CN111666424A - 基于知识表示学习的汽配件询报价优化方法 - Google Patents
基于知识表示学习的汽配件询报价优化方法 Download PDFInfo
- Publication number
- CN111666424A CN111666424A CN202010521085.3A CN202010521085A CN111666424A CN 111666424 A CN111666424 A CN 111666424A CN 202010521085 A CN202010521085 A CN 202010521085A CN 111666424 A CN111666424 A CN 111666424A
- Authority
- CN
- China
- Prior art keywords
- supplier
- suppliers
- candidate
- accessory
- inquiry
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title description 4
- 238000012423 maintenance Methods 0.000 claims abstract description 49
- 230000006399 behavior Effects 0.000 claims abstract description 31
- 238000012163 sequencing technique Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 239000000047 product Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 239000013604 expression vector Substances 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 3
- 239000013598 vector Substances 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/30—Administration of product recycling or disposal
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Animal Behavior & Ethology (AREA)
- Mathematical Physics (AREA)
- Sustainable Development (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于知识表示学习的汽配件询报价优化方法,包括:获取供应商录入的可售卖的汽车配件数据、维修厂录入所需的配件数据、同一个维修厂对不同供应商先后进行询价得到的供应商序列;通过构建的知识图谱网络产生实体表示向量以表达供应商之间的关系;将获取的平台已有的配件信息与维修厂意向配件进行匹配,从全平台供应商池中召回出候选供应商;利用召回候选集,结合产品行为数据,通过机器学习算法对步骤2中的候选供应商进行购买率预估。本发明通过召回规则流程进行初步供应商召回,并在召回的供应商候选集中通过机器学习算法进行购买率预估,最后使用购买率作进一步排序和筛选的依据,简化了维修厂购买流程。
Description
技术领域
本发明涉及搜索匹配领域,特别是指一种基于知识表示学习的汽配件询报价优化方法。
背景技术
电子商务平台是指为企业或者个人提供网上交易、支付结算并通过物流送达商品、完成交易的平台。电子商务平台使得网上商家以一种有序的方式发展,避免了重复建设导致的资源浪费。最重要的是,电子商务平台跨越了地理位置和时间的限制,对于消费者来说,可以帮忙他们在较少的支出下,以最快的速度获得物美价廉的商品。然而,综合性的电子商务平台覆盖范围广,一定程序上很难满足特定服务或者领域的交易需求。因此,近几年也催生了一批包括汽配垂类在内的垂类电子商务平台。这些垂类电子商务平台极大的缩短了消费者对于特殊商品的触达时间。
在汽配垂类电子商务平台上,随着加入的供应商和维修厂的数量逐年增多,如何更有效、准确地为维修厂找到满意的供应商,确保成交率,成为当下的一个重要课题。汽配垂类买卖双方在平台使用过程中,能产生海量的需求和行为线索数据。基于机器学习、数据挖掘和智能供应商推荐,可以提升平台的转化率和报询价的成交率。
有鉴于此,本发明人针对上述问题未臻完善所导致的诸多缺失及不便,而深入构思,且积极研究改良试做而开发设计出本发明。
发明内容
本发明提供了一种基于知识表示学习的汽配件询报价优化方法,以解决至少一个上述技术问题。
为解决上述问题,作为本发明的一个方面,提供了一种基于知识表示学习的汽配件询报价优化方法,包括:
步骤1,获取数据
在平台上,获取供应商录入的可售卖的汽车配件,包含配件所属车型、配件品质、配件描述等数据,获取维修厂录入所需的配件名称、期待品质、是否需要发票等数据,获取同一个维修厂对不同供应商先后进行询价得到的供应商序列;供应商序列中的前后两个供应商构成知识图谱网络中的点或者实体,对应的前后关系则构成了网络中的边,通过构建的知识图谱网络产生实体表示向量以表达供应商之间的关系;
步骤2,召回候选供应商
