CN112598475A - 配件推荐方法、系统、设备及存储介质 - Google Patents

配件推荐方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN112598475A
CN112598475A CN202011581893.5A CN202011581893A CN112598475A CN 112598475 A CN112598475 A CN 112598475A CN 202011581893 A CN202011581893 A CN 202011581893A CN 112598475 A CN112598475 A CN 112598475A
Authority
CN
China
Prior art keywords
accessory
accessories
part2
total
order data
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
CN202011581893.5A
Other languages
English (en)
Inventor
段昱
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.)
Shenzhen One Account Technology Co ltd
OneConnect Smart Technology Co Ltd
Original Assignee
Shenzhen One Account Technology Co ltd
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 Shenzhen One Account Technology Co ltd filed Critical Shenzhen One Account Technology Co ltd
Priority to CN202011581893.5A priority Critical patent/CN112598475A/zh
Publication of CN112598475A publication Critical patent/CN112598475A/zh
Pending legal-status Critical Current

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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0621—Item configuration or customization
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种配件推荐方法，包括：获取所有配件的历史订单数据并对配件名称进行标准化处理，得到标准历史订单数据表，所述标准历史订单数据表包括多个品牌的第一配件和多个品牌的各第二配件在各个历史订单中的订购情况；根据所述标准历史订单数据表分别计算所述第一配件与所述各第二配件之间的相似度；根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，计算所述第一配件与各第二配件之间的兴趣度，得到所述第一配件对应的配件推荐表；响应用户的第一配件查询或选择指令，显示所述第一配件推荐表或所述第二配件推荐表中的配件。本发明实施例能够实现配件的个性化智能推荐，从而提高用户的购买体验以及4S店的销售效率。

Description

配件推荐方法、系统、设备及存储介质
技术领域
本发明实施例涉及人工智能技术领域，具体涉及一种配件推荐方法及系统。
背景技术
随着经济的不断发展，各种类型的汽车也越来越普及，用户在购买汽车之后，也会购买相应的汽车配件。
传统的汽车配件销售靠用户自行挑选，或者由4S店的销售人员进行用户推荐。在一些电商平台上，也仅仅是通过计算商品相似度以进行用户的推荐。
然而，针对上述做法，发明人发现，传统的方式不仅会浪费用户的时间从而影响用户的体验，而且4S店的销售效率也会受到影响。电商平台商品类别众多，计算得到的用户推荐结果缺乏专业性和精准性，也无法为用户实现个性化智能推荐。
发明内容
有鉴于此，本发明实施例的目的在于提供一种配件推荐方法、系统、计算机设备及计算机可读存储介质，用于解决现有技术中传统方法浪费用户的时间，影响4S店的销售效率，推荐结果缺乏专业性和精准性，无法为用户实现个性化智能推荐的缺陷。
为了实现上述目的，本发明实施例提供了一种配件推荐方法，该方法包括：
获取所有配件的历史订单数据，得到历史订单数据表；
