本技術(shù)涉及信息處理，特別涉及一種應用于融合信息的農(nóng)產(chǎn)品信息聚類方法及系統(tǒng)。

背景技術(shù)：

1、隨著信息技術(shù)的快速發(fā)展，各類信息呈爆炸式增長。在農(nóng)產(chǎn)品企業(yè)營銷和客戶管理中，往往需要處理大量來自不同農(nóng)產(chǎn)品營銷渠道的信息，如客戶信息、農(nóng)產(chǎn)品銷售信息、農(nóng)產(chǎn)品市場反饋等。這些信息通常被稱為融合信息，具有數(shù)據(jù)量大、類型多樣、來源分散等特點。如何有效地管理和利用融合信息，挖掘其中的價值，是企業(yè)面臨的重要課題。

2、公開號為cn109544248a的中國專利公開了一種基于互聯(lián)網(wǎng)信息進行銷售線索挖掘的方法，包括：通過確定哪些因素會影響線索挖掘的數(shù)量：線索的來源渠道不夠，只停留在傳統(tǒng)的線索獲取渠道，比如網(wǎng)站、電話、郵寄；營銷團隊在營銷策略設計時，對線索的獲取方式和場景考慮不周全；如何獲取更多的銷售線索：深入研究產(chǎn)品的目標客戶特征，對目標客戶進行多維度的分析，找到目標客戶可能出現(xiàn)的地方和場景；通過多種渠道獲取線索，不依賴某一種線索來源，多做嘗試；如何確定高質(zhì)量線索：線索中的聯(lián)系人對產(chǎn)品感興趣或者有明確的購買意向；線索中的聯(lián)系人對購買產(chǎn)品有決策權(quán)；線索包含的數(shù)據(jù)維度有助于銷售人員做后續(xù)的跟進和轉(zhuǎn)化；如何提高了銷售線索的質(zhì)量：對不同渠道來源的線索質(zhì)量進行數(shù)據(jù)化的評估；從高質(zhì)量線索的標準出發(fā)，在線索獲取的時候，就引入高質(zhì)量線索的數(shù)據(jù)維度和比較合適的線索獲取投放場景。

3、傳統(tǒng)的農(nóng)產(chǎn)品供需評估方法在農(nóng)產(chǎn)品多源異構(gòu)信息融合方面存在局限性，難以充分挖掘農(nóng)產(chǎn)品多維屬性、銷售行為、供需關(guān)系等融合信息的價值，未能全面刻畫農(nóng)產(chǎn)品的特征，未能充分考慮不同農(nóng)產(chǎn)品購買群體的差異性，導致農(nóng)產(chǎn)品供需評估和推薦的精準度不高。

技術(shù)實現(xiàn)思路

1、本技術(shù)旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問題之一。為此，本技術(shù)的一個目的在于提出一種應用于融合信息的農(nóng)產(chǎn)品信息聚類方法及系統(tǒng)，提高了農(nóng)產(chǎn)品供需信息推薦的精準性和個性化。

2、本技術(shù)的一個方面提供了一種應用于融合信息的農(nóng)產(chǎn)品信息聚類方法，包括：

3、步驟s100：收集農(nóng)產(chǎn)品的結(jié)構(gòu)化屬性數(shù)據(jù)、銷售行為數(shù)據(jù)和供需網(wǎng)絡數(shù)據(jù)，構(gòu)成原始數(shù)據(jù)集d；

4、所述收集農(nóng)產(chǎn)品的結(jié)構(gòu)化屬性數(shù)據(jù)、銷售行為數(shù)據(jù)和供需網(wǎng)絡數(shù)據(jù)，構(gòu)成原始數(shù)據(jù)集d的具體方法為：

