[发明专利]一种基于门控循环神经网络的车货匹配推荐方法

权利要求书

1.一种基于门控循环神经网络的车货匹配推荐方法，其特征是按照如下步骤进行：

步骤一、获取特征数据并进行嵌入处理；

步骤1.1：获取货源的特征信息并进行筛选、归一化的预处理，从而得到预处理后的货源集合N＝{N₁,N₂,…,N_a,…,N_A}，N_a为第a条货源特征向量；且为第a条货源特征向量N_a中第k个属性；将第a条货源特征向量N_a进行嵌入处理后，得到嵌入后的第a条货源特征向量E_a，从而得到嵌入后的货源特征集合E_N，A表示货源特征向量的总数，K表示每条货源特征向量中的属性总数；

步骤1.2：获取车源的特征信息并进行筛选、归一化的预处理，从而得到预处理后的车源集合M＝{M₁,M₂,…,M_b,…,M_B}，M_b为第b条车源的特征向量，且为第b条车源特征向量M_b中第i个属性；将第b条车源特征向量M_b进行嵌入处理后，得到嵌入后的第b条车源特征向量E_b，从而得到嵌入后的车源特征集合E_M，B表示车源特征向量的总数，I表示每条车源特征向量中的属性总数；

步骤1.3：获取货主行为特征信息并进行筛选、归一化的预处理，从而得到预处理后的货主行为特征集合V＝{V₁,V₂,…,V_c,…,V_C}，V_c为第c条货主行为特征向量；且为第c条货主行为特征向量V_c中第s个属性；将第c条货主行为特征向量V_c进行嵌入处理后，得到嵌入后的第c条货主行为特征向量E_c；从而得到嵌入后的货主行为特征集合E_V；C表示货主行为特征向量的总数，S表示每条货主行为特征向量中的属性个数；

步骤二：构建货源与货主特征学习网络，包括：门控循环网络模块和注意力机制模块；其中，所述门控循环网络模块，包括：更新门和重置门；所述双重注意力机制模块，包括：第一注意力机制和第二注意力机制模块；

步骤2.1：将嵌入后的第a条货源特征向量E_a作为t时刻的货源数据并输入到门控循环网络中，从而由所述更新门将t-1时刻门控循环网络模块输出的第a条货源特征向量h_t-1,a和t时刻的货源数据分别乘以t时刻的权重矩阵w_t后再相加，得到的结果与sigmoid函数进行相乘，从而得到t时刻的更新门输出的货源特征向量z_t,a；当t＝1时，令h_t-1,a＝0；

所述重置门按照所述更新门的处理过程对t时刻的货源数据进行处理，并得到t时刻的重置门输出的货源特征向量r_t,a；

将r_t,a与h_t-1,a的乘积以及t时刻的货源特征向量分别与权重矩阵w_h相乘后再相加，最后通过tanh激活函数进行激活后，得到t时刻货源数据的隐藏状态

将t-1时刻货源数据的隐藏状态与t时刻货源数据的隐藏状态/进行加权后，得到学习后的t时刻第a条货源特征向量/其中，/表示t时刻第a条货源特征向量中的第k个属性；

步骤2.2：按照步骤2.1的过程将嵌入后的第c条货主行为特征向量E_c作为t时刻的货主行为数据并输入到门控循环网络中进行处理，从而得到学习后的t时刻第c条货主行为特征向量其中，/表示t时刻第c条货主行为特征向量中的第s个属性；

步骤2.3：所述第一注意力机制模块利用式(1)与式(2)计算t时刻第a条货源特征向量h_t,a中第k个属性的注意力得分/

式(1)中，为第a条货源特征向量的第k个隐藏表示，/为/的权重矩阵，/为/的偏置向量；W_e^a为注意力得分/的权重矩阵；

步骤2.4：所述第一注意力机制模块利用式(3)得到t时刻第a条货源特征向量h_t,a的注意力特征向量

步骤2.5：所述第二注意力机制模块利用式(4)与式(5)计算t时刻第c条货主行为特征向量h_t,c中第s个属性的注意力得分/

式(4)与式(5)中，为第c条货主行为特征向量的第s个隐藏表示，/为/的权重矩阵，/为/的偏置向量；

步骤2.6：所述第二注意力机制模块利用式(6)得到t时刻第c条货主行为特征向量h_t,c的注意力特征向量X_t,c：

步骤2.7：利用式(7)得到t时刻第a条货主货源的注意力特征向量X_t,a，从而得到货主货源的注意力特征集合X_cargo＝{X_t,a|a＝1,2,…,A；t＝1,2,…,T}，T表示货源向量的时间步总数；

式(7)中，λ为平衡系数；

步骤三：构建车源特征学习网络，包括：多层感知机和注意力机制模块；

步骤3.1：所述多层感知机，包括：输入层，隐藏层和输出层；

将嵌入后的第b条车源特征向量E_b输入到多层感知机中，并由隐藏层进行学习，从而由输出层得到学习后的第b条车源特征向量其中，/表示第b条车源特征向量的第i个属性；/

步骤3.2：所述自注意力机制模块利用式(8)计算第b条车源特征向量h_b中第i个属性的注意力得分/

式(8)中，为权值矩阵；

所述自注意力机制模块利用式(9)得到第b条车源特征向量h_b的注意力特征向量X_b，从而得到车源注意力特征集合X_vechile＝{X_b|b＝1,2,Ω,B}：

步骤四、基于相似度计算的预测评分；

将第a条货主货源的注意力特征向量X_t,a和第b条车源特征向量的注意力特征向量X_b通过全连接层进行映射，得到映射后的货主货源特征向量X′_a和货车源特征向量X′_b，再利用余弦相似度计算X′_a与X′_b之间的相似度并作为第a条货主货源特征向量与第b条车源特征向量的预测评分，从而得到第a条货主货源特征向量和各个车源特征向量之间的预测评分所构成的第a条评分集合；

步骤五、根据所述第a条评分集合，选出与第a条货主货车源特征向量相似度最高的前N项的车源特征向量所对应的车源推荐给货主。