[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

说明书

本发明公开了一种基于门控循环神经网络的车货匹配推荐方法，包括：1.获取特征数据并进行嵌入处理，2.构建货源与货主特征学习网络，3.构建车源特征学习网络，4.基于特征向量相似度计算的推荐预测评分，5.根据评分向货主进行推荐。本发明能在进行车货匹配推荐时，综合考虑车货源信息以及货主行为特征，深层次挖掘特征间的关系，得到有效的特征表示，从而能提高推荐准确率。

技术领域

本发明属于深度学习领域，具体的说是一种基于门控循环神经网络的车货匹配推荐方法。

背景技术

随着物流行业的蓬勃发展，我国公路运输物流市场规模持续扩大。为有效整合车货源信息，车货匹配平台应运而生。车货匹配平台主要是通过线上平台展示货主货源信息并为其推荐合适的司机，由货主选择合适的司机完成货源运输交易，从而实现车货匹配推荐。

现有的解决车货匹配问题的方案主要是基于评价指标体系的车货匹配方法以及基于构建车货供需匹配模型的车货匹配方法。基于评价指标体系的车货匹配方法主要是通过收集车货源相关信息，进行车货匹配推荐。但该类方法存在主观因素影响车货匹配推荐准确率且未考虑用户历史行为特征的问题。基于构建车货供需匹配模型的车货匹配方法主要是通过构建数学模型并进行求解的方法完成车货匹配推荐，但该类方法无法挖掘特征间深层次的关系且无法高效处理大量车货源信息等问题。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于门控循环神经网络的车货匹配推荐方法，以期在处理特征数据时，能够综合利用车货源信息与货主行为特征信息，高效学习特征之间的联系，更好地进行特征表示，从而能提高车货匹配推荐准确率。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于门控循环神经网络的车货匹配推荐方法的特点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,Ω,V_c,Ω,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；