(19)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 202210953287.4 (22)申请日 2022.08.10 (71)申请人 玫斯江苏宠物食品科技有限公司 地址 226000 江苏省南 通市经济技 术开发 区景兴路22号 (72)发明人 王宜武　陈江楠　 (74)专利代理 机构 南通市集优专利代理事务所 (普通合伙) 32651 专利代理师 褚淑杰 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9536(2019.01) G06F 16/958(2019.01) G06K 9/62(2022.01) G06N 3/08(2006.01)G06Q 30/06(2012.01) (54)发明名称 一种基于个性化推荐的定制宠物食品方法 及系统 (57)摘要 本发明公开了一种基于个性化推荐的定制 宠物食品方法及系统， 该方法包括以下步骤： S1、 接收需求用户的宠物食品搜索指令； S2、 利用 Autoencoder神经网络模型融合用户的宠物食品 搜索指令与宠物食品的属性； S3、 利用k均值算法 对用户的宠物食品搜索指令进行聚类； S4、 对于 聚类所得到的每个簇进行协同过滤， 并产生推荐 给所需用户； S5、 用户选择的所需产品提供图片 素材； S6、 设计师通过Python语言编程实现针对 图像素材的有效识别； S7、 生成个性化推荐的订 制宠物食品设计方案。 本发明使用Autoencoder 降维的聚类协同过滤算法， 用低维的、 表达能力 更强的神经网络特征代替所需用户－宠物食品 店评分向量， 提升 推荐结果。 权利要求书3页 说明书9页 附图2页 CN 115017419 A 2022.09.06 CN 115017419 A 1.一种基于个性化推荐的定制宠物食品方法， 其特征在于， 该基于个性化推荐的定制 宠物食品方法包括以下步骤： S1、 接收需求用户的宠物食品搜索指令， 所述指令包括宠物食品类别； S2、 利用Autoencoder神经网络模型融合所述用户的宠物食品搜索指令与宠物食品的 属性， 并平滑用户的宠物食品搜索指令与宠物食品的评分之间的向量， 训练出低 维且密集 的特征： S21、 给定需求用户的宠物食品搜索指令的无 标签数据， 并进行 无监督学习数据特 征； S22、 将所述无标签数据输入到一个encoder编码器， 得到编码code， 通过decoder解码 器对code解码输出 数据信息， 计算数据信息与无 标签数据重构误差； S23、 通过调整encoder和decoder的参数， 使得所述重构误差最小， 所述编码code就是 input信号的表示； S24、 通过encoder编码器产生的编码code， 作为下一层输入， 重复步骤S21－步骤S23训 练， 依次逐层训练， 得到多层网络结构； S25、 通过反向神经网络对多层网络结构采用有标签数据训练网络， 并训练出低维且密 集的特征， 并得到新的训练样本集； S3、 利用k均值算法基于Autoencoder神经网络所得的特征对所述用户的宠物食品搜索 指令进行聚类； S4、 对于聚类所得到的每个簇进行基于所述用户的宠物食品搜索指令的协同过滤， 并 产生推荐给 所需用户； S5、 用户根据推荐选择合适的所需产品， 为选择的所需产品提供图片素材， 并将所述图 片素材在线传输给客 服人员， 由客 服人员整理图像素 材后传输给设计师； S6、 设计师通过Python语言编程实现针对图像素材的有效识别， 智能添加数据库的备 选宠物食品图标并缩放至合 适大小， 生成点 位设计； S7、 计算机同步输出标记的所需宠物食 品的数量、 品牌及型号所生成的格 式化清单， 并 生成个性 化推荐的订制宠物食品设计方案 。 2.根据权利要求1所述的一种基于个性化推荐的定制宠物食 品方法， 其特征在于， 所述 通过反向神经网络对多层网络结构采用有标签数据训练网络， 并训练出低维且密集的特征 还包括以下步骤： S251、 随机任意小值初始化连接 权与阈值； S252、 训练样本集 输入到网络结构； S253、 正向传播计算节点的输出； S254、 计算网络结构的期望 输出与实际输出的误差； S255、 反向传播调整网络结构的各个连接 权值； S255、 取出另一组样本重复步骤S252－步骤S255， 直至输入输出样本 的误差到达需求 时为止， 并得到新的训练样本集 。 3.根据权利要求1所述的一种基于个性化推荐的定制宠物食 品方法， 其特征在于， 所述 利用k均值算法基于Autoencoder神经网络所得的特征对所述用户的宠物食品搜索指令进 行聚类还 包括以下步骤：权　利　要　求　书 1/3 页 2 CN 115017419 A 2S31、 根据新的训练样本集 ， 利用k均值算法针对聚类所得簇划 分为 ； S32、 利用优化目标优化 最小化聚类的平方误差 。 4.根据权利要求3所述的一种基于个性化推荐的定制宠物食 品方法， 其特征在于， 所述 平方误差公式如下： ； 其中， E为平方误差； 是簇 的中心向量； 为聚类簇数； 、 为常数； 为范数； 值越小， 簇内样本相似度越高， 值越大， 簇内样本相似度越低。 5.根据权利要求3所述的一种基于个性化推荐的定制宠物食 品方法， 其特征在于， 所述 利用优化目标优化 最小化聚类的平方误差还 包括以下步骤： S321、 输入参数m与k， 用随机计算的方法选 定k个质心； S322、 计算所有数据点到 簇质心的距离； S323、 将数据点分配到距离最近的质心； S324、 根据质心的变化， 更新聚类簇质心； S325、 当聚类簇质心的质心不再改变时， 即为优化的最小化聚类。 6.根据权利要求1所述的一种基于个性化推荐的定制宠物食 品方法， 其特征在于， 所述 对于聚类所得到的每个簇进行基于所述用户的宠物食品搜索指 令的协同过滤， 并产生推荐 给所需用户还 包括以下步骤： S41、 通过皮尔逊相似度寻找用户的K个近邻， 并构建K近邻集 合 ； S42、 对于所需用户构建未评分的宠物食品店集 合 ； S43、 计算所需用户未评分的宠物食品店集中 的每一项的预测评分； S44、 将预测评分最高的用户的宠物食品搜索指令推荐放到推荐集， 并产生推荐给所需 用户。 7.根据权利要求6所述的一种基于个性化推荐的定制宠物食 品方法， 其特征在于， 所述 预测评分的计算公式如下： 式中， u为用户；权　利　要　求　书 2/3 页 3 CN 115017419 A 3