将所述历史订单数据表中的配件名称进行标准化处理，得到标准历史订单数据表，所述标准历史订单数据表包括多个品牌的第一配件和多个品牌的各第二配件在各个历史订单中的订购情况；
根据所述标准历史订单数据表分别计算所述第一配件与所述各第二配件之间的相似度；
根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算目标品牌的所述第一配件与所述各第二配件之间的第一兴趣度，并根据所述第一兴趣度生成与所述第一配件对应的第一配件推荐表；
根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算所有品牌中所述第一配件与所述各第二配件之间的第二兴趣度，并根据所述第二兴趣度生成与所述第一配件对应的第二配件推荐表；
响应用户的第一配件查询或选择指令，显示所述第一配件推荐表或所述第二配件推荐表中的配件。
可选地，所述根据所述标准历史订单数据表分别计算所述第一配件与所述各第二配件之间的相似度，包括：
根据所述标准历史订单数据表，分别统计所有品牌中所述第一配件的第一总订单次数、各第二配件的第二总订单次数以及所有品牌中所述第一配件与所述各第二配件同时出现在同一订单的第三总订单次数；
根据所述第一总订单次数、所述第二总订单次数及所述第三总订单次数，计算所述第一配件与所述各第二配件之间的相似度，所述相似度的计算公式如下：
Figure BDA0002866082810000021
其中，same(part1,part2)表示配件part2对于配件part1的相似度，common_cnt(part1,part2)表示统计出所有品牌中的配件part1和配件part2出现在同一个订单中的总订单次数，cnt_part1表示所有品牌中配件part1的总订单次数，cnt_part2表示所有品牌中配件part2的总订单次数。
可选地，所述根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算目标品牌的所述第一配件与所述各第二配件之间的第一兴趣度，并根据所述第一兴趣度生成与所述第一配件对应的第一配件推荐表，包括：
从所述标准历史订单数据表中筛选出同属于所述目标品牌的所述第一配件以及所述各第二配件的订单信息，并根据所述订单信息分别统计所述各第二配件对应的第四总订单次数；
根据所述第四总订单次数及所述相似度，分别计算所述目标品牌中所述第一配件与所述各第二配件之间的第一兴趣度，所述第一兴趣度的计算公式如下：
Interest(part1,part2)＝same(part1,part2)*cnt_logo_part(logo_m,part2)
其中，Interest(part1,part2)表示的是目标品牌logo_m中配件part2对于配件part1的兴趣度，same(part1,part2)表示配件part2对于配件part1的相似度，cnt_logo_part(logo_m,part2)表示的是目标品牌logo_m的车中配件part2的总订单次数。
将所述第一兴趣度从大到小进行排序，并根据排序后的第一兴趣度以及与所述第一兴趣度对应的所述各第二配件生成与所述第一配件对应的第一配件推荐表。
可选地，所述根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算所述第一配件与所述各第二配件之间的第二兴趣度，并根据所述第二兴趣度生成得到所述第一配件对应的第二配件推荐表，包括：
根据所述标准历史订单数据表，分别统计出所有品牌中所述各第二配件的总订单次数；
根据所述总订单次数及所述相似度，计算所有品牌中所述第一配件与所述各第二配件之间的第二兴趣度，所述第二兴趣度的计算公式如下：
Interest(part1,part2)＝same(part1,part2)*cnt_part(part2)
其中，Interest(part1,part2)表示的是所有品牌中配件part2对于配件part1的兴趣度，same(part1,part2)表示配件part2对于配件part1的相似度，cnt_part(part2)表示的是所有品牌中配件part2的总订单次数。
将所述第二兴趣度从大到小进行排序，并根据排序后的第二兴趣度以及与所述第二兴趣度对应的所述各第二配件生成与所述第一配件对应的第二配件推荐表。
可选地，所述响应用户的第一配件查询或选择指令，显示所述第一配件推荐表或所述第二配件推荐表中的配件，包括：
响应所述用户输入的查询指令或者选择指令，获取所述第一配件的信息；
统计在所述目标品牌中与所述第一配件出现在同一订单的配件的种类数并统计所述目标品牌中所有配件的总购买次数；
根据所述总购买次数及所述种类数，显示所述第一配件推荐表或所述第二配件推荐表中的配件。
可选地，所述根据所述总购买次数及所述种类数，显示所述第一配件推荐表或所述第二配件推荐表中的配件包括：
