基于深度學(xué)習(xí)的智能制造管理優(yōu)化

摘要：智能化和個(gè)性化將成為智能制造企業(yè)銷售訂單管理的重要趨勢。文章研究了基于深度學(xué)習(xí)的智能制造銷售訂單管理推薦平臺，旨在精準(zhǔn)預(yù)測和理解客戶行為，提升智能制造管理效益。首先設(shè)計(jì)了基于深度學(xué)習(xí)的智能制造銷售訂單管理推薦平臺架構(gòu)；其次提出了一種結(jié)合神經(jīng)協(xié)同過濾（NCF）和Item2Vec詞嵌入模型的深度學(xué)習(xí)推薦算法，通過整合產(chǎn)品潛在特征及用戶行為數(shù)據(jù)，顯著提高了推薦的準(zhǔn)確性和時(shí)效性；最后與傳統(tǒng)推薦算法（因子分解機(jī)（FM）和標(biāo)準(zhǔn)NCF模型）的性能進(jìn)行比較，實(shí)驗(yàn)結(jié)果表明文章所提算法在真實(shí)數(shù)據(jù)集上展現(xiàn)出更高的預(yù)測精度，驗(yàn)證了其優(yōu)越性。

關(guān)鍵詞：智能制造；推薦平臺；深度學(xué)習(xí)；詞嵌入模型

中圖分類號： TP399" 文獻(xiàn)標(biāo)志碼：A

0 引言

隨著人工智能技術(shù)的不斷發(fā)展，在智能制造供應(yīng)鏈管理中，智能化和個(gè)性化將成為智能制造企業(yè)銷售訂單管理的重要趨勢，快速、高效地分析客戶的消費(fèi)行為，迎合客戶的個(gè)性化消費(fèi)偏好，給予定制化的訂單處理，可以使客戶在最短時(shí)間內(nèi)收到滿意的產(chǎn)品，提高客戶滿意度和忠誠度，提升企業(yè)的美譽(yù)度和知名度。隨著產(chǎn)品種類和數(shù)量的劇增，客戶常常面臨信息過載的問題，為應(yīng)對這一挑戰(zhàn)，順應(yīng)智能化和個(gè)性化的發(fā)展趨勢，智能推薦系統(tǒng)應(yīng)運(yùn)而生。

人工智能技術(shù)尤其是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，在智能推薦系統(tǒng)中的應(yīng)用取得了顯著進(jìn)展^［1-2］。這些技術(shù)能夠處理和分析大規(guī)模的用戶數(shù)據(jù)，學(xué)習(xí)用戶的消費(fèi)偏好尤其是挖掘隱藏消費(fèi)偏好，生成個(gè)性化的產(chǎn)品推薦。此外，借助自然語言處理技術(shù)分析用戶生成的內(nèi)容，如評論和評分，智能推薦系統(tǒng)能夠更深入地理解用戶需求和產(chǎn)品特性，提供更為精準(zhǔn)的推薦，從而幫助智能制造企業(yè)。一是提高用戶滿意度、優(yōu)化營銷策略、提升銷售效率和業(yè)績^［3］；二是合理配置資源，減少浪費(fèi)，提高運(yùn)營效率，提前發(fā)現(xiàn)潛在問題，降低運(yùn)營風(fēng)險(xiǎn)。

1 基于深度學(xué)習(xí)的智能化推薦平臺設(shè)計(jì)

