CN112561412B - 目标对象标识的确定方法、装置、服务器及存储介质 - Google Patents
目标对象标识的确定方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN112561412B CN112561412B CN201910850690.2A CN201910850690A CN112561412B CN 112561412 B CN112561412 B CN 112561412B CN 201910850690 A CN201910850690 A CN 201910850690A CN 112561412 B CN112561412 B CN 112561412B
- Authority
- CN
- China
- Prior art keywords
- identifier
- predicted
- historical
- determining
- similarity
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0838—Historical data
-
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06F16/906—Clustering; Classification
Abstract
本申请实施例公开了一种目标对象标识的确定方法、装置、服务器及存储介质。本申请实施例中,获取对象标识的集合、对象标识的历史相邻对象标识、历史运量以及对象标识的属性特征;然后根据历史运量从对象标识的集合中确定基准标识集合;再确定待预测对象标识与基准标识集合的目标相似度;最后根据目标相似度以及待推荐对象标识与基准标识集合中每一基准标识之间的历史运量,从待推荐对象标识中确定待预测对象标识的目标对象标识。本方案可以根据待预测对象标识与基准标识集合的目标相似度,以及待推荐对象标识与基准标识集合之间的历史运量确定待推荐对象标识,故本申请可以为待预测对象挖掘潜在的对象。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种目标对象标识的确定方法、装置、服务器及存储介质。
背景技术
研究供应链生态系统中的网络关系,可以帮助对象进行精确的产业定位,接触更多的相邻对象,以建立更好的商业关系。
在传统物流行业中,供应链建模已经被广泛的应用,传统的方法主要从单一对象的角度,给生产规划和物流运输等各种重大的商业决策做数据支持,但该方法不能挖掘潜在的对象。
发明内容
本申请实施例提供一种目标对象标识的确定方法、装置、服务器及存储介质,可以挖掘潜在的对象。
第一方面,本申请实施例提供了一种目标对象标识的确定方法,包括:
获取历史物流信息,所述历史物流信息包括对象标识的集合、所述对象标识的历史相邻对象标识、每两个所述对象标识之间的历史运量以及所述对象标识的属性特征;
根据所述历史运量以及预设的基准比例从所述对象标识的集合中确定基准标识集合;
根据所述历史相邻对象标识和所述属性特征,确定待预测对象标识与所述基准标识集合的目标相似度;
根据所述目标相似度以及待推荐对象标识与所述基准标识集合中每一基准标识之间的历史运量,从所述待推荐对象标识中确定所述待预测对象标识的目标对象标识,所述待推荐对象标识为所述对象标识的集合中的标识,且所述待预测对象标识的历史相邻对象标识中不包括所述待推荐对象标识。
在一些实施方式中,所述根据所述历史相邻对象标识和所述属性特征,确定待预测对象标识与所述基准标识集合的目标相似度,包括:
根据所述待预测对象标识的属性特征及历史相邻对象标识,和所述基准标识集合中基准标识的属性特征及历史相邻对象标识,确定所述待预测对象标识与所述基准标识的一度相似度;
根据所述一度相似度,及所述待预测对象标识历史相邻对象标识的属性特征,及所述基准标识历史相邻对象标识的属性特征确定二度相似度,得到所述目标相似度。
在一些实施方式中,所述根据所述历史相邻对象标识和所述属性特征,确定待预测对象标识与所述基准标识集合的目标相似度包括:
根据所述历史相邻对象标识以及所述属性特征确定待预测对象标识与目标基准标识子集合的目标相似度,所述目标基准标识子集合为对象标识的集合中与待预测对象标识对应类型的一个基准标识子集合,所述对象标识的集合包括多个类型的基准标识子集合。
在一些实施方式中,所述根据所述历史运量以及预设的基准比例从所述对象标识的集合中确定基准标识集合之后,所述方法还包括:
根据所述基准标识集合中任意两个基准标识的历史相邻对象标识以及属性特征确定所述任意两个基准标识的相似度,得到所述基准标识集合的相似度矩阵;
根据所述相似度矩阵对所述基准标识进行聚类处理,得到所述多个类型的基准标识子集合。
在一些实施方式中,所述根据所述历史相邻对象标识和所述属性特征,确定待预测对象标识与所述基准标识集合的目标相似度之前,所述方法还包括:
分别确定各个所述基准标识子集合与所述待预测对象标识的相似度;
根据所述各个所述基准标识子集合与所述待预测对象标识的相似度,从所述多个类型的基准标识子集合中确定目标基准标识子集合。
在一些实施方式中,所述根据所述相似度矩阵对所述基准标识进行聚类处理,得到所述多个类型的基准标识子集合之前,所述方法还包括:
对所述相似度矩阵进行降维处理,得到降维后的相似度矩阵;
所述根据所述相似度矩阵对所述基准标识进行聚类处理,得到所述多个类型的基准标识子集合,包括:
根据所述降维后的相似度矩阵对所述基准标识进行聚类处理,得到所述多个类型的基准标识子集合。
在一些实施方式中,所述根据所述目标相似度以及待推荐对象标识与所述基准标识集合中每一基准标识之间的历史运量,从所述待推荐对象标识中确定所述待预测对象标识的目标对象标识,包括:
根据所述目标相似度,以及所述待推荐对象标识与所述基准标识集合中每一基准标识之间的历史运量,分别确定所述待预测对象标识与每个所述待推荐对象标识的预测运量;
根据所述预测运量,从所述待推荐对象标识中确定所述目标对象标识。
第二方面,本申请实施例还提供了一种目标对象标识的确定装置,包括:
获取单元,用于获取历史物流信息,所述历史物流信息包括对象标识的集合、所述对象标识的历史相邻对象标识、每两个所述对象标识之间的历史运量以及所述对象标识的属性特征;
第一确定单元,用于根据所述历史运量以及预设的基准比例从所述对象标识的集合中确定基准标识集合;
第二确定单元,用于根据所述历史相邻对象标识和所述属性特征,确定待预测对象标识与所述基准标识集合的目标相似度;