将所述总购买次数与第一预设值进行比较，且将所述种类数与第二预设值进行比较；
当所述总购买次数大于或等于所述第一预设值，且所述种类数大于或等于所述第二预设值时，显示与所述配件信息对应的所述第一配件推荐表中的配件；
当所述总购买次数小于所述第一预设值，或所述种类数小于所述第二预设值时，显示与所述配件信息对应的所述第二配件推荐表中的配件。
可选地，所述配件推荐方法还包括：
将所述第一配件推荐表及所述第二配件推荐表上传至区块链中。
为实现上述目的，本发明实施例还提供了一种配件推荐系统，包括：
获取模块，用于获取所有配件的历史订单数据，得到历史订单数据表；
处理模块，用于将所述历史订单数据表中的配件名称进行标准化处理，得到标准历史订单数据表，所述标准历史订单数据表包括多个品牌的第一配件和多个品牌的各第二配件在各个历史订单中的订购情况；
第一计算模块，用于根据所述标准历史订单数据表分别计算所述第一配件与所述各第二配件之间的相似度；
第二计算模块，用于根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算目标品牌的所述第一配件与所述各第二配件之间的第一兴趣度，并根据所述第一兴趣度生成与所述第一配件对应的第一配件推荐表；
第三计算模块，用于根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算所有品牌中所述第一配件与所述各第二配件之间的第二兴趣度，并根据所述第二兴趣度生成与所述第一配件对应的第二配件推荐表；
显示模块，用于响应用户的第一配件查询或选择指令，显示所述第一配件推荐表或所述第二配件推荐表中的配件。
为实现上述目的，本发明实施例还提供了一种计算机设备，所述计算机设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述配件推荐方法的步骤。
为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述配件推荐方法的步骤。
本发明实施例提供的一种配件推荐方法、系统、计算机设备及计算机可读存储介质，通过获取所有配件的历史订单数据，得到历史订单数据表；将所述历史订单数据表中的配件名称进行标准化处理，得到标准历史订单数据表，所述标准历史订单数据表包括多个品牌的第一配件和多个品牌的各第二配件在各个历史订单中的订购情况；根据所述标准历史订单数据表分别计算所述第一配件与所述各第二配件之间的相似度；根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算目标品牌的所述第一配件与所述各第二配件之间的第一兴趣度，并根据所述第一兴趣度生成与所述第一配件对应的第一配件推荐表；根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算所有品牌中所述第一配件与所述各第二配件之间的第二兴趣度，并根据所述第二兴趣度生成与所述第一配件对应的第二配件推荐表；响应用户的第一配件查询或选择指令，显示所述第一配件推荐表或所述第二配件推荐表中的配件。本发明实施例能够在极短的时间内实现配件的精准、专业推荐，极大地缩短用户挑选配件的时间成本，实现用户的个性化智能推荐，从而提高用户的购买体验以及4S店的销售效率。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例提供的配件推荐方法的步骤流程示意图；
图2为本发明实施例提供的图1中步骤S300的步骤细化流程示意图；
图3为本发明实施例提供的图1中步骤S400的一种步骤细化流程示意图；
图4为本发明实施例提供的图1中步骤S500的一种步骤细化流程示意图；
图5为本发明实施例提供的图1中步骤S600的一种步骤细化流程示意图；
图6为本发明实施例提供的图1中步骤S600的另一种步骤细化流程示意图；
图7为本发明实施例提供的配件推荐系统的一种可选的程序模块示意图；
图8为本发明实施例提供的计算机设备的一种可选的硬件架构示意图。
本发明目的的实现、功能特点及优点将结合发明实施例，参照附图做进一步说明。
具体实施方式
这里将详细地对示例性发明实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性发明实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。
在本发明使用的术语是仅仅出于描述特定发明实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明的描述中，需要理解的是，步骤前的数字标号并不标识执行步骤的前后顺序，仅用于方便描述本发明及区别每一步骤，因此不能理解为对本发明的限制。基于本发明中的发明实施例，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发明实施例，都属于本发明保护的范围。