5、步驟s110：從農(nóng)產(chǎn)品信息管理數(shù)據(jù)庫中收集農(nóng)產(chǎn)品的結(jié)構(gòu)化屬性數(shù)據(jù)，包括：農(nóng)產(chǎn)品類別屬性、農(nóng)產(chǎn)品價值屬性，其中，表示結(jié)構(gòu)化屬性數(shù)據(jù)的數(shù)量；表示第個結(jié)構(gòu)化屬性數(shù)據(jù)；

6、步驟s120：從電商平臺上收集農(nóng)產(chǎn)品的銷售行為數(shù)據(jù)，包括：瀏覽記錄、購買記錄、搜索記錄，其中，表示銷售行為數(shù)據(jù)的數(shù)量；表示第個銷售行為數(shù)據(jù)；

7、步驟s130：從供需媒體平臺上收集農(nóng)產(chǎn)品的供需網(wǎng)絡數(shù)據(jù)，包括：供應信息、需求信息、交易數(shù)據(jù)，其中，表示供需網(wǎng)絡數(shù)據(jù)的數(shù)量；表示第個供需網(wǎng)絡數(shù)據(jù)；

8、步驟s140：由結(jié)構(gòu)化屬性數(shù)據(jù)、銷售行為數(shù)據(jù)和供需網(wǎng)絡數(shù)據(jù)進行預處理，得到原始數(shù)據(jù)集；

9、步驟s200：對農(nóng)產(chǎn)品的結(jié)構(gòu)化屬性數(shù)據(jù)、銷售行為數(shù)據(jù)和供需網(wǎng)絡數(shù)據(jù)進行特征學習，得到屬性特征、行為特征和供需特征并進行特征融合得到農(nóng)產(chǎn)品多視圖特征表示；

10、所述對農(nóng)產(chǎn)品的結(jié)構(gòu)化屬性數(shù)據(jù)、銷售行為數(shù)據(jù)和供需網(wǎng)絡數(shù)據(jù)進行特征學習，得到屬性特征、行為特征和供需特征并進行特征融合得到農(nóng)產(chǎn)品多視圖特征表示的具體方法為：

11、步驟s210：使用自編碼器對結(jié)構(gòu)化屬性數(shù)據(jù)進行特征學習，提取得到屬性特征；

12、所述使用自編碼器對結(jié)構(gòu)化屬性數(shù)據(jù)進行特征學習，提取得到屬性特征的具體方法為：

13、步驟s211：構(gòu)建自編碼器，所述自編碼器包括編碼器和解碼器；

14、步驟s212：利用結(jié)構(gòu)化屬性數(shù)據(jù)訓練自編碼器，以重構(gòu)損失和正則化損失作為訓練自編碼器的損失函數(shù)，以最小化損失函數(shù)作為訓練目標，對自編碼器的權(quán)重矩陣和偏置向量進行優(yōu)化；

15、所述自編碼器的優(yōu)化目標為：，其中，為輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的重構(gòu)損失，為正則化項，λ為正則化系數(shù)，表示對權(quán)重矩陣w和偏置向量b進行最小化；

16、步驟s213：當權(quán)重矩陣w和偏置向量b達到最小值時，得到訓練好的自編碼器，將編碼器部分提取出來，對結(jié)構(gòu)化屬性數(shù)據(jù)進行前向傳播，得到屬性特征；

17、步驟s220：使用lda主題模型和word2vec分別對銷售行為數(shù)據(jù)進行特征學習，得到行為特征，所述行為特征包括主題行為特征和詞嵌入行為特征；

18、所述lda主題模型是一種生成式概率模型，用于發(fā)現(xiàn)文檔集合中潛在的主題。

19、所述word2vec是一種用于詞向量表示的模型，通過神經(jīng)網(wǎng)絡將詞映射到向量空間，使得具有相似語義的詞在向量空間中彼此接近。

20、所述使用lda主題模型和word2vec分別對銷售行為數(shù)據(jù)進行特征學習，得到行為特征，所述行為特征包括主題行為特征和詞嵌入行為特征的具體方法為：