第三确定单元,用于根据所述目标相似度以及待推荐对象标识与所述基准标识集合中每一基准标识之间的历史运量,从所述待推荐对象标识中确定所述待预测对象标识的目标对象标识,所述待推荐对象标识为所述对象标识的集合中的标识,且所述待预测对象标识的历史相邻对象标识中不包括所述待推荐对象标识。
在一些实施方式中,所述第二确定单元具体用于:
根据所述待预测对象标识的属性特征及历史相邻对象标识,和所述基准标识集合中基准标识的属性特征及历史相邻对象标识,确定所述待预测对象标识与所述基准标识的一度相似度;
根据所述一度相似度,及所述待预测对象标识历史相邻对象标识的属性特征,及所述基准标识历史相邻对象标识的属性特征确定二度相似度,得到所述目标相似度。
在一些实施方式中,所述第二确定单元还具体用于:
根据所述历史相邻对象标识以及所述属性特征确定待预测对象标识与目标基准标识子集合的目标相似度,所述目标基准标识子集合为对象标识的集合中与待预测对象标识对应类型的一个基准标识子集合,所述对象标识的集合包括多个类型的基准标识子集合。
在一些实施方式中,所述装置还包括:
第四确定单元,用于根据所述基准标识集合中任意两个基准标识的历史相邻对象标识以及属性特征确定所述任意两个基准标识的相似度,得到所述基准标识集合的相似度矩阵;
聚类单元,用于根据所述相似度矩阵对所述基准标识进行聚类处理,得到所述多个类型的基准标识子集合。
在一些实施方式中,所述装置还包括:
第五确定单元,用于分别确定各个所述基准标识子集合与所述待预测对象标识的相似度;
第六确定单元,用于根据所述各个所述基准标识子集合与所述待预测对象标识的相似度,从所述多个类型的基准标识子集合中确定目标基准标识子集合。
在一些实施方式中,所述装置还包括:
处理单元,用于对所述相似度矩阵进行降维处理,得到降维后的相似度矩阵;
此时,所述聚类单元具体用于:
根据所述降维后的相似度矩阵对所述基准标识进行聚类处理,得到所述多个类型的基准标识子集合。
在一些实施方式中,所述第三确定单元具体用于:
根据所述目标相似度,以及所述待推荐对象标识与所述基准标识集合中每一基准标识之间的历史运量,分别确定所述待预测对象标识与每个所述待推荐对象标识的预测运量;
根据所述预测运量,从所述待推荐对象标识中确定所述目标对象标识。
第三方面,本申请实施例还提供了一种服务器,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行本申请实施例提供的任一种目标对象标识的确定方法中的步骤。
第四方面,本申请实施例还提供了一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本申请实施例提供的任一种目标对象标识的确定方法中的步骤。
本申请实施例中,目标对象标识的确定装置获取历史物流信息,该历史物流信息包括对象标识的集合、该对象标识的历史相邻对象标识、每两个该对象标识之间的历史运量以及该对象标识的属性特征;根据该历史运量以及预设的基准比例从该对象标识的集合中确定基准标识集合;根据该历史相邻对象标识和该属性特征,确定待预测对象标识与该基准标识集合的目标相似度;根据该目标相似度以及待推荐对象标识与该基准标识集合中每一基准标识之间的历史运量,从该待推荐对象标识中确定该待预测对象标识的目标对象标识,该待推荐对象标识为该对象标识的集合中的标识,且该待预测对象标识的历史相邻对象标识中不包括该待推荐对象标识。本方案可以根据历史物流信息确定基准标识集合,并根据待预测对象标识与该基准标识集合的目标相似度,和待推荐对象标识与该基准标识集合之间的历史运量确定待推荐对象标识,其中,待推荐对象标识即待预测对象标识潜在的对象标识,故本申请可以为待预测对象挖掘潜在的对象。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的目标对象标识的确定方法的一个流程示意图;
图2是本申请实施例提供的目标对象标识的确定方法的另一个流程示意图;
图3是本申请实施例提供的目标对象标识的确定装置的一个结构示意图;
图4是本申请实施例提供的目标对象标识的确定装置的另一个结构示意图;
图5是本申请实施例提供的服务器的一个结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动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。
在以下的说明中,本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明,除非另有述明。因此,这些步骤及操作将有数次提到由计算机执行,本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处,其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置,其具有由该数据格式所定义的特定特性。但是,本申请原理以上述文字来说明,其并不代表为一种限制,本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。所熟知的适合用于本申请的运算系统、环境与组态的范例可包括(但不限于)手持电话、个人计算机、服务器、多处理器系统、微电脑为主的系统、主架构型计算机、及分布式运算环境,其中包括了任何的上述系统或装置。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。
请参阅图1,图1是本申请一实施例提供的目标对象标识的确定方法的流程示意图。该目标对象标识的确定方法的执行主体可以是本申请实施例提供的目标对象标识的确定装置,或者集成了该目标对象标识的确定装置的服务器,其中,该目标对象标识的确定装置可以采用硬件或者软件的方式实现。该目标对象标识的确定方法可以包括:
101、获取历史物流信息,该历史物流信息包括对象标识的集合、对象标识的历史相邻对象标识、每两个该对象标识之间的历史运量以及该对象标识的属性特征。
在一些实施例中,本实施例中的对象标识的历史相邻对象标识包括该对象标识集合中各个对象标识分别的上游对象标识以及下游对象标识,其中,上游对象标识可以为该对象标识的上游对象标识可以向该对象标识运输货物,该对象标识可以向下游对象标识运输货物,例如上游对象标识为上游供应商的标识,下游对象标识为下游用户的标识,其中,对象标识的相邻对象标识为集合特征变量。
