[发明专利]一种基于遗传算法的物流平台信息推送方法及系统

权利要求书

1.一种基于遗传算法的物流平台信息推送方法，其特征在于，包括以下步骤：

S1：向物流平台输入信息，包括物流订单信息、运输车辆信息和司机信息中的一项或多项；

S2：物流平台接受输入的信息并进行验证；

S3：将输入信息进行处理，进行数据清洗后将信息拆分为离散特征与连续特征并分别编码;对于离散特征使用embedding网络映射为特征向量，对于连续特征将其归一化为0-1之间的值，再进行分桶编码，使用embedding网络映射为特征向量；

S4：建立遗传算法动态推荐模型，该模型包含两个步骤，粗排步骤和精排步骤；

S41：所述粗排步骤运用遗传算法对编码后的信息进行运算，针对不同需求方分别建立目标规划模型，求出多个局部最优解作为候选解集；在遗传算法动态推荐模型中，通过设定更新频率，对物资信息、运输车辆信息和司机信息进行实时更新；

在步骤S41中，所述粗排步骤为三个需求方分别计算初步的待推送的候选解集，其计算方法包括以下步骤：

S411：构建种群规模为的初始群体，个体由物流订单、运输车辆、司机中的任意一种组合所确定，该组合是为推送给用户的一条物流配对信息，个体的集合为X；

种群可表示为：

；

；

其中表示样本的特征维度，表示第个特征，为第个决策变量，表示个体编号；每个决策变量满足：

；

初始化种群时，基于贪心算法求得满足约束条件的初始解，并随机生成的初始解，以加快收敛速度；对于每个决策变量，在其取值范围中等距地取出k个值，然后分别计算该决策变量在这些取值时的适应度分数，选择分数最大的取值作为该维度的初始值，则对于个体，有：

；

；

；

S412：为物流订单，运输车辆和司机建立多目标规划模型；

S413：对每个个体执行适应度值选择算子，记为个体的适应度分数，则选择算子由如下公式计算：

；

S414：确定交叉规则和变异规则，采用单亲遗传的交叉规则与精英保留的变异手段；

S415：确定迭代终止条件，开始迭代；在每轮迭代中记录精英染色体，最终得到精英染色体合集，选取一部分作为候选解集；

S42：所述精排步骤使用历史订单信息、用户偏好信息以及实时位置信息;再基于遗传信息优化的点击率预估模型CMGI对候选解集进行评分，以进行精准的个性化推送；

所述步骤S42使用基于遗传信息优化的点击率预估模型CMGI，其步骤包括：

S421:从离线特征与实时特征角度获取的特征，将所有特征拼接；所述离线特征包括的历史行为特征与固定特征，所述实时特征包括三方在推送流程发生时的特征；公式如下：

；

其中，表示向量拼接，是特征个数，指粗排步骤中样本的适应度分数；

S422:确定正负样本集合；对于由物流订单、运输车辆、司机唯一确定的样本，现在要将组合情况推送给司机，若司机曾驾驶运送过物流订单，或曾在平台中作为被推送的物流配对信息被点击过，则将样本的标签设置为1，反之为0，即：

；

其中，表示平台上的历史点击序列，表示历史订单序列；

S423:使用正负样本训练基于遗传信息优化的点击率预估模型CMGI，具体地，该模型以DeepFM为backbone网络，并用S41步骤中所得适应度分数引导模型训练；DeepFM模型包括FM因子分解机和DNN深度神经网络两部分结构；模型结构包括输入层、特征处理层、汇聚层和输出层，所述特征处理层包括因子分解机部分和深度神经网络部分；

所述FM负责学习低层级的鲁棒特征，DNN学习更抽象的特征；两者共享输入向量；

FM对输入的样本个体进行交叉项的计算，得到交叉项的输出:

；

其中，是样本特征个数，表示第个特征与第个特征的交叉项权重，为线性权重项；

DNN深度神经网络需要使用embedding向量作为特征向量，进行隐藏层操作，公式如下：

；

；

其中，是embedding向量，和分别表示DNN第个隐藏层的权重矩阵和偏置向量，表示第个隐藏层的所有操作，表示激活函数，表示采用dropout技术对神经元进行随机丢弃，表示被丢弃的概率；用表示最后一层输出的最终隐向量，则有：

；

其中，是超参数，用于调节粗排步骤中的对精排步骤的影响程度；

S424：对一个批次内样本按由大到小的顺序排序，将排序后的组合情况推送给需求方；

S5：根据遗传算法动态推荐模型的结果作为待推送的物流配对信息；物流配对信息是一系列的物资、运输车辆和司机的组合方案。