CN110727840B - 车辆问询标签推送方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及计算机技术领域，特别涉及车辆问询标签推送方法、装置、计算机设备和存储介质。方法包括：获取各车型关联的车辆标签及选择意愿概率，根据车辆标签生成车辆标签库；对车辆标签库中的各车辆标签进行组合生成标签对；查找关联车辆标签中包含标签对的目标车型；根据选择意愿概率设置各车辆标签的标签选择概率，根据标签选择概率构建标签对对应的标签概率矩阵，将标签概率矩阵中目标车型对应的各车辆标签的标签选择概率更改为原来的一半，得到计算矩阵；根据计算矩阵计算各标签对的信息增益，将最大信息增益对应的标签对提取为问询标签对，将问询标签对推送至用户终端，采用本方法能够提高车型推荐效率。

Description

车辆问询标签推送方法、装置、计算机设备和存储介质

技术领域

本申请涉及如计算机技术领域，特别是涉及一种车辆问询标签推送方法、装置、计算机设备和存储介质。

背景技术

随着人们生活水平以及汽车性能的不断提高，人们对汽车的消费需求也越来越旺盛。目前市面上存在大量具有不同车辆标签的车型，出售人员了解每种车型的性能信息并向用户推荐成为了不可能的任务，并且用户对购车的需求也很模糊，极大地增加了用户和出售人员之间的沟通成本，使得车辆的推荐效率低下。

目前的车辆推荐方法由销售人员向用户随机推荐，或者销售人员通过问询用户的需求向用户推荐车辆，这些推荐方法都会受到销售人员的业务水平、经验水平、认知水平以及沟通水平的影响，进而无法实现在最短的时间内帮助用户找到目标车型，满足用户的个性化需求。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高车型推荐效率的车辆问询标签推送方法、装置、计算机设备和存储介质。

一种车辆问询标签推送方法，方法包括：获取各车型关联的车辆标签及选择意愿概率，根据车辆标签生成车辆标签库；对车辆标签库中的各车辆标签进行组合生成标签对；查找关联车辆标签中包含标签对的目标车型；根据选择意愿概率设置各车辆标签的标签选择概率，根据标签选择概率构建标签对对应的标签概率矩阵，将标签概率矩阵中目标车型对应的各车辆标签的标签选择概率更改为原来的一半，得到计算矩阵；根据计算矩阵计算各标签对的信息增益，将最大信息增益对应的标签对提取为问询标签对，将问询标签对推送至用户终端。

在其中一个实施例中，所述获取各车型对应的选择意愿概率，包括：获取车型总数量，根据所述车型总数量得到各所述车型的初始选择意愿概率；获取用户终端发送的用户标识，查找所述用户标识对应的位置信息和浏览信息；根据所述位置信息及所述浏览信息生成各所述车型对应的概率调整值；根据所述概率调整值对所述车型对应的初始选择意愿概率进行调整，得到各所述车型对应的选择意愿概率。

在其中一个实施例中，所述根据所述计算矩阵计算各所述标签对的信息增益，包括：获取各所述标签对中的第一性能标签以及第二性能标签；计算所述车型中关联所述第一性能标签的第一车型数量、关联所述第二性能标签的第二车型数量、同时关联所述第一性能标签和所述第二性能标签的第三车型数量，以及既不关联所述第一性能标签又不关联所述第二性能标签的第四车型数量；根据所述第一车型数量、所述第二车型数量、所述第三车型数量、所述第四车型数量以及所述计算矩阵得到各所述标签对的信息增益。

在其中一个实施例中，所述根据所述第一车型数量、所述第二车型数量、所述第三车型数量、所述第四车型数量以及所述计算矩阵得到各所述标签对的信息增益，包括：获取车型总数量，根据所述车型总数量得到总信息熵；从所述计算矩阵中提取所述第一性能标签对应的第一概率向量及所述第二性能标签对应的第二概率向量；根据所述第一车型数量、所述第三车型数量以及所述第一概率向量得到第一信息熵，根据所述第二车型数量、所述第三车型数量以及所述第二概率向量得到第二信息熵，根据所述第四车型数量和所述车型总数量得到第四信息熵；根据所述总信息熵、所述第一信息熵、所述第二信息熵以及所述第四信息熵得到各所述标签对的信息增益。

在其中一个实施例中，所述根据所述第一车型数量、所述第二车型数量、所述第三车型数量、所述第四车型数量以及所述计算矩阵得到各所述标签对的信息增益，包括：从所述计算矩阵中提取所述第一性能标签对应的第一概率向量及所述第二性能标签对应的第二概率向量；根据所述第一车型数量、所述第二车型数量以及所述第三车型数量得到第一总信息熵；根据所述第一车型数量、所述第三车型数量以及所述第一概率向量得到第一信息熵，根据所述第二车型数量、所述第三车型数量以及所述第二概率向量得到第二信息熵；根据所述第一总信息熵、所述第二信息熵以及所述第一总信息熵得到第一信息增益；根据车型总数量得到总信息熵，根据所述总信息熵以及所述第一总信息熵得到第二信息增益；将所述第一信息增益与所述第二信息增益做差构造目标信息增益函数；求解所述目标信息增益函数的最大值得到各所述标签对的信息增益。

在其中一个实施例中，所述计算所述车型中只关联所述第一性能标签的第一车型数量，只关联所述第二性能标签的第二车型数量，以及同时关联所述第一性能标签和所述第二性能标签的第三车型数量，包括：根据所述车型以及各所述车型对应的性能标签生成独热编码矩阵；获取所述独热编码矩阵的转置矩阵，根据所述独热编码矩阵以及所述转置矩阵生成车型数量矩阵；从所述车型数量矩阵的对角线数据中提取所述第一车型数量和所述第二车型数量，从所述车型数量矩阵的非对角线数据中提取所述第三车型数量。

在其中一个实施例中，所述将所述问询标签对推送至用户终端之后，包括：接收所述用户终端发送的标签选择信息；根据所述标签选择信息继续进行问询标签的选择和推送。

在其中一个实施例中，所述根据所述标签选择信息继续进行问询标签的选择和推送，包括：当所述标签选择信息中包含选择标签时，根据所述选择标签筛选出意愿车型；根据所述意愿车型关联的性能标签，继续进行问询标签的选择和推送。

在其中一个实施例中，所述根据所述选择标签筛选出意愿车型之后，还包括：获取意愿车型的车型数量，将所述车型数量与预设阈值进行比较；当所述车型数量大于所述预设阈值时，继续执行根据所述意愿车型关联的性能标签，继续进行问询标签的选择和推送。

在其中一个实施例中，所述方法还包括：当所述车型数量小于或等于预设阈值时，获取各所述意愿车型对应的车型性能信息；根据所述意愿车型及所述车型性能信息生成车型推荐分析报告，将所述车型推荐分析报告推送至用户终端。

在其中一个实施例中，所述根据所述标签选择信息继续进行问询标签的选择和推送，包括：当所述标签选择信息中未包含选择标签时，向所述用户终端推送排名第二的信息增益值对应的问询标签对。

一种车辆问询标签推送装置，装置包括：车型关联信息生成模块，用于获取各车型关联的车辆标签及选择意愿概率，根据车辆标签生成车辆标签库；标签对生成模块，用于对车辆标签库中的各车辆标签进行组合生成标签对；目标车型查找模块，用于查找关联车辆标签中包含标签对的目标车型；计算矩阵生成模块，用于根据选择意愿概率设置各车辆标签的标签选择概率，根据标签选择概率构建标签对对应的标签概率矩阵，将标签概率矩阵中目标车型对应的各车辆标签的标签选择概率更改为原来的一半，得到计算矩阵；问询标签对生成模块，用于根据计算矩阵计算各标签对的信息增益，将最大信息增益对应的标签对提取为问询标签对，将问询标签对推送至用户终端。

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。

上述车辆问询标签推送方法，对车辆标签库中的标签任意组合生成标签对，查找车辆标签中包含标签对的目标车型并将目标车型中各车辆标签的标签选择概率更改为原来的一半，通过更改数值克服了被同一车型关联的标签对无法进行信息增益计算的问题，扩大了信息增益计算公式的适用范围。通过算法计算各个标签对的信息增益，提取最大信息增益值对应的标签对为问询标签对推送至用户终端，实现了根据算法对各标签对进行排序，减少了人为干涉，提高了标签对的推送准确性。同时每次向用户终端推送包含信息量最多的标签对，使得用户每次的选择都能带来最多的信息量，进而提高了车型筛选效率，以最快的效率帮助用户找到目标车型。

附图说明

图1为一个实施例中车辆问询标签推送方法的应用场景图；

图2为一个实施例中车辆问询标签推送方法的流程示意图；

图3为一个实施例中信息增益的一种计算方法流程示意图；

图4为一个实施例中信息增益的另一种计算方法流程示意图；

图5为一个实施例中车辆问询标签推送装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

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，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的搜索应用数据处理方法，可以应用于如图1所示的应用环境中。其中，用户终端102通过网络与服务器104进行通信。服务器104获取各车型关联的车辆标签，并将获取的车辆标签组合成标签对，通过计算各标签对的信息增益，将信息增益值最大的标签对提取为问询标签对推送至用户终端102。具体地，服务器104获取各车型关联的车辆标签及选择意愿概率，根据车辆标签生成车辆标签库；对车辆标签库中的各车辆标签进行组合生成标签对；查找关联车辆标签中包含标签对的目标车型；根据选择意愿概率设置各车辆标签的标签选择概率，根据标签选择概率构建标签对对应的标签概率矩阵，将标签概率矩阵中目标车型对应的各车辆标签的标签选择概率更改为原来的一半，得到计算矩阵；根据计算矩阵计算各标签对的信息增益，将最大信息增益对应的标签对提取为问询标签对，将问询标签对推送至用户终端102。

其中，用户终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。当服务器104为独立的服务器时，服务器104中可以部署多个数据库，每个数据库中可以存储特定业务的业务数据表；当服务器104为多个服务器组成的服务器集群时，每个服务器中部署的数据库中可以存储特定业务的业务数据表。

在一个实施例中，如图2所示，提供了一种车辆问询标签推送方法，以该方法应用于图1中的服务器104为例进行说明，在其他实施例中，该方法也可以应用于终端，方法包括以下步骤：

步骤210，获取各车型关联的车辆标签及选择意愿概率，根据车辆标签生成车辆标签库。

车辆标签为标记车型具有某种性能的指标，可为车辆的性能标签或者评论标签，其中每个车型可关联多个车辆标签，不同车型之间可具有交叉的车辆标签。例如，车辆标签可为油耗低、加速快、外形美观、空间大等。

选择意愿概率为购车用户会购选此种车型的意愿度。在不同的地区，同一车型关联的选择意愿概率可有差别，同一地区的不同类型的用户对同一车型的选择意愿概率可有差别。

服务器获取各车型对应的车辆标签并去除重复的车辆标签生成车辆标签库，即在车辆标签库中每个车辆标签只出现一次。

具体地，每个车型具有不同的性能指标，不同的性能指标使用不同的车辆标签进行表征，基于不同用户所处的地理位置、个人偏好以及经济状况等特征使得用户对车型的购买需求不同，统计用户对各车型的购买需求生成各车型对应的选择意愿概率，并将各车型与其对应的选择意愿概率进行关联。具体地，可以根据各车型在一段时间内的销售量、销售速度等数据获取各车型对应的选择意愿概率。

进一步地，服务器可以从汽车类网站获取各车型对应的评论标签、从各车型生产厂商获取各车型的详细配置标签等标签数据，服务器对获取到的标签数据进行数据处理得到车辆标签。具体地，可包括利用特征提取算法例如聚类算法，生成各标签数据之间的相似度矩阵，再透过无监督学习聚类算法对标签数据进行分类，更进一步地还可以透过神经网络算法将标签数据生成向量筛选出正向描述的车辆标签。其中正向描述的车辆标签是指不包含明显是劣化性能的车辆标签，劣化性能的车辆标签是指一定不会被用户选择的车辆标签，如油耗高、性价比低等车辆标签。

步骤220，对车辆标签库中的各车辆标签进行组合生成标签对。

为了帮助用户在最短的时间内找到合适的车型，将车辆标签库中的标签组合成标签对，在车型推荐的过程中向用户提供标签对供用户选择，服务器根据用户的选择匹配到用户的意愿车型。

具体地，服务器任意读取车辆标签库中的标签，并对车辆标签进行两两组合生成标签对。例如，车辆标签库为{油耗低、加速快、外形美观、空间大}，服务器将车辆标签库中的标签两两组合为标签对生成标签对集合“{(油耗低、加速快)、(油耗低、外形美观)、(油耗低、空间大)、(加速快、外形美观)、(加速快、空间大)、(外形美观、空间大)}。需要说明的是，同一车型可关联标签对中的任意一个车辆标签、同时关联标签对中的两个标签，或者不关联标签对中的任意一个标签。

步骤230，查找关联的车辆标签中包含标签对的目标车型。

服务器从车辆标签库中任意读取两个车辆标签组成一个标签对，查找关联该标签对中的车辆标签的车型，提取车型中同时关联标签对中两个车辆标签的车型为目标车型。

步骤240，根据选择意愿概率设置各车辆标签的标签选择概率，根据标签选择概率构建标签对对应的标签概率矩阵，将标签概率矩阵中目标车型对应的各车辆标签的标签选择概率更改为原来的一半，得到计算矩阵。

不同的车型可关联不同车辆标签，具有不同车辆标签的车型被用户选择的概率可不同，故而每个车型对应一个选择意愿概率。标签选择概率用于表征具有该车辆标签的车型被用户选择的概率。

当车型关联标签对中的一个车辆标签时，将车型对应的选择意愿概率值赋值给该车型关联的车辆标签对应的标签选择概率，并将该车型不关联的车辆标签对应的标签选择概率赋值为0，根据标签选择概率构建标签对对应的标签概率矩阵。例如，假设各车型的选择意愿概率都相同为1/m，对于标签对{油耗低、加速快}而言，第一车型关联的车辆标签为油耗低，第二车型关联的车辆标签为加速快，第三车型关联的车辆标签为{油耗低、加速快}，第四车型不关联该标签对中的任何一个车辆标签，那么根据该车型的选择意愿概率生成的标签选择概率对应的表格为：

表1标签选择概率

服务器挑选车型中同时关联标签对的目标车型，将目标车型对应的选择意愿概率值均分给标签对中的车辆标签对应的标签选择概率，即将目标车型对应的标签对中，各车辆标签的标签选择概率更改为原来的一半，得到计算矩阵。

将表1中目标车型所在列的标签选择概率值更改为原来的一半得到的计算矩阵对应的表格，如表2所示：

表2第一计算概率

在概率矩阵中，各个标签选择概率之和相等，并且等于该车型对应的选择意愿概率，保证了每个车型被用户选择的可能性是相等的。

步骤250，根据计算矩阵计算各标签对的信息增益，将最大信息增益对应的标签对提取为问询标签对，将问询标签对推送至用户终端。

信息增益用于衡量特征能够为分类系统带来的信息量大小，信息增益值越大说明该特征带来的信息越多，该特征越重要。

服务器从计算矩阵中获取标签对中各车辆标签对应的标签选择概率，根据各标签选择概率计算各标签对的信息增益。进一步地，根据各标签对对应的信息增益进行大小排序，将信息增益值最大对应的标签对提取为问询标签，问询标签能够为系统的选择带来最多的信息量，将问询标签推送至用户终端。

例如，计算标签对集合{(油耗低、加速快)，(油耗低、外形美观)，(油耗低、空间大)，(加速快、外形美观)，(加速快、空间大)，(外形美观、空间大)}中各标签对的信息增益，挑选出标签对(外形美观、空间大)对应的信息增益值最大，也就是说该标签对能够为系统的选择带来最大的信息量，将标签对(外形美观、空间大)提取为问询标签对推送至用户终端。

例如，车型总数为5万种，问询标签对(外形美观、空间大)对应的信息增益值为0.6，将问询标签对推送至用户终端供用户选择，能够剔除的车型数量为3万种，车型剔除率为60％；标签对(加速快、空间大)对应的信息增益值大小为0.4，若将此标签对推送至用户终端供用户选择能够筛选出的车型数量为3万种，车型剔除率为40％。在此，信息增益值的数值大小对应车型剔除率，信息增益值越大对应的车型剔除率越大。

为了保证在一次车辆筛选的过程中能够剔除更多的车型，以使通过更少的问询标签对推送过程即可帮助用户筛选出满意的车型，故而将一次筛选能够剔除更多车型的标签对推送至用户终端，使得用户一次的选择能够带来最大的车型选择效率。

更进一步地，用户可从问询标签对中选择其中一个车辆标签、或者放弃本次选择需要重新推送问询标签对、或者选择排除问询标签对之外的其他所有车辆标签等。

在本实施例中，服务器获取各车型关联的车辆标签以及选择意愿概率，根据选择意愿概率对目标车型对应的标签选择概率进行更改，使得可以计算被同一车型关联的标签对的信息增益，扩大了信息增益公式的使用范围，并且通过计算车辆标签中各标签对的信息增益，筛选出信息增益值最大的标签对推送至用户终端，实现了通过算法给出标签对之间的排序关系，不受个人因素的影响，保证每次都能够将包含最多信息量的标签对推送至用户终端，帮助用户找到目标车型，极大地提高了车型推荐的效率。

在一个实施例中，获取各车型对应的选择意愿概率还可以包括以下步骤：获取车型总数量，根据车型总数量得到各车型的初始选择意愿概率；获取用户终端发送的用户标识，查找用户标识对应的位置信息和浏览信息；根据位置信息及浏览信息生成各车型对应的概率调整值；根据概率调整值对车型对应的初始选择意愿概率进行调整，得到各车型对应的选择意愿概率。

服务器将每个车型对应的初始选择意愿概率设置为车型总数量的倒数，例如车型总数量为m台，那么每个车型对应的选择意愿概率为1/m，此方法可以保证每个车型被用户选择的概率是相同的。

考虑到实际情况中每个车型被用户选择的概率是存在差异性的。为了能够提供更加精准的车辆推荐服务，服务器还可以通过获取用户的地理位置和操作信息来获取每个用户的需求信息，根据用户的需求信息生成每个用户对应的车型概率调整值，从而做到千人千面的推荐效果，提高个性化车辆推荐服务质量。

具体地，服务器获取用户终端发送的用户标识，用户标识对用户唯一标识，查找用户标识对应的位置信息和浏览信息。其中位置信息用于提供当前用户所在的地理位置，根据地理位置获取用户所在地区的地理环境，根据地理环境查找与之匹配的车型。获取用户的浏览信息，根据浏览信息可以推测当前用户的偏好车型，综合获取的地理位置以及浏览信息获取购车用户的偏好数据，根据偏好数据生成概率调整值，根据概率调整值对车型对应的初始选择意愿概率进行调整，得到各车型对应的选择意愿概率。

在本实施例中，通过获取用户的位置信息保证各个地区的差异化推荐，根据用户的浏览信息保证用户的个性化推荐，进而实现了千人千面的个性化车型推荐效果。

在一个实施例中，根据计算矩阵计算各标签对的信息增益的步骤可以包括：获取各标签对中的第一车辆标签以及第二车辆标签；计算车型中关联第一车辆标签的第一车型数量、关联第二车辆标签的第二车型数量、同时关联第一车辆标签和第二车辆标签的第三车型数量，以及既不关联第一车辆标签又不关联第二车辆标签的第四车型数量；根据第一车型数量、第二车型数量、第三车型数量、第四车型数量以及计算矩阵得到各标签对的信息增益。

具体地，服务器分别获取标签对中的第一车辆标签和第二车辆标签，在车型中查找与第一车辆标签关联的车型，将查找到的车型标记为第一车型，统计第一车型的数量得到第一车型数量记为g1；同理服务器统计第二车型的数量得到第二车型数量g2，服务器统计同时关联标签对中第一车辆标签与第二车辆标签的车型数量得到第三车型数量g3，其中第三车型数量也就是目标车型对应的数量。

第一车型数量g1中既包含只关联第一车辆标签的车型数量还包含同时关联第一车辆标签和第二车辆标签的车型数量，计算g1与g3的差值g1-g3得到只关联第一车辆标签的车型数量。同理，计算g2与g3的差值g2-g3得到只关联第二车辆标签的车型数量。获取车型总数量m，从车型总数量m中减去第一车型数量g1减去第二车型数量g2再加上第三车型数量g3得到第四车型数量g4，其中g4代表不关联标签对中任一车辆标签的车型数量。

提取计算矩阵中各车辆标签对应的标签选择概率向量，根据各标签选择概率向量以及各车辆标签对应的车型数量得到各车辆标签对应的信息熵，根据信息熵得到各标签对的信息增益。

其中，对一个特征而言，系统有它和没它时信息量将发生变化，而前后信息量的差值就是这个特征给系统带来的信息量。所谓信息量，就是信息熵。根据信息熵得到信息增益。

在本实施例中，分别获取关联不同车辆标签的车型数量，根据各车型数量以及计算矩阵得到各标签对的信息增益，对算法公式进行了优化使它可以用向量化的手段提高计算速度，实现了一次计算就能得到各标签对的信息增益值，提高了计算效率。

在一个实施例中，如图3所示，提供了一种用户终端选择对应的信息增益计算过程。适用的应用场景为用户终端可以从问询标签对中任选其中一个车辆标签或者选择除问询标签对之外的车辆标签库中的其他所有车辆标签。

根据第一车型数量、第二车型数量、第三车型数量、第四车型数量以及计算矩阵得到各标签对的信息增益，包括：

步骤S302，获取车型总数量，根据车型总数量得到总信息熵。

信息熵表示一个系统的混乱程度，系统的不确定性越高，信息熵就越大。

在本实施例中，服务器将问询标签对推送至用户终端后，用户终端的选择范围包括车辆标签库中的所有的车辆标签，可选择的车型为所有的车型。

具体地，服务器提取车型总数量对应的集合m＝{m1,m2,m3,…mm}，各车型在计算矩阵中对应的标签选择概率分别为p＝{p1,p2,p3…pm}，那么总信息熵表示为式(1)：

获取车型总数量为m，假设各车型对应的选择意愿概率都是1/m，那么总信息熵为:

步骤S304，从计算矩阵中提取第一车辆标签对应的第一概率向量及第二车辆标签对应的第二概率向量。

具体地，假设每个车型的选择意愿概率都为1/m，根据车型的选择意愿概率生成计算矩阵，根据计算概率矩阵生成计算概率矩阵对应的计算概率表格，并计算各车辆标签对应的标签选择概率之和，如表3所示：

表3第二计算概率

如表3所示，提取第一车辆标签对应的标签选择概率得到第一概率向量{1/(2m),1/m,0…}，统计只关联第一车辆标签的车型数量为g1-g3，在这些车型中每个标签选择概率均为1/m，统计同时关联标签对中两个车辆标签的车型数量g3，在这些车型中每个标签选择概率均为1/(2m)，计算得到第一概率向量之和为：

提取第二车辆标签对应的标签选择概率得到第二概率向量{1/(2m),0,1/m,…}，统计只关联第二车辆标签的车型数量为g2-g3，在这些车型中每个标签选择概率均为1/m，统计同时关联标签对中两个车辆标签的车型数量g3，在这些车型中每个标签选择概率均为1/(2m)，计算得到第二概率向量之和为：

步骤S306，根据第一车型数量、第三车型数量以及第一概率向量得到第一信息熵，根据第二车型数量、第三车型数量以及第二概率向量得到第二信息熵，根据第四车型数量和车型总数量得到第四信息熵。

当将问询标签对推送至用户终端时，用户终端对该问询标签对做出选择。具体地，当用户终端选择第一车辆标签时，服务器计算与该选择对应的信息熵为第一信息熵；当用户终端选择第二车辆标签时，服务器计算与该选择对应的信息熵为第二信息熵；当用户终端选择除该问询标签对之外的其他车辆标签时，服务器计算该选择对应的信息熵为第四信息熵。具体地，获取第一车型数量g1，第三车型数量g3以及第一概率向量{1/(2m),1/m,0…}，计算第一信息熵：

用户选择第一车辆标签时表明用户对关联第一车辆标签的车型更感兴趣。

获取第二车型数量g2，第三车型数量g3以及第二概率向量1/(2m),0,1/m,…}，计算第二信息熵：

用户选择第二车辆标签时表明用户对关联第二车辆标签的车型更感兴趣。

获取总车型数量m、第一车型数量g1、第二车型数量g2，第三车型数量g3计算第四信息熵：

当用户做此选择时表明用户对关联有问询标签对中任何一个车辆标签的车型不感兴趣。

步骤S308，根据总信息熵、第一信息熵、第二信息熵以及第四信息熵得到各标签对的信息增益。

计算出的信息增益值代表将问询标签对推送至用户终端后，用户终端选择问询标签对中的其中任何一个车辆标签，或者选择除问询标签对之外的其他车辆标签对系统选择产生的影响度。其中影响度是指通过本次选择能够为系统带来的信息量，信息量越大说明本次选择匹配到合适车型的可能性越大，影响度也就越大。

具体地，信息增益值越大，说明该标签对对车型的筛选效率越高，应该最优先将该信息增益对应的标签对推送至用户终端，提高车型的筛选效率。

在本实施例中，计算信息增益的过程中包含用户终端选择第一车辆标签对应的信息熵、选择第二车辆标签对应的信息熵还包含用户终端选择除问询标签对之外的其他车辆标签对应的信息熵。提供了一种当车型同时关联标签对中任一车辆标签或者同时不关联标签对中任一车辆标签时的标签对信息增益的计算方法，拓展了信息增益计算公式的适用范围。计算各标签对在此选择下的信息增益用于评估各标签对在此选择背景下能够为系统带来的影响度，实现了通过算法评估各标签对在该选择背景下的影响度，并将影响度最大的标签对推送至用户终端，使得用户的一次选择能够带来最多的信息量，进而最大可能的减少用户匹配到意愿车型所经历的标签选择次数，提高车型匹配效率。

在一个实施例中，如图4所示提供了另一种用户终端选择对应的信息增益计算过程。应用的场景为用户终端只能从标签对中选择其中一个车辆标签或者放弃本次选择车辆标签的机会。具体地，该信息增益的计算过程对应的选择为：将问询标签对推送至用户终端时，用户终端可以做出的选择包括从标签对中任选其中一个车辆标签或者放弃本次选择，其中放弃本次选择是指不选择问询标签对中的任何一个车辆标签同时也不选择车辆标签库中除问询标签对之外的其他车辆标签。用户终端对该问询标签对做出选择后，服务器根据用户终端的选择在总车型中筛选出与用户终端选择匹配的车型或者进行下一轮的问询标签推送与选择。

具体地，当用户终端选择标签对中的第一车辆标签时，服务器筛选出与第一车辆标签关联的第一车型，并计算与该选择对应的第一信息熵；当用户终端选择第二车辆标签时，服务器筛选出关联第二车辆标签的第二车型，并计算与该选择对应的第二信息熵；当用户终端放弃本次选择时，服务器将停止本次的问询标签对推送过程，将其他标签对再次推送至用户终端供用户选择，计算该选择对应的信息熵为放弃本次选择信息熵，记为丢失的信息熵。

需要说明的是，为了方便计算，在本实施例中假设每个车型的选择意愿概率都为1，根据车型的选择意愿概率生成计算矩阵，根据计算概率矩阵生成计算概率矩阵对应的计算概率表格，并计算各车辆标签对应的标签选择概率之和，如表4所示：

表4第三计算概率

根据第一车型数量、第二车型数量、第三车型数量、第四车型数量以及计算矩阵得到各标签对的信息增益，包括：

步骤S401，从计算矩阵中提取第一车辆标签对应的第一概率向量及第二车辆标签对应的第二概率向量。

参考步骤S304，得到第一概率向量及第二概率向量，具体可参照表4。

步骤S402，根据第一车型数量、第二车型数量以及第三车型数量得到第一总信息熵，根据第一车型数量、第三车型数量以及第一概率向量得到第一信息熵，根据第二车型数量、第三车型数量以及第二概率向量得到第二信息熵。

在本实施例中，用户终端只能从问询标签对中选择其中一个车辆标签或者放弃本次选择，而不包括选择问询标签对之外的车辆标签。故而用户终端在本次选择中对应的车型总数量为：g(1,2)＝g1+g2-g3，根据车型总数量得到本次选择对应的总信息熵并记为第一总信息熵：

参考步骤S306中第一信息熵计算过程得到第一信息熵为：

同理参考步骤S306，得到第二信息熵为：

步骤S403，根据第一信息熵E1(S)、第二信息熵E2(S)以及第一总信息熵E1,2(S)得到第一信息增益。

步骤S404，根据车型总数量得到总信息熵，根据总信息熵以及第一总信息熵得到第二信息增益。

结合步骤S302得到总信息熵为:

结合步骤S402，可知第一总信息熵为：

计算总信息熵与第一总信息熵的差值为本次选择丢失的信息熵：

具体地，丢失的信息熵为放弃本次选择对应的信息熵，根据总信息熵和第一总信息熵得到第二信息增益记为Gain2_2。

步骤S405，将第一信息增益与第二信息增益做差构造目标信息增益函数。

步骤S406，求解目标信息增益函数的最大值得到各标签对的信息增益。

在目标信息增益函数中希望丢失的信息增益值越小越好，标签对的信息增益值越大越好，进而可以保证目标信息增益值最大，即能够为用户终端带来更多的信息量。

在本实施方式中，计算信息增益的过程中包含计算第一信息增益和第二信息增益，并构造信息增益目标函数求解最优值得到最终的信息增益。实现了求解当车型同时关联标签对以及不关联标签对时的标签对的信息增益计算，即提供了一种当车型同时关联标签对中任一车辆标签或者同时不关联标签对中任一车辆标签时的标签对信息增益的计算方法。计算各标签对在此选择下的信息增益用于评估各标签对在此选择背景下能够为系统带来的影响度，实现了通过算法评估各标签对在该选择背景下的影响度，进而帮助销售人员将影响度最大的标签对推送至用户终端帮助用户在最短的时间内匹配到适合自己的车型。

在一个实施例中，计算车型中关联第一车辆标签的第一车型数量，关联第二车辆标签的第二车型数量，以及同时关联第一车辆标签和第二车辆标签的第三车型数量，包括：

根据车型以及各车型对应的车辆标签生成独热编码矩阵；获取独热编码矩阵的转置矩阵，根据独热编码矩阵以及转置矩阵生成车型数量矩阵；从车型数量矩阵的对角线数据中提取只关联第一车辆标签的车型数量g1-g3和只关联第二车辆标签的车型数量g2-g3，从车型数量矩阵的非对角线数据中提取第三车型数量g3。进而可以获取g1、g2和g3。

独热编码(One-Hot Encoding)矩阵又称一位有效编码，具体地，服务器获取车型以及各车型对应的车辆标签。在一个实施例中，将各车型作为行，车辆标签库中的各车辆标签作为列，当车型与车辆标签库中的某个车辆标签关联时，将此车型所在的列与该车辆标签所在的行处的数值赋值为1，否则赋值为0，公式(15)为一个独热编码矩阵，表5所示，为一个独热编码对应的表格。

表5中独热编码矩阵的行代表各车型，列代表各车辆标签，数值1代表位于该列的车型与位于该行的车辆标签关联，数字0代表位于该列的车型与位于改行的车辆标签不关联，为了方便理解，将该独热编码矩阵转换为如表4所示。

表5独热编码表格

在表5中，车型1与车辆标签1和车辆标签2关联，车型2与车辆标签1关联，车型3与车辆标签2和车辆标签3关联，车型4与车辆标签3关联。

获取独热编码矩阵的转置矩阵得到式(16)：

将独热编码矩阵与其转置相乘得到车型数量矩阵式(17)。

将独热矩阵与其转置相乘得到只包含车辆数量的车型数量矩阵，提取车型数量矩阵中的数据并将提取的数据带入信息增益的公式计算中得到各标签对的信息增益值。

本实施例中利用独热编码矩阵与其转置相乘获取车型数量矩阵，提取车型数量矩阵中的数据实现了一次获取信息增益计算公式中的车型数量，提高了公式计算效率。提出高效鲁棒的计算方法和完整细致的数据处理流程，提升工作效率、节约人力成本。

在一个实施例中，将问询标签对推送至用户终端之后，包括：接收用户终端发送的标签选择信息；根据标签选择信息继续进行问询标签的选择和推送。

服务器计算各标签对的信息增益，将最大信息增益对应的标签对提取为问询标签对，并将问询标签对发送至用户终端，用户终端对问询标签对进行选择，服务器获取用户的选择操作指令继续进行问询标签的选择和推送。

具体地，当用户选择问询标签对中其中任意一个车辆标签时，服务器筛选出与该车辆标签关联的车型，并从车辆标签库中剔除该车辆标签，更新车辆标签库，任意组合更新后的车辆标签库中的车辆标签形成标签对，继续计算各标签对的信息增益，将信息增益最大的标签对作为问询标签推送至用户终端供用户选择。

当用户终端没有选择问询标签对中的任何一个车辆标签而是选择车辆标签库中的其他车辆标签时，服务器筛选出不关联问询标签对中任意一个车辆标签的车型，同时服务器还从车辆标签库中剔除该问询标签对，对车辆标签库进行更新，任意组合更新后的车辆标签库中的车辆标签形成标签对，继续计算各标签对的信息增益，将信息增益最大的标签对作为问询标签推送至用户终端供用户选择。

当用户终端没有选择问询标签对中的任何一个车辆标签也没有选择车辆标签库中的其他车辆标签时，即用户终端放弃本次选择时，服务器提取信息增益值排名第二的标签对作为问询标签对，将问询标签对再次推送至用户终端供用户选择。

在本实施例中，当问询标签对推送至用户终端后，用户终端对该问询标签对做出选择，服务器根据用户终端的选择继续进行问询标签的选择和推送，通过向用户提供一系列的问询标签对选择问题帮助用户选择自己喜好的车辆，提高了问询标签对的推送效率以及用户对车型的选择效率。

在一个实施例中，根据标签选择信息继续进行问询标签的选择和推送，包括：当标签选择信息中包含选择标签时，根据选择标签筛选出意愿车型；根据意愿车型关联的车辆标签，继续进行问询标签的选择和推送。

在本实施例中，用户终端接收服务器推送的问询标签对，并对问询标签对做出标签选择信息，服务器获取该标签选择信息并判断该标签选择信息中是否包含选择标签。具体地，选择标签包括用户终端选择问询标签对中的任何一个车辆标签或者用户终端选择除问询标签对之外的其他车辆标签。

服务器根据选择标签筛选出意愿车型，并获取与意愿车型关联的车辆标签，根据车辆标签生成车辆标签库，任意组合车辆标签库中的两两车辆标签形成标签对，计算标签对的信息增益，根据信息增益值大小继续进行问询标签对的选择和推送。

在本实施例中，若用户终端的标签选择信息中包含选择标签，筛选出意愿车型并根据意愿车型对应的车辆标签继续进行问询标签对的推送和选择，提高了问询标签对的推送效率。

在一个实施例中，根据选择标签筛选出意愿车型之后，还包括：获取意愿车型的车型数量，将车型数量与预设阈值进行比较；当车型数量大于预设阈值时，继续执行根据意愿车型关联的车辆标签，继续进行问询标签的选择和推送。

当用户终端做出的标签选择信息中包含选择标签时，根据用户终端的选择标签对应的车辆标签筛选出与之关联的车型，此时的车型为意愿车型。统计意愿车型的数量，当数量大于预设阈值时，说明此时的意愿车型数量过多，截止到本次的筛选还未达到用户所需的预设车型数量，需要根据意愿车型关联的车辆标签，继续进行问询标签的选择和推送。

其中，预设阈值的大小可由用户自行设定，在不同的实施例中，不同的用户可设置不同的阈值大小，例如可设置为10辆车型、5辆车型或者3辆车型等，在此不做限制。

在一个实施例中，方法还包括：当车型数量小于或等于预设阈值时，获取各意愿车型对应的车型性能信息；根据意愿车型及车型性能信息生成车型推荐分析报告，将车型推荐分析报告推送至用户终端。

服务器判断当前的意愿车型数量不大于预设阈值数量时，说明此时已经筛选出用户预设的车型，停止问询标签对的选择和推送，将得到的意愿车型推送至用户终端。更为具体地还包括获取意愿车型的车型性能信息，车型性能信息中可包括车型对应的品牌信息、图片信息以及车型的口碑等，根据意愿车型以及车型性能信息生成车型推荐分析报告，将该车型推荐分析报告推送至用户终端供用户选择。

在本实施例中，通过将生成的车型推荐分析报告推送至用户终端帮助用户终端比对各意愿车型的性能，通过提供车辆对比页面帮助用户对比各意愿车型，进而能够快速地帮助用户从意愿车型中选择最终的待购买车型，提高了车型推荐的效率以及帮助用户以最快的速度筛选出适合其的车型。

在一个实施例中，根据标签选择信息继续进行问询标签的选择和推送，包括：当标签选择信息中未包含选择标签时，向用户终端推送排名第二的信息增益值对应的问询标签对。

用户终端接收到问询标签对后，对接收到的问询标签对做出标签选择，服务器判断该标签选择信息中不包含选择标签时，也就是说用户终端放弃本次选择，没有选择车辆标签库中的任何一个车辆标签，服务器向用户终端推送排名第二的信息增益对应的问询标签对。

在本实施例中，服务器判断用户终端的标签选择信息中不包含选择标签时，推送信息增益值排名第二的标签对至用户终端，进而保证了每次都向用户推送包含最多信息量的标签对供用户选择，提高了车型的推荐效率帮助用户尽快的匹配到适合自己的车型。

在一个实施例中，如图5所示，提供了一种车辆问询标签推送装置，包括：车型关联信息生成模块510、标签对生成模块520、目标车型查找模块530、计算矩阵生成模块540和问询标签对生成模块550，其中：

车型关联信息生成模块510，用于获取各车型关联的车辆标签及选择意愿概率，根据所述车辆标签生成车辆标签库。

标签对生成模块520，用于对所述车辆标签库中的各所述车辆标签进行组合生成标签对。

目标车型查找模块530，用于查找关联所述车辆标签中包含所述标签对的目标车型。

计算矩阵生成模块540，用于根据所述选择意愿概率设置各所述车辆标签的标签选择概率，根据所述标签选择概率构建所述标签对对应的标签概率矩阵，将所述标签概率矩阵中所述目标车型对应的各所述车辆标签的标签选择概率更改为原来的一半，得到计算矩阵。

问询标签对生成模块550，用于根据所述计算矩阵计算各所述标签对的信息增益，将最大信息增益对应的标签对提取为问询标签对，将所述问询标签对推送至用户终端。

在一个实施例中，车型关联信息生成模块510还可以包括：初始选择意愿概率生成单元，用于获取车型总数量，根据所述车型总数量得到各所述车型的初始选择意愿概率；用户信息获取单元，用于获取用户终端发送的用户标识，查找所述用户标识对应的位置信息和浏览信息；概率调整值生成单元，用于根据所述位置信息及所述浏览信息生成各所述车型对应的概率调整值；选择意愿概率生成单元，用于根据所述概率调整值对所述车型对应的初始选择意愿概率进行调整，得到各所述车型对应的选择意愿概率。

在一个实施例中，问询标签对生成模块550可以包括：车辆标签获取单元，用于获取各所述标签对中的第一车辆标签以及第二车辆标签；车型数量计算单元，用于计算所述车型中关联所述第一车辆标签的第一车型数量、关联所述第二车辆标签的第二车型数量、同时关联所述第一车辆标签和所述第二车辆标签的第三车型数量，以及既不关联所述第一车辆标签又不关联所述第二车辆标签的第四车型数量；第一信息增益计算单元，用于根据所述第一车型数量、所述第二车型数量、所述第三车型数量、所述第四车型数量以及所述计算矩阵得到各所述标签对的信息增益。

在一个实施例中，第一信息增益计算单元，包括：总信息熵计算子单元，用于获取车型总数量，根据所述车型总数量得到总信息熵；第一概率向量提取子单元，用于从所述计算矩阵中提取所述第一车辆标签对应的第一概率向量及所述第二车辆标签对应的第二概率向量；第一信息熵计算子单元，用于根据所述第一车型数量、所述第三车型数量以及所述第一概率向量得到第一信息熵，根据所述第二车型数量、所述第三车型数量以及所述第二概率向量得到第二信息熵，根据所述第四车型数量和所述车型总数量得到第四信息熵；第二信息增益计算子单元，用于根据所述总信息熵、所述第一信息熵、所述第二信息熵以及所述第四信息熵得到各所述标签对的信息增益。

在一个实施例中，第一信息增益计算单元，包括：第二概率向量提取子单元，用于从所述计算矩阵中提取所述第一车辆标签对应的第一概率向量及所述第二车辆标签对应的第二概率向量；第二信息熵计算子单元，用于根据所述第一车型数量、所述第二车型数量以及所述第三车型数量得到第一总信息熵；根据所述第一车型数量、所述第三车型数量以及所述第一概率向量得到第一信息熵，根据所述第二车型数量、所述第三车型数量以及所述第二概率向量得到第二信息熵；第三信息增益计算子单元，用于根据所述第一总信息熵、所述第二信息熵以及所述第一总信息熵得到第一信息增益；第四信息增益计算子单元，用于根据车型总数量得到总信息熵，根据所述总信息熵以及所述第一总信息熵得到第二信息增益；目标信息增益函数构造子单元，用于将所述第一信息增益与所述第二信息增益做差构造目标信息增益函数；第五信息增益计算子单元，用于求解所述目标信息增益函数的最大值得到各所述标签对的信息增益。

在一个实施例中，车型数量计算单元，包括：独热编码矩阵生成子单元，用于根据所述车型以及各所述车型对应的车辆标签生成独热编码矩阵；车型数量矩阵生成子单元，用于获取所述独热编码矩阵的转置矩阵，根据所述独热编码矩阵以及所述转置矩阵生成车型数量矩阵；车型数量提取子单元，用于从所述车型数量矩阵的对角线数据中提取所述第一车型数量和所述第二车型数量，从所述车型数量矩阵的非对角线数据中提取所述第三车型数量。

在一个实施例中，问询标签对生成模块550，包括：标签选择信息接收单元，用于接收所述用户终端发送的标签选择信息；第一问询标签推送单元，用于根据所述标签选择信息继续进行问询标签的选择和推送。

在一个实施例中，第一问询标签推送单元，包括：意愿车型筛选子单元，用于当所述标签选择信息中包含选择标签时，根据所述选择标签筛选出意愿车型；第二问询标签推送子单元，用于根据所述意愿车型关联的车辆标签，继续进行问询标签的选择和推送。

在一个实施例中，所述装置还包括：车型数量比较单元，用于获取意愿车型的车型数量，将所述车型数量与预设阈值进行比较；第三问询标签推送单元，当所述车型数量大于所述预设阈值时，继续执行根据所述意愿车型关联的车辆标签，继续进行问询标签的选择和推送。

在一个实施例中，所述装置还包括：车型性能信息获取单元，用于当所述车型数量小于或等于预设阈值时，获取各所述意愿车型对应的车型性能信息；推荐分析报告推荐单元，用于根据所述意愿车型及所述车型性能信息生成车型推荐分析报告，将所述车型推荐分析报告推送至用户终端。

在一个实施例中，第一问询标签推送单元，包括：第四问询标签推送子单元，用于当所述标签选择信息中未包含选择标签时，向所述用户终端推送排名第二的信息增益值对应的问询标签对。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储车辆问询标签推送处理相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆问询标签推送方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取各车型关联的车辆标签及选择意愿概率，根据所述车辆标签生成车辆标签库；对所述车辆标签库中的各所述车辆标签进行组合生成标签对；查找关联所述车辆标签中包含所述标签对的目标车型；根据所述选择意愿概率设置各所述车辆标签的标签选择概率，根据所述标签选择概率构建所述标签对对应的标签概率矩阵，将所述标签概率矩阵中所述目标车型对应的各所述车辆标签的标签选择概率更改为原来的一半，得到计算矩阵；根据所述计算矩阵计算各所述标签对的信息增益，将最大信息增益对应的标签对提取为问询标签对，将所述问询标签对推送至用户终端。

在一个实施例中，处理器执行计算机程序时所述获取各车型对应的选择意愿概率的步骤还用于：获取车型总数量，根据所述车型总数量得到各所述车型的初始选择意愿概率；获取用户终端发送的用户标识，查找所述用户标识对应的位置信息和浏览信息；根据所述位置信息及所述浏览信息生成各所述车型对应的概率调整值；根据所述概率调整值对所述车型对应的初始选择意愿概率进行调整，得到各所述车型对应的选择意愿概率。

在一个实施例中，处理器执行计算机程序时实现所述根据所述计算矩阵计算各所述标签对的信息增益的步骤时还用于：获取各所述标签对中的第一性能标签以及第二性能标签；计算所述车型中关联所述第一性能标签的第一车型数量、关联所述第二性能标签的第二车型数量、同时关联所述第一性能标签和所述第二性能标签的第三车型数量，以及既不关联所述第一性能标签又不关联所述第二性能标签的第四车型数量；根据所述第一车型数量、所述第二车型数量、所述第三车型数量、所述第四车型数量以及所述计算矩阵得到各所述标签对的信息增益。

在一个实施例中，处理器执行计算机程序时实现所述根据所述第一车型数量、所述第二车型数量、所述第三车型数量、所述第四车型数量以及所述计算矩阵得到各所述标签对的信息增益的步骤还用于：获取车型总数量，根据所述车型总数量得到总信息熵；从所述计算矩阵中提取所述第一性能标签对应的第一概率向量及所述第二性能标签对应的第二概率向量；根据所述第一车型数量、所述第三车型数量以及所述第一概率向量得到第一信息熵，根据所述第二车型数量、所述第三车型数量以及所述第二概率向量得到第二信息熵，根据所述第四车型数量和所述车型总数量得到第四信息熵；根据所述总信息熵、所述第一信息熵、所述第二信息熵以及所述第四信息熵得到各所述标签对的信息增益。

在一个实施例中，处理器执行计算机程序时实现所述根据所述第一车型数量、所述第二车型数量、所述第三车型数量、所述第四车型数量以及所述计算矩阵得到各所述标签对的信息增益的步骤时还用于：从所述计算矩阵中提取所述第一性能标签对应的第一概率向量及所述第二性能标签对应的第二概率向量；根据所述第一车型数量、所述第二车型数量以及所述第三车型数量得到第一总信息熵；根据所述第一车型数量、所述第三车型数量以及所述第一概率向量得到第一信息熵，根据所述第二车型数量、所述第三车型数量以及所述第二概率向量得到第二信息熵；根据所述第一总信息熵、所述第二信息熵以及所述第一总信息熵得到第一信息增益；根据车型总数量得到总信息熵，根据所述总信息熵以及所述第一总信息熵得到第二信息增益；将所述第一信息增益与所述第二信息增益做差构造目标信息增益函数；求解所述目标信息增益函数的最大值得到各所述标签对的信息增益。

在一个实施例中，处理器执行计算机程序时实现所述计算所述车型中只关联所述第一性能标签的第一车型数量，只关联所述第二性能标签的第二车型数量，以及同时关联所述第一性能标签和所述第二性能标签的第三车型数量的步骤时还用于：根据所述车型以及各所述车型对应的性能标签生成独热编码矩阵；获取所述独热编码矩阵的转置矩阵，根据所述独热编码矩阵以及所述转置矩阵生成车型数量矩阵；从所述车型数量矩阵的对角线数据中提取所述第一车型数量和所述第二车型数量，从所述车型数量矩阵的非对角线数据中提取所述第三车型数量。

在一个实施例中，处理器执行计算机程序时实现所述将所述问询标签对推送至用户终端之后的步骤时还用于：接收所述用户终端发送的标签选择信息；根据所述标签选择信息继续进行问询标签的选择和推送。

在一个实施例中，处理器执行计算机程序时实现所述根据所述标签选择信息继续进行问询标签的选择和推送的步骤时还用于：当所述标签选择信息中包含选择标签时，根据所述选择标签筛选出意愿车型；根据所述意愿车型关联的性能标签，继续进行问询标签的选择和推送。

在一个实施例中，处理器执行计算机程序时实现所述根据所述选择标签筛选出意愿车型之后的步骤时还用于：获取意愿车型的车型数量，将所述车型数量与预设阈值进行比较；当所述车型数量大于所述预设阈值时，继续执行根据所述意愿车型关联的性能标签，继续进行问询标签的选择和推送。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：当所述车型数量小于或等于预设阈值时，获取各所述意愿车型对应的车型性能信息；根据所述意愿车型及所述车型性能信息生成车型推荐分析报告，将所述车型推荐分析报告推送至用户终端。

在一个实施例中，处理器执行计算机程序时实现所述根据所述标签选择信息继续进行问询标签的选择和推送的步骤时还用于：当所述标签选择信息中未包含选择标签时，向所述用户终端推送排名第二的信息增益值对应的问询标签对。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取各车型关联的车辆标签及选择意愿概率，根据所述车辆标签生成车辆标签库；对所述车辆标签库中的各所述车辆标签进行组合生成标签对；查找关联所述车辆标签中包含所述标签对的目标车型；根据所述选择意愿概率设置各所述车辆标签的标签选择概率，根据所述标签选择概率构建所述标签对对应的标签概率矩阵，将所述标签概率矩阵中所述目标车型对应的各所述车辆标签的标签选择概率更改为原来的一半，得到计算矩阵；根据所述计算矩阵计算各所述标签对的信息增益，将最大信息增益对应的标签对提取为问询标签对，将所述问询标签对推送至用户终端。

在一个实施例中，计算机程序被处理器执行时实现所述获取各车型对应的选择意愿概率的步骤时还用于：获取车型总数量，根据所述车型总数量得到各所述车型的初始选择意愿概率；获取用户终端发送的用户标识，查找所述用户标识对应的位置信息和浏览信息；根据所述位置信息及所述浏览信息生成各所述车型对应的概率调整值；根据所述概率调整值对所述车型对应的初始选择意愿概率进行调整，得到各所述车型对应的选择意愿概率。

在一个实施例中，计算机程序被处理器执行时实现所述根据所述计算矩阵计算各所述标签对的信息增益的步骤时还用于：获取各所述标签对中的第一性能标签以及第二性能标签；计算所述车型中关联所述第一性能标签的第一车型数量、关联所述第二性能标签的第二车型数量、同时关联所述第一性能标签和所述第二性能标签的第三车型数量，以及既不关联所述第一性能标签又不关联所述第二性能标签的第四车型数量；根据所述第一车型数量、所述第二车型数量、所述第三车型数量、所述第四车型数量以及所述计算矩阵得到各所述标签对的信息增益。

在一个实施例中，计算机程序被处理器执行时实现所述根据所述第一车型数量、所述第二车型数量、所述第三车型数量、所述第四车型数量以及所述计算矩阵得到各所述标签对的信息增益的步骤还用于：获取车型总数量，根据所述车型总数量得到总信息熵；从所述计算矩阵中提取所述第一性能标签对应的第一概率向量及所述第二性能标签对应的第二概率向量；根据所述第一车型数量、所述第三车型数量以及所述第一概率向量得到第一信息熵，根据所述第二车型数量、所述第三车型数量以及所述第二概率向量得到第二信息熵，根据所述第四车型数量和所述车型总数量得到第四信息熵；根据所述总信息熵、所述第一信息熵、所述第二信息熵以及所述第四信息熵得到各所述标签对的信息增益。

在一个实施例中，计算机程序被处理器执行时实现所述根据所述第一车型数量、所述第二车型数量、所述第三车型数量、所述第四车型数量以及所述计算矩阵得到各所述标签对的信息增益的步骤时还用于：从所述计算矩阵中提取所述第一性能标签对应的第一概率向量及所述第二性能标签对应的第二概率向量；根据所述第一车型数量、所述第二车型数量以及所述第三车型数量得到第一总信息熵；根据所述第一车型数量、所述第三车型数量以及所述第一概率向量得到第一信息熵，根据所述第二车型数量、所述第三车型数量以及所述第二概率向量得到第二信息熵；根据所述第一总信息熵、所述第二信息熵以及所述第一总信息熵得到第一信息增益；根据车型总数量得到总信息熵，根据所述总信息熵以及所述第一总信息熵得到第二信息增益；将所述第一信息增益与所述第二信息增益做差构造目标信息增益函数；求解所述目标信息增益函数的最大值得到各所述标签对的信息增益。

在一个实施例中，计算机程序被处理器执行时实现所述计算所述车型中只关联所述第一性能标签的第一车型数量，只关联所述第二性能标签的第二车型数量，以及同时关联第一性能标签和第二性能标签的第三车型数量的步骤时还用于：根据车型以及各所述车型对应的性能标签生成独热编码矩阵；获取所述独热编码矩阵的转置矩阵，根据所述独热编码矩阵以及所述转置矩阵生成车型数量矩阵；从所述车型数量矩阵的对角线数据中提取所述第一车型数量和所述第二车型数量，从所述车型数量矩阵的非对角线数据中提取所述第三车型数量。

在一个实施例中，计算机程序被处理器执行时实现所述将所述问询标签对推送至用户终端之后的步骤时还用于：接收所述用户终端发送的标签选择信息；根据所述标签选择信息继续进行问询标签的选择和推送。

在一个实施例中，计算机程序被处理器执行时实现所述根据所述标签选择信息继续进行问询标签的选择和推送的步骤时还用于：当所述标签选择信息中包含选择标签时，根据所述选择标签筛选出意愿车型；根据所述意愿车型关联的性能标签，继续进行问询标签的选择和推送。

在一个实施例中，计算机程序被处理器执行时实现所述根据所述选择标签筛选出意愿车型之后的步骤时还用于：获取意愿车型的车型数量，将所述车型数量与预设阈值进行比较；当所述车型数量大于所述预设阈值时，继续执行根据所述意愿车型关联的性能标签，继续进行问询标签的选择和推送。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当所述车型数量小于或等于预设阈值时，获取各所述意愿车型对应的车型性能信息；根据所述意愿车型及所述车型性能信息生成车型推荐分析报告，将所述车型推荐分析报告推送至用户终端。

在一个实施例中，计算机程序被处理器执行时实现所述根据所述标签选择信息继续进行问询标签的选择和推送的步骤时还用于：当标签选择信息中未包含选择标签时，向所述用户终端推送排名第二的信息增益值对应的问询标签对。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (13)

1.一种车辆问询标签推送方法，所述方法包括：

获取各车型关联的车辆标签及选择意愿概率，根据所述车辆标签生成车辆标签库；

对所述车辆标签库中的各所述车辆标签进行组合生成标签对；

查找关联所述车辆标签中包含所述标签对的目标车型；

根据所述选择意愿概率设置各所述车辆标签的标签选择概率，根据所述标签选择概率构建所述标签对对应的标签概率矩阵，将所述标签概率矩阵中所述目标车型对应的各所述车辆标签的标签选择概率更改为原来的一半，得到计算矩阵；

根据所述计算矩阵计算各所述标签对的信息增益，包括：获取各所述标签对中的第一车辆标签以及第二车辆标签；计算所述车型中关联所述第一车辆标签的第一车型数量、关联所述第二车辆标签的第二车型数量、同时关联所述第一车辆标签和所述第二车辆标签的第三车型数量，以及既不关联所述第一车辆标签又不关联所述第二车辆标签的第四车型数量；根据所述第一车型数量、所述第二车型数量、所述第三车型数量、所述第四车型数量以及所述计算矩阵得到各所述标签对的信息增益；

将最大信息增益对应的标签对提取为问询标签对，将所述问询标签对推送至用户终端。

2.根据权利要求1所述的方法，其特征在于，所述获取各车型对应的选择意愿概率，包括：

获取车型总数量，根据所述车型总数量得到各所述车型的初始选择意愿概率；

获取用户终端发送的用户标识，查找所述用户标识对应的位置信息和浏览信息；

根据所述位置信息及所述浏览信息生成各所述车型对应的概率调整值；

根据所述概率调整值对所述车型对应的初始选择意愿概率进行调整，得到各所述车型对应的选择意愿概率。

3.根据权利要求1所述的方法，其特征在于，所述根据所述第一车型数量、所述第二车型数量、所述第三车型数量、所述第四车型数量以及所述计算矩阵得到各所述标签对的信息增益，包括：

获取车型总数量，根据所述车型总数量得到总信息熵；

从所述计算矩阵中提取所述第一车辆标签对应的第一概率向量及所述第二车辆标签对应的第二概率向量；

根据所述第一车型数量、所述第三车型数量以及所述第一概率向量得到第一信息熵，根据所述第二车型数量、所述第三车型数量以及所述第二概率向量得到第二信息熵，根据所述第四车型数量和所述车型总数量得到第四信息熵；

根据所述总信息熵、所述第一信息熵、所述第二信息熵以及所述第四信息熵得到各所述标签对的信息增益。

4.根据权利要求1所述的方法，其特征在于，所述根据所述第一车型数量、所述第二车型数量、所述第三车型数量、所述第四车型数量以及所述计算矩阵得到各所述标签对的信息增益，包括：

从所述计算矩阵中提取所述第一车辆标签对应的第一概率向量及所述第二车辆标签对应的第二概率向量；

根据所述第一车型数量、所述第二车型数量以及所述第三车型数量得到第一总信息熵；根据所述第一车型数量、所述第三车型数量以及所述第一概率向量得到第一信息熵，根据所述第二车型数量、所述第三车型数量以及所述第二概率向量得到第二信息熵；

根据所述第一信息熵、所述第二信息熵以及所述第一总信息熵得到第一信息增益；

根据车型总数量得到总信息熵，根据所述总信息熵以及所述第一总信息熵得到第二信息增益；

将所述第一信息增益与所述第二信息增益做差构造目标信息增益函数；

求解所述目标信息增益函数的最大值得到各所述标签对的信息增益。

5.根据权利要求1所述的方法，其特征在于，所述计算所述车型中只关联所述第一车辆标签的第一车型数量，只关联所述第二车辆标签的第二车型数量，以及同时关联所述第一车辆标签和所述第二车辆标签的第三车型数量，包括：

根据所述车型以及各所述车型对应的车辆标签生成独热编码矩阵；

获取所述独热编码矩阵的转置矩阵，根据所述独热编码矩阵以及所述转置矩阵生成车型数量矩阵；

从所述车型数量矩阵的对角线数据中提取所述第一车型数量和所述第二车型数量，从所述车型数量矩阵的非对角线数据中提取所述第三车型数量。

6.根据权利要求3所述的方法，其特征在于，所述将所述问询标签对推送至用户终端之后，包括：

接收所述用户终端发送的标签选择信息；

根据所述标签选择信息继续进行问询标签的选择和推送。

7.根据权利要求6所述的方法，其特征在于，所述根据所述标签选择信息继续进行问询标签的选择和推送，包括：

当所述标签选择信息中包含选择标签时，根据所述选择标签筛选出意愿车型；

根据所述意愿车型关联的车辆标签，继续进行问询标签的选择和推送。

8.根据权利要求7所述的方法，其特征在于，所述根据所述选择标签筛选出意愿车型之后，还包括：

获取意愿车型的车型数量，将所述车型数量与预设阈值进行比较；

当所述车型数量大于所述预设阈值时，继续执行根据所述意愿车型关联的车辆标签，继续进行问询标签的选择和推送。

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

当所述车型数量小于或等于预设阈值时，获取各所述意愿车型对应的车型性能信息；

根据所述意愿车型及所述车型性能信息生成车型推荐分析报告，将所述车型推荐分析报告推送至用户终端。

10.根据权利要求6所述的方法，其特征在于，所述根据所述标签选择信息继续进行问询标签的选择和推送，包括：

当所述标签选择信息中未包含选择标签时，向所述用户终端推送排名第二的信息增益值对应的问询标签对。

11.一种车辆问询标签推送装置，其特征在于，所述装置包括：

车型关联信息生成模块，用于获取各车型关联的车辆标签及选择意愿概率，根据所述车辆标签生成车辆标签库；

标签对生成模块，用于对所述车辆标签库中的各所述车辆标签进行组合生成标签对；

目标车型查找模块，用于查找关联所述车辆标签中包含所述标签对的目标车型；

计算矩阵生成模块，用于根据所述选择意愿概率设置各所述车辆标签的标签选择概率，根据所述标签选择概率构建所述标签对对应的标签概率矩阵，将所述标签概率矩阵中所述目标车型对应的各所述车辆标签的标签选择概率更改为原来的一半，得到计算矩阵；

问询标签对生成模块，用于根据所述计算矩阵计算各所述标签对的信息增益，包括：获取各所述标签对中的第一车辆标签以及第二车辆标签；计算所述车型中关联所述第一车辆标签的第一车型数量、关联所述第二车辆标签的第二车型数量、同时关联所述第一车辆标签和所述第二车辆标签的第三车型数量，以及既不关联所述第一车辆标签又不关联所述第二车辆标签的第四车型数量；根据所述第一车型数量、所述第二车型数量、所述第三车型数量、所述第四车型数量以及所述计算矩阵得到各所述标签对的信息增益；将最大信息增益对应的标签对提取为问询标签对，将所述问询标签对推送至用户终端。

12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述方法的步骤。

13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。

Images