在一些实施例中,本实施例中对象标识的属性特征包括业务范围(海外或国内),地址,行业类型,主营业务,相邻对象(上游对象和下游对象)标识所属行业比例等,其中,属性特征为数值特征变量。
在一些实施例中,本实施例中的历史物流信息可以为一个有向图结构其中,是一组点集合(即对象标识集合,每一个点代表一个对象标识);是一组边集合代表从v1到v2的一条权重为z的边(其中v1和v2分别表示一个对象标识,z表示为v1到v2之间的历史运量;为一组数值特征变量,其中,为点ν的数值特征变量;为一组集合变量。基于已知的有向图本方案的目标是找到ε*={(v1,v2,z)}(如,为v1推荐v2,v1到v2之间的历史运量为z),并满足(即在有向图中v1与v2之间不存在边,v1与v2不是历史相邻标识),ε*就是潜在的供应链上下游关系。
在一些实施例中,更具体地,历史物流信息包括:
a.对象标识的基础信息:业务范围(海外或国内),地址,行业类型,主营业务(为数值型特征变量)。
b.对象标识的物流上游信息:上游对象标识所属行业的比例(数值型特征变量),具体上游对象标识的集合(集合特征变量)。
c.对象标识的物流下游信息:下游对象标识所属行业的比例(数值型特征变量),具体下游对象标识的集合(集合特征变量)。
在一些实施例中,会对上面a、b和c三个部分的信息进行预处理,例如,将该三个部分的信息整合到对象标识对应的向量中,如下表所示:
其中,本方案在数据预处理的时候考虑到了联通点与点之间边的方向,在物流行业中,运输流向是不可以忽略的。
102、根据历史运量以及预设的基准比例从对象标识的集合中确定基准标识集合。
本实施例中,为了提高实现系统(目标对象标识的确定装置)的运算效率和增加系统的可扩容性,本申请引入基准标识集合的概念,例如,可以根据对象标识的集合中每个对象标识的历史运量的大小以及预设的基准比例(例如前5%)确定基准标识集合(即将历史运量在前5%的标识确定为基准标识集合中的基准标识)。当需要对待预测对象标识进行对象标识推荐时,只需要计算待预测对象标识和基准标识集合中基准标识的两两相似度。
其中,本步骤标题中的历史运量为对象标识的集合各个对象标识的历史运量,该历史运量包括对象标识的上游运量之和、下游运量之和/或上游运量及下游运量之和。
其中,本申请引入基准标识集合至少有以下两种有益效果:
1、避免使用历史物流信息中的对象集合进行相似度矩阵运算时带来的噪声,因为有时候从对象标识A到对象标识B之间的少量运量的运输流并不代表两个对象之间存在相对稳定的供应链物流关系。
2、相对于使用历史物流信息中全部对象标识的计算,提高目标对象标识的确定装置的运行效率。
在一些实施例中,在对根据历史运量以及预设的基准比例从对象标识的集合中确定基准标识集合之后,方法还包括:
根据该基准标识集合中任意两个基准标识的历史相邻对象标识以及属性特征确定该任意两个基准标识的相似度,得到该基准标识集合的相似度矩阵;然后根据该相似度矩阵对该基准标识进行聚类处理,得到该多个类型的基准标识子集合。
具体地,本实施例中,用B表示基准标识集合,对于B中的任意两个基准标识v和u,计算一度相似度s1(u,v),然后在基于一度相似度s1(u,v)的基础上计算二度相似度s2(u,v),得到B中任意两个基准标识二度相似度组成的相似度矩阵,即基准标识集合的相似度矩阵。
在一些实施例中,对于对象标识v1和v2的一度相似度可以根据v1和v2的属性特征以及相邻对象标识确定,其具体的计算方式如下:
a.对于每一个数值型的特征变量:
b.对于每一个集合型特征变量:
c.然后结合步骤a和b,计算v1和v2的一度相似度:
在一些实施例中,对象标识v1和v2的二度相似度可以根据一度相似度以及v1和v2的历史相邻对象标识的属性特征确定,其具体的计算方式如下:
本实施例中,一度相似度只考虑到两个对象标识之间的属性特征,二度相似度会在考虑一度相似度的前提下,纳入对象标识上游和下游的之间的属性特征。
在一些实施例中,得到相似度矩阵之后,将对该相似度矩阵进行降维处理(如主成分分析法(Principle Component Analysis,PCA)降维处理),得到降维后的相似度矩阵,此时,根据该相似度矩阵对该基准标识进行聚类处理,得到该多个类型的基准标识子集合,包括:根据该降维后的相似度矩阵对该基准标识进行聚类处理,得到该多个类型的基准标识子集合。
其中,在一些实施例中,本申请可以使用K-means、谱聚类、基于空间密度聚类或层次聚类等聚类方法进行聚类处理,具体聚类方法此处不做限定。其中,若选用K-means聚类模型,在实现k-means算法时,需要输入分类的个数,例如分成9类。
103、根据历史相邻对象标识和属性特征,确定待预测对象标识与基准标识集合的目标相似度。
在一些实施例中,根据历史相邻对象标识和属性特征,确定待预测对象标识与基准标识集合的目标相似度,包括:
根据该待预测对象标识的属性特征及历史相邻对象标识,和该基准标识集合中基准标识的属性特征及历史相邻对象标识,确定该待预测对象标识与该基准标识的一度相似度;然后根据该一度相似度,及该待预测对象标识历史相邻对象标识的属性特征,及该基准标识历史相邻对象标识的属性特征确定二度相似度,得到该目标相似度。
在一些实施例中,该目标相似度可以为待预测对象标识与基准标识集合中基准标识的二度相似度。
在另一些实施例中,该目标相似度可以为待预测对象标识与目标基准标识子集合中基准标识的二度相似度。
其中,从基准标识子集合中确定目标基准标识子集合的步骤包括:
分别确定各个基准标识子集合与该待预测对象标识的相似度(可以为二度相似度);然后根据该各个该基准标识子集合与该待预测对象标识的相似度,从该多个类型的基准标识子集合中确定目标基准标识子集合,具体地,可以将相似度最大的基准标识子集合确定为目标基准标识子集合。
本实施例中,待预测对象标识与基准标识的一度相似度的求解方式与步骤102中对象标识v1和v2的一度相似度求解方式类似,具体此处不做赘述。
本实施例中,待预测对象标识与基准标识的二度相似度的求解方式与步骤102中对象标识v1和v2的二度相似度求解方式类似,具体此处不做赘述。
本实施例中,待预测对象标识为需要为其预测有关联的对象标识的对象标识,如需要为待预测对象标识挖掘潜在的对象标识。
其中,若基准标识集合B对应的相似度矩阵进行过降维处理,则此时需要对目标相似度组成的相似度矩阵进行相应的降维处理。
在另一些实施例中,本申请中的目标相似度也可以为一度相似度,后续可以以待预测对象标识与基准标识集合的一度相似度进行目标目标对象标识的确定。
104、根据目标相似度以及待推荐对象标识与基准标识集合中每一基准标识之间的历史运量,从待推荐对象标识中确定待预测对象标识的目标对象标识。