21、使用lda主題模型對銷售行為數(shù)據(jù)進行特征學習，對銷售行為數(shù)據(jù)中的購買記錄中每個主題的關(guān)鍵詞進行概率分布的統(tǒng)計，得到主題行為特征；

22、所述lda主題模型的公式為：，其中，表示在銷售行為數(shù)據(jù)的購買記錄d中觀察到關(guān)鍵詞的概率，為購買記錄的第k個主題，k表示主題的總數(shù)；k≤k；

23、將最大化銷售行為數(shù)據(jù)中的中心詞和背景詞的共現(xiàn)頻率，以及最小化中心詞和負樣本詞的共現(xiàn)頻率作為訓練word2vec的目標函數(shù)，得到word2vec；

24、所述word2vec的目標函數(shù)為：

25、；

26、其中，表示最大化銷售行為數(shù)據(jù)中的中心詞和背景詞的共現(xiàn)頻率，表示最小化中心詞和負樣本詞的共現(xiàn)頻率，表示中心詞wo的向量嵌入的轉(zhuǎn)置，表示背景詞wi的向量嵌入，表示負采樣詞，k'表示負采樣的次數(shù)，表示對k'個負采樣詞的損失求平均值；表示第次負采樣；≤k'；

27、使用word2vec對銷售行為數(shù)據(jù)進行特征學習，得到每個關(guān)鍵詞的嵌入向量，將嵌入向量進行拼接得到詞嵌入行為特征；

28、步驟s230：使用圖卷積網(wǎng)絡對供需網(wǎng)絡數(shù)據(jù)進行特征學習，得到供需特征；

29、所述圖卷積網(wǎng)絡的訓練過程為：將供需網(wǎng)絡數(shù)據(jù)中的每個農(nóng)產(chǎn)品視為一個農(nóng)產(chǎn)品節(jié)點，創(chuàng)建節(jié)點集合v，將農(nóng)產(chǎn)品之間的供需關(guān)系作為邊，邊的權(quán)重根據(jù)供需關(guān)系的強度進行設置，構(gòu)建邊集合，得到農(nóng)產(chǎn)品供需網(wǎng)絡圖；

30、為每個農(nóng)產(chǎn)品節(jié)點提取農(nóng)產(chǎn)品的節(jié)點特征，所述節(jié)點特征包括：農(nóng)產(chǎn)品的供應量、需求量、價格波動，將每個節(jié)點特征表示為一個向量，構(gòu)建節(jié)點特征矩陣；

31、根據(jù)邊集合構(gòu)建鄰接矩陣a，其中矩陣a中元素的值為邊(i，j)的權(quán)重；i和j分別表示農(nóng)產(chǎn)品節(jié)點i和農(nóng)產(chǎn)品節(jié)點j；

32、初始化圖卷積網(wǎng)絡的層數(shù)l和每層的權(quán)重矩陣，將節(jié)點特征矩陣作為初始的節(jié)點表示；

33、對于每一層l，l∈[1，l]，將其鄰接矩陣進行歸一化得到；

34、根據(jù)上一層的節(jié)點表示、權(quán)重矩陣和歸一化的鄰接矩陣，通過激活函數(shù)得到下一層的節(jié)點表示，計算公式為：，得到最后一層的節(jié)點表示作為節(jié)點的供需特征；為激活函數(shù)；

35、使用交叉熵損失函數(shù)作為訓練圖卷積網(wǎng)絡的損失函數(shù)，使用反向傳播算法和優(yōu)化器最小化損失函數(shù)，當損失函數(shù)達到最小值時，訓練完成，得到訓練好的圖卷積網(wǎng)絡；

36、步驟s240：將學習到的屬性特征、行為特征、供需特征進行特征融合，得到農(nóng)產(chǎn)品多視圖特征表示e；

37、所述農(nóng)產(chǎn)品多視圖特征表示，為農(nóng)產(chǎn)品多視圖特征表示的子特征，；

38、步驟s300：使用聚類算法在屬性特征上將農(nóng)產(chǎn)品劃分為個屬性簇，在行為特征上將農(nóng)產(chǎn)品劃分為個行為簇，在供需特征上將農(nóng)產(chǎn)品劃分為個供需簇；

