一种具有动态知识库更新的AI产品选型管理平台的制作方法

本发明涉及人工智能与信息推荐，具体涉及一种具有动态知识库更新的ai产品选型管理平台，可应用于电子商务、智能导购、产品选型等需要对多款产品进行智能比对与个性化推荐的场景。

背景技术：

1、随着电子商务和在线购物平台的快速发展，产品数量呈指数级增长，用户在海量产品中快速、准确地找到符合自身需求的合适产品面临巨大挑战。推荐系统作为缓解信息过载问题的有效手段，已在各类平台中得到广泛应用。

2、然而，现有的产品推荐系统仍存在以下不足：

3、第一，知识库静态化问题。 现有推荐系统大多依赖预先构建的静态知识图谱或产品数据库，产品信息更新滞后，无法及时反映产品参数变更、价格波动、用户评价变化等动态信息。当新产品上架或已有产品信息发生变更时，系统需要耗费大量资源重新构建或全量更新知识图谱，效率低下。

4、第二，缺乏细粒度的产品比对能力。 现有推荐系统通常仅基于用户历史行为进行协同过滤或基于内容的推荐，难以支持用户对多款候选产品在多个维度上进行精细化比对的需求。用户在选购产品时往往需要从功能、性能、价格、口碑等多个维度综合比较，现有系统难以提供这种结构化、可视化的比对服务。

5、第三，推荐结果可解释性不足。 基于深度学习的推荐模型通常以“黑盒”方式运行，用户无法理解推荐结果的生成依据，降低了用户对推荐系统的信任度和采纳意愿。

6、第四，用户需求理解不够精准。 现有系统多依赖用户历史行为数据进行被动推荐，缺乏对用户当前具体需求的主动理解和精准匹配能力，难以处理用户首次访问或无历史行为数据的“冷启动”场景。

7、针对上述问题，部分研究尝试将知识图谱引入推荐系统-，但多数方案仍存在知识更新代价高、比对维度单一、推荐与比对割裂等问题。因此，亟需一种能够实现知识库动态更新、支持多维度产品比对、具备可解释性的智能产品比对与推荐系统。

技术实现思路

1、本发明旨在克服现有技术的不足，提供一种具有动态知识库更新的ai产品选型管理平台，通过构建动态可更新的产品知识图谱、多维度产品比对引擎和基于大语言模型的智能推荐模块，实现产品知识的实时更新、多维度精细化比对和个性化智能推荐的一体化解决方案。

2、为实现上述发明目的，本发明提供如下技术方案：

3、本发明提供一种具有动态知识库更新的ai产品选型管理平台，其特征在于，包括以下步骤：

4、s1：采集来自多个数据源的产品数据，对所述产品数据进行清洗、标准化和结构化处理，提取产品的核心属性信息；

5、s2：基于步骤s1处理后的产品数据，构建以产品实体为核心节点的动态产品知识图谱，并对所述知识图谱进行向量嵌入；当监测到产品信息发生变化或新增产品数据时，执行增量更新操作，所述增量更新包括：识别变化数据所涉及的产品实体及关联子图，仅对变化影响范围内的节点和边进行重新计算和更新，保持未受影响部分的知识图谱嵌入不变；

6、s3：获取用户输入的产品查询需求，对所述用户输入进行意图解析，提取用户的核心需求要素，并将所述需求要素转化为结构化的查询向量；

7、s4：基于步骤s3得到的查询向量和步骤s2构建的动态知识图谱，采用多路召回策略从知识图谱中召回与用户需求匹配的候选产品集合；

8、s5：对步骤s4召回的候选产品集合中的每一款产品，在多个预设维度上进行比对分析，生成结构化的产品比对结果；

9、s6：基于步骤s5的比对分析结果，结合用户需求权重，对候选产品集合进行综合评分和排序，生成个性化推荐列表及推荐理由说明；

10、s7：获取用户对推荐结果的交互反馈，基于所述交互反馈更新用户偏好模型，并将所述交互反馈中蕴含的新知识反馈至步骤s2的知识图谱更新机制中。

11、进一步地，本发明的步骤s2中所述动态产品知识图谱的构建具体包括：

12、s2.1：将预处理后的产品数据按照预设的图谱模式进行实体识别和关系抽取，生成初始产品知识图谱，所述知识图谱包含产品实体节点、属性节点、类别节点、品牌节点及其之间的关联关系；

13、s2.2：采用图卷积神经网络对初始知识图谱进行向量嵌入，为每个实体节点生成固定维度的向量表示；

14、s2.3：当监测到数据源中产品信息发生变化或新增产品数据时，以发生变化的实体为中心，在知识图谱中向外扩展预设层数的邻居节点，将扩展范围内的节点和边定义为影响域，仅对所述影响域内的知识图谱元素进行重新嵌入计算，并将重新计算后的嵌入向量更新至实体向量矩阵中对应的位置。

15、进一步地，本发明的步骤s3中所述意图解析具体包括：

16、对用户自然语言输入进行语义解析，提取用户的核心需求要素，所述需求要素包括：目标产品类别、功能需求、性能要求、价格区间、品牌偏好；

17、将解析得到的用户需求要素按照预设的编码规则转化为结构化的查询向量，所述查询向量与知识图谱中产品实体的向量表示位于相同的向量空间中。

18、进一步地，本发明的步骤s4中所述多路召回策略包括：

19、第一路召回--语义匹配召回：计算用户需求向量与知识图谱中产品实体向量的语义相似度，选取相似度高于第一预设阈值的产品作为候选；

20、第二路召回--协同过滤召回：基于用户历史行为数据，通过协同过滤算法召回与用户历史偏好相似的产品；

21、第三路召回--知识图谱路径召回：在知识图谱中搜索连接用户需求实体与产品实体的关联路径，基于路径的语义相关性召回产品；

22、将三路召回结果进行去重和合并，生成候选产品集合。

23、进一步地，本发明所述语义相似度计算采用基于大语言模型的文本嵌入方法，将用户需求文本和产品描述文本分别编码为语义向量，通过计算向量余弦相似度确定语义匹配程度。

24、进一步地，本发明的步骤s5中所述预设比对维度包括：功能维度、性能维度、价格维度、质量维度、口碑维度、服务维度；

25、所述比对分析具体包括：

26、s5.1：从知识图谱中提取每一款产品在各比对维度上的特征值；

27、s5.2：对不同维度的特征值进行归一化处理，消除量纲差异；

28、s5.3：计算候选产品两两之间在各维度上的相似度得分，以及综合相似度得分；

29、s5.4：基于比对结果，识别每一款产品相对于其他候选产品的优势和劣势。

30、进一步地，本发明的步骤s6中所述综合评分采用加权求和模型：

31、

32、其中，为第i款产品的综合得分，d为比对维度总数，为第d个维度的用户需求权重，为第i款产品在第d个维度上的归一化得分；根据综合得分对候选产品进行降序排序，选取排名前n的产品作为推荐结果。

33、进一步地，本发明所述用户需求权重通过用户交互过程中对各个维度的关注度动态调整，所述关注度通过用户在各维度上的停留时间、点击次数和展开详情行为进行量化。

34、进一步地，本发明的步骤s7中所述交互反馈包括：用户对推荐结果的点击、浏览、收藏、比对和购买行为，以及用户主动提交的评价和偏好调整；

35、基于所述交互反馈更新用户偏好模型的方法为：将正反馈信号对应的产品特征作为正样本、负反馈信号对应的产品特征作为负样本，对用户偏好向量进行增量学习更新。

36、进一步地，本发明所述方法还包括：将步骤s5生成的结构化产品比对结果以雷达图或平行坐标图的可视化方式呈现给用户，以便用户直观比较各产品在不同维度上的表现差异。

37、本发明与现有技术相比，具有以下有益技术效果：

38、1. 实现知识库的低成本动态更新。本发明通过基于子图影响域分析的增量更新机制，在知识图谱发生变更时仅对受影响的部分进行重新计算，无需全量重构知识图谱，大幅降低了知识更新的计算成本和时间开销。经实测，在相同规模的产品知识图谱下，本发明的增量更新耗时仅为传统全量更新方法的10%~20%。

39、2. 提供细粒度的多维度产品比对能力。本发明通过构建结构化的多维度比对分析框架，能够在功能、性能、价格、质量、口碑、服务等多个维度上对候选产品进行精细化比对，解决了现有推荐系统仅能输出推荐列表而无法提供详细比对依据的问题，显著提升了用户的产品选型效率。

40、3. 增强了推荐结果的可解释性。 本发明将知识图谱作为推荐推理的基础，推荐结果可以追溯到知识图谱中的具体实体和关系路径，同时生成结构化的推荐理由说明，使用户能够理解“为什么推荐这款产品”，提升了推荐系统的透明度和用户信任度。

41、4. 实现了用户需求的精准理解与匹配。本发明通过自然语言意图解析技术，能够准确理解用户以自然语言形式表达的产品需求，并将其转化为结构化的查询向量进行精准匹配，有效解决了传统推荐系统在冷启动场景下无法有效推荐的问题。

42、5. 构建了数据驱动的闭环优化系统。本发明通过用户交互反馈机制，将用户的点击、浏览、购买等行为数据实时反馈至知识图谱更新模块和用户偏好模型，形成“采集-更新-推荐-反馈-再更新”的闭环，使系统能够随着用户使用不断自我优化，推荐精度随时间推移持续提升。