下面结合附图对本发明实施例进行说明。
实施例一
参阅图1，示出了本发明实施例提供的一种配件推荐方法的步骤流程示意图。可以理解，本发明实施例中的流程图不用于对执行步骤的顺序进行限定。下面以计算机设备为执行主体进行示例性描述，所述计算机设备可以包括诸如智能手机、平板个人计算机(tablet personal computer)、膝上型计算机(laptop computer)等移动终端，以及诸如台式计算机等固定终端。具体如下：
步骤S100，获取所有配件的历史订单数据，得到历史订单数据表。
具体地，根据预设的更新时间，定时获取所有配件的历史订单数据，得到定时更新的历史订单数据表。其中，所述历史订单数据包括：订单号、车辆品牌、车型、配件名称、车辆识别号码(Vehicle Identification Number，VIN)以及地区等。
本发明实施例通过预设的更新时间，定时获取所有配件的历史订单数据，得到定时更新的历史订单数据表，对数据表及时更新，使历史订单数据具有实时性。
步骤S200，将所述历史订单数据表中的配件名称进行标准化处理，得到标准历史订单数据表，所述标准历史订单数据表包括多个品牌的第一配件和多个品牌的各第二配件在各个历史订单中的订购情况。
具体地，由于获取的历史订单数据表中的配件名称不是标准的格式，因此要先将历史订单数据中的非标准配件名称进行标准化处理，得到标准历史订单数据表。具体处理方法如下：每辆车都有对应的VIN，VIN由17位字符组成，它包含了车的生产厂家、年代、车型、车身型式及代码、发动机代码及组装地点等信息，根据VIN得到对应的车型，根据车型及预设的配件别称表，得到对应历史订单数据中的对应的标准配件名称。
本发明实施例根据VIN得到对应的车型，根据车型及预设的配件别称表，对获取的历史订单数据表中的配件名称做标准化处理，得到对应的标准配件名称，大大提高数据结果的准确性。
步骤S300，根据所述标准历史订单数据表分别计算所述第一配件与所述各第二配件之间的相似度。
具体地，根据所述标准历史订单数据表，统计在所有品牌中各个配件对应的订单数情况以及各个订单中第一配件与各第二配件同时出现的情况，然后根据所述情况计算所述第一配件与所述各第二配件之间的相似度。需要说明的是，所述第二配件为所有品牌中除所述第一配件之外的其他任何一种配件。
示例性的，假设计算配件B、配件C以及配件D对于配件A的相似度，则遍历所述标准历史订单数据表，统计出所有品牌中配件A、配件B、配件C以及配件D的总订单次数，然后统计所有品牌中配件A分别与配件B、配件C以及配件D出现在同一个订单中的总订单次数，最后计算配件A分别与配件B、配件C以及配件D之间的相似度。
在示例性的实施例中，如图2所示，为所述步骤S300的细化流程图，所述步骤S300可以包括：
步骤S301，根据所述标准历史订单数据表，分别统计所有品牌中所述第一配件的第一总订单次数、各第二配件的第二总订单次数以及所有品牌中所述第一配件与所述各第二配件同时出现在同一订单的第三总订单次数；
步骤S302，根据所述第一总订单次数、所述第二总订单次数及所述第三总订单次数，计算所述第一配件与所述各第二配件之间的相似度，所述相似度的计算公式如下：
Figure BDA0002866082810000071
其中，same(part1,part2)表示配件part2对于配件part1的相似度，common_cnt(part1,part2)表示统计出所有品牌中的配件part1和配件part2出现在同一个订单中的总订单次数，cnt_part1表示所有品牌中配件part1的总订单次数，cnt_part2表示所有品牌中配件part2的总订单次数。
具体地，通过遍历所述标准历史订单数据表，分别统计所有品牌中所述第一配件的第一总订单次数、各第二配件的第二总订单次数，再分别统计所有品牌中所述第一配件与所述各第二配件同时出现在同一订单的第三总订单次数，然后根据所述第一总订单次数、所述第二总订单次数及所述第三总订单次数，计算所述第一配件与所述各第二配件之间的相似度。
示例性的，假设计算配件B、配件C以及配件D对于配件A的相似度，则通过遍历所述标准历史订单数据表，先统计出所有品牌中配件A、配件B、配件C以及配件D的总订单次数，然后统计所有品牌中配件A分别与配件B、配件C以及配件D出现在同一个订单中的第三总订单次数，根据所述总订单次数及所述第三总订单次数，计算配件A分别与配件B、配件C以及配件D之间的相似度，假设得到的配件A的相似度为(same_AB，same_AC，same_AD)。
本发明实施例通过根据标准历史订单数据表，分别统计所有品牌中各个配件对应的订单数情况以及各个订单中所述第一配件与所述各第二配件同时出现的情况，然后计算所述第一配件与所述各第二配件之间的相似度，使得推荐列表具备更高的相似度及准确率。