39、所述使用聚類算法在屬性特征上將農(nóng)產(chǎn)品劃分為個屬性簇，在行為特征上將農(nóng)產(chǎn)品劃分為個行為簇，在供需特征上將農(nóng)產(chǎn)品劃分為個供需簇的具體方法為：

40、所述在屬性特征上將農(nóng)產(chǎn)品劃分為個屬性簇的具體方法為：

41、步驟s311：隨機確定個聚類中心，對于每個農(nóng)產(chǎn)品，將其視作一個樣本點，計算與該樣本點距離最近的一個聚類中心，將該樣本點分配給對應的聚類中心，每個聚類中心及其樣本點為一個聚類；

42、步驟s312：對于每個聚類，重新計算其聚類中心，以該聚類中樣本點的平均值作為新的聚類中心；

43、步驟s313：重新劃分每個樣本點到距離其最近的聚類中心的聚類中，直到聚類結(jié)果不再變化時停止，得到個基于屬性特征進行聚類的農(nóng)產(chǎn)品的屬性簇；

44、所述在行為特征上將農(nóng)產(chǎn)品劃分為個行為簇的具體方法為：

45、步驟s321：通過已訓練好的lda主題模型學習得到銷售行為數(shù)據(jù)中的購買記錄中的主題分布，得到個主題，利用k-means聚類算法按照主題行為特征對農(nóng)產(chǎn)品進行分類，得到個主題行為簇；

46、步驟s322：根據(jù)詞嵌入行為特征，使用k-means聚類算法將農(nóng)產(chǎn)品基于行為模式進行分類，得到個詞嵌入行為簇；

47、所述在供需特征上將農(nóng)產(chǎn)品劃分為個供需簇的具體方法為：

48、步驟s331：將每個農(nóng)產(chǎn)品節(jié)點設定為一個社區(qū)，則初始社區(qū)數(shù)量為節(jié)點集合v的數(shù)量，計算農(nóng)產(chǎn)品供需網(wǎng)絡圖中的總邊權(quán)重為，表示農(nóng)產(chǎn)品供需網(wǎng)絡圖中供需關(guān)系強度的總和；

49、步驟s332：對于每個農(nóng)產(chǎn)品節(jié)點i，遍歷其所有鄰居農(nóng)產(chǎn)品節(jié)點j，計算農(nóng)產(chǎn)品節(jié)點i分配給鄰居農(nóng)產(chǎn)品節(jié)點j所在社區(qū)時的模塊度q的變化量；

50、所述模塊度q的計算公式為：，其中，、為與農(nóng)產(chǎn)品節(jié)點i、農(nóng)產(chǎn)品節(jié)點j相連的邊權(quán)重之和，指農(nóng)產(chǎn)品i和農(nóng)產(chǎn)品j所屬的社區(qū)是否為相同，當相同時為1，否則為0；

51、步驟s333：計算每個農(nóng)產(chǎn)品節(jié)點分配給每個社區(qū)的模塊度，得到模塊度提升最大所對應的社區(qū)，將該農(nóng)產(chǎn)品節(jié)點分配給該社區(qū)，直到社區(qū)分配的農(nóng)產(chǎn)品節(jié)點的結(jié)果不再變化；

52、步驟s334：將每個社區(qū)看作一個社區(qū)節(jié)點，構(gòu)建社區(qū)網(wǎng)絡，將社區(qū)節(jié)點之間的邊權(quán)重設定為原始每個社區(qū)之間的邊權(quán)重之和，社區(qū)節(jié)點的自環(huán)邊權(quán)重為原始每個社區(qū)內(nèi)部的邊權(quán)重之和；

