CN112307333A - 基于机器视觉与加权knn的智能购车推荐方法 - Google Patents

基于机器视觉与加权knn的智能购车推荐方法 Download PDF

Info

Publication number
CN112307333A
CN112307333A CN202011125012.9A CN202011125012A CN112307333A CN 112307333 A CN112307333 A CN 112307333A CN 202011125012 A CN202011125012 A CN 202011125012A CN 112307333 A CN112307333 A CN 112307333A
Authority
CN
China
Prior art keywords
attribute
vehicle
purchasing
representing
client
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
Application number
CN202011125012.9A
Other languages
English (en)
Inventor
徐亮
朱会杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202011125012.9A priority Critical patent/CN112307333A/zh
Publication of CN112307333A publication Critical patent/CN112307333A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/90—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
    • 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
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries

Abstract

一种基于机器视觉与KNN分类智能购车推荐系统，主要包括如下步骤：通过摄像头获取客户图像，通过机器视觉训练模型，利用训练好的模型识别出客户性别、年龄段、地理位置特征，结合用户自身输入需求如购车预算等编码成输入特征，根据KNN将新特征与已购车客户数据库内的特征进行比对，计算出与已购车用户之间的距离，距离越小代表新到店客户与数据库内的客户越有可能选择同一款车型，将推荐车型按照距离从小到大的顺序展示给用户。本发明的有益效果是：在客户购车过程中引入了人工智能推荐算法，提高了推荐的准确度及效率，节约了人力成本。

