CN119397107B 基于多目标深度学习的换电推 荐方法和系统 （杭州宇谷科技股份有限公司）

(19)国家知识产权局(12)发明专利审查员杜琳琳道七贤路1号1幢6楼603室(72)发明人李朝黄家明李洋震朱成祥事务所(普通合伙)33324专利代理师孙振国基于多目标深度学习的换电推荐方法和系统本申请涉及一种基于多目标深度学习的换人信息以及骑手与电池之间的互动记录等多维些基础信息与挖掘出的隐含变量整合进推荐系将多维度原始特征整合为共享底层特征，其中，多维度原始将多维度原始特征整合为共享底层特征，其中，多维度原始特征包括：用户特征、电池特征和电柜特征基于共享底层特征，通过专家网络，分别学习与不同类型的特定任务相关的特征表示，得到多维度的特征学习结果基于多维度的特征学习结果的加权合并结果进行预测，得到用于推荐换电的预测结果21.一种基于多目标深度学习的换电推荐方法，其特征在于，基于改进ESMM模型实现，所述方法包括：利用多层感知器，将多维度原始特征转换为高维特征表示；将各个高维特征表示整合为共享底层特征，其中，所述多维度原始特征包括：用户特征、电池特征和电柜特征，所述电柜特征包括电柜位置和分布信息、设备内资源信息，以及基于所述共享底层特征，通过专家网络，分别学习与不同类型的特定任务相关的特征表示，得到多个不同维度的特征学习结果，将所述多维度的特征学习结果进行加权融合；通过任务塔，基于所述加权合并的结果进行预测，得到与用户习惯匹配的换电推荐结其中，所述任务塔包括第一任务塔和第二任务塔，所述第一任务塔专注电柜推荐任务预测，所述第二任务塔进行电池推荐任务预测；所述第一任务塔和所述第二任务塔具备各自独立的任务特定输出层，输出层包含两层全连接层，第一层全连接层对输入数据进行初步的特征变换与整合，将专家层加权合并后传入的特征信息进一步加工，提取出任务相关性的特征表示；第二层全连接层在所述特征表示基础上进行更深入的计算与映射；使用Sigmoid激活函数处理，生成最终的预测值；在模型训练过程，使用交叉熵损失对任务塔的预测结果进行监督，并以最小化电柜推荐任务、电池推荐任务的预测值与真实值之间的误差为目标，训练改进ESMM模型；所述专家网络包括多个结构共享但独立训练的专家层，每个专家层用于专注学习与一种特定任务相关的特征表示；通过门控网络生成每个专家层对应的权重参数，根据所述权重参数，将所有特征表示加权融合，得到所述多个不同维度的特征学习结果的加权融合结果；通过专家网络，分别学习与不同类型的特定任务相关的特征表示，得到多维度的特征学习结果包括：通过第一全连接层，对所述共享底层特征进行线性变换，并利用激活函数，将所述共享底层特征映射至新的特征空间，获取与所述特定任务对应的潜在特征；通过第二全连接层，将所述潜在特征进行线性变换和激活，强化与所述特定任务相关将所述多维度的特征学习结果进行加权融合包括：通过门控网络，获取各个专家层输出的特征学习结果，并通过全连接层分别对所述特征学习结果处理，以及，通过Softmax函数将所述全连接层输出的结果转换为各个专家层对应的门控信号；根据所述门控信号，对各个专家层输出的特征学习结果进行加权组合，得到所述多个不同维度的特征学习结果的加权融合结果。2.根据权利要求1所述的方法，其特征在于，将多维度原始特征整合为统一特征表示包通过输入层接收所述多维度原始特征；通过多个多层感知器，分别将各个维度的原始特征转换为高维特征表示；将各个多维高维特征表示整合，得到所述共享底层特征。3通过结合所述第一预测值和所述第二预测值，得到用于反映在电池电柜推荐任务上表在优化训练所述改进ESMM模型过程中，将所述不确定度和所述精度融入模型的总体损L=ε1×Loss_ctr+θ₁+ε×Loss_cvr+θ₂其中，所述任务塔包括第一任务塔和第二任务塔，所述第一任务塔专注电柜推荐任务4所述第一任务塔和所述第二任务塔具备各自独立的任务特定输出层，输出层包含两层全连接层，第一层全连接层对输入数据进行初步的特征变换与整合，将专家层加权合并后传入的特征信息进一步加工，提取出任务相关性的特征表示；第二层全连接层在所述特征表示基础上进行更深入的计算与映射；使用Sigmoid激活函数处理，生成最终的预测值；在模型训练过程，使用交叉熵损失对任务塔的预测结果进行监督，并以最