53、步驟s335：根據(jù)社區(qū)網(wǎng)絡得到社區(qū)劃分結(jié)果，每個社區(qū)代表一個根據(jù)農(nóng)產(chǎn)品的供需特征劃分的供需簇；

54、步驟s400：利用屬性簇、行為簇和供需簇，對每一個簇構(gòu)建群體畫像，實時獲取當前農(nóng)產(chǎn)品的農(nóng)產(chǎn)品信息，計算該農(nóng)產(chǎn)品與每個簇之間的隸屬度分數(shù)，根據(jù)隸屬度分數(shù)計算該農(nóng)產(chǎn)品的供需評分；

55、所述利用屬性簇、行為簇和供需簇，對每一個簇構(gòu)建群體畫像，實時獲取當前農(nóng)產(chǎn)品的農(nóng)產(chǎn)品信息，計算該農(nóng)產(chǎn)品與每個簇之間的隸屬度分數(shù)，根據(jù)隸屬度分數(shù)計算該農(nóng)產(chǎn)品的供需評分的具體方法為：

56、步驟s410：將屬性簇、行為簇和供需簇進行編號，對于第ri個簇的第rj個特征，計算該簇內(nèi)所有農(nóng)產(chǎn)品在該特征上的均值和標準差，得到第ri個簇的群體畫像，表示第ri個簇的第rj個特征上的均值和標準差，rj表示特征的總數(shù)量，rj∈{1,2,...,rj}；所述特征是指屬性簇、行為簇和供需簇分別對應的屬性特征、行為特征、供需特征；

57、步驟s420：計算農(nóng)產(chǎn)品與每個群體畫像之間的距離，并將距離轉(zhuǎn)化為隸屬度分數(shù)；

58、所述隸屬度分數(shù)的計算公式為：，其中，vi表示農(nóng)產(chǎn)品vi，表示農(nóng)產(chǎn)品vi與第ri個簇的群體畫像之間的距離，γ為控制參數(shù)；表示農(nóng)產(chǎn)品vi的隸屬度分數(shù)；

59、步驟s430：根據(jù)農(nóng)產(chǎn)品與各個簇之間的隸屬度分數(shù)，計算該農(nóng)產(chǎn)品的供需評分；

60、所述供需評分的計算公式為：，其中表示第ri個簇的權(quán)重系數(shù)，表示農(nóng)產(chǎn)品vi在所有簇中的最大隸屬度分數(shù)；

61、步驟s500：根據(jù)農(nóng)產(chǎn)品的隸屬度分數(shù)，選取與該農(nóng)產(chǎn)品最相似的個簇作為該農(nóng)產(chǎn)品的候選供需集合，將候選供需集合按照隸屬度分數(shù)降序排序，生成該農(nóng)產(chǎn)品的條供需信息；

62、所述根據(jù)農(nóng)產(chǎn)品的隸屬度分數(shù)，選取與該農(nóng)產(chǎn)品最相似的個簇作為該農(nóng)產(chǎn)品的候選供需集合，將候選供需集合按照隸屬度分數(shù)降序排序，生成該農(nóng)產(chǎn)品的條供需信息的具體方法為：

63、步驟s510：計算農(nóng)產(chǎn)品與每個簇的隸屬度分數(shù)，將每個簇按照隸屬度分數(shù)進行降序排序，選取前個簇作為該農(nóng)產(chǎn)品的候選供需集合；

64、步驟s520：按照排序后的簇的序列，從候選供需集合中依次選取簇，根據(jù)該簇的特征生成該農(nóng)產(chǎn)品的條供需信息。

65、本技術(shù)的一個方面提供了一種應用于融合信息的農(nóng)產(chǎn)品信息聚類系統(tǒng)，包括：

66、數(shù)據(jù)集構(gòu)建模塊，用于收集農(nóng)產(chǎn)品的結(jié)構(gòu)化屬性數(shù)據(jù)、銷售行為數(shù)據(jù)和供需網(wǎng)絡數(shù)據(jù)，構(gòu)成原始數(shù)據(jù)集d；

