(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111667360.3 (22)申请日 2021.12.3 0 (71)申请人 淮阴工学院 地址 223005 江苏省淮安市经济技 术开发 区枚乘东路1号 (72)发明人 李翔　束玮　谢乾　朱全银　 高尚兵　丁行硕　张豪杰　丁婧娴　 张宁　张曼　费晶茹　洪玉昆　 杨秋实　徐伟　 (74)专利代理 机构 淮安市科文知识产权事务所 32223 代理人 李锋 (51)Int.Cl. G06Q 10/08(2012.01) G06F 16/9536(2019.01)G06K 9/62(2022.01) G06F 40/30(2020.01) G06Q 30/06(2012.01) (54)发明名称 基于语义网和簇偏好的冷链物流推荐方法 及装置 (57)摘要 本发明公开了基于语义网和簇偏好的冷链 物流推荐方法及装置， 首先对用户、 车源和历史 订单信息进行数据清洗和整理， 按照其原有结构 构建冷链物流知识图谱； 接着使用知识表示的 TransR算法将知识图谱的实体和关系嵌入到低 维向量， 并计算用户间的语义相似度； 再利用社 区发现算法对用户进行聚类获得用户簇； 然后根 据聚类结果构建用户簇偏好矩阵和偏好子图， 利 用余弦相似度计算出用户簇和各用户对应的相 似度， 取最相似的TopN为邻近集， 依据邻近集中 用户对车源的评分预测出用户簇对 车源的评分， 按降序排列得到评分推荐列表， 同时计算用户簇 偏好子图中车源实体和其他车源实体的相似度， 按降序排列得到语义推荐列表； 最后取语义推荐 列表和评分推荐列表的交集作为最终推荐列表。 该方法充分利用语义网的语义关系， 深层次地挖 掘用户兴趣， 并利用用户簇偏好进行推荐， 可 以有效应对一车多单的情况， 增 加车辆满载率。 权利要求书2页 说明书7页 附图4页 CN 114399251 A 2022.04.26 CN 114399251 A 1.基于语义网和簇偏好的冷链 物流推荐方法， 其特 征在于， 包括如下步骤： 步骤1： 对用户、 车源和历史订单信息进行数据清洗和整理， 按照数据其原有结构构建 冷链物流知识图谱； 步骤2： 利用知识表示的TransR算法将知识图谱的实体和关系嵌入到低维向量， 并计算 用户间的语义相似度； 步骤3： 利用社区发现算法对用户进行聚类获得用户簇； 步骤4： 构建车源评分矩阵， 对评分矩阵进行聚合获取整个簇的评分矩阵， 利用余弦相 似度计算用户簇和用户间的相似度， 依据最相似的TopN用户对车源的评 分计算用户簇对车 源的预测评 分， 同时统计相似簇中子节点频数， 构建用户簇偏好子图， 计算用户簇偏好车源 和车源的语义相似度； 步骤5： 依据用户簇对车源的预测评分和车源语义相似度按降序排序得到评分推荐列 表和语义推荐列表， 取其交集作为 最终推荐列表。 2.根据权利要求1所述的基于语义网和簇偏好的冷链物流推荐方法， 其特征在于， 所述 步骤1的具体方法为： 步骤1.1： 从无车承运平台获取用户、 车源和历史订单信息， 对其进行数据清洗和整理， 确保数据的完整性； 步骤1.2： 将用户和车源数据中的实体导入Neo4j图数据库， 并按照原有实体之间的关 系属性， 构成冷链 物流知识图谱， 得到结构化知识的三元组。 3.根据权利要求1所述的基于语义网和簇偏好的冷链物流推荐方法， 其特征在于， 所述 步骤2的具体方法为： 步骤2.1： 使用TransR知识表示算法将实体和 关系嵌入到一个R维的语义空间， 每个用 户语义向量表示为Ui＝(e1i,e2i,…,eni)T， Ui表示用户i的语义向量， eki为语义向量第k维上 的值， 其中， 变量 k∈[1,n]； 步骤2.2： 利用欧几里得距离计算用户间的语义相似度， 计算公式为 其中i和j为用户i和用户j； 步骤2.3： 利用规约公式 将用户间的语义相似度规约到(0, 1]之间， simsem_user(i,j)值越大， 说明用户i和j用户越相似。 