该待推荐对象标识为该对象标识的集合中的标识,且该待预测对象标识的历史相邻对象标识中不包括该待推荐对象标识。
在一些实施例中,待推荐对象标识为基准标识集合中的基准标识的历史相邻对象标识(即待推荐对象标识与基准标识集合中的基准标识有历史运量)。
在一些实施例中,根据目标相似度以及待推荐对象标识与基准标识集合中每一基准标识之间的历史运量,从待推荐对象标识中确定待预测对象标识的目标对象标识,包括:
根据该目标相似度,以及该待推荐对象标识与该基准标识集合中每一基准标识之间的历史运量,分别确定该待预测对象标识与每个该待推荐对象标识的预测运量;根据该预测运量,从待推荐对象标识中确定目标对象标识。
其中,在一些实施例中,当得到每个待推荐对象标识与待预测对象标识之间的预测运量之后,可以对得到的预测运量从大到小进行排序,并将预测运量最大的待推荐对象标识确定为目标对象标识。
在另一些实施例中,目标对象标识可以为排序后的待推荐对象标识,即目标对象标识可以包括多个待推荐对象标识,在另一些实施例中,目标对象标识还可以为排序后的待推荐对象标识中排在前预设个数的待推荐对象标识,该预设个数可以为5,也可以为其他个数,具体此处不做限定。
其中,Su={w:w∈B,cl(w)=cl(u)}:为B中与u同类的对象集合;cl(u):为对象标识u的对应B中的类;rwv为对象标识w到对象标识v的历史运量。
其中,若待推荐对象标识为基准标识的下游对象标识,则该待推荐对象标识为待预测对象标识的下游对象标识,同理,若待推荐对象标识为基准标识的上游对象标识,则该待推荐对象标识为待预测对象标识的上游对象标识。
其中,本申请中的目标对象标识的确定装置部署有前端界面,其用于供用户查询推荐和交互。
其中,本申请中的目标对象标识所对应的对象即目标对象,目标对象为需要为待预测对象推荐的对象。
本申请实施例中,目标对象标识的确定装置获取历史物流信息,其中,该历史物流信息包括对象标识的集合、该对象标识的历史相邻对象标识、每两个该对象标识之间的历史运量以及该对象标识的属性特征;根据该历史运量以及预设的基准比例从该对象标识的集合中确定基准标识集合;根据该历史相邻对象标识和该属性特征,确定待预测对象标识与该基准标识集合的目标相似度;根据该目标相似度以及待推荐对象标识与该基准标识集合中每一基准标识之间的历史运量,从该待推荐对象标识中确定该待预测对象标识的目标对象标识,该待推荐对象标识为该对象标识的集合中的标识,且该待预测对象标识的历史相邻对象标识中不包括该待推荐对象标识。本方案可以根据历史物流信息确定基准标识集合,并根据待预测对象标识与该基准标识集合的目标相似度,和待推荐对象标识与该基准标识集合之间的历史运量确定待推荐对象标识,待推荐对象标识即待预测对象标识潜在的对象标识,故本申请可以为待预测对象挖掘潜在的对象。
即,本申请可以通过对象标识的物流信息,挖掘用户间的物流网络关系,实现供应链上下游关系的推荐,帮助用户更好的在整个供应链生态系统中定位自己,挖掘更多的上游对象和下游对象。
根据上述实施例所描述的目标对象标识的确定方法,以下将作进一步详细说明。
请参照图2,图2为本申请实施例提供的目标对象标识的确定方法的另一流程示意图。该目标对象标识的确定方法可以应用于服务器,如图2所示,该目标对象标识的确定方法的流程可以如下:
201、服务器获取历史物流信息,历史物流信息包括对象标识的集合、对象标识的历史相邻对象标识、每两个对象标识之间的历史运量以及对象标识的属性特征。
其中,在本实施例中,对象标识的历史相邻对象标识包括该对象标识集合中各个对象标识分别的上游对象标识以及下游对象标识,其中,对象标识的相邻对象标识为集合特征变量。
在一些实施例中,本实施例中对象标识的属性特征包括业务范围(海外或国内),地址,行业类型,主营业务,相邻对象标识所属行业比例等,其中,属性特征为数值特征变量。
202、服务器根据历史运量以及预设的基准比例从对象标识的集合中确定基准标识集合。
为了提高服务器的运算效率和增加服务器的可扩容性,本申请引入基准标识集合的概念,因为有时候从对象标识A到对象标识B之间的少量运量的运输流并不代表两个对象之间存在相对稳定的供应链物流关系,故本申请可以从对象标识的集合中选取部分运量较高的对象标识组成基准标识集合。
例如,当预设的基准比例为5%时,我们可以将历史运量在前5%的标识确定为基准标识集合中的基准标识,当然,预设的基准比例的具体数值此处不做限定。
其中,本步骤标题中的历史运量为对象标识的集合各个对象标识的历史运量,该历史运量包括对象标识的上游运量之和、下游运量之和或上游运量及下游运量之和。
203、服务器根据基准标识集合中任意两个基准标识的历史相邻对象标识以及属性特征确定任意两个基准标识的相似度,得到基准标识集合的相似度矩阵。
具体地,本步骤中的相似度包括一度相似度以及二度相似度,实施例中,用B表示基准标识集合,对于B中的任意两个基准标识v和u,计算一度相似度s1(u,v),然后在基于一度相似度s1(u,v)的基础上计算二度相似度s2(u,v),得到B中任意两个基准标识二度相似度组成的相似度矩阵,即基准标识集合的相似度矩阵。
其中,一度相似度s1(u,v)和二度相似度s2(u,v)的具体计算方式与图1中步骤102下对应的计算步骤类似,具体此处不做限定。
204、服务器对相似度矩阵进行降维处理,得到降维后的相似度矩阵。
在一些实施例中,服务器可以对上述得到的相似度矩阵进行PCA降维处理然后得到降维后的相似度矩阵。
其中,对相似度矩阵进行降维处理,可以降低服务器的后续计算量,提高服务器的计算效率。
205、服务器根据降维后的相似度矩阵对基准标识进行聚类处理,得到多个类型的基准标识子集合。
在一些实施例中,本申请可以使用K-means、谱聚类、基于空间密度聚类或层次聚类等聚类方法进行聚类处理,具体聚类方法此处不做限定。其中,若选用K-means聚类模型,在实现k-means算法时,需要输入分类的个数,例如分成9类。
206、服务器分别确定各个基准标识子集合与待预测对象标识的相似度。
具体地,可以确定各个基准标识子集合中的基准标识与待预测对象标识的相似度。
其中,在一些实施例中,该相似度可以为二度相似度,本实施例确定基准标识子集合中每个基准标识与待预测对象标识的二度相似度之后,计算基准标识子集合与待预测对象标识的平均相似度(可以为基准标识子集合中基准标识与待预测对象标识的平均二度相似度。
在另一些实施例中,该相似度还可以为一度相似度。
207、服务器根据各个基准标识子集合与待预测对象标识的相似度,从多个类型的基准标识子集合中确定目标基准标识子集合。