将步骤1中获取的平台已有的配件信息与维修厂意向配件进行匹配,从全平台供应商池中召回出候选供应商;
步骤3,维修厂购买率预估,包括:利用步骤2产生的召回候选集,结合步骤1中的产品行为数据,通过机器学习算法对步骤2中的候选供应商进行购买率预估。
优选地,步骤2中,为了大幅缩小进入下一个步骤进行计算的候选集集合,根据维修厂的偏好信息设置硬性过滤条件对供应商进行过滤,以实现对维修厂一个询价单的初步过滤得到可进行询价的候选供应商列表,然后应用配件单品规则进行次级过滤,其被过滤内容作为排序结果的候补推荐项。
优选地,步骤2包括以下步骤:
步骤2-1,初始召回过程:通过询报价整单过滤规则(包括:黑白名单、车型、品质、地域、是否开启系统&人工报价和开票要求),过滤得到整单最大可分配供应商候选集。
步骤2-2,多级规则约束过程:在步骤2-1的基础上,进一步按SKU规则进行约束过滤,并保留被过滤供应商。当排序后候选集过少时,前面提到的被过滤供应商将作为补位资源进行排序结果的补充。
优选地,步骤3包括:
步骤3-1,特征计算:通过步骤2得到的召回结果的N个后续供应商,采用大数据计算引擎Spark中处理结构化数据的SQL+RDD模块,对维修厂的历史购买行为和买卖双方的交互行为数据进行统计、交叉等数据工程计算,从而获得维修厂偏好特征、供应商环境上下文特征、供应商配件特征和买卖双方的浏览配件的交互行为特征;
步骤3-2,模型训练:对于历史询价单中的候选供应商,根据供应商最后被询价时间,通过步骤3-1计算维修厂的偏好特征、供应商环境上下文特征、供应商配件特征和买卖双方交互行为特征,并基于询价过程中供应商序列构建的知识图谱网络产生的供应商实体表示,以历史候选供应商提供的配件是否在曝光后被“购买”的二元标记作为标签,训练Wide&Deep模型;
步骤3-3,购买率预估:使用步骤3-2中训练好的Wide&Deep模型和步骤3-1中维修厂的偏好特征、供应商环境上下文特征、供应商配件特征、供应商实体表示和买卖双方交互行为特征,将上述特征值输入模型中,模型的输出即为该维修厂会在这N个候选供应商进行配件购买的概率,即为购买率);
步骤3-4,根据步骤3-3中得到的每个候选供应商的购买率对N个候选供应商进行排序,并将降序排序后的候选结果作为询报价排序结果。
本发明通过召回规则流程进行初步供应商召回,并在召回的供应商候选集中通过机器学习算法进行购买率预估,最后使用购买率作进一步排序和筛选的依据,呈现最终的供应商推荐展示结果。通过上述算法,其结果可以给维修厂推荐合适供应商,简化维修厂购买流程。通过召回过程中的多级规则约束,保证了召回的候选供应商数量满足维修厂需求,避免因为召回规则过于严苛而导致召回量过少的情形。机器学习模型的特征来源包括维修厂询价记录及询价供应商序列构建的知识图谱网络产生的供应商实体表示,询价配件交易记录,供应商销售记录,买卖双方地址距离等,构建多维度特征,提升供应商推荐的准确性和参考性,促进平台买卖双方的转化率和成交率。
附图说明
图1示意性地示出了本发明步骤2多级规则约束过程的示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
本发明提供了一种基于知识表示学习的汽配件询报价优化方法,包括以下步骤:
步骤1、获取数据
在平台上,供应商录入可售卖的汽车配件,包含配件所属车型、配件品质、配件描述等;维修厂录入所需的配件名称、期待品质、是否需要发票等。在买卖双方使用平台的过程中,逐渐产生了产品数据。
这些产品数据包括维修厂的询问配件价格行为、购买配件行为、买卖双方的浏览配件等交互行为数据、维修厂的偏好信息(包括配件价格偏好、配件发货地偏好等)以及基于在询价过程中,同个维修厂对不同供应商先后进行询价得到的供应商序列。
供应商序列中的前后两个供应商构成知识图谱网络中的点或者实体,对应的前后关系则构成了网络中的边。通过构建的知识图谱网络可以产生实体表示向量用来表达供应商之间的关系。
步骤2、召回候选供应商:将步骤1中获取的平台已有的配件信息与维修厂意向配件进行匹配,从全平台供应商池中召回出候选供应商。使用步骤1中维修厂的偏好信息作为召回规则。
为了大幅缩小进入下一个步骤进行计算的候选集集合,针对维修厂的偏好信息如供应商能否提供发票、配件车型是否一致、配件品质等硬性过滤条件对供应商进行过滤。实现对维修厂一个询价单的初步过滤得到可进行询价的候选供应商列表。
随后,又应用配件单品规则如是否有可销售的品类等进行次级过滤,其被过滤内容作为排序结果的候补推荐项。
步骤3、维修厂购买率预估:利用步骤2产生的召回候选集,结合步骤1中的产品行为数据,通过机器学习算法对步骤2中的候选供应商进行购买率(维修厂购买供应商汽车配件的成交可能性)预估。
优选地,步骤2包括以下步骤:
步骤2-1,初始召回过程:通过询报价整单过滤规则(包括:黑白名单、车型、品质、地域、是否开启系统&人工报价和开票要求),过滤得到整单最大可分配供应商候选集。
步骤2-2,多级规则约束过程:在步骤2-1的基础上,进一步按SKU规则进行约束过滤,并保留被过滤供应商。当排序后候选集过少时,前面提到的被过滤供应商将作为补位资源进行排序结果的补充。
优选地,步骤3包括:
步骤3-1,特征计算:
通过步骤2得到的召回结果的N个后续供应商,采用大数据计算引擎Spark中处理结构化数据的SQL+RDD(弹性分布式数据集)模块,对维修厂的历史购买行为和买卖双方的交互行为数据进行统计、交叉等数据工程计算,从而获得维修厂偏好特征(包括配件价格偏好、配件发货地偏好等)、供应商环境上下文特征(供应商所在省市区)、供应商配件特征(配件价格、配件销量、配件在某个地方一段时间内的销量等)和买卖双方的浏览配件的交互行为特征。
上述买卖双方交互行为是维修厂在该供应商所属产品中的历史询报价行为,类似于传统意义上的user和item交互行为,如淘宝用户某个时刻对商品进行购买、youtube用户某个时刻评论某条视频。本发明的场景下user为维修厂,item为候选供应商的汽车配件,在使用本发明推荐出的供应商结果的过程中,能产生丰富的交互数据。
上述维修厂偏好是指维修厂在询报价过程中,通过供应商汽配件的询价行为及其他相关行为得到的配件偏好。
步骤3-2,模型训练:
对于历史询价单中的候选供应商,根据供应商最后被询价时间通过步骤3-1计算维修厂的偏好特征、供应商环境上下文特征、供应商配件特征和买卖双方交互行为特征,并基于询价过程中供应商序列构建的知识图谱网络产生的供应商实体表示,以历史候选供应商提供的配件是否在曝光后被“购买”的二元标记(购买、未购买)作为标签,训练Wide&Deep模型。
其中,Wide&Deep模型是一种融合浅层(wide)模型和深层(deep)模型进行联合训练的框架,其优势在于可以利用浅层模型的记忆能力和深层模型的泛化能力,捕捉训练数据与标签间的隐含关系,得到一个准确性高、扩展性好的推荐结果。
步骤3-3,购买率预估:
使用步骤3-2中训练好的Wide&Deep模型和步骤3-1中维修厂的偏好特征、供应商环境上下文特征、供应商配件特征、供应商实体表示和买卖双方交互行为特征,将上述特征值输入模型中,模型的输出即为该维修厂会在这N个候选供应商进行配件购买的概率(即为购买率)。
步骤3-4,根据步骤3-3中得到的每个候选供应商的购买率对N个候选供应商进行排序,并将降序排序后的候选结果作为询报价排序结果。
通过上述算法,其结果可以给维修厂推荐供应商,方便维修厂参考;通过召回过程中的多级规则约束(整单规则、SKU规则),保证召回的候选供应商质量满足维修厂需求;机器学习模型的特征采用了维修厂的历史询价、购买行为和买卖双方的交互行为数据,构建多维度特征,提升供应商推荐的准确率和参考性,以提升平台推荐的转化率和买卖双方的成交率,从而提升供应商的销售效率和销售量。
本发明通过召回规则流程进行初步供应商召回,并在召回的供应商候选集中通过机器学习算法进行购买率预估,最后使用购买率作进一步排序和筛选的依据,呈现最终的供应商推荐展示结果。通过上述算法,其结果可以给维修厂推荐合适供应商,简化维修厂购买流程。通过召回过程中的多级规则约束,保证了召回的候选供应商数量满足维修厂需求,避免因为召回规则过于严苛而导致召回量过少的情形。机器学习模型的特征来源包括维修厂询价记录及询价供应商序列构建的知识图谱网络产生的供应商实体表示,询价配件交易记录,供应商销售记录,买卖双方地址距离等,构建多维度特征,提升供应商推荐的准确性和参考性,促进平台买卖双方的转化率和成交率。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于知识表示学习的汽配件询报价优化方法,其特征在于,包括:
步骤1,获取数据
在平台上,获取供应商录入的可售卖的汽车配件,包含配件所属车型、配件品质、配件描述等数据,获取维修厂录入所需的配件名称、期待品质、是否需要发票等数据,获取同一个维修厂对不同供应商先后进行询价得到的供应商序列;供应商序列中的前后两个供应商构成知识图谱网络中的点或者实体,对应的前后关系则构成了网络中的边,通过构建的知识图谱网络产生实体表示向量以表达供应商之间的关系;
步骤2,召回候选供应商
将步骤1中获取的平台已有的配件信息与维修厂意向配件进行匹配,从全平台供应商池中召回出候选供应商;
步骤3,维修厂购买率预估,包括:利用步骤2产生的召回候选集,结合步骤1中的产品行为数据,通过机器学习算法对步骤2中的候选供应商进行购买率预估。
2.根据权利要求1所述的基于知识表示学习的汽配件询报价优化方法,其特征在于,步骤2中,为了大幅缩小进入下一个步骤进行计算的候选集集合,根据维修厂的偏好信息设置硬性过滤条件对供应商进行过滤,以实现对维修厂一个询价单的初步过滤得到可进行询价的候选供应商列表,然后应用配件单品规则进行次级过滤,其被过滤内容作为排序结果的候补推荐项。
3.根据权利要求1所述的基于知识表示学习的汽配件询报价优化方法,其特征在于,步骤2包括以下步骤:
步骤2-1,初始召回过程:通过询报价整单过滤规则(包括:黑白名单、车型、品质、地域、是否开启系统&人工报价和开票要求),过滤得到整单最大可分配供应商候选集。
步骤2-2,多级规则约束过程:在步骤2-1的基础上,进一步按SKU规则进行约束过滤,并保留被过滤供应商。当排序后候选集过少时,前面提到的被过滤供应商将作为补位资源进行排序结果的补充。
4.根据权利要求1所述的基于知识表示学习的汽配件询报价优化方法,其特征在于,步骤3包括:
步骤3-1,特征计算:通过步骤2得到的召回结果的N个后续供应商,采用大数据计算引擎Spark中处理结构化数据的SQL+RDD模块,对维修厂的历史购买行为和买卖双方的交互行为数据进行统计、交叉等数据工程计算,从而获得维修厂偏好特征、供应商环境上下文特征、供应商配件特征和买卖双方的浏览配件的交互行为特征;
步骤3-2,模型训练:对于历史询价单中的候选供应商,根据供应商最后被询价时间,通过步骤3-1计算维修厂的偏好特征、供应商环境上下文特征、供应商配件特征和买卖双方交互行为特征,并基于询价过程中供应商序列构建的知识图谱网络产生的供应商实体表示,以历史候选供应商提供的配件是否在曝光后被“购买”的二元标记作为标签,训练Wide&Deep模型;
步骤3-3,购买率预估:使用步骤3-2中训练好的Wide&Deep模型和步骤3-1中维修厂的偏好特征、供应商环境上下文特征、供应商配件特征、供应商实体表示和买卖双方交互行为特征,将上述特征值输入模型中,模型的输出即为该维修厂会在这N个候选供应商进行配件购买的概率,即为购买率);
步骤3-4,根据步骤3-3中得到的每个候选供应商的购买率对N个候选供应商进行排序,并将降序排序后的候选结果作为询报价排序结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010521085.3A CN111666424A (zh) | 2020-06-10 | 2020-06-10 | 基于知识表示学习的汽配件询报价优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010521085.3A CN111666424A (zh) | 2020-06-10 | 2020-06-10 | 基于知识表示学习的汽配件询报价优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111666424A true CN111666424A (zh) | 2020-09-15 |
Family
ID=72386696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010521085.3A Pending CN111666424A (zh) | 2020-06-10 | 2020-06-10 | 基于知识表示学习的汽配件询报价优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666424A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191814A (zh) * | 2021-05-14 | 2021-07-30 | 扬州互江船舶科技有限公司 | 一种自动询价采购的方法及系统 |
CN113191508A (zh) * | 2021-04-30 | 2021-07-30 | 深圳壹账通创配科技有限公司 | 数据推送方法、系统、计算机设备及计算机可读存储介质 |
CN113781168A (zh) * | 2021-09-07 | 2021-12-10 | 深圳壹账通智能科技有限公司 | 一种零部件展示方法、装置、设备及存储介质 |
CN114428789A (zh) * | 2022-04-06 | 2022-05-03 | 中国工商银行股份有限公司 | 数据的处理方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563843A (zh) * | 2017-08-08 | 2018-01-09 | 深圳开思时代科技有限公司 | 汽车零配件的询报价方法及系统 |
CN109308322A (zh) * | 2018-12-04 | 2019-02-05 | 南京樯图数据科技有限公司 | 一种产业经济知识图谱的创建和交易系统 |
CN109767292A (zh) * | 2018-12-20 | 2019-05-17 | 厦门笨鸟电子商务有限公司 | 一种买家公司推荐方法 |
CN110458592A (zh) * | 2019-06-18 | 2019-11-15 | 北京海致星图科技有限公司 | 基于知识图谱和机器学习算法挖掘银行潜在授信客户方法 |
CN110910243A (zh) * | 2019-09-26 | 2020-03-24 | 山东佳联电子商务有限公司 | 一种基于可重构大数据知识图谱技术的产权交易方法 |
CN111191043A (zh) * | 2019-12-25 | 2020-05-22 | 北京航天云路有限公司 | 一种基于企业数据的知识图谱Schema设计方法 |
-
2020
- 2020-06-10 CN CN202010521085.3A patent/CN111666424A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563843A (zh) * | 2017-08-08 | 2018-01-09 | 深圳开思时代科技有限公司 | 汽车零配件的询报价方法及系统 |
CN109308322A (zh) * | 2018-12-04 | 2019-02-05 | 南京樯图数据科技有限公司 | 一种产业经济知识图谱的创建和交易系统 |
CN109767292A (zh) * | 2018-12-20 | 2019-05-17 | 厦门笨鸟电子商务有限公司 | 一种买家公司推荐方法 |
CN110458592A (zh) * | 2019-06-18 | 2019-11-15 | 北京海致星图科技有限公司 | 基于知识图谱和机器学习算法挖掘银行潜在授信客户方法 |
CN110910243A (zh) * | 2019-09-26 | 2020-03-24 | 山东佳联电子商务有限公司 | 一种基于可重构大数据知识图谱技术的产权交易方法 |
CN111191043A (zh) * | 2019-12-25 | 2020-05-22 | 北京航天云路有限公司 | 一种基于企业数据的知识图谱Schema设计方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191508A (zh) * | 2021-04-30 | 2021-07-30 | 深圳壹账通创配科技有限公司 | 数据推送方法、系统、计算机设备及计算机可读存储介质 |
CN113191814A (zh) * | 2021-05-14 | 2021-07-30 | 扬州互江船舶科技有限公司 | 一种自动询价采购的方法及系统 |
CN113781168A (zh) * | 2021-09-07 | 2021-12-10 | 深圳壹账通智能科技有限公司 | 一种零部件展示方法、装置、设备及存储介质 |
CN114428789A (zh) * | 2022-04-06 | 2022-05-03 | 中国工商银行股份有限公司 | 数据的处理方法及装置 |
CN114428789B (zh) * | 2022-04-06 | 2022-07-08 | 中国工商银行股份有限公司 | 数据的处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222272B (zh) | 一种潜在客户挖掘与推荐方法 | |
US11663644B2 (en) | System and method for calculating and displaying price distributions based on analysis of transactions | |
CN111666424A (zh) | 基于知识表示学习的汽配件询报价优化方法 | |
US20240029125A1 (en) | System, method and computer program product for tracking and correlating online user activities with sales of physical goods | |
US20200065750A1 (en) | Inventory management system and method thereof | |
US8438072B2 (en) | Online exchange system and method with reverse auction | |
US20220318858A1 (en) | Systems and methods for transformation of raw data to actionable data | |
US20050171859A1 (en) | Augmentation of lead with attractiveness information from external source | |
US20220343275A1 (en) | Production and logistics management | |
CN111080409A (zh) | 一种推送信息的计算机装置、方法、设备及介质 | |
CN102073737A (zh) | 一种自动提供网络销售商实时采购建议的方法和系统 | |
CN104615721B (zh) | 用于基于退货关联信息推荐商品的方法和系统 | |
WO2022081267A1 (en) | Product evaluation system and method of use | |
US20120089480A1 (en) | Online purchasing system and methods with buyer's agency | |
CN109767292A (zh) | 一种买家公司推荐方法 | |
CN116012115A (zh) | 一种基于商品图谱及供应链的人群兴趣动态标签方法 | |
CN115330476A (zh) | 一种基于大数据的跨境零售进口商品智能推荐系统 | |
KR102381486B1 (ko) | 온라인 쇼핑몰 통합관리 시스템 | |
CN111080414A (zh) | 基于互联网的电商搜索比价系统 | |
Sonkusare et al. | E-commerce Shopping System with Semantic Search and Recommender System | |
CN117520864B (zh) | 一种数据要素多特征融合智能匹配方法 | |
US11386470B2 (en) | Partner fee recommendation service | |
Meng | Comparison of “Necessary” and “Netease Yanxuan” business models based on data analysis | |
KR20220052793A (ko) | 데이터 마이닝을 활용한 패션 잡화 판매 및 유통 방법 및 시스템 | |
CN117151777A (zh) | 一种供应链的营销补贴处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200915 |