CN108520270B - 零件匹配方法、系统及终端 - Google Patents

Abstract

本发明提供了一种零件匹配方法、系统及终端，涉及零件匹配技术领域，该方法包括：获取第一零件数据；其中，所述第一零件数据为零件生产厂商的零件数据；获取第二零件数据；其中，所述第二零件数据为原汽车厂商的零件数据；采用机器学习的方式对所述第一零件数据和所述第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系。本发明可以有效提升零件匹配效率和可靠性。

Description

零件匹配方法、系统及终端

技术领域

本发明涉及零件匹配技术领域，尤其是涉及一种零件匹配方法、系统及终端。

背景技术

汽车市场的零配件信息体系庞杂，汽车生产厂商、零件生产企业各自应用自己的体系与标准，汽车生产的前市场与汽车销售后的服务后市场之间没有有效的信息衔接。数以万计的配件生产企业都维护着自己的配件信息体系，导致等质零件在汽车原厂、各配件生产企业的描述可能存在差异，各配件生产企业的信息体系很难与汽车原厂的配件信息体系匹配。

当因零件老化、事故维修等各种原因需要更换汽车的零配件时，大多用户希望找到可替换原厂配件的零配件，现有的零件匹配需要完全依赖熟悉配件信息的人工进行操作，然而，这种方式费时费力，零件匹配效率低下，且人工匹配的差错率较高，可靠性较差。

发明内容

有鉴于此，本发明的目的在于提供一种零件匹配方法、系统及终端，能够改善现有技术中存在的人工匹配零件的方式效率低下，可靠性较差的技术问题。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种零件匹配方法，包括：获取第一零件数据；其中，第一零件数据为零件生产厂商的零件数据；获取第二零件数据；其中，第二零件数据为原汽车厂商的零件数据；采用机器学习的方式对第一零件数据和第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系。

进一步，上述获取第一零件数据的步骤，包括：通过爬虫方式在网络上爬取第一零件数据；和/或，从零件生产厂商直接获取第一零件数据。

进一步，上述获取第二零件数据的步骤，包括：通过预先建立的零件数据库获取第二零件数据；其中，零件基础数据库中存储有原汽车厂商的零件信息；且获取的第二零件数据为符合预设格式的数据。

进一步，上述通过预先建立的零件数据库获取第二零件数据的步骤，包括：从预先建立的零件数据库中提取各零件的基础数据；从零件数据库中查找与各零件有关的关联零件数据；根据各零件对应的关联零件数据确定各零件的特征数据；将各零件的基础数据和特征数据进行关联适配，形成符合预设格式的第二零件数据。

进一步，上述采用机器学习的方式对第一零件数据和第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系的步骤，包括：采用深度学习的方式将第一零件数据转换为符合预设格式的第一标准零件数据；采用机器学习的方式对第一标准零件数据和第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系。

进一步，上述采用深度学习的方式将第一零件数据转换为符合预设格式的第一标准零件数据的步骤，包括：基于CRF算法和/或BI-LSTM算法将第一零件数据转换为符合预设格式的第一标准零件数据。

进一步，上述采用机器学习的方式对第一标准零件数据和第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系的步骤，包括：基于SVM算法对第一标准零件数据和第二零件数据进行模糊匹配，以生成第一零件数据与第二零件数据的对应关系。

进一步，上述第一零件数据与上述第二零件数据均以包括有多种零件数据的表格形式呈现。

第二方面，本发明实施例还提供一种零件匹配系统，包括：第一获取模块，用于获取第一零件数据；其中，第一零件数据为零件生产厂商的零件数据；第二获取模块，用于获取第二零件数据；其中，第二零件数据为原汽车厂商的零件数据；匹配模块，用于采用机器学习的方式对第一零件数据和第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系。

进一步，上述第一获取模块还用于：通过爬虫方式在网络上爬取第一零件数据；和/或，从零件生产厂商直接获取第一零件数据。

进一步，上述第二获取模块包括数据库获取单元，用于：通过预先建立的零件数据库获取第二零件数据；其中，零件基础数据库中存储有原汽车厂商的零件信息；且获取的第二零件数据为符合预设格式的数据。

进一步，上述数据库获取单元还用于：从预先建立的零件数据库中提取各零件的基础数据；从零件数据库中查找与各零件有关的关联零件数据；根据各零件对应的关联零件数据确定各零件的特征数据；将各零件的基础数据和特征数据进行关联适配，形成符合预设格式的第二零件数据。

进一步，上述匹配模块包括：转换单元，用于采用深度学习的方式将第一零件数据转换为符合预设格式的第一标准零件数据；匹配单元，用于采用机器学习的方式对第一标准零件数据和第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系。

进一步，上述转换单元用于：基于CRF算法和/或BI-LSTM算法将第一零件数据转换为符合预设格式的第一标准零件数据。

进一步，上述匹配单元用于：基于SVM算法对第一标准零件数据和第二零件数据进行模糊匹配，以生成第一零件数据与第二零件数据的对应关系。

进一步，上述第一零件数据与上述第二零件数据均以包括有多种零件数据的表格形式呈现。

第三方面，本发明实施例提供了一种终端，终端包括存储器以及处理器，存储器用于存储支持处理器执行第一方面任一项方法的程序，处理器被配置为用于执行存储器中存储的程序。

第四方面，本发明实施例提供了一种计算机存储介质，用于储存为第二方面任一项系统所用的计算机软件指令。

本发明实施例提供了一种零件匹配方法、系统及终端，可以采用机器学习的方式对获取的零件生产厂商的零件数据与原汽车厂商的零件数据进行匹配，与现有技术中依靠人工匹配零件，效率低下的问题相比，本发明实施例能够依靠机器匹配方式实现零件数据的自动匹配，有效提升了零件匹配效率和可靠性。

本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明实施例所提供的一种零件匹配方法流程图；

图2示出了本发明实施例所提供的另一种零件匹配方法流程图；

图3示出了本发明实施例所提供的一种零件匹配系统的结构框图；

图4示出了本发明实施例所提供的一种终端的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

考虑到依靠人工匹配与汽车原厂配件质量等同的其它零件生产厂家的配件(又可简称为同质配件)的方式效率低下，为改善此问题，本发明实施例提供的一种零件匹配方法、系统及终端，该技术可采用相应的软件或硬件实现，以下对本发明实施例进行详细介绍。

参见图1所示的一种零件匹配方法流程图，该方法可由智能终端、服务器等设备执行，包括以下步骤：

步骤S102，获取第一零件数据；其中，第一零件数据为零件生产厂商的零件数据。第一零件数据可以包含有多种类型零件的相关数据，诸如，包含有零件品牌、适用的车辆品牌、车型、年款、发动机型号、变速箱型号、驱动形式、零件基本参数(如型号、螺纹尺寸等)、品牌件号等信息的零件生产厂商的零件数据。

本实施例给出了以下两种获取第一零件数据的具体方式：

方式一：通过爬虫方式在网络上爬取第一零件数据。爬虫方式主要采用网络爬虫技术实现，网络爬虫可按照预设规则自动抓取网络上的目标内容，诸如文字、图片等。对于零件生产厂商公开在网络上的零件数据，均可采用该种方式获取，通过该方式，可简单便捷的通过网络获取诸多零件生产厂商的零件数据。

方式二：从零件生产厂商直接获取第一零件数据。考虑到部分零件生产厂商可能并没有将详细的零件数据公开于网络上，诸如规模较小的本土零件生产厂商，为了使获取的第一零件数据更加丰富全面，还可以直接对接各零件生产厂商，接收各零件生产厂商提供的第一零件数据。

在实际应用中，可以根据实际需求而灵活选择方式一和/或方式二，当然，以上方式仅为示例性说明，还可以采用其它方式获取第一零件数据。

步骤S104，获取第二零件数据；其中，第二零件数据为原汽车厂商的零件数据。

在一种实施方式中，可以通过预先建立的零件数据库获取第二零件数据；其中，零件基础数据库中存储有原汽车厂商的零件信息；且获取的第二零件数据为符合预设格式的数据。零件数据库中可以存储有原汽车厂商的全量零件数据，在该零件数据库中的零件数据可以按照预设格式存储，诸如将各零件按照标准名称、标准格式记录于数据表单中。获取的第二零件数据可以包括零件的基础数据以及特征数据(又可称为属性数据)，该特征数据可以是与零件有关的其它零配件的信息、备注信息等，诸如，若要确定保险杠的属性，还需要电眼、大灯清洗装置、拖车盖板等配置信息。

在具体实现时，上述通过预先建立的零件数据库获取第二零件数据可以参照如下步骤：

(1)从预先建立的零件数据库中提取各零件的基础数据。该基础数据可以包含有零件OE(Original Equipment，原始配件)号，适用车型、品牌信息、车系、车组、发动机型号等基本的属性数据。

(2)从零件数据库中查找与各零件有关的关联零件数据。诸如，当零件为保险杠时，可以从零件数据库中查找该保险杠相关的电眼、大灯清洗装置、拖车盖板等关联零件的数据。

(3)根据各零件对应的关联零件数据确定各零件的特征数据。该特征数据又可理解为各零件有所差异的属性数据。可以理解的是，对于不同车型的同一零件，在各自的特征属性方面也有所差异，以保险杠为例，因与其相关的电眼、大灯清洗装置、拖车盖板等相关零件配置不同，保险杠的特征属性也不同。

(4)将各零件的基础数据和特征数据进行关联适配，形成符合预设格式的第二零件数据。预设格式可以包括预设的标准名称、标准格式等。在实际应用中，第二零件数据中的各种零配件可以都包含有诸如发动机型号、发动机排量、变速箱类型、车身形式、起始时间、结束时间、替换号、底盘号、变速箱描述、驱动形式等基础属性数据，还可以包含各自零配件特有的数据，比如轮框尺寸、刹车片内外圈尺寸等。

步骤S106，采用机器学习的方式对第一零件数据和第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系。机器学习是人工智能的核心，能够使用算法对大量数据进行分析处理，传统算法可以包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网络等，通过机器学习方式，可以分别对第一零件数据和第二零件数据进行归类、关联、整理等，并对第一零件数据和第二零件数据进行诸如相似度匹配等操作，从而形成第一零件数据与第二零件数据的对应关系。

本实施例给出了一种匹配的具体实现方式，可以参照如下步骤：

(1)采用深度学习的方式将第一零件数据转换为符合预设格式的第一标准零件数据。由于从各零件生产商都有各自的零配件信息体系，即便对同一零件特征或属性的描述也各有差异，诸如，市场上对于车辆车型描述不规范，对于宝马3系车辆，具有宝马320Li，宝马320i，BMW320等多种称谓，通过深度学习可将这一类车辆统称为宝马三系车辆；又如对于保险杠的特征，有的零件厂商描述为带孔，有的零件厂商描述为带眼，有的零件厂商描述为带电眼，其实均指有驻车电眼配置的保险杠皮，因此均可统称为有驻车电眼配置的保险杠皮。为了便于后续更为准确快速的匹配，可将描述各异的第一零件数据转换为符合预设格式的第一标准零件数据；该预设格式可以是预先设定的，具体可以包括标准名称、数据表现格式等。诸如，有的零件厂商对某一车型的名称定义为Sorento[索兰托]，而预设格式的标准车型名称为索兰托Sorento；有的零件厂商对车型为凯美瑞的发动机型号定义为5ARFE，而预设格式的发动机型号应该为5AR-FE。通过深度学习的方法，可以将各类描述标准化统一化，为后续数据匹配奠定基础。

在实际应用中，可以基于CRF算法和/或BI-LSTM算法将第一零件数据转换为符合预设格式的第一标准零件数据。

其中，CRF(Conditional random fields，条件随机场)算法可较好地执行分词、词性标注和命名实体识别等序列标注任务；BI-LSTM(BI-Long Short Term Memory，双端-长短期记忆)算法也可以有效实现诸多序列标注任务。采用CRF算法和/或BI-LSTM算法对第一零件数据进行识别、标注，进而转换为预设标准名称、预设标准格式的第一标准零件数据。采用CRF算法和/或BI-LSTM算法，能够对差别多样化的零件数据的进行较好的规范和统一，而且CRF算法和/或BI-LSTM算法的处理效率较高，可靠性较强。

此外，在将第一零件数据转换为符合预设格式的第一标准零件数据时，如果部分零件数据有缺失，还可以对有缺失项目的零件数据进行推算。比如当零件数据包括品牌、年款及发动机型号，但未包含变速箱型号，可以通过已有信息及匹配算法计算出相应的变速箱型号。

(2)采用机器学习的方式对第一标准零件数据和第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系。诸如，可以基于SVM算法对第一标准零件数据和第二零件数据进行模糊匹配，以生成第一零件数据与第二零件数据的对应关系。SVM算法在应用中主要可采取监督式学习里的分类方式对第一标准零件数据和第二零件数据进行模糊匹配。在实际应用中，第二零件数据也符合预设格式，所以第一标准零件数据与符合预设格式的第二零件数据可以进行较为方便的关联匹配，在实际应用中，可采用对零件数据评分的方式进行相似度匹配。

为便于理解，以下简单示意出一种SVM算法在对第一标准零件数据和第二零件数据进行匹配的应用示例：假设某零件厂商给出的零件数据为“丰田、凯美瑞、AT、2.0L”；基于该零件数据，从第二零件数据中初步匹配得到三项可能与之匹配的数据，分别为“丰田、凯美瑞、4AT、2.0L”、“丰田、凯美瑞、6AT、2.0L”、“丰田、凯美瑞、6AT、2.0T”。其中，诸如“AT”、“2.0L”等均可理解为零件属性，通过逐一对各个属性进行评分匹配，以衡量相似度。诸如，2.0L与2.0L相同，则匹配分数较高，2.0T与2.0L相异，则匹配分数较低。在对零件数据进行匹配时，每个零件属性都对应一个匹配分数，最后综合该零件的多种属性的匹配分数来最终确定匹配结果，也即，可以将匹配分数最高(也即，相似度最高)的零件认为是同质零件。

本实施例的上述零件匹配方法，可以采用机器学习的方式对获取的零件生产厂商的零件数据与原汽车厂商的零件数据进行匹配，与现有技术中依靠人工匹配零件，效率低下的问题相比，本发明实施例能够依靠机器匹配方式实现零件数据的自动匹配，较好地提升了零件匹配效率和可靠性。

应当说明的是，本发明实施例的零件匹配方法并不以图1以及以下所述的具体顺序为限制。可以理解，在其它实施例中，该方法其中部分步骤的顺序(诸如步骤S102和步骤S104)可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。此外，术语“第一”、“第二”仅用于描述目的以及进行区分，而不能理解为指示或暗示相对重要性。

在实际应用中，本实施例提供的上述第一零件数据与上述第二零件数据均以包括有多种零件数据的表格形式呈现，以便于对第一零件数据与第二零件数据进行存储与匹配。

为便于理解，本实施例提供了一种应用上述零件匹配方法的具体实施方式，参见图2所示的另一种零件匹配方法流程图，简单示意出如下步骤：

步骤S202，获取零件生产厂商的源数据。其中，该源数据也即前述第一零件数据。该源数据可以从零件生产厂商直接获取，也可以通过爬虫技术从公开交易的零件电商平台爬取。由于源数据可以包含有诸如零件品牌、适用车辆的品牌、车型、年款、发动机型号、变速箱型号、驱动形式、零件基本参数(如型号、螺纹尺寸等)、品牌号等信息的零件生产厂商的零件数据等，源数据在存储于表格中时，以表格为EXCEL表格为例进行简单说明，上述各信息可以作为EXCEL表格的横行各表头，各零件类型作为EXCEL表格的纵列各表头。

步骤S204，对源数据进行标准化处理，形成记录有标准数据格式的第一表格。具体的，对源数据进行清洗及整理，形成包括零部件名称、正规配件名、品牌号、适用车辆品牌、年款、底盘号、发动机型号、变速箱型号、驱动形式、零件特征在内的标准信息格式的第一表格(可简称为P表)。其中，零件特征又包括多种，由于不同的零部件具有不同的特征，为了使第一表格的信息更加全面规整，可以将在表格中将各特征均列出，以“有/无”等形式表征零部件是否具有该特征。此外，在对源数据进行标准化处理时，还可以对有缺失项目的车辆配件关键信息进行推算，比如当零件信息包括品牌、年款、及发动机型号，但未包含变速箱型号的，可以通过已有信息及匹配算法计算出相应的变速箱型号。

步骤S206，提取原厂零件的基础数据。在实际应用中，可以根据零件类型及适用车辆的品牌及型号等信息，在预先建立的零件数据库中提取出包含零件OE号，适用车型、品牌信息、车系、车组、发动机型号等在内的全量信息，同时可将适用于同车型的零件号进行合并，生成OE零件信息基础数据表。

步骤S208，确定原厂零件的特征数据，形成记录有标准数据格式的第二表格。具体的，可以根据OE零件信息基础数据表，在零件数据库中提取与各零件有关的部件信息和备注信息等，以用于判断零件特征(又可称为零件属性)。诸如若确定保险杠的属性，还需要与保险杠相关的电眼、大灯清洗装置、拖车盖板等零件信息，以作为该保险杠的特征数据。将零件的特征数据与步骤S208中的基础数据做关联匹配，以形成第二表格(可简称为E表)，在实际应用中，该第二表格又可称为OE零件属性及适配关系表。

步骤S210，采用匹配算法对第一表格和第二表格中的零件数据进行模糊匹配，以得到零件生产厂商与原厂零件的对应关系，具体可形成第三表格。其中，第三表格记录有品牌零件(零件生产厂商的零件)与原厂零件的对应关系。该第三表格又可称为M表，记录有较为全面的匹配结果。诸如，在第三表格中，记录有各零件的正规名称、底盘号、型号、OE号、品牌号等。由于第三表格清楚地示出了各零件的OE号和品牌号等零件数据的对应关系，所以可以直接体现出零件成产厂商的零件与原汽车厂商的零件的匹配关系。

当通过上述零件匹配方法建立有零件成产厂商与原汽车厂商的零件匹配关系时，用户在实际应用中，可以通过VIN(车辆识别码)+零件名称的方式即可检索到待查询零件的原厂零件编号(OE号)以及品牌零件编号(品牌号)等。

综上所述，本实施例提供的上述零件匹配方法，无需依靠人工匹配零件，通过机器学习等方式即可实现自动匹配，有效的提升了零件匹配效率和可靠性。

在实际应用中，上述零件匹配方法不仅可以给希望找到可替换原厂配件的零配件的用户提供极大的便捷，而且还可以应用于配件电商平台，通过采用上述方式，配件电商可以规范用户搜索的零配件数据形式，并进行标准化数据检索，以连接同质配件生产厂商；此外，上述零件匹配方法还可以帮助配件厂商建立直接对接市场需求的网站、微站等，让配件生产厂商可以向买方提供直接搜索并购买的服务。

对应于前述零件匹配方法，本实施例还提供了一种零件匹配系统，参见图3所示的一种零件匹配系统的结构框图，包括如下模块：

第一获取模块302，用于获取第一零件数据；其中，第一零件数据为零件生产厂商的零件数据；

第二获取模块304，用于获取第二零件数据；其中，第二零件数据为原汽车厂商的零件数据；

匹配模块306，用于采用机器学习的方式对第一零件数据和第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系。

本实施例的上述零件匹配系统，可以采用机器学习的方式对获取的零件生产厂商的零件数据与原汽车厂商的零件数据进行匹配，与现有技术中依靠人工匹配零件，效率低下的问题相比，本发明实施例能够依靠机器匹配方式实现零件数据的自动匹配，较好地提升了零件匹配效率和可靠性。

在实际应用中，上述第一获取模块302还用于：通过爬虫方式在网络上爬取第一零件数据；和/或，从零件生产厂商直接获取第一零件数据。

上述第二获取模块304包括数据库获取单元，用于：通过预先建立的零件数据库获取第二零件数据；其中，零件基础数据库中存储有原汽车厂商的零件信息；且获取的第二零件数据为符合预设格式的数据。具体的，数据库获取单元进一步用于：从预先建立的零件数据库中提取各零件的基础数据；从零件数据库中查找与各零件有关的关联零件数据；根据各零件对应的关联零件数据确定各零件的特征数据；将各零件的基础数据和特征数据进行关联适配，形成符合预设格式的第二零件数据。

在具体实施时，上述匹配模块包括转换单元和匹配单元，具体解释说明如下：

转换单元，用于采用深度学习的方式将第一零件数据转换为符合预设格式的第一标准零件数据。在实际应用中，转换单元进一步用于：基于CRF算法和BI-LSTM算法将第一零件数据转换为符合预设格式的第一标准零件数据。

匹配单元，用于采用机器学习的方式对第一标准零件数据和第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系。在实际应用中，匹配单元进一步用于：基于SVM算法对第一标准零件数据和第二零件数据进行模糊匹配，以生成第一零件数据与第二零件数据的对应关系。

在具体实施时，上述第一零件数据与上述第二零件数据均以包括有多种零件数据的表格形式呈现。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统具体工作过程，可以参考前述实施例中的对应过程，在此不再赘述。

对应于前述实施例所提供的零件匹配方法和系统，本实施例提供了一种终端，该终端包括存储器以及处理器，存储器用于存储支持处理器执行前述零件匹配方法的程序，处理器被配置为用于执行存储器中存储的程序。

参见图4所示的一种终端的结构示意图，具体包括处理器40，存储器41，总线42和通信接口43，处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。

其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线42可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器41用于存储程序，处理器40在接收到执行指令后，执行程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。

处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。

本实施例提供的零件匹配方法可以由上述终端执行，亦或，本实施例提供的零件匹配方法系统可以设置于上述终端侧，在实际应用中，上述终端可以为计算机、手机等智能终端。

本发明实施例所提供的零件匹配方法、系统及终端的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种零件匹配方法，其特征在于，包括：

获取第一零件数据；其中，所述第一零件数据为零件生产厂商的零件数据；

获取第二零件数据；其中，所述第二零件数据为原汽车厂商的零件数据；

采用机器学习的方式对所述第一零件数据和所述第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系；

所述获取第一零件数据的步骤，包括：

通过爬虫方式在网络上爬取第一零件数据；

和/或，

从零件生产厂商直接获取第一零件数据；

其中，所述获取第二零件数据的步骤，包括：

通过预先建立的零件数据库获取第二零件数据；其中，所述零件数据库中存储有原汽车厂商的零件信息；且获取的所述第二零件数据为符合预设格式的数据；

其中，所述通过预先建立的零件数据库获取第二零件数据的步骤，包括：

从预先建立的零件数据库中提取各零件的基础数据；

从所述零件数据库中查找与各所述零件有关的关联零件数据；

根据各所述零件对应的关联零件数据确定各所述零件的特征数据；

将各所述零件的基础数据和特征数据进行关联适配，形成符合预设格式的第二零件数据；

其中，所述采用机器学习的方式对所述第一零件数据和所述第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系的步骤，包括：

采用深度学习的方式将所述第一零件数据转换为符合所述预设格式的第一标准零件数据；

采用机器学习的方式对所述第一标准零件数据和所述第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系。

2.根据权利要求1所述的方法，其特征在于，所述采用深度学习的方式将所述第一零件数据转换为符合所述预设格式的第一标准零件数据的步骤，包括：

基于CRF算法和/或BI-LSTM算法将所述第一零件数据转换为符合所述预设格式的第一标准零件数据。

3.根据权利要求1所述的方法，其特征在于，所述采用机器学习的方式对所述第一标准零件数据和所述第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系的步骤，包括：

基于SVM算法对所述第一标准零件数据和所述第二零件数据进行模糊匹配，以生成第一零件数据与第二零件数据的对应关系。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述第一零件数据与所述第二零件数据均以包括有多种零件数据的表格形式呈现。

5.一种零件匹配系统，其特征在于，包括：

第一获取模块，用于获取第一零件数据；其中，所述第一零件数据为零件生产厂商的零件数据；

第二获取模块，用于获取第二零件数据；其中，所述第二零件数据为原汽车厂商的零件数据；

匹配模块，用于采用机器学习的方式对所述第一零件数据和所述第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系；

所述第一获取模块还用于：

通过爬虫方式在网络上爬取第一零件数据；

和/或，

从零件生产厂商直接获取第一零件数据；

其中，所述第二获取模块用于：

通过预先建立的零件数据库获取第二零件数据；其中，所述零件数据库中存储有原汽车厂商的零件信息；且获取的所述第二零件数据为符合预设格式的数据；

其中，所述第二获取模块还用于：

从预先建立的零件数据库中提取各零件的基础数据；

从所述零件数据库中查找与各所述零件有关的关联零件数据；

根据各所述零件对应的关联零件数据确定各所述零件的特征数据；

将各所述零件的基础数据和特征数据进行关联适配，形成符合预设格式的第二零件数据；

其中，所述匹配模块用于：

采用深度学习的方式将所述第一零件数据转换为符合所述预设格式的第一标准零件数据；

采用机器学习的方式对所述第一标准零件数据和所述第二零件数据进行匹配，以生成第一零件数据与第二零件数据的对应关系。

6.一种终端，其特征在于，所述终端包括存储器以及处理器，所述存储器用于存储支持处理器执行权利要求1至4任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

Images