具体地,可以选取多个类型的基准标识子集合中,与待预测对象标识的相似度最高的基准标识子集合作为目标基准标识子集合。
208、服务器根据待预测对象标识的属性特征及历史相邻对象标识,和目标基准标识子集合中基准标识的属性特征及历史相邻对象标识,确定待预测对象标识与基准标识的一度相似度。
其中,本实施例中,确定待预测对象标识与基准标识的一度相似度的求解方式与图1对应的实施例中的步骤102中对象标识v1和v2的一度相似度求解方式类似,具体此处不做赘述。
209、服务器根据一度相似度、待预测对象标识历史相邻对象标识的属性特征,及目标基准标识子集合中基准标识历史相邻对象标识的属性特征确定二度相似度,得到待预测对象标识与目标基准标识子集合的目标相似度。
本实施例中,确定待预测对象标识与基准标识的二度相似度的求解方式与图1对应的实施例中的步骤102中对象标识v1和v2的二度相似度求解方式类似,具体此处不做赘述。
其中,本申请中的一度相似度考虑了两个对象标识之间属性上的相似性,而二度相似度会在考虑一度相似度的情况下,纳入对象标识的上下游结构相似性的衡量,使得相似度的计算更加的准确。
210、服务器根据目标相似度,以及待推荐对象标识与目标基准标识子集合中每一基准标识之间的历史运量,分别确定待预测对象标识与每个待推荐对象标识的预测运量。
其中,该待推荐对象标识为该对象标识的集合中的标识,且该待预测对象标识的历史相邻对象标识中不包括该待推荐对象标识。
在一些实施例中,待预测对象标识与每个待推荐对象标识的预测运量的计算方式与图1对应实施例中的步骤104类似,具体此处不做赘述。
211、根据预测运量,从待推荐对象标识中确定目标对象标识。
在一些实施例中,当得到每个待推荐对象标识与待预测对象标识之间的预测运量之后,可以对得到的预测运量从大到小进行排序,并将预测运量最大的待推荐对象标识确定为目标对象标识。
在另一些实施例中,目标对象标识可以为排序后的待推荐对象标识,即目标对象标识可以包括多个待推荐对象标识,在另一些实施例中,目标对象标识还可以为排序后的待推荐对象标识中排在前预设个数的待推荐对象标识,该预设个数可以为5,也可以为其他个数,具体此处不做限定。
本申请实施例中,服务获取历史物流信息,其中,该历史物流信息包括对象标识的集合、该对象标识的历史相邻对象标识、每两个该对象标识之间的历史运量以及该对象标识的属性特征;根据该历史运量以及预设的基准比例从该对象标识的集合中确定基准标识集合;根据该历史相邻对象标识和该属性特征,确定待预测对象标识与该基准标识集合的目标相似度;根据该目标相似度以及待推荐对象标识与该基准标识集合中每一基准标识之间的历史运量,从该待推荐对象标识中确定该待预测对象标识的目标对象标识,该待推荐对象标识为该对象标识的集合中的标识,且该待预测对象标识的历史相邻对象标识中不包括该待推荐对象标识。本方案可以根据历史物流信息确定基准标识集合,并根据待预测对象标识与该基准标识集合的目标相似度,和待推荐对象标识与该基准标识集合之间的历史运量确定待推荐对象标识,待推荐对象标识即待预测对象标识潜在的对象标识,故本申请可以为待预测对象挖掘潜在的对象。
为便于更好的实施本申请实施例提供的目标对象标识的确定方法,本申请实施例还提供一种基于上述目标对象标识的确定方法的装置。其中名词的含义与上述目标对象标识的确定方法中相同,具体实现细节可以参考方法实施例中的说明。
请参阅图3,图3为本申请实施例提供的目标对象标识的确定装置的结构示意图,其中该目标对象标识的确定装置300可以包括获取单元301、第一确定单元302、第二确定单元303及第三确定单元304等,其中:
获取单元301,用于获取历史物流信息,所述历史物流信息包括对象标识的集合、所述对象标识的历史相邻对象标识、每两个所述对象标识之间的历史运量以及所述对象标识的属性特征;
第一确定单元302,用于根据所述历史运量以及预设的基准比例从所述对象标识的集合中确定基准标识集合;
第二确定单元303,用于根据所述历史相邻对象标识和所述属性特征,确定待预测对象标识与所述基准标识集合的目标相似度;
第三确定单元304,用于根据所述目标相似度以及待推荐对象标识与所述基准标识集合中每一基准标识之间的历史运量,从所述待推荐对象标识中确定所述待预测对象标识的目标对象标识,所述待推荐对象标识为所述对象标识的集合中的标识,且所述待预测对象标识的历史相邻对象标识中不包括所述待推荐对象标识。
在一些实施方式中,所述第二确定单元303具体用于:
根据所述待预测对象标识的属性特征及历史相邻对象标识,和所述基准标识集合中基准标识的属性特征及历史相邻对象标识,确定所述待预测对象标识与所述基准标识的一度相似度;
根据所述一度相似度,及所述待预测对象标识历史相邻对象标识的属性特征,及所述基准标识历史相邻对象标识的属性特征确定二度相似度,得到所述目标相似度。
在一些实施方式中,所述第二确定单元303还具体用于:
根据所述历史相邻对象标识以及所述属性特征确定待预测对象标识与目标基准标识子集合的目标相似度,所述目标基准标识子集合为对象标识的集合中与待预测对象标识对应类型的一个基准标识子集合,所述对象标识的集合包括多个类型的基准标识子集合。
请参阅图4,在一些实施方式中,所述装置还包括:
第四确定单元305,用于根据所述基准标识集合中任意两个基准标识的历史相邻对象标识以及属性特征确定所述任意两个基准标识的相似度,得到所述基准标识集合的相似度矩阵;
聚类单元306,用于根据所述相似度矩阵对所述基准标识进行聚类处理,得到所述多个类型的基准标识子集合。
在一些实施方式中,所述装置还包括:
第五确定单元307,用于分别确定各个所述基准标识子集合与所述待预测对象标识的相似度;
第六确定单元308,用于根据所述各个所述基准标识子集合与所述待预测对象标识的相似度,从所述多个类型的基准标识子集合中确定目标基准标识子集合。
在一些实施方式中,所述装置还包括:
处理单元309,用于对所述相似度矩阵进行降维处理,得到降维后的相似度矩阵;
此时,所述聚类单元306具体用于:
根据所述降维后的相似度矩阵对所述基准标识进行聚类处理,得到所述多个类型的基准标识子集合。
在一些实施方式中,所述第三确定单元304具体用于:
根据所述目标相似度,以及所述待推荐对象标识与所述基准标识集合中每一基准标识之间的历史运量,分别确定所述待预测对象标识与每个所述待推荐对象标识的预测运量;
根据所述预测运量,从所述待推荐对象标识中确定所述目标对象标识。
