的具体操作方法如下：
6.根据权利要求5所述的方法，其特征在于，所述步骤S32中余弦相似度公式为：
7.根据权利要求1所述的方法，其特征在于，所述步骤S4中采用在线梯度下降算法来实现模型的实时优化，具体计算如下：
8.根据权利要求7所述的方法，其特征在于，所述步骤S4中还需要对不同搜索结果的排序模型进行A/B测试，通过对比不同的搜索结果排序算法或模型，在实际用户中进行实验和比较，以确定最佳的搜索结果排序策略。
【技术特征摘要】
1.一种基于微信小程序的b2b商铺智能搜索和推荐方法，其特征在于，包括如下步骤，
2.根据权利要求1所述的方法，其特征在于，所述步骤s1数据训练的具体操作方法如下：
3.根据权利要求2所述的方法，其特征在于，所述步骤2中对自然语言处理任务采用词嵌入方法，具体公式为：
4.根据权利要求1所述的方法，其特征在于，所述步骤s2中语义分析由bert-base-chinese模型来实现，具体包括如下步骤：
5.根据权利要求1所述的方法，其特...
【专利技术属性】
技术研发人员：石楠，张阳华，刘建辉，
申请(专利权)人：郑州悉知信息科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。