小化电柜推荐任务、电池推荐任务的预测值与真实值之间的误差为目标，训练改进ESMM模型；所述专家网络包括多个结构共享但独立训练的专家层，每个专家层用于专注学习与一种特定任务相关的特征表示；通过门控网络生成每个专家层对应的权重参数，根据所述权重参数，将所有特征表示加权融合，得到所述多个不同维度的特征学习结果的加权融合结果；通过专家网络，分别学习与不同类型的特定任务相关的特征表示，得到多维度的特征学习结果包括：通过第一全连接层，对所述共享底层特征进行线性变换，并利用激活函数，将所述共享底层特征映射至新的特征空间，获取与所述特定任务对应的潜在特征；通过第二全连接层，将所述潜在特征进行线性变换和激活，强化与所述特定任务相关的特征模式，输出所述特征学习结果；将所述多维度的特征学习结果进行加权融合包括：通过门控网络，获取各个专家层输出的特征学习结果，并通过全连接层分别对所述特征学习结果处理，以及，通过Softmax函数将所述全连接层输出的结果转换为各个专家层对应的门控信号；根据所述门控信号，对各个专家层输出的特征学习结果进行加权组合，得到所述多个不同维度的特征学习结果的加权融合结果。7.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。5基于多目标深度学习的换电推荐方法和系统技术领域[0001]本申请涉及机器学习领域，特别是涉及一种基于多目标深度学习的换电推荐方背景技术[0002]随着城市化进程的加速和电子商务的迅猛发展，电动自行车已成为快递、外卖等行业不可或缺的交通工具。为了确保这些行业的配送服务能够持续高效地运行，快速便捷的电池更换服务显得尤为重要。[0003]传统的电池更换方式依赖于固定站点的人工操作，不仅效率低下，而且难以满足日益增长的服务需求。近年来，智能换电柜作为一种新型基础设施逐渐普及，允许骑手自助更换电池，极大地提高了便利性和效率。现有的换电柜系统在电池管理和分配方面仍存在一定的局限性，无法充分满足骑手个性化的需求。同时，由于电池的投放时间、使用环境等因素的不同，电池之间的性能存在差异。此外，电池数量有限，无法保证每个用户都能获得性能最佳的电池。发明内容[0004]本申请实施例提供了一种基于多目标深度学习的换电推荐方法、系统、计算机设备和计算机可读存储介质，以至少解决相关技术中换电推荐方法用户匹配度低的问题。[0005]第一方面，本申请实施例提供了一种基于多目标深度学习的换电推荐方法，基于[0006]将多维度原始特征整合为共享底层特征，其中，所述多维度原始特征包括：用户特[0007]基于所述共享底层特征，通过专家网络，分别学习与不同类型的特定任务相关的特征表示，得到多维度的特征学习结果，将所述多维度的特征学习结果进行加权融合；[0008]通过任务塔，基于所述加权合并的结果进行预测，得到与用户习惯匹配的换电推荐结果。[0009]在其中一些实施例中，通过特征处理层将所述多维度原始特征整合为统一特征表示包括：[0010]通过输入层接收所述多维度原始特征；[0011]通过多个多层感知器，分别将各个维度的原始特征转换为高维特征表示；[0012]将各个多维高维特征表示整合，得到所述共享底层特征。[0013]在其中一些实施例中，所述专家网络包括多个结构共享但独立训练的专家层，每个专家层用于专注学习与一种特定任务相关的特征表示；[0014]通过门控网络生成每个专家层对应的权重参数，根据所述权重参数，将所有特征表示加权融合，得到所述多维度的特征学习结果。[0015]在其中一些实施例中，通过专家网络，分别学习与不同类型的特定任务相关的特67任务对应的精度，θ₁、θ₂分别是所述电柜特征相关任务和电池特征相关任务对应的不确定度。[0030]第二方面，本申请实施例提供了一种基于多目标深度学习的换电推荐系统，其特[0031]所述输入模块用于，将多维度原始特征整合为共享底层特征，其中，所述多维度原类型的特定任务相关的特征表示，得到多维度的特征学习结果，将所述多维度的特征学习结果进行加权融合；[0033]所述推荐模块用于，通过任务塔，基于所述加权合并的结果进行预测，得到与用户习惯匹配的换电推荐结果。[0034]第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。