本申请实施例中,获取单元301获取历史物流信息,其中,该历史物流信息包括对象标识的集合、该对象标识的历史相邻对象标识、每两个该对象标识之间的历史运量以及该对象标识的属性特征;第一确定单元302根据该历史运量以及预设的基准比例从该对象标识的集合中确定基准标识集合;第二确定单元303根据该历史相邻对象标识和该属性特征,确定待预测对象标识与该基准标识集合的目标相似度;第三确定单元304根据该目标相似度以及待推荐对象标识与该基准标识集合中每一基准标识之间的历史运量,从该待推荐对象标识中确定该待预测对象标识的目标对象标识,该待推荐对象标识为该对象标识的集合中的标识,且该待预测对象标识的历史相邻对象标识中不包括该待推荐对象标识。本方案可以根据历史物流信息确定基准标识集合,并根据待预测对象标识与该基准标识集合的目标相似度,和待推荐对象标识与该基准标识集合之间的历史运量确定待推荐对象标识,待推荐对象标识即待预测对象标识潜在的对象标识,故本申请可以为待预测对象挖掘潜在的对象。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
参考图5,本申请实施例提供了一种服务器500,可以包括一个或者一个以上处理核心的处理器501、一个或一个以上存储介质的存储器502、射频(Radio Frequen cy,RF)电路503、电源504、输入单元505、以及显示单元506等部件。本领域技术人员可以理解,图5中示出的服务器结构并不构成对服务器的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器501是该服务器的控制中心,利用各种接口和线路连接整个服务器的各个部分,通过运行或执行存储在存储器502内的软件程序和/或模块,以及调用存储在存储器502内的数据,执行服务器的各种功能和处理数据,从而对服务器进行整体监控。可选的,处理器501可包括一个或多个处理核心;优选的,处理器501可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器501中。
存储器502可用于存储软件程序以及模块,处理器501通过运行存储在存储器502的软件程序以及模块,从而执行各种功能应用以及数据处理。
RF电路503可用于收发信息过程中,信号的接收和发送。
服务器还包括给各个部件供电的电源504(比如电池),优选的,电源可以通过电源管理系统与处理器501逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
该服务器还可包括输入单元505,该输入单元505可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该服务器还可包括显示单元506,该显示单元506可用于显示由用户输入的信息或提供给用户的信息以及服务器的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。具体在本实施例中,服务器中的处理器501会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器502中,并由处理器501来运行存储在存储器502中的应用程序,从而实现各种功能,如下:
获取历史物流信息,所述历史物流信息包括对象标识的集合、所述对象标识的历史相邻对象标识、每两个所述对象标识之间的历史运量以及所述对象标识的属性特征;
根据所述历史运量以及预设的基准比例从所述对象标识的集合中确定基准标识集合;
根据所述历史相邻对象标识和所述属性特征,确定待预测对象标识与所述基准标识集合的目标相似度;
根据所述目标相似度以及待推荐对象标识与所述基准标识集合中每一基准标识之间的历史运量,从所述待推荐对象标识中确定所述待预测对象标识的目标对象标识,所述待推荐对象标识为所述对象标识的集合中的标识,且所述待预测对象标识的历史相邻对象标识中不包括所述待推荐对象标识。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见上文针对目标对象标识的确定方法的详细描述,此处不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种目标对象标识的确定方法中的步骤。例如,该指令可以执行如下步骤:
获取历史物流信息,所述历史物流信息包括对象标识的集合、所述对象标识的历史相邻对象标识、每两个所述对象标识之间的历史运量以及所述对象标识的属性特征;
根据所述历史运量以及预设的基准比例从所述对象标识的集合中确定基准标识集合;
根据所述历史相邻对象标识和所述属性特征,确定待预测对象标识与所述基准标识集合的目标相似度;
根据所述目标相似度以及待推荐对象标识与所述基准标识集合中每一基准标识之间的历史运量,从所述待推荐对象标识中确定所述待预测对象标识的目标对象标识,所述待推荐对象标识为所述对象标识的集合中的标识,且所述待预测对象标识的历史相邻对象标识中不包括所述待推荐对象标识。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本申请实施例所提供的任一种目标对象标识的确定方法中的步骤,因此,可以实现本申请实施例所提供的任一种目标对象标识的确定方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种目标对象标识的确定方法、装置、服务器及存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种目标对象标识的确定方法,其特征在于,包括:
获取历史物流信息,所述历史物流信息包括对象标识的集合、所述对象标识的历史相邻对象标识、每两个所述对象标识之间的历史运量以及所述对象标识的属性特征;
根据所述历史运量以及预设的基准比例从所述对象标识的集合中确定基准标识集合;
根据所述历史相邻对象标识和所述属性特征,确定待预测对象标识与所述基准标识集合的目标相似度;
根据所述目标相似度以及待推荐对象标识与所述基准标识集合中每一基准标识之间的历史运量,从所述待推荐对象标识中确定所述待预测对象标识的目标对象标识,所述待推荐对象标识为所述对象标识的集合中的标识,且所述待预测对象标识的历史相邻对象标识中不包括所述待推荐对象标识。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史相邻对象标识和所述属性特征,确定待预测对象标识与所述基准标识集合的目标相似度,包括:
根据所述待预测对象标识的属性特征及历史相邻对象标识,和所述基准标识集合中基准标识的属性特征及历史相邻对象标识,确定所述待预测对象标识与所述基准标识的一度相似度;
根据所述一度相似度、所述待预测对象标识历史相邻对象标识的属性特征,及所述基准标识历史相邻对象标识的属性特征确定二度相似度,得到所述目标相似度。
3.根据权利要求1所述的方法,其特征在于,所述根据所述历史相邻对象标识和所述属性特征,确定待预测对象标识与所述基准标识集合的目标相似度,包括:
根据所述历史相邻对象标识以及所述属性特征确定待预测对象标识与目标基准标识子集合的目标相似度,所述目标基准标识子集合为对象标识的集合中与待预测对象标识对应类型的一个基准标识子集合,所述对象标识的集合包括多个类型的基准标识子集合。
4.根据权利要求3所述的方法,其特征在于,所述根据所述历史运量以及预设的基准比例从所述对象标识的集合中确定基准标识集合之后,所述方法还包括:
根据所述基准标识集合中任意两个基准标识的历史相邻对象标识以及属性特征确定所述任意两个基准标识的相似度,得到所述基准标识集合的相似度矩阵;
根据所述相似度矩阵对所述基准标识进行聚类处理,得到所述多个类型的基准标识子集合。
5.根据权利要求3所述的方法,其特征在于,所述根据所述历史相邻对象标识和所述属性特征,确定待预测对象标识与所述基准标识集合的目标相似度之前,所述方法还包括:
分别确定各个所述基准标识子集合与所述待预测对象标识的相似度;
根据所述各个所述基准标识子集合与所述待预测对象标识的相似度,从所述多个类型的基准标识子集合中确定目标基准标识子集合。
6.根据权利要求4所述的方法,其特征在于,所述根据所述相似度矩阵对所述基准标识进行聚类处理,得到所述多个类型的基准标识子集合之前,所述方法还包括:
对所述相似度矩阵进行降维处理,得到降维后的相似度矩阵;
所述根据所述相似度矩阵对所述基准标识进行聚类处理,得到所述多个类型的基准标识子集合,包括:
根据所述降维后的相似度矩阵对所述基准标识进行聚类处理,得到所述多个类型的基准标识子集合。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述根据所述目标相似度以及待推荐对象标识与所述基准标识集合中每一基准标识之间的历史运量,从所述待推荐对象标识中确定所述待预测对象标识的目标对象标识,包括:
根据所述目标相似度,以及所述待推荐对象标识与所述基准标识集合中每一基准标识之间的历史运量,分别确定所述待预测对象标识与每个所述待推荐对象标识的预测运量;
根据所述预测运量,从所述待推荐对象标识中确定所述目标对象标识。
8.一种目标对象标识的确定装置,其特征在于,包括:
获取单元,用于获取历史物流信息,所述历史物流信息包括对象标识的集合、所述对象标识的历史相邻对象标识、每两个所述对象标识之间的历史运量以及所述对象标识的属性特征;
第一确定单元,用于根据所述历史运量以及预设的基准比例从所述对象标识的集合中确定基准标识集合;
第二确定单元,用于根据所述历史相邻对象标识和所述属性特征,确定待预测对象标识与所述基准标识集合的目标相似度;
第三确定单元,用于根据所述目标相似度以及待推荐对象标识与所述基准标识集合中每一基准标识之间的历史运量,从所述待推荐对象标识中确定所述待预测对象标识的目标对象标识,所述待推荐对象标识为所述对象标识的集合中的标识,且所述待预测对象标识的历史相邻对象标识中不包括所述待推荐对象标识。
9.一种服务器,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的目标对象标识的确定方法。
10.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至7任一项所述的目标对象标识的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910850690.2A CN112561412B (zh) | 2019-09-10 | 2019-09-10 | 目标对象标识的确定方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910850690.2A CN112561412B (zh) | 2019-09-10 | 2019-09-10 | 目标对象标识的确定方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561412A CN112561412A (zh) | 2021-03-26 |
CN112561412B true CN112561412B (zh) | 2022-07-08 |
Family
ID=75028734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910850690.2A Active CN112561412B (zh) | 2019-09-10 | 2019-09-10 | 目标对象标识的确定方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561412B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117271713A (zh) * | 2022-06-10 | 2023-12-22 | 顺丰科技有限公司 | 关联对象识别方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2015100984A4 (en) * | 2015-07-16 | 2015-09-17 | Wisetech Global Limited | Systems and methods for compilation and distribution of air cargo security information |
CN105069602A (zh) * | 2015-08-28 | 2015-11-18 | 董方 | 一种物流公司推荐方法和系统 |
CN107093135A (zh) * | 2017-06-08 | 2017-08-25 | 北京惠赢天下网络技术有限公司 | 一种推荐订单的方法及装置 |
CN107220795A (zh) * | 2017-06-28 | 2017-09-29 | 北京惠赢天下网络技术有限公司 | 一种不同门店间关联下单方法及装置 |
CN108038647A (zh) * | 2017-12-22 | 2018-05-15 | 江苏满运软件科技有限公司 | 一种公路干线物流的货源推荐方法 |