基于深度學(xué)習(xí)的智能制造企業(yè)銷售訂單管理推薦平臺包括以下模塊：Web展示模塊、業(yè)務(wù)邏輯模塊、日志采集模塊、在線計(jì)算模塊和離線計(jì)算模塊。Web展示模塊主要負(fù)責(zé)接收用戶的請求，向業(yè)務(wù)邏輯模塊發(fā)起個(gè)性化推薦請求，同時(shí)捕獲用戶行為數(shù)據(jù)發(fā)送給日志采集模塊。日志采集模塊接收、存儲和分發(fā)這些數(shù)據(jù)給在線計(jì)算模塊和離線計(jì)算模塊。在線計(jì)算模塊利用實(shí)時(shí)的用戶行為數(shù)據(jù)和產(chǎn)品屬性來實(shí)時(shí)計(jì)算用戶畫像和產(chǎn)品的相似度，并根據(jù)這些信息實(shí)時(shí)更新推薦模型。離線計(jì)算模塊處理大規(guī)模數(shù)據(jù)集以優(yōu)化和訓(xùn)練更深入的推薦模型。基于深度學(xué)習(xí)的智能制造企業(yè)銷售訂單管理推薦平臺結(jié)構(gòu)如圖1所示。

推薦模型參數(shù)用于生成實(shí)時(shí)推薦結(jié)果。離線計(jì)算模塊使用歷史用戶行為數(shù)據(jù)和產(chǎn)品信息進(jìn)行離線訓(xùn)練，構(gòu)建更準(zhǔn)確的推薦模型。此模型使用離線日志數(shù)據(jù)進(jìn)行訓(xùn)練，生成優(yōu)化的候選產(chǎn)品集。業(yè)務(wù)邏輯模塊根據(jù)用戶的歷史行為和實(shí)時(shí)上下文信息，從數(shù)據(jù)中間件中獲取推薦模型的參數(shù)。業(yè)務(wù)邏輯模塊對候選集進(jìn)行排序，向用戶推薦最相關(guān)的產(chǎn)品。

基于深度學(xué)習(xí)的智能制造企業(yè)銷售訂單管理推薦平臺旨在通過不斷優(yōu)化推薦模型和算法，利用線上和線下計(jì)算模塊之間的協(xié)作，提供智能化、個(gè)性化的推薦和需求^［4］。核心是利用深度學(xué)習(xí)推薦算法，學(xué)習(xí)用戶的興趣和偏好，以提供實(shí)時(shí)、高效的推薦體驗(yàn)。

2 融合詞嵌入模型與NCF的推薦方法

本文提出了一種融合NCF與詞嵌入模型的推薦算法，該方法首先采用深度可分離卷積的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，分析智能制造企業(yè)銷售訂單管理環(huán)節(jié)的用戶產(chǎn)品評論信息并提取其多元特征；其次整合多元特征融入NCF 神經(jīng)網(wǎng)絡(luò)協(xié)同過濾框架，利用多層全連接層分析挖掘用戶、產(chǎn)品和產(chǎn)品評論之間的非線性相關(guān)性；最后根據(jù)這種非線性關(guān)系預(yù)測用戶消費(fèi)偏好，向其精準(zhǔn)推薦產(chǎn)品。在此過程中，融合Item2Vec詞嵌入模型，從智能制造企業(yè)銷售訂單管理環(huán)節(jié)的用戶行為序列中學(xué)習(xí)產(chǎn)品向量矩陣，這些乘積向量在新向量空間中更相關(guān)，有助于計(jì)算乘積之間的距離。該算法可以根據(jù)用戶在智能制造企業(yè)銷售訂單管理環(huán)節(jié)中產(chǎn)生的連續(xù)行為數(shù)據(jù)，找到相似的符合其消費(fèi)偏好的產(chǎn)品，利用產(chǎn)品之間的向量相似度分?jǐn)?shù)，向用戶推薦相似的產(chǎn)品。