[0035]第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的方法。[0036]本申请实施例提供的换电推荐方法，相比较于传统技术中单纯依据电池电量以及固定规则进行换电推荐的方法，本申请方案充分利用了电池的基本属性、换电柜的相关数据、骑手的个人信息以及骑手与电池之间的互动记录等多维度基础信息，通过基于深度学习的多目标推荐系统，深入挖掘这些数据中的潜在变量，并将将这些基础信息与挖掘出的隐含变量整合进推荐系统模型中，实时输出最符合骑手需求的换电柜和电池建议。解决了相关技术中换电推荐方法用户匹配度较低，以及资源利用率较低的问题，不仅降低了成本和生产压力，增进了供需关系的均衡；此外，含骑手-电池交互信息以及深度学习的隐变量信息，充分探究骑手与电池的关联，由于该模型挖掘骑手习惯性换电数据信息，结合骑手的个人习惯和偏好生成推荐信息，因此，也能够更全面地满足骑手的需求，进一步缓解了优质电池供应端的压力。附图说明[0037]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：[0038]图1是根据本申请实施例的一种基于多目标深度学习的换电推荐方法的流程图；[0039]图2是根据本申请实施例的改进型改进ESMM模型的架构图；[0040]图3是根据本申请实施例的一种基于多目标深度学习的换电推荐系统的结构框[0041]图4是根据本申请实施例的电子设备的内部结构示意图。具体实施方式[0042]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用8于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。[0043]显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。[0044]在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。[0045]除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单接，而是可以包括电气的连接，不管是直接的还是间接可以表示：单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象，不代表针对对象的特定排序。[0046]随着城市化进程的加速和电子商务的迅猛发展，电动自行车已成为快递、外卖等行业不可或缺的交通工具。为了确保这些行业的配送服务能够持续高效地运行，快速便捷的电池更换服务显得尤为重要。传统的电池更换方式依赖于固定站点的人工操作，不仅效率低下，且难以满足日益增长的服务需求。近年来，智能换电柜作为一种新型基础设施逐渐普及，允许骑手自助更换电池，极大地提高了便利性和效率。然而，现有的换电柜系统在电池管理和分配方面仍存在一定的局限性，无法充分满足骑手个性化的需求。电池的投放时个用户都能获得性能最佳的电池。[0047]在现有技术中，电池推荐方法通常采用随机分发策略或者依赖简单规则来实现，例如：[0048]1、系统随机从换电柜中选取一颗电量最高电池进行推荐[0049]目前市场上的多数换电设施采取的是随机分发策略，即从现有的满电电池中随机选取一块供用户使用。尽管这种做法简便快捷，但它未能考虑到每位骑行者独特的需求。比如，执行远距离配送任务的骑手更适合使用大容量电池，而对于频繁进行短途配送的人来9说，携带更为轻巧的电池可能更加理想。除此之外，不同品牌或型号的电池在性能上也存在差异，这使得随机分配方式更容易产生供需不匹配的情况。[0051]一些经过改进的系统通过引入基本规则来优化电池分配流程，例如优先选择剩余电量最多的电池，或者依据电池已被使用的次数来确定优先级。虽然这样的方法可以在某种程度上提升用户体验，但仍然缺乏足够的灵活性去适应多样化的实际需求。尤其是在服务于大量用户的情况下，依靠单一规则很难全面满足各种不同的需求情景。[0052]因在实际应用中，电池推荐是一个较为复杂的问题。仅依赖电池的电量或容量来决定是否适合某个骑手并不合理，也无法实现资源的有效利用。因此，在换电系统的运行中，需要建立一个多因素综合考量的策略模型，更好地满足骑手的个性化需求，为换电需求精准的支持。[0053]有鉴于此，本申请实施例提供了一种基于多目标深度学习的换电推荐方法，图1是根据本申请实施例的一种基于多目标深度学习的换电推荐方法的流程图，如图1所示，该流程包括如下步骤：[0054]S101,将多维度原始特征整合为共享底层特征，其中，多维度原始特征包括：用户[0056]Stepl,通过输入层接收多维度原始特征；[0058]可以理解的是，用户特征反映骑行者的过往行为模式，其可以但不限于是行程长度、能量消耗以及再充点周期等；进一步地，电池特征包括但不限于是电池容量、剩余电量和电池类型相关信息；电柜特征则可以是电柜位置和分布信息、设备内资源信息，以及设备[0059]Step2,通过多个多层感知器，分别将各个维度的原始特征转换为高维特征表示；[0060]图2是根据本申请实施例的改进型改进ESMM模型的架构图，如图2所示，用户特征、电池特征和电柜特征作为原始输入被分别送入共享层(shareBottom),共享层包括多个多层感知器(MultilayerPerceptron,简写为MLP),每个MLP通过其内部的结构对输入特征进行处理，将原始特征转换为更高层次的抽象表示，以便于后续的深度学习模型理解。始特征数据后，数据在隐藏层中经过一系列的线性变换和非线性激活函数(如ReLU等)的[0062]其中，原始特征往往具有高维度、稀疏性和复杂性等特点，不利于模型直接挖掘其中的有用信息。本实施例中，原始特征到更高层次抽象表示的转换，使得后续的深度学习模型能够更好地理解数据，经过MLP处理后的抽象表示，降低了数据的复杂性，突出了关键[0063]例如，在后续的共享层和专家网络等组件中，模型可以基于这些抽象特征更高效地学习用户、电池和电柜之间的复杂关系，从而更准确地进行电柜推荐(CTR)和电池推荐[0064]Step3,将各个多维高维特征表示整合，得到共享底层特征。[0065]可以理解，经过各个MLP处理后得到的多维高维特征表示被整合在一起，该过程将用户、电池和电柜三个维度的高维特征向量组合成一个统一的特征表示，即共享底层特[0066]本实施例中，该共享底层特征能够全面地反映用户、电池和电柜之间的复杂关系。例如，其中，可以包含骑手在特定配送路线上对某种电池性能的需求与附近电柜提供该电池的可能性之间的关系信息。这个共享底层特征将作为后续深度学习模型中专家网络的输入，为整个换电推荐系统提供一个统一且丰富的信息基础，使得系统能够基于此进行更精准的电柜推荐(CTR)和电池推荐(CVR)任务。[0067]S102,基于共享底层特征，通过专家网络，分别学习与不同类型的特定任务相关的特征表示，得到多维度的特征学习结果；[0068]如图2所示，专家网络(Expert)包括多个结构共享但独立训练的专家层，每个专家层用于专注学习与一种特定任务相关的特征表示；[0069]当经过多层感知机(MLP)处理后的“基础特征表示”从共享底层产生后，会被分发至多个专家层。每个专家层专注于学习特定任务相关的特征表示，根据自身所负责的特定类型特征进行深入分析和处理。[0070]例如，第一专家层专注于处理与电池性能相关的特征，如电池容量、剩余电量、充电速度等；第二专家层专注于分析用户行为特征，如行程长度、能量消耗情况、再充电周期以及历史换电习惯等；第三专家层会针对电柜相关特征，如电柜位置、电柜内电池数量和分布等进行特征挖掘及分析。[0071]可以理解，本实施例中，通过不同专家层分别专注于不同任务特征学习，该种专业化分工使得系统能够从不同角度全面理解和挖掘数据中的关键信息，为精准推荐提供丰富且有针对性的特征基础。[0072]在一个示例性实施例中，某一个专家层的具体处理流程包括如下步骤：[0073]Step1,专家层接收来自共享底层的“共享底层特征”。这些特征经过前期处理，已被整合为统一的形式，包含了用户特征、电池特征和电柜特征等多方面经过初步抽象化的[0074]Step1,通过第一全连接层，对共享底层特征进行线性变换，并利用激活函数，将共享底层特征映射至新的特征空间，得到与特定任务对应的潜在特征；[0075]输入特征进入专家网络的第一个全连接层。该全连接层中的每个神经元与共享底层的神经元连接，通过对输入的特征进行线性变换，并应用激活函数(如ReLU等)引入非线性因素，将输入的共享底层特征映射到一个新的特征空间，实现初步挖掘与该专家网络负责的特定类型特征相关的潜在特征模式。[0076]Step2,通过第二全连接层，将映射至新的特征空间的特征，进行线性变换和激活，强化与特定任务相关的特征模式，输出特征学习结果；[0077]可以理解，经过第一层全连接层处理后的特征进一步作为第二层全连接层的输入。第二全连接层继续对特征进行类似的线性变换和激活操作，进一步强化和细化与特定任务相关的特征模式，使特征表示更加精准地反映特定任务相关信息，完成更深层次的特征提取。[0078]经过两层全连接层的深度处理后，每个专家层网络输出固定维度的特征表示，本11领域技术人员，该特征表示是对输入的共享底层特征在特定任务视角下的高度提炼和抽[0079]Step3,通过门控网络，获取各个专家网络输出的特征学习结果，并通过全连接层分别对特征学习结果处理，以及，通过Softmax函数将全连接层输出的结果转换为各个专家网络对应的门控信号，其中，门控信号用于指示各个专家层的输出结果如何加权；[0080]其中，门控网络的作用是决定每个专家层的输出应如何影响最终的预测结果。具体来说，本实施例中设置有两个门控层(Gatel和Gate2),门控层会生成一系列的门控信号(如G_11,G_12,...,G_24),这些信号指示了专家层的输出应该如何被加权组合，使得在生成电柜推荐(CTR)和电池推荐(CVR)等预测任务时，能够综合考虑各个专家网络所提取的不同方面的关键信息。[0081]例如，如果某个专家网络在处理用户行为特征方面表现出色，其输出的特征表示在反映用户对电池和电柜的个性化需求上具有重要价值，那么门控网络可能会为其分配较高的权重，从而使最终的推荐结果更倾向于满足该用户的特定需求。[0082]可以理解，通过门控机制，专家网络的输出与门控网络协同工作，共同为系统生成精准、个性化的换电推荐提供了坚实的基础，确保推荐结果能够最大程度地符合骑手的实际需求，提高整个换电服务的效率和质量。[0083]具体地，门控网络首先通过一个全连接层对输入的专家网络特征表示进行处理，进一步地，经过全连接层处理后的结果输入到Softmax函数中。Softmax函数会将这些值转换为各个专家网络对应的权重，且所有权重之和为1。这些权重反映了每个专家网络输出在最终预测结果中的相对重要性。[0084]Step4,根据门控信号，对各个专家层输出的特征学习结果进行加权组合，得到多维度的特征学习结果。[0085]根据生成的权重，门控网络对各个专家层的输出进行加权组合，得到一个综合的特征表示。这个综合特征表示融合了各个专家网络从不同角度提取的关键信息，并且根据权重分配体现了不同信息在当前任务中的重要程度差异。[0086]通过上述步骤S102,利用多个专家网络分别专注处理特定的特征学习，将共享特征转化不同类型学习任务对应为精准抽象特征，为系统提供丰富的信息基础。在此基础上，利用门控网络，为各个专家网络的输出分配权重，以突出重要特征的贡献。二者协作，使系统能精准把握用户、电池与电柜关系，系统精准分析用户、电池和电柜间关系，实现电柜与[0087]S103,基于多维度的特征学习结果的加权合并结果进行预测，得到用于推荐换电的预测结果。[0088]需要说明的是，本实施例中的任务塔包括第一任务塔Tower1和第二任务塔Tower2;门控网络输出的加权合并结果，分别输入到TaskTower1与TaskTower2。[0089]其中，TaskTower1专注电柜推荐任务(CTR)预测，TaskTower2进行电池推荐任务(CVR)预测；两者分别输入第一预测结果和第二预测结果，第一预测结果和第二预测结果再经乘法整合形成综合指标CVCTR;[0090]具体地，在该深度学习网络架构中，CTR和CVR任务均具备各自独立的任务特定输出层。输出层的构建包含两层全连接层，第一层全连接层对输入数据进行初步的特征变活函数，其特性在于能够将任意实数输入转换为介于0到1之间的概率值，从而生成最[0091]两个任务塔的预测结果通过乘法操作有机结合起来，生成一个综合的指标效应与综合匹配程度，为全面、准确地评估模型在多目标推荐任务中的实[0098]具体地，首先定义不确定性，对于第1个和第2个任务，分别计算其不确定性。[0101]进一步地，基于该不确定度计算精度，对于第i个任务，其精度8是不确定性θ的指数的倒数，具体可通过如下公式计算：[0103]其中，8表示第i个任务的精度。[0104]最后，模型的总体损失L有两部分任务的损失，以及与不确定性相关项相加得到，具体可通过如下公式表示：[0106]通过上述方式设置的模型的总体损失函数，由CTR和CVR任务的损失函数构成。其中，交叉熵损失函数对模型预测错误惩罚明显，当预测概率与真实值相差大时，损失值迅速增大，促使模型避免错误预测。同时，其在优化过程中的梯度特性有利于模型快速收以平衡电柜推荐和电池推荐任务间的关系，避免只关注一个任务而导致另一个任务性能下降的“跷跷板”现象。通过综合两个任务的损失函数，能够整体评估模型在电柜和电池推荐上的性能，使模型提供更准确的推荐方案。[0108]如何从邻近的换电站中挑选出最适合个人驾驶习惯的电池，以此来增强配送效能与顾客满意度。现今市场上存在着各式各样的电池选择，它们在规格、容量以及生产批次方面都有所差异。以往的做法通常是让使用者随机挑选一个已充满电的电池进行替换，然而这种方法往往忽略了个体用户的特定偏好，造成了资源配置上的不足。[0109]通过上述步骤S101至S103,本申请方案充分利用了电池的基本属性、换电柜的相关数据、骑手的个人信息以及骑手与电池之间的互动记录等多维度基础信息，通过基于深度学习的多目标推荐系统，深入挖掘这些数据中的潜在变量，并将将这些基础信息与挖掘出的隐含变量整合进推荐系统模型中，实时输出最符合骑手需求的换电柜和电池建议。解决了相关技术中换电推荐方法用户匹配度较低，以及资源利用率较低的问题，不仅降低了成本和生产压力，增进了供需关系的均衡；此外，含骑手-电池交互信息以及深度学习的隐变量信息，充分探究骑手与电池的关联，由于该模型挖掘骑手习惯性换电数据信息，结合骑手的个人习惯和偏好生成推荐信息，因此，也能够更全面地满足骑手的需求，进一步缓解了优质电池供应端的压力。[0110]第二方面，本申请实施例还提供了一种基于多目标深度学习的换电推荐系统，图3是根据本申请实施例的一种基于多目标深度学习的换电推荐系统的结构框图，如图3所示，该系统包括：输入模块30、特征处理模块31和推荐模块32,其中：[0111]输入模块30用于，将多维度原始特征整合为共享底层特征，其中，多维度原始特征[0112]其中，用户特征反映骑行者的过往行为模式，其可以但不限于是行程长度、能量消耗以及再充点周期等；进一步地，电池特征包括但不限于是电池容量、剩余电量和电池类型相关信息；电柜特征则可以是电柜位置和分布信息、设备内资源信息，以及设备状态信息，[0113]本实施例中，该共享底层特征能够全面地反映用户、电池和电柜之间的复杂关系。例如，其中，可以包含骑手在特定配送路线上对某种电池性能的需求与附近电柜提供该电池的可能性之间的关系信息。这个共享底层特征将作为后续深度学习模型中专家网络的输入，为整个换电推荐系统提供一个统一且丰富的信息基础，使得系统能够基于此进行更精准的电柜推荐(CTR)和电池推荐(CVR)任务。[0114]特征处理模块31用于，基于共享底层特征，通过专家网络，分别学习与不同类型的特定任务相关的特征表示，得到多维度的特征学习结果，将多维度的特征学习结果进行加权融合；[0115]该模块利用多个专家网络分别专注处理特定的特征学习，将共享特征转化不同类型学习任务对应为精准抽象特征，为系统提供丰富的信息基础。在此基础上，利用门控网络，为各个专家网络的输出分配权重，以突出重要特征的贡献。二者协作，使系统能精准把握用户、电池与电柜关系，系统精准分析用户、电池和电柜间关系，实现电柜与电池的精准[0116]推荐模块32用于，通过任务塔，基于加权合并的结果进行预测，得到与用户习惯匹配的换电推荐结果。[0117]需要说明的是，本实施例中的任务塔包括第一任务塔Tower1和第二任务塔Tower2;门控网络输出的加权合并结果，分别输入到TaskTaskTower1专注电柜推荐任务(CTR)预测，TaskTower2进行电池推荐任务(CVR)预测；两者分别输入第一预测结果和第二预测结果，第一预测结果和第二预测结果再经乘法整合形成综合指标CV