CN108428084A (zh) * | 2018-03-09 | 2018-08-21 | 东南大学 | 一种基于服务链的多式联运系统及方法 |
WO2018227859A1 (zh) * | 2017-06-14 | 2018-12-20 | 北京小度信息科技有限公司 | 配送区域划分方法、装置、电子设备及计算机可读存储介质 |
CN109345091A (zh) * | 2018-09-17 | 2019-02-15 | 安吉汽车物流股份有限公司 | 基于蚁群算法的整车物流调度方法及装置、存储介质、终端 |
CN109903107A (zh) * | 2017-12-08 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8849724B2 (en) * | 2011-12-31 | 2014-09-30 | Ebay Inc. | Shipping container reuse recommendation system |
-
2019
- 2019-09-10 CN CN201910850690.2A patent/CN112561412B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2015100984A4 (en) * | 2015-07-16 | 2015-09-17 | Wisetech Global Limited | Systems and methods for compilation and distribution of air cargo security information |
CN105069602A (zh) * | 2015-08-28 | 2015-11-18 | 董方 | 一种物流公司推荐方法和系统 |
CN107093135A (zh) * | 2017-06-08 | 2017-08-25 | 北京惠赢天下网络技术有限公司 | 一种推荐订单的方法及装置 |
WO2018227859A1 (zh) * | 2017-06-14 | 2018-12-20 | 北京小度信息科技有限公司 | 配送区域划分方法、装置、电子设备及计算机可读存储介质 |
CN107220795A (zh) * | 2017-06-28 | 2017-09-29 | 北京惠赢天下网络技术有限公司 | 一种不同门店间关联下单方法及装置 |
CN109903107A (zh) * | 2017-12-08 | 2019-06-18 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
CN108038647A (zh) * | 2017-12-22 | 2018-05-15 | 江苏满运软件科技有限公司 | 一种公路干线物流的货源推荐方法 |
CN108428084A (zh) * | 2018-03-09 | 2018-08-21 | 东南大学 | 一种基于服务链的多式联运系统及方法 |
CN109345091A (zh) * | 2018-09-17 | 2019-02-15 | 安吉汽车物流股份有限公司 | 基于蚁群算法的整车物流调度方法及装置、存储介质、终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112561412A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110457581B (zh) | 一种资讯推荐方法、装置、电子设备及存储介质 | |
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN106844407B (zh) | 基于数据集相关性的标签网络产生方法和系统 | |
CN111798273A (zh) | 产品的购买概率预测模型的训练方法及购买概率预测方法 | |
CN104077723B (zh) | 一种社交网络推荐系统及方法 | |
CN110782123A (zh) | 决策方案的匹配方法、装置、计算机设备及存储介质 | |
CN108764319A (zh) | 一种样本分类方法和装置 | |
CN111090807A (zh) | 一种基于知识图谱的用户识别方法及装置 | |
CN111966886A (zh) | 对象推荐方法、对象推荐装置、电子设备及存储介质 | |
CN111831894A (zh) | 一种信息匹配方法及装置 | |
CN111143678B (zh) | 推荐系统和推荐方法 | |
CN112818230A (zh) | 内容推荐方法、装置、电子设备和存储介质 | |
CN111415196A (zh) | 一种广告召回方法、装置、服务器及存储介质 | |
CN113987152B (zh) | 一种知识图谱抽取方法、系统、电子设备及介质 | |
US11062224B2 (en) | Prediction using fusion of heterogeneous unstructured data | |
CN112561412B (zh) | 目标对象标识的确定方法、装置、服务器及存储介质 | |
CN112287111B (zh) | 一种文本处理方法和相关装置 | |
Li et al. | Incomplete mixed data-driven outlier detection based on local–global neighborhood information | |
CN115204889A (zh) | 文本处理方法、装置、计算机设备及存储介质 | |
CN110347827A (zh) | 面向异构文本运维数据的事件提取方法 | |
CN110390011A (zh) | 数据分类的方法和装置 | |
CN109961163A (zh) | 性别预测方法、装置、存储介质及电子设备 | |
CN113760521A (zh) | 一种虚拟资源的分配方法和装置 | |
CN111324594A (zh) | 用于粮食加工业的数据融合方法、装置、设备及存储介质 | |
CN115632874A (zh) | 一种实体对象的威胁检测方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |