本發(fā)明涉及模式識(shí)別與機(jī)器學(xué)習(xí)的技術(shù)領(lǐng)域，主要涉及到一種找化網(wǎng)背景下多不定核匹配算法。
背景技術(shù)：
找化網(wǎng)是一個(gè)跨境化學(xué)品B2B一站式交易服務(wù)平臺(tái)。通過(guò)平臺(tái)，客戶(hù)可以找到最原始的廠家。我們提供對(duì)比價(jià)格，檢測(cè)質(zhì)量，安排運(yùn)輸，保險(xiǎn)，報(bào)關(guān)，發(fā)貨等一站式供應(yīng)鏈服務(wù)。找化網(wǎng)的盈利模式是買(mǎi)家免費(fèi)，賣(mài)家成交后收傭金，做到不成交不收費(fèi)，平臺(tái)致力于建設(shè)全球化學(xué)品研發(fā)，生產(chǎn)，銷(xiāo)售一條龍的生態(tài)鏈，主要有三大功能：
1， 通過(guò)了解客戶(hù)需求，我們匯集全球在某個(gè)特定時(shí)間段的訂單，將訂單與供應(yīng)商之間進(jìn)行匹配和價(jià)格磋商。然后根據(jù)客戶(hù)要求，安排運(yùn)輸；
2， 通過(guò)優(yōu)惠特賣(mài)，把家里有存貨的、又急著變現(xiàn)的企業(yè)，通過(guò)客戶(hù)在系統(tǒng)里留下的大數(shù)據(jù)，一對(duì)一最快速度聯(lián)系客戶(hù)，以特殊時(shí)間特殊價(jià)格的方式快速消化庫(kù)存；
3， 通過(guò)精準(zhǔn)匹配，可以幫助客戶(hù)控制質(zhì)量和風(fēng)險(xiǎn)，保證資金流和數(shù)據(jù)流的統(tǒng)一。采集客戶(hù)和供應(yīng)商生產(chǎn)銷(xiāo)售的大數(shù)據(jù)。將客戶(hù)和供應(yīng)商采購(gòu)系統(tǒng)相對(duì)接，提前一段時(shí)間得到客戶(hù)采購(gòu)計(jì)劃和安排，這樣可以更好地安排生產(chǎn)，旺季和淡季相結(jié)合生產(chǎn)，從而降低成本；
針對(duì)上述特點(diǎn)，本發(fā)明公布了一種找化網(wǎng)背景下多不定核匹配算法，該方法主要包括以下步驟：1）獲取終端用戶(hù)的詳細(xì)需求；2）提取特征：提取終端用戶(hù)詳細(xì)需求的特征；3）通過(guò)多個(gè)不定核函數(shù)將這些特征轉(zhuǎn)化成核矩陣；4）匹配模型：采用多類(lèi)Hinge-loss損失函數(shù)構(gòu)建最終的多不定核匹配模型；5）通過(guò)匹配模型為終端用戶(hù)推薦符合要求的化工廠。
技術(shù)實(shí)現(xiàn)要素：
發(fā)明目的：為了解決找化網(wǎng)背景下的匹配問(wèn)題，本發(fā)明提出了一種找化網(wǎng)背景下多不定核匹配算法，該方法采用多類(lèi)Hinge-loss損失函數(shù)來(lái)更有效地利用數(shù)據(jù)信息和更好地處理匹配問(wèn)題，利用不定核技術(shù)構(gòu)造一個(gè)更有效的核組合，提升匹配算法的泛化能力以獲得更優(yōu)的匹配結(jié)果。
技術(shù)方案：在對(duì)該方法具體步驟進(jìn)行描述前，首先給出相關(guān)的定義及表示：
（a）特征：來(lái)自終端用戶(hù)詳細(xì)需求的特征；
（b）匹配目標(biāo)：化工廠所屬類(lèi)別；
（c）不定核：由再生核Kre?n空間中數(shù)據(jù)內(nèi)積演化而來(lái)的不定核函數(shù)；
本發(fā)明提供了一種找化網(wǎng)背景下多不定核匹配算法，該方法包括兩個(gè)階段：訓(xùn)練和應(yīng)用。具體步驟如下：
本發(fā)明公布了一種找化網(wǎng)背景下多不定核匹配算法，該方法主要包括以下步驟：1）獲取終端用戶(hù)的詳細(xì)需求；2）提取特征：提取終端用戶(hù)詳細(xì)需求的特征；3）通過(guò)多個(gè)不定核函數(shù)將這些特征轉(zhuǎn)化成核矩陣；4）匹配模型：采用多類(lèi)Hinge-loss損失函數(shù)構(gòu)建最終的多不定核匹配模型；5）通過(guò)匹配模型為終端用戶(hù)推薦符合要求的化工。
所述步驟2）采用信息增益（IG）的方法提取終端用戶(hù)詳細(xì)需求的特征。對(duì)于一個(gè)系統(tǒng)，其信息熵為：。C表示類(lèi)別個(gè)數(shù)，表示第i的類(lèi)別概率。信息增益提取特征詞步驟：
1）統(tǒng)計(jì)正負(fù)分類(lèi)數(shù)，記為N1，N2；
2）統(tǒng)計(jì)每個(gè)詞在正分類(lèi)出現(xiàn)的頻率（A）,負(fù)分類(lèi)出現(xiàn)的頻率（B）,正分類(lèi)不出現(xiàn)的頻率（C），負(fù)分類(lèi)的不出現(xiàn)的頻率（D）；
3）計(jì)算信息熵；
（1）
4）計(jì)算每個(gè)詞w的信息增益；
（2）
5）按照信息增益的大小排序，選取最終特征。
所述步驟3）采用多個(gè)不定核函數(shù)（Indefinite Kernel Function)將特征轉(zhuǎn)化為相對(duì)應(yīng)的核矩陣（Kernel Matrix），從而將低維的特征映射到高維空間。核函數(shù)k(·,·)是定義在輸入空間上的對(duì)稱(chēng)函數(shù)。對(duì)于任意數(shù)據(jù)，我們會(huì)得到下列核矩陣：
所述步驟4）采用多類(lèi)Hinge-loss損失函數(shù)來(lái)設(shè)計(jì)匹配模型。具體步驟如下：
1）構(gòu)造匹配函數(shù)。在多核的基礎(chǔ)上，構(gòu)造如下的匹配函數(shù)：
（3）
其中，j表示c個(gè)推薦中的第j個(gè)，i表示m個(gè)終端用戶(hù)中的第i個(gè)。 是核組合系數(shù)，u表示r個(gè)核函數(shù)的第u個(gè)。矩陣是匹配器系數(shù)，定義如下：
2）上述的匹配模型可以表示成如下優(yōu)化問(wèn)題：
（4）
其中，為損失函數(shù)，和是正則化參數(shù)，
3）引入多類(lèi)Hinge-loss損失函數(shù)，定義如下：
（5）
其中，，，定義如下：
（6）
4）為了在匹配時(shí)更多的利用不同類(lèi)別的類(lèi)間信息，本專(zhuān)利采用多類(lèi)Hinge-loss損失函數(shù)提高模型的匹配性能：
（7）
其中，是用來(lái)增加匹配模型容錯(cuò)能力的松弛變量，從而提高匹配模型的匹配準(zhǔn)確度。
所述步驟5）根據(jù)匹配模型的匹配結(jié)果為終端用戶(hù)推薦最終的化工廠賣(mài)家，具體來(lái)說(shuō)，我們通過(guò)使用正定核和不定核的組合，對(duì)數(shù)據(jù)的各個(gè)特征分量分別進(jìn)行映射，使數(shù)據(jù)在高維特征空間中分布和表達(dá)更優(yōu)，使得匹配正確率明顯提高。
本發(fā)明的優(yōu)點(diǎn)主要體現(xiàn)在下面兩點(diǎn)：
1、我們采用多類(lèi)Hinge-loss損失函數(shù)來(lái)更有效地利用數(shù)據(jù)信息和更好地處理匹配問(wèn)題；
2、利用不定核技術(shù)構(gòu)造一個(gè)更有效的核組合，提升匹配算法的泛化能力以獲得更好的匹配結(jié)果。
附圖說(shuō)明
圖1是本發(fā)明在找化網(wǎng)背景下多不定核匹配算法流程圖。
具體實(shí)施方式
下面結(jié)合附圖和實(shí)例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明，本實(shí)例僅用于說(shuō)明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對(duì)本發(fā)明的各種等價(jià)形式的修改均落于本申請(qǐng)所附權(quán)利。本發(fā)明主要針對(duì)找化網(wǎng)背景下的匹配問(wèn)題，結(jié)合不定核技術(shù)、多類(lèi)Hinge-loss損失函數(shù)設(shè)計(jì)一個(gè)更好的匹配算法，一種找化網(wǎng)背景下多不定核匹配算法如圖1所示，包括兩個(gè)階段：訓(xùn)練和測(cè)試。具體步驟如下：
1）獲取終端用戶(hù)的詳細(xì)需求；
2）特征提?。禾崛〗K端用戶(hù)詳細(xì)需求的特征；
3）通過(guò)多個(gè)不定核函數(shù)將這些特征轉(zhuǎn)化成核矩陣；
4）匹配模型：采用多類(lèi)Hinge-loss損失函數(shù)構(gòu)建最終的多不定核匹配模型；
5）通過(guò)匹配模型為終端用戶(hù)推薦符合要求的化工廠。
所述步驟2）采用信息增益（IG）的方法提取終端用戶(hù)詳細(xì)需求的特征，對(duì)于一個(gè)系統(tǒng)，其信息熵為：，C表示類(lèi)別個(gè)數(shù)，表示第i的類(lèi)別概率，信息增益提取特征詞步驟：
1) 統(tǒng)計(jì)正負(fù)分類(lèi)數(shù)，記為N1，N2；
2) 統(tǒng)計(jì)每個(gè)詞在正分類(lèi)出現(xiàn)的頻率（A）,負(fù)分類(lèi)出現(xiàn)的頻率（B）,正分類(lèi)不出現(xiàn)的頻率（C），負(fù)分類(lèi)的不出現(xiàn)的頻率（D）；
3) 計(jì)算信息熵；
（1）
4) 計(jì)算每個(gè)詞w的信息增益；
（2）
5)按照信息增益的大小排序，選取最終特征。
所述步驟3）采用多個(gè)不定核函數(shù)（Indefinite Kernel Function)將特征轉(zhuǎn)化為相對(duì)應(yīng)的核矩陣（Kernel Matrix），從而將低維的特征映射到高維空間，核函數(shù)k(·,·)是定義在輸入空間上的對(duì)稱(chēng)函數(shù)，對(duì)于任意數(shù)據(jù)，我們會(huì)得到下列核矩陣：
所述步驟4）采用多類(lèi)Hinge-loss損失函數(shù)來(lái)設(shè)計(jì)匹配模型。具體步驟如下：
a)構(gòu)造匹配函數(shù)。在多核的基礎(chǔ)上，構(gòu)造如下的匹配函數(shù)：
（3）
其中，j表示c個(gè)推薦中的第j個(gè)，i表示m個(gè)終端用戶(hù)中的第i個(gè)。 是核組合系數(shù)，u表示r個(gè)核函數(shù)的第u個(gè)。矩陣是匹配器系數(shù)，定義如下：
b)上述的匹配模型可以表示成如下優(yōu)化問(wèn)題：
（4）
其中，為損失函數(shù)，和是正則化參數(shù)，
c)引入多類(lèi)Hinge-loss損失函數(shù)，定義如下：
（5）
其中，，，定義如下：
（6）
d）為了在匹配時(shí)更多的利用不同類(lèi)別的類(lèi)間信息，本專(zhuān)利采用多類(lèi)Hinge-loss損失函數(shù)提高模型的匹配性能：
（7）
其中，是用來(lái)增加匹配模型容錯(cuò)能力的松弛變量，從而提高匹配模型的匹配準(zhǔn)確度。
所述步驟5）根據(jù)匹配模型的匹配結(jié)果為終端用戶(hù)推薦最終的化工廠賣(mài)家。