67、特征融合模塊，用于對農(nóng)產(chǎn)品的結(jié)構(gòu)化屬性數(shù)據(jù)、銷售行為數(shù)據(jù)和供需網(wǎng)絡數(shù)據(jù)進行特征學習，得到屬性特征、行為特征和供需特征并進行特征融合得到農(nóng)產(chǎn)品多視圖特征表示；

68、聚類簇劃分模塊，用于使用聚類算法在屬性特征上將農(nóng)產(chǎn)品劃分為個屬性簇，在行為特征上將農(nóng)產(chǎn)品劃分為個行為簇，在供需特征上將農(nóng)產(chǎn)品劃分為個供需簇；

69、供需評分計算模塊，用于利用屬性簇、行為簇和供需簇，對每一個簇構(gòu)建群體畫像，實時獲取當前農(nóng)產(chǎn)品的農(nóng)產(chǎn)品信息，計算該農(nóng)產(chǎn)品與每個簇之間的隸屬度分數(shù)，根據(jù)隸屬度分數(shù)計算該農(nóng)產(chǎn)品的供需評分；

70、個性化推薦模塊，用于根據(jù)農(nóng)產(chǎn)品的隸屬度分數(shù)，選取與該農(nóng)產(chǎn)品最相似的個簇作為該農(nóng)產(chǎn)品的候選供需集合，將候選供需集合按照隸屬度分數(shù)降序排序，生成該農(nóng)產(chǎn)品的條供需信息。

71、本技術(shù)的一個方面提供了一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時，以實現(xiàn)一種應用于融合信息的農(nóng)產(chǎn)品信息聚類方法中的步驟。

72、本技術(shù)的一個方面提供了一種可讀存儲介質(zhì)，所述可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序適于處理器進行加載，以執(zhí)行一種應用于融合信息的農(nóng)產(chǎn)品信息聚類方法中的步驟。

73、本技術(shù)提出的一種應用于融合信息的農(nóng)產(chǎn)品信息聚類方法及系統(tǒng)相對于現(xiàn)有技術(shù)，具備以下優(yōu)點：

74、本技術(shù)考慮了結(jié)構(gòu)化屬性數(shù)據(jù)、銷售行為數(shù)據(jù)和供需網(wǎng)絡數(shù)據(jù)等多種數(shù)據(jù)源，針對不同數(shù)據(jù)類型提出了相應的預處理和特征學習方法，如自編碼器、lda、word2vec、gcn，這種多源數(shù)據(jù)融合的思路有助于全面刻畫農(nóng)產(chǎn)品特征，提升供需評估的精準度。

75、在農(nóng)產(chǎn)品聚類時，本技術(shù)采用了多維度聚類的思路，在不同的特征子空間分別進行聚類，然后再融合不同維度的聚類結(jié)果，這種多粒度、多角度的聚類方式能夠捕捉農(nóng)產(chǎn)品的多樣性和差異性，得到更加精細和全面的農(nóng)產(chǎn)品畫像。

76、在群體畫像構(gòu)建時，本技術(shù)不僅考慮了聚類中心，還引入了聚類的標準差信息，從均值和離散度兩個層面刻畫群體特征，在供需評分時，提出了隸屬度分數(shù)計算的方法，量化了農(nóng)產(chǎn)品對不同聚類的相對匹配程度，這些細粒度的建模有助于挖掘農(nóng)產(chǎn)品的隱藏供需關(guān)系，提高供需匹配的精準度。

77、本技術(shù)從數(shù)據(jù)、算法、策略等多個層面體現(xiàn)了個性化的思想，力求從群體和個體兩個層面，挖掘農(nóng)產(chǎn)品的差異化特征和供需關(guān)系，提供量身定制的農(nóng)產(chǎn)品供需關(guān)系匹配服務，這種個性化的理念與當前的農(nóng)產(chǎn)品精準營銷趨勢高度契合。