Description

基于机器视觉与加权KNN的智能购车推荐方法
技术领域
本发明涉及人工智能领域，特别涉及一种基于机器视觉与加权KNN的智能购车推荐方法。
背景技术
目前汽车销售4S店内为客户推荐车辆几乎完全依靠销售人员，并没有引入智能化的计算机推荐系统。由于人员数量不足或者销售人员的销售经验差异较大，客户问题往往不能及时回应，或者给客户推荐出的车辆带有很强的销售人员自身的主观判断与客户预期不同，不能快速准确的触达客户心理的目标车辆，导致客户流失。同时销售人员存在大量重复劳动，效率不高。因而如何利用智能方法快速准确的推荐给客户心仪的车辆，以及对促进最后成交，提升整体销量具有重要意义。
发明内容
针对现有技术的不足，本发明目的为提供一种基于机器视觉与加权KNN的智能购车推荐方法，以满足快速、精准推荐给客户心仪车辆的需要，降低人力成本。
基于机器视觉与加权KNN的智能购车推荐方法包括以下主要步骤：
步骤1、训练计算机视觉模型，该模型主要用于提取新到店客户的特征。
步骤2、将当前地理位置信息与客户购车预算与步骤1提取的客户的特征连接成为一条特征向量，即新到店客户的特征向量。
步骤3、将之前累积的每一购车数据组成一个购车特征向量，所有这些购车特征向量组织成为结构化数据库。
步骤4、根据各地4S店的实际情况，依据专家或者经验丰富的销售人员建议设置特征的权重向量。
步骤5、加入字段掩码向量用以决定特征向量中的某属性是否参与最终距离运算。
步骤6、将所有属性值进行数字化和离散化。
步骤7、将新到店客户的特征向量与步骤3中数据库中的购车特征向量逐一做差运算。
步骤8、计算新到店客户与已购车客户之间的距离。
步骤9、推荐出最接近新用户特征的已购车用户所选车型，完成推荐。
步骤10、如果推荐成功，则将新用户信息追加进入数据库；否则记录客户不满意的原因及有关属性，当某属性对应的不成功记录累计到设定数量时根据专家意见更新该属性的权重。
优选地，步骤1中的视觉模型主要用于提取新到店客户的性别与年龄特征。
优选地，步骤2中的新到店客户的特征向量为Anew＝＜a1,a2,a3,a4＞，其中属性a1代表性别，属性a2代表年龄，属性a3代表位置，属性a4代表购车预算，特征向量中的属性可以根据需要和实际情况进行添加。
优选地，步骤3中，结构化数据库中每条购车特征向量表示为：
Figure BDA0002733323080000021
其中i从1到n，n为结构化数据库中记录的总条数，属性
Figure BDA0002733323080000022
代表性别，属性
Figure BDA0002733323080000023
代表年龄，属性
Figure BDA0002733323080000024
代表位置，属性
Figure BDA0002733323080000025
代表购车预算。
优选地，步骤4中，权重向量为W＝＜w1,w2,w3,w4＞，其中属性w1代表性别权重，属性w2代表年龄权重，属性w3代表位置权重，属性w4代表购车预算权重。
优选地，步骤4中的权重向量的初始值由专家给出，后期可根据推荐效果由各4s店按本店实际情况自行进行调整。
优选地，步骤5中，掩码向量为M＝＜m1,m2,m3,m4＞，其中属性m1代表性别掩码，属性m2代表年龄掩码，属性m3代表位置掩码，属性m4代表购车预算掩码。掩码向量可以用来控制参与最终距离运算的属性，如果希望某个属性不参与计算则将该属性的掩码置0即可。
优选地，步骤7中的差运算，即计算新到店客户的特征向量Anew＝＜a1,a2,a3,a4＞与第i个购车特征向量
Figure BDA0002733323080000026
每个属性之间的差值，得到属性差值向量
Figure BDA0002733323080000027
优选地，步骤8中，距离的计算公式为
Figure BDA0002733323080000028
(其中m代表数据维度，其值取4)。
优选地，步骤9中，计算得出的距离，代表了新客户与已购车客户之间的差异，数值越小则差异越小，推荐顺序越靠前。