2.1 基于Item2Vec詞嵌入模型的用戶行為特征提取

Item2Vec模型可以將自然語言信息轉(zhuǎn)換為向量形式的數(shù)字信息，是一個(gè)負(fù)采樣的模型結(jié)構(gòu)^［5］。首先對所有項(xiàng)目離散分類特征進(jìn)行獨(dú)熱編碼，每個(gè)項(xiàng)目由一個(gè)唯一的索引標(biāo)識并轉(zhuǎn)換為一個(gè)行向量，其中對應(yīng)的索引位置設(shè)為1，其余為0。向量的維度等于項(xiàng)目總數(shù)。模型構(gòu)造一個(gè)n×m的查找表，n表示向量的維度，m表示項(xiàng)目數(shù)量。查找表中的每一行向量表示一個(gè)項(xiàng)目的嵌入向量，初始時(shí)這些向量通過隨機(jī)分布進(jìn)行初始化。模型的結(jié)構(gòu)如圖2所示。

Item2Vec模型通過設(shè)定一個(gè)固定大小的滑動窗口對用戶序列中的產(chǎn)品數(shù)據(jù)進(jìn)行迭代。利用 Skipgram 算法，每次滑動窗口操作時(shí)，以窗口中心的項(xiàng)目向量作為輸入，窗口內(nèi)其他項(xiàng)目的向量作為輸出上下文，使得模型捕捉并預(yù)測上下文中的項(xiàng)目關(guān)系，進(jìn)而學(xué)習(xí)到表示用戶行為模式的密集向量。網(wǎng)絡(luò)參數(shù)由矩陣W∈R^m×n構(gòu)成，其中每一行對應(yīng)一個(gè)項(xiàng)目的向量表示，整體參數(shù)通過優(yōu)化算法進(jìn)行迭代更新，以最小化預(yù)測誤差，從而學(xué)習(xí)到項(xiàng)目之間的潛在關(guān)聯(lián)性。

模型采用交叉熵?fù)p失函數(shù)作為誤差度量，計(jì)算公式為：

loss=-∑ni=1yilog（y^i）（1）

其中，yi代表模型輸出的標(biāo)簽行向量中的第i個(gè)元素，y^i表示模型預(yù)測輸出向量中的第i個(gè)元素。本文采用負(fù)采樣技術(shù)來降低模型的計(jì)算復(fù)雜度，首先統(tǒng)計(jì)每個(gè)項(xiàng)目的出現(xiàn)頻率，然后根據(jù)這些頻率分配每個(gè)項(xiàng)目在單位長度區(qū)間［0， 1］的采樣概率。在模型訓(xùn)練過程中，網(wǎng)絡(luò)僅更新對應(yīng)于隨機(jī)采樣到的項(xiàng)目的神經(jīng)元參數(shù)。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型不同，網(wǎng)絡(luò)參數(shù)的更新采用梯度下降法，且對輸入層的參數(shù)進(jìn)行更新。當(dāng)網(wǎng)絡(luò)反向傳播誤差時(shí)，對應(yīng)輸入項(xiàng)的行向量通過梯度下降法更新，具體更新方法的公式為：

W=W-ηlossW（2）

其中，W表示網(wǎng)絡(luò)參數(shù)，η表示學(xué)習(xí)率。基于輸入層參數(shù)的更新機(jī)制確保了模型能夠有效學(xué)習(xí)各個(gè)項(xiàng)目的嵌入表示，同時(shí)降低了對計(jì)算資源的需求。

2.2 基于深度可分離卷積的NCF智能推薦算法

推薦算法重要的步驟是預(yù)測智能制造企業(yè)銷售訂單管理環(huán)節(jié)中用戶的消費(fèi)行為偏好，本文提出了一種融合詞嵌入模型的智能推薦算法。算法采用深度可分離卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，通過多種尺寸的過濾器在輸入層執(zhí)行卷積和池化操作，隨后將各層輸出在深度維度上進(jìn)行拼接。這一并行卷積和池化策略不僅提高了模型捕捉文本數(shù)據(jù)中多樣化特征的能力，也顯著增強(qiáng)了模型預(yù)測智能制造企業(yè)銷售訂單管理環(huán)節(jié)中用戶偏好的精度^［6］。算法模型如圖3所示。