4.根据权利要求1所述的基于语义网和簇偏好的冷链物流推荐方法， 其特征在于， 所述 步骤3的具体方法为： 步骤3.1： 将每个用户实体作为一个社区节点， 用户间的语义相似度作为两个节点间的 连边的权重， Louvain算法的模块度计算公式为 其中， Q表示 模块度， m表示所有连边 的权重之和， Ai， j表示用户实体i和实体j之间连边的权重， ki表示 与用户实体i连边的权重之和， δ(ci， cj)函数表示， 若用户实体i和实体j被划分在同一社区 时其值为1， 若不在同一社区值 为0； 步骤3.2： 利用Louvain算法对社区进行聚类划分， 依次将每个用户实体与之相邻实体 合并在一起， 计算它们的模块度增益， 将最大的正 △Q的实体合并到社区C， 当实体不移动 时， 算法结束， 输出分类用户簇集合为C＝{c1， c2， ...， cl}， 模块度增益计算公式为权　利　要　求　书 1/2 页 2 CN 114399251 A 2其中ki代表用户实体i的连边权重之和， ki， in表示社区C内实体与 用户实体i的权重， ∑t ot表示社区C的用户实体相连的边的权重 之和， m为社区C中所有连边 的权重之和。 5.根据权利要求1所述的基于语义网和簇偏好的冷链物流推荐方法， 其特征在于， 所述 步骤4的具体方法为： 步骤4.1： 根据历史订单信息， 整理出用户对于车源的评分数据， 用户集合U＝(u1， u2， ...， um)， m为用户个数， 车源集合I＝(i1， i2， ...， in)， n为车源个数， 构建m ×n的用户‑车 源评分矩阵； 步骤4.2： 通过每个簇中的用户的评分向量聚合可以得到整个簇的评分向量St， 计算公 式为 其中Si为第i位用户对车源的评分； 步骤4.3： 利用余弦相似度 计算用户簇和用户间相似 度， St和Sj分别为用户簇和用户j对车源的评分向量， 取相似度最高的TopN作为用户簇的邻 近集合Vn， 根据邻近用户对车源的评分预测用户簇对车源的评分， 计算公式为 其中sim(St， Sj)为用户簇与邻近用户之间的相似度值， Rk， j为Vn中邻近用户给车源j的评分， 为用户簇对车源的平均评分， 为用户对车源的平 均评分， Pt， j为用户簇对车源的预测评分； 步骤4.4： 统计相似簇中用户每个子节点标签的频数， 获取最大频数子节点标签， 按照 原有冷链 物流知识图谱结构 构建用户簇偏好子图； 步骤4.5： 按照步骤2.1对偏好子图进行知识表示学习， 获得的语义向量为Uti＝(e1ti， e2ti，…， emti)T， Uti表示第i个用户簇偏好车源语义向量； 步骤4.6： 按照步骤2.2、 2.3方法计算车源间的语义相似度为 其中simsem_car(t， j)为偏好车源语义相似度。 6.根据权利要求1所述的基于语义网和簇偏好的冷链物流推荐方法， 其特征在于， 所述 步骤5的具体方法为： 步骤5.1： 将预测评分按分值降序排序， 选取分值最高的TopN作 为用户簇评分推荐列表 Ls， 同样将偏好车源语义相似度按照降序排序， 选取相似度最高的TopN作为用户簇语义推 荐列表Ll； 步骤5.2： 取评分推荐列表和语义推荐列表的交集 Lf＝Ls∩Ll为最终的推荐列表。 7.基于语义网和簇偏好的冷链物流推荐装置， 包括存储器、 处理器及存储在存储器上 并可在处理器上运行 的计算机程序， 其特征在于， 所述计算机程序被加载至处理器时实现 根据权利要求1 ‑6任一项所述的基于语义网和簇偏好的冷链 物流推荐方法。权　利　要　求　书 2/2 页 3 CN 114399251 A 3