步骤S400，根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算目标品牌的所述第一配件与所述各第二配件之间的第一兴趣度，并根据所述第一兴趣度生成与所述第一配件对应的第一配件推荐表。
具体地，根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，然后分别计算目标品牌的所述第一配件与所述各第二配件之间的第一兴趣度，最后根据所述第一兴趣度生成与所述第一配件对应的第一配件推荐表。
在示例性的实施例中，如图3所示，为所述步骤S400的一种细化流程图，所述步骤S400可以包括：
步骤S401，从所述标准历史订单数据表中筛选出同属于所述目标品牌的所述第一配件以及所述各第二配件的订单信息，并根据所述订单信息分别统计所述各第二配件对应的第四总订单次数；
步骤S402，根据所述第四总订单次数及所述相似度，分别计算所述目标品牌中所述第一配件与所述各第二配件之间的第一兴趣度，所述第一兴趣度的计算公式如下：
Interest(part1,part2)＝same(part1,part2)*cnt_logo_part(logo_m,part2)
其中，Interest(part1,part2)表示的是目标品牌logo_m中配件part2对于配件part1的兴趣度，same(part1,part2)表示配件part2对于配件part1的相似度，cnt_logo_part(logo_m,part2)表示的是目标品牌logo_m的车中配件part2的总订单次数。
步骤S403，将所述第一兴趣度从大到小进行排序，并根据排序后的第一兴趣度以及与所述第一兴趣度对应的所述各第二配件生成与所述第一配件对应的第一配件推荐表。
具体地，从所述标准历史订单数据表中筛选出同属于所述目标品牌的所述第一配件以及所述各第二配件的订单信息，并根据所述订单信息分别统计所述各第二配件对应的第四总订单次数，然后根据所述第四总订单次数及所述相似度，分别计算所述品牌中所述第一配件与所述各第二配件之间的兴趣度，最终得到所述品牌中各个配件的第一兴趣度，并将所述第一兴趣度从大到小进行排序，并根据排序后的第一兴趣度以及与所述第一兴趣度对应的所述各第二配件生成与所述第一配件对应的第一配件推荐表。
示例性的，假设计算配件B、配件C以及配件D对于配件A的兴趣度，则先统计出目标品牌中配件A、配件B、配件C以及配件D对应配件的总订单次数，假设结果分别为S1_A、S1_B、S1_C以及S1_D，然后根据所述相似度same_AB、same_AC以及same_AD，计算配件B、配件C以及配件D对于配件A的兴趣度，假设计算结果分别为Interest1_AB、Interest1_AC以及Interest1_AD，对最终计算出来的配件B、配件C以及配件D对于配件A的兴趣度从大到小进行排序，假设得到配件A的第一配件推荐表为(Interest1_AD，Interest1_AB、Interest1_AC)。
本发明实施例通过计算目标品牌中各个配件的总订单次数以及所述相似度，计算出所述第一配件与所述各第二配件之间的兴趣度，得到配件推荐表，使推荐结果更精准。
步骤S500，根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算所有品牌中所述第一配件与所述各第二配件之间的第二兴趣度，并根据所述第二兴趣度生成与所述第一配件对应的第二配件推荐表。
具体地，根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算所有品牌中所述第一配件与所述各第二配件之间的第二兴趣度，并根据所述第二兴趣度生成与所述第一配件对应的第二配件推荐表。
在示例性的实施例中，如图4所示，为所述步骤S500的一种细化流程图，所述步骤S500可以包括：
步骤S501，根据所述标准历史订单数据表，分别统计出所有品牌中所述各第二配件的总订单次数；
步骤S502，根据所述总订单次数及所述相似度，计算所有品牌中所述第一配件与所述各第二配件之间的第二兴趣度，所述第二兴趣度的计算公式如下：
Interest(part1,part2)＝same(part1,part2)*cnt_part(part2)
其中，Interest(part1,part2)表示的是所有品牌中配件part2对于配件part1的兴趣度，same(part1,part2)表示配件part2对于配件part1的相似度，cnt_part(part2)表示的是所有品牌中配件part2的总订单次数。
步骤S503，将所述第二兴趣度从大到小进行排序，并根据排序后的第二兴趣度以及与所述第二兴趣