与现有技术相比，本发明的有益效果如下：在用户进4S店选车的过程中，加入了计算机视觉和智能推荐算法，降低了销售人员的劳动强度，减少了用户繁琐输入，提升了推荐效率和推荐准确性。与普通推荐算法不同的是，推荐算法中考虑了性别，年龄，所在区域，购车预算等因素对最终购车选择造成的影响，利于精准推荐。各字段的权重加入了专家经验，有利于消除销售人员经验差异带来的偏差，参与最终运算的字段数量可以通过字段掩码进行控制，实现即插即用。依据最终推荐结果是否成功来将新用户追加进入数据库或者更新推荐系统权重，保持推荐系统随市场变化的动态准确性。
附图说明
图1本申请一个实施例的推荐系统流程图。
具体实施方式
以下参考说明书附图介绍本申请的优选实施例，使其技术内容更加清楚和便于理解。本申请可以通过许多不同形式的实施例来得以体现，本申请的保护范围并非仅限于文中提到的实施例。
以下将对本发明的构思、具体结构及产生的技术效果作进一步的说明，以充分地了解本发明的目的、特征和效果，但本发明的保护不仅限于此。
本发明的基于机器视觉与KNN的智能购车推荐系统一个实施例，其推荐过程如图1所示：
步骤1、客户来到4s店，基于机器视觉的摄像头捕捉客户信息，推断客户性别为男性，年龄在20到30岁之间。
步骤2、将客户性别、年龄以及当前4S店定位信息和客户购车预算(来自用户输入)整合成一条特征向量。本例中该四项信息分别为男，25岁，上海市静安区，预算25万。
步骤3、之前已购车用户信息，按性别、年龄、4S店位置信息、客户购车金额字段组织成为结构化数据库。
步骤4、计算新进店客户与之前已购车用户各字段的属性值的差，并依据表格1获得相对应的经过离散化后的数值。
表1属性差异数值化
Figure BDA0002733323080000031
步骤5、4S店根据当地情况和专家意见设置各个属性的权重属性，默认情况下为权重向量W＝(1,1,1,1)，即各属性权重不变，如某4s店认为该店客户对价格敏感度不高，可以将价格权重设为0.8，即W＝(1,1,1,0.8)，本例为简洁采用默认的权重W＝(1,1,1,1)。
步骤6，加入字段掩码向量，默认字段掩码向量为M＝(1,1,1,1)，即所有属性均参与运算，如果希望某个属性不参与运算，例如不考虑年龄因素，则将第二个属性年龄置0即字段掩码为M＝(1,0,1,1)。本例为简洁默认所有属性均参与计算。
步骤7，计算数据库中购车特征向量与新客户的特征向量的属性差异，并计算距离大小，按升序排列，计算过程如表2所示，计算公式为
Figure BDA0002733323080000041
表2距离计算、排序及车辆推荐举例
Figure BDA0002733323080000042
步骤8，按照新客户特征与已购车用户的距离为新客户推荐车辆，距离越近排名越高。如表2所示，排序第一的已购车用户与新用户之间仅在购车预算上有轻微差异，其他性别，年龄，区域均相同，那么新用户最有可能购买与数据库中与其属性最接近的人买过的车即车型A，排序依次类推。4S店销售人员在向客户推荐时，优先推荐车型A。推荐的内容为已购车用户所选车辆及车辆VR演示信息。
步骤9，分析推荐结果，如果推荐用户满意，最终购车，则将用户信息追加到数据库。如果用户不满意，累计用户不满意的有关属性的计数，累计计数超过一定数量时考虑调整该字段的权重。例如，近10笔对价格不满意的记录，但都显示新客户与已购车客户购车预算差值很小，说明某地区对价格不敏感，则可以调低购车预算属性的权重，反之则调高购车预算属性的权重。
以上详细描述了本申请的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本申请的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本申请的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于机器视觉与加权KNN的智能购车推荐方法，其特征在于，包括以下步骤：
步骤1、训练计算机视觉模型，用于提取新到店客户的特征；
步骤2、将当前地理位置信息与客户购车预算与所述步骤1中提取的新到店客户的特征连接成为一条特征向量，即新到店客户的特征向量；
步骤3、将之前累积的每一购车数据组成一个购车特征向量，所有所述购车特征向量组织成为结构化数据库；
步骤4、根据各地4S店的实际情况，依据专家或者经验丰富的销售人员建议设置特征的权重向量；
