【技术实现步骤摘要】
本专利技术涉及智能推荐，具体涉及一种基于用户行为分析的公告智能推荐方法。
技术介绍
1、b2b交易中，商家或企业作为供需双方进行电子商务交易，使用互联网技术或各种商务网络平台完成电子商务交易。采购商在平台上发布物资招标公告，物资范围不但包括有形的物体，如原、副料，机具设备、事务用品等，也包括无形的劳务，例如技术、服务等。供应商可以在平台上订阅多个关键词，平台根据每个供应商订阅的关键词与招标公告标题或内容进行匹配，召回最新的不同的公告给供应商查看。但是当前召回列表会存在用户感兴趣度低、用户可能感兴趣的公告并没有在列表靠前的位置，导致点击率和最终成交率较低。
技术实现思路
1、针对上述现有技术存在的问题，本专利技术提供了一种基于用户行为分析的公告智能推荐方法，有效提高供应商对召回公告的点击率，该技术方案如下：
2、第一方面，提供了一种基于用户行为分析的公告智能推荐方法，包括如下步骤：
3、获取历史所有公告，以及所有公告被用户点击的情况；
4、基于历史所有公告被所有用户点击的情况，构造历史所有公告的全局公告关联关系图，所述全局公告关联关系图中的每个节点表示公告，每个边的权重表示相邻两个公告之间的关联度；
5、将全局公告关联关系图输入第一神经网络，获得全局公告关联关系图中每个节点公告的第一嵌入表示，表征节点公告的结构向量；在所述第一神经网络中每个节点基于相邻节点的特征信息更新节点自身特征信息，在所述第一神经网络中经过多次迭代更新，获得更新后的
6、将全局公告关联关系图中每个节点公告的标题进行文本向量编码，获得节点公告的第二嵌入表示，表征公告的内容向量；
7、将第一嵌入表示和第二嵌入表示采用互信息最大化方法进行融合得到公告的最终嵌入表示；
8、针对待推荐的公告获取其最终嵌入表示，基于待推荐的公告和历史n篇点击公告的最终嵌入表示的平均相似度作为第一交互特征，基于待推荐的公告的属性关键词在历史n篇点击公告中出现的次数作为第二交互特征，其中公告的属性类别包括公告类型、关键词、省、市、县、招标人、招标方式、招标类型、资金来源中的至少一种；
9、基于待推荐公告的第一交互特征和第二交互特征输入到训练完成的最终推荐模型lightgbm中，获取待推荐公告的被用户点击的概率预测值。
10、在一些实施方式中，所述的基于用户行为分析的公告智能推荐方法还包括：针对待推荐的公告，分析是否推荐给目标用户的步骤，包括：
11、针对待推荐的公告获取其最终嵌入表示，基于待推荐的公告和目标用户的历史n篇点击公告的最终嵌入表示的平均相似度作为第一交互特征，基于待推荐的公告的属性关键词在目标用户的历史n篇点击公告中出现的次数作为第二交互特征；
12、基于待推荐公告的第一交互特征和第二交互特征输入到训练完成的最终推荐模型lightgbm中，获取待推荐公告的被目标用户点击的概率预测值。
13、在一些实施方式中，所述基于历史所有公告被所有用户点击的情况，构造历史所有公告的全局公告关联关系图，构造步骤包括：
14、以一个公告作为一个节点；
15、以两个公告在用户点击序列中的位置顺序之差的倒数计算两个公告之间的关联度即关系图中两个公告之间的边的权重值；
16、基于两个节点的度对两个公告节点之间的边的权重值进行标准化。
17、在一些实施方式中，所述将全局公告关联关系图输入第一神经网络，获得全局公告关联关系图中每个节点公告的第一嵌入表示，包括：将全局公告关联关系图输入到图卷积神经网络lightgcn，在lightgcn中，每个节点基于相邻节点的信息聚合更新自身的特征，经过多层隐藏层的节点更新，获取更新后的节点信息。
18、在一些实施方式中，所述将第一嵌入表示和第二嵌入表示采用互信息最大化方法进行融合得到公告的最终嵌入表示，包括：
19、，其中表示infonce形式的互信息值，在训练第一神经网络时，以最大化为目标函数优化模型参数，表示样本数量，表示内容向量和结构向量的余弦相似度，表示第i个样本的结构向量，表示第i个样本的内容向量，表示第j个样本的内容向量，表示向量的维度。
20、在一些实施方式中，所述训练完成的最终推荐模型lightgbm，训练过程包括：
21、基于历史所有公告中被点击的公告按照被点击的时间获取点击公告序列，以点击公告序列按照预设比例划分为历史点击公告和正样本两部分数据；基于历史所有公告中未被点击的公告作为负样本，以正样本和负样本作为训练过程中的待推荐的公告；
22、基于历史点击公告、正样本及其标签、负样本及其标签，作为训练样本；
23、基于历史点击公告、正样本公告、负样本公告获取正负样本公告的第一交互特征和第二交互特征，结合正负样本公告的标签进行有监督训练的训练数据；
24、利用已有的训练数据，基于正负样本公告的第一交互特征和第二交互特征，输入到基础推荐模型进行训练，获取待推荐的公告的预测推荐概率；
25、基于待推荐公告的预测推荐概率、第一交互特征和第二交互特征训练最终推荐模型lightgbm，获取训练完成的最终推荐模型lightgbm。