在結(jié)合了詞嵌入模型之后，卷積神經(jīng)網(wǎng)絡(luò)（CNN）被應(yīng)用于處理產(chǎn)品評論文本。CNN的核心操作包括卷積和池化步驟。卷積操作涉及卷積核在輸入矩陣上滑動，對應(yīng)位置執(zhí)行點(diǎn)乘后求和，從而產(chǎn)生輸出層的特征映射^［7］。這種機(jī)制利用參數(shù)共享，顯著減少了網(wǎng)絡(luò)訓(xùn)練所需的參數(shù)數(shù)量，提高了模型的效率和泛化能力。卷積核的數(shù)量定義了輸出特征圖的深度，而每個(gè)卷積核都能夠捕捉輸入數(shù)據(jù)的不同特征，這增強(qiáng)了模型對文本數(shù)據(jù)中復(fù)雜模式的學(xué)習(xí)能力。

3 實(shí)驗(yàn)驗(yàn)證與分析

為驗(yàn)證本文推薦算法的性能，進(jìn)行了實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)硬件環(huán)境配置如下：CPU為Intel Core i7-9700K，顯卡為 Nvidia GeForce 2080Ti，內(nèi)存為16 GB。軟件環(huán)境為 TensorFlow2.2 和 Python 3.6。

3.1 數(shù)據(jù)集和評價(jià)指標(biāo)

為了通過產(chǎn)品評論驗(yàn)證本文提出的智能制造企業(yè)銷售訂單管理推薦平臺的有效性，將本文算法模型與通用 NCF 模型、傳統(tǒng)推薦算法 FM 模型和帶有產(chǎn)品評論的協(xié)同過濾模型進(jìn)行了比較，使用精確率作為模型有效性的衡量標(biāo)準(zhǔn)。準(zhǔn)確率定義為產(chǎn)品的實(shí)際用戶評分占總數(shù)據(jù)的比例，表示為：

acc=1m∑mi=1I（f（xi）=yi）（3）

其中，I（*）是指示符函數(shù)，當(dāng)*為true時(shí)，I取1；當(dāng)*為1，I取0。

3.2 實(shí)驗(yàn)結(jié)果

本文對融合詞嵌入模型的推薦算法進(jìn)行了訓(xùn)練和測試，采用阿里巴巴集團(tuán)提供的智能制造企業(yè)銷售產(chǎn)品種類和數(shù)量數(shù)據(jù)集，包含了用戶在智能制造企業(yè)銷售訂單管理環(huán)節(jié)中的行為數(shù)據(jù)，如點(diǎn)擊、支付、加入意向購買清單等。本文算法模型在測試集上的損失率如圖4所示。推薦算法模型損失率在訓(xùn)練的前40輪中迅速下降，表現(xiàn)出較好的學(xué)習(xí)能力和快速的收斂速度。訓(xùn)練進(jìn)入后期階段后，損失率逐漸趨于平穩(wěn)，模型已經(jīng)接近最優(yōu)解并趨于穩(wěn)定。

智能制造企業(yè)銷售訂單管理推薦平臺數(shù)據(jù)分析和用戶行為預(yù)測任務(wù)中不同算法的預(yù)測準(zhǔn)確性比較如圖5所示，從圖中可以看出，本文提出的推薦算法模型與NCF模型、FM模型相比，在預(yù)測精度方面具有顯著的優(yōu)勢。