步骤5、加入字段掩码向量，用以决定特征向量中的某属性是否参与最终距离运算；
步骤6、将所有属性值进行数字化和离散化；
步骤7、将所述步骤2中的新到店客户的特征向量与所述步骤3中的每一购车特征向量逐一做差运算；
步骤8、计算新到店客户与已购车客户之间的距离；
步骤9、推荐出最接近新用户特征的已购车用户所选车型，完成推荐；
步骤10、如果推荐成功，则将新用户信息追加进入所述步骤3中的结构化数据库；否则记录客户不满意的原因及有关属性，当某属性对应的不满意记录累计到设定数量时根据专家意见更新该属性的权重。
2.如权利要求1所述的基于机器视觉与加权KNN的智能购车推荐方法，其特征在于，所述步骤1中的视觉模型用于提取所述新到店客户的性别与年龄特征。
3.如权利要求2所述的基于机器视觉与加权KNN的智能购车推荐方法，其特征在于，所述步骤2中的新到店客户的特征向量为Anew＝＜a1,a2,a3,a4＞，其中属性a1代表性别，属性a2代表年龄，属性a3代表位置，属性a4代表购车预算，属性可以根据需要和实际情况进行添加。
4.如权利要求3所述的基于机器视觉与加权KNN的智能购车推荐方法，其特征在于，所述步骤3中，所述结构化数据库中每条所述购车特征向量表示为：
Figure FDA0002733323070000011
其中i从1到n，n为所述结构化数据库中记录的总条数，属性
Figure FDA0002733323070000012
代表性别，属性
Figure FDA0002733323070000013
代表年龄，属性
Figure FDA0002733323070000014
代表位置，属性
Figure FDA0002733323070000015
代表购车预算。
5.如权利要求4所述的基于机器视觉与加权KNN的智能购车推荐方法，其特征在于，所述步骤4中，所述权重向量为W＝＜w1,w2,w3,w4＞，其中属性w1代表性别权重，属性w2代表年龄权重，属性w3代表位置权重，属性w4代表购车预算权重。
6.如权利要求5所述的基于机器视觉与加权KNN的智能购车推荐方法，其特征在于，所述步骤4中的权重向量的初始值由专家给出，后期可根据推荐效果由各4s店按本店实际情况自行进行调整。
7.如权利要求6所述的基于机器视觉与加权KNN的智能购车推荐方法，其特征在于，所述步骤5中，所述掩码向量为M＝＜m1,m2,m3,m4＞，其中属性m1代表性别掩码，属性m2代表年龄掩码，属性m3代表位置掩码，属性m4代表购车预算掩码；所述掩码向量用来控制参与最终距离运算的属性，如果希望某个属性不参与计算则将该属性的掩码置0即可。
8.如权利要求7所述的基于机器视觉与加权KNN的智能购车推荐方法，其特征在于，所述步骤7中的差运算，即计算所述新到店客户的特征向量Anew＝＜a1,a2,a3,a4＞与第i个所述购车特征向量
Figure FDA0002733323070000021
每个属性之间的差值，得到属性差值向量
Figure FDA0002733323070000022
9.如权利要求8所述的基于机器视觉与加权KNN的智能购车推荐方法，其特征在于，所述步骤8中，所述距离的计算公式为
Figure FDA0002733323070000023
其中m代表数据维度，其值取4。
10.如权利要求6所述的基于机器视觉与加权KNN的智能购车推荐方法，其特征在于，所述步骤9中，所述距离，代表了新客户与已购车客户之间的差异，数值越小则差异越小，推荐顺序越靠前。
CN202011125012.9A 2020-10-20 2020-10-20 基于机器视觉与加权knn的智能购车推荐方法 Pending CN112307333A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011125012.9A CN112307333A (zh) 2020-10-20 2020-10-20 基于机器视觉与加权knn的智能购车推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011125012.9A CN112307333A (zh) 2020-10-20 2020-10-20 基于机器视觉与加权knn的智能购车推荐方法