26、在一些实施方式中，所述基础推荐模型，采用逻辑回归模型训练得到，所述逻辑回归模型经过训练自动学习第一交互特征和第二交互特征的重要性权重，并基于第一交互特征和第二交互特征的重要性权重获得在第一交互特征和第二交互特征下待推荐公告的预测推荐概率即预测被用户点击的概率。
27、在一些实施方式中，所述基于待推荐公告的预测推荐概率、第一交互特征和第二交互特征训练最终推荐模型lightgbm，获取训练完成的最终推荐模型lightgbm，包括：
28、在训练过程中，损失函数采用：
29、
30、其中，给定n个样本（，），表示第i个训练样本，表示第i个训练样本的标签,模型共包含 k 棵决策树，c为少数类样本的误分类代价参数，为决策树中叶子节点的权重参数，、为正则化系数，表示第i个训练样本的预测值。
31、第二方面，提供了一种基于用户行为分析的公告智能推荐系统，包括：
32、基础数据获取单元，用于获取历史所有公告，以及所有公告被用户点击的情况；
33、图构造单元，用于基于历史所有公告被所有用户点击的情况，构造历史所有公告的全局公告关联关系图，所述全局公告关联关系图中的每个节点表示公告，每个边的权重表示相邻两个公告之间的关联度；
34、第一嵌入单元，用于将全局公告关联关系图输入第一神经网络，获得全局公告关联关系图中每个节点公告的第一嵌入表示，表征节点公告的结构向量；在所述第一神经网络中每个节点基于相邻节点的特征信息更新节点自身特征信息，在所述第一神经网络中经过多次迭代更新，获得更新后的节点自身特征信息；
35、第二嵌入单元，用于本文档来自技高网...
【技术保护点】
1.一种基于用户行为分析的公告智能推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于用户行为分析的公告智能推荐方法，其特征在于，还包括：针对待推荐的公告，分析是否推荐给目标用户的步骤，包括：
3.根据权利要求1所述的基于用户行为分析的公告智能推荐方法，其特征在于，所述基于历史所有公告被所有用户点击的情况，构造历史所有公告的全局公告关联关系图，构造步骤包括：
4.根据权利要求1所述的基于用户行为分析的公告智能推荐方法，其特征在于，所述将全局公告关联关系图输入第一神经网络，获得全局公告关联关系图中每个节点公告的第一嵌入表示，包括：将全局公告关联关系图输入到图卷积神经网络LightGCN，在LightGCN中，每个节点基于相邻节点的信息聚合更新自身的特征，经过多层隐藏层的节点更新，获取更新后的节点信息。
5.根据权利要求1所述的基于用户行为分析的公告智能推荐方法，其特征在于，所述将第一嵌入表示和第二嵌入表示采用互信息最大化方法进行融合得到公告的最终嵌入表示，包括：
6.根据权利要求1所述的基于用户行为分析的公告
7.根据权利要求6所述的基于用户行为分析的公告智能推荐方法，其特征在于，所述基础推荐模型，采用逻辑回归模型训练得到，所述逻辑回归模型经过训练自动学习第一交互特征和第二交互特征的重要性权重，并基于第一交互特征和第二交互特征的重要性权重获得在第一交互特征和第二交互特征下待推荐公告的预测推荐概率即预测被用户点击的概率。
8.根据权利要求6所述的基于用户行为分析的公告智能推荐方法，其特征在于，所述基于待推荐公告的预测推荐概率、第一交互特征和第二交互特征训练最终推荐模型LightGBM，获取训练完成的最终推荐模型LightGBM，包括：
9.基于用户行为分析的公告智能推荐系统，其特征在于，包括：
10.一种电子设备，其特征在于，所述电子设备包括：
...【技术特征摘要】
1.一种基于用户行为分析的公告智能推荐方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于用户行为分析的公告智能推荐方法，其特征在于，还包括：针对待推荐的公告，分析是否推荐给目标用户的步骤，包括：
3.根据权利要求1所述的基于用户行为分析的公告智能推荐方法，其特征在于，所述基于历史所有公告被所有用户点击的情况，构造历史所有公告的全局公告关联关系图，构造步骤包括：
4.根据权利要求1所述的基于用户行为分析的公告智能推荐方法，其特征在于，所述将全局公告关联关系图输入第一神经网络，获得全局公告关联关系图中每个节点公告的第一嵌入表示，包括：将全局公告关联关系图输入到图卷积神经网络lightgcn，在lightgcn中，每个节点基于相邻节点的信息聚合更新自身的特征，经过多层隐藏层的节点更新，获取更新后的节点信息。
5.根据权利要求1所述的基于用户行为分析的公告智能推荐方法，其特征在于，所述将第一嵌入表示和第二嵌入表示采用互信息...
【专利技术属性】
技术研发人员：卢晓凯，封军，吴增峰，高俊，姚丽，
申请(专利权)人：安徽省优质采科技发展有限责任公司，
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。