4 結(jié)語

本文研究了基于深度學(xué)習(xí)的智能制造企業(yè)銷售訂單管理推薦平臺，首先設(shè)計(jì)了推薦平臺架構(gòu)，包括Web展示模塊、業(yè)務(wù)邏輯模塊、日志采集模塊、在線計(jì)算模塊和離線計(jì)算模塊。推薦平臺充分利用了深度學(xué)習(xí)技術(shù)和神經(jīng)網(wǎng)絡(luò)架構(gòu)的強(qiáng)大能力，核心是基于人工智能推薦算法對智能制造企業(yè)銷售訂單管理環(huán)節(jié)中用戶消費(fèi)行為進(jìn)行精準(zhǔn)推測。其次，融合詞嵌入模型改進(jìn)傳統(tǒng)的NCF模型。基于改進(jìn)后的模型預(yù)測用戶消費(fèi)行為，進(jìn)行精準(zhǔn)推薦。最后，設(shè)計(jì)實(shí)驗(yàn)對推薦算法性能進(jìn)行驗(yàn)證。實(shí)驗(yàn)表明，與傳統(tǒng)推薦算法相比，本文算法在多個(gè)標(biāo)準(zhǔn)評估指標(biāo)上都顯示出顯著的性能提升。本文為智能制造企業(yè)銷售訂單管理提供了一種有效的用戶消費(fèi)行為預(yù)測方法，它將智能制造企業(yè)銷售訂單管理的功能進(jìn)行了擴(kuò)展豐富：不僅是訂單從接收到交付的流程，更是體現(xiàn)智能制造企業(yè)內(nèi)部協(xié)同、資源配置和響應(yīng)速度的綜合。平臺能助力智能制造企業(yè)銷售訂單管理的智能化、個(gè)性化，提升客戶體驗(yàn)，提高企業(yè)競爭力并為企業(yè)的可持續(xù)發(fā)展打下堅(jiān)實(shí)基礎(chǔ)。

參考文獻(xiàn)

［1］谷廣兵，顧佩佩.基于大數(shù)據(jù)平臺的推薦系統(tǒng)研究與實(shí)現(xiàn)［J］.現(xiàn)代信息科技，2023（1）：26-29.

［2］李家華.基于大數(shù)據(jù)的人工智能跨境電商導(dǎo)購平臺信息個(gè)性化推薦算法［J］.科學(xué)技術(shù)與工程，2019（14）：280-285.

［3］范文芳，王千.個(gè)性化智能推薦對消費(fèi)者在線沖動購買意愿的影響研究［J］.管理評論，2022（12）：146-156，194.

［4］王曉亮.基于數(shù)據(jù)挖掘的興趣電商精準(zhǔn)推薦方法研究［J］.計(jì)算機(jī)產(chǎn)品與流通，2021（2）：171-172，276.

［5］潘翔.基于人工智能的微商優(yōu)品推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［J］.品牌研究，2020（9）：59-60.

［6］馮賀平，趙伯鑫.機(jī)器視覺技術(shù)在智能制造領(lǐng)域中的應(yīng)用研究［J］.通訊世界，2024（10）：193-195.

［7］張夢生.淺談基于智能網(wǎng)聯(lián)的特種設(shè)備智能制造技術(shù)應(yīng)用［J］.中國設(shè)備工程，2024（20）：35-37.

（編輯 沈 強(qiáng)）

Research on ecommerce recommendation platform based on artificial intelligence

LI" Jie

（Zhejiang Hailiang Co.， Ltd.， Shaoxing 311814， China）

Abstract： Intelligent and personalized will become an important trend of sales order management in intelligent manufacturing enterprises. This paper studies the intelligent manufacturing sales order management recommendation platform based on deep learning， aiming to accurately predict and understand customer behavior and improve the efficiency of intelligent manufacturing management. Firstly， the architecture of intelligent manufacturing sales order management recommendation platform based on deep learning is designed. Secondly， a deep learning recommendation algorithm combining neural collaborative filtering （ NCF ） and Item2 Vec word embedding model is proposed. By integrating product potential features and user behavior data， the accuracy and timeliness of recommendation are significantly improved. Finally， compared with the performance of traditional recommendation algorithms （ factorization machine （ FM ） and standard NCF model ）， the experimental results show that the proposed algorithm shows higher prediction accuracy on real data sets， which verifies its superiority.

Key words： intelligent manufacturing; recommendation platform; deep learning recommendation algorithm; word embedding model