Publications (1)

Publication Number Publication Date
CN112307333A true CN112307333A (zh) 2021-02-02

Family

ID=74328055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011125012.9A Pending CN112307333A (zh) 2020-10-20 2020-10-20 基于机器视觉与加权knn的智能购车推荐方法

Country Status (1)

Country Link
CN (1) CN112307333A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113178112A (zh) * 2021-04-26 2021-07-27 重庆电子工程职业学院 一种人工智能vr装置
CN113506201A (zh) * 2021-07-20 2021-10-15 张鹏 智能养老生态系统模式方法
CN116028712A (zh) * 2022-12-28 2023-04-28 广州致和网络科技有限公司 一种基于历史信息的酒店房间智能推荐系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975794A (zh) * 2016-05-23 2016-09-28 上海交通大学 基于加权knn的乳腺癌化疗方案推荐方法
CN106844787A (zh) * 2017-03-16 2017-06-13 四川大学 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法
CN108985853A (zh) * 2018-07-27 2018-12-11 优信拍（北京）信息科技有限公司 一种交易的促进方法，装置及系统
CN109064265A (zh) * 2018-07-13 2018-12-21 惠龙易通国际物流股份有限公司 基于网络平台的购车推荐方法及系统
CN109300018A (zh) * 2018-10-31 2019-02-01 深圳市元征科技股份有限公司 一种车辆智能推荐方法、装置、设备及存储介质
CN110705996A (zh) * 2019-10-17 2020-01-17 支付宝(杭州)信息技术有限公司 基于特征掩码的用户行为识别方法、系统、及装置
CN111582443A (zh) * 2020-04-22 2020-08-25 成都信息工程大学 一种基于Mask机制和层次注意力机制的推荐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975794A (zh) * 2016-05-23 2016-09-28 上海交通大学 基于加权knn的乳腺癌化疗方案推荐方法
CN106844787A (zh) * 2017-03-16 2017-06-13 四川大学 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法
CN109064265A (zh) * 2018-07-13 2018-12-21 惠龙易通国际物流股份有限公司 基于网络平台的购车推荐方法及系统
CN108985853A (zh) * 2018-07-27 2018-12-11 优信拍（北京）信息科技有限公司 一种交易的促进方法，装置及系统
CN109300018A (zh) * 2018-10-31 2019-02-01 深圳市元征科技股份有限公司 一种车辆智能推荐方法、装置、设备及存储介质
CN110705996A (zh) * 2019-10-17 2020-01-17 支付宝(杭州)信息技术有限公司 基于特征掩码的用户行为识别方法、系统、及装置
CN111582443A (zh) * 2020-04-22 2020-08-25 成都信息工程大学 一种基于Mask机制和层次注意力机制的推荐方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113178112A (zh) * 2021-04-26 2021-07-27 重庆电子工程职业学院 一种人工智能vr装置
CN113506201A (zh) * 2021-07-20 2021-10-15 张鹏 智能养老生态系统模式方法
CN116028712A (zh) * 2022-12-28 2023-04-28 广州致和网络科技有限公司 一种基于历史信息的酒店房间智能推荐系统
CN116028712B (zh) * 2022-12-28 2023-08-08 广州致和网络科技有限公司 一种基于历史信息的酒店房间智能推荐系统

Similar Documents

Publication Publication Date Title
CN106844787B (zh) 一种为汽车行业寻找目标用户并匹配目标产品的推荐方法
CN112307333A (zh) 基于机器视觉与加权knn的智能购车推荐方法
US5717865A (en) Method for assisting individuals in decision making processes
US6631362B1 (en) General decision-making support method and system
Scholz et al. Using PageRank for non-personalized default rankings in dynamic markets
CN110069699B (zh) 排序模型训练方法和装置
CN110766428A (zh) 一种数据价值评估系统以及方法
CN112258260A (zh) 基于用户特征的页面展示方法、装置、介质及电子设备
CN114549046A (zh) 基于融合模型的销售预测方法、系统、设备及存储介质
EP3673427A1 (en) Computer system for optimizing garment inventory of retailer based on shapes of users
CN110956303A (zh) 信息预测方法、装置、终端及可读存储介质
CN111028029A (zh) 一种线下商品推荐方法、装置和电子设备
CN114861050A (zh) 一种基于神经网络的特征融合推荐方法及系统
JPH06119309A (ja) 購入見込み度合予測方法及び顧客管理システム
CN111861679A (zh) 一种基于人工智能的商品推荐方法
CN115456707A (zh) 提供商品推荐信息的方法、装置及电子设备
CN111340566B (zh) 一种商品分类方法、装置、电子设备及存储介质
US20230334553A1 (en) Systems and methods for garment size recommendation
Chou et al. The RFM Model Analysis for VIP Customer: A case study of golf clothing brand
US11164233B2 (en) Computer system for filtering and matching garments with users
CN108416611B (zh) 一种超市路径推荐系统及其方法
CN116029794A (zh) 商品价格确定方法、装置、电子设备及存储介质
CN115271884A (zh) 一种基于多源数据的商品选品方法、装置及电子设备
CN111639274B (zh) 线上商品智能排序方法、装置、计算机设备和存储介质
KR20210112258A (ko) 오프라인 구매를 위한 개인화된 추천 서비스 제공 방법 및 장치

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

Application publication date: 20210202

RJ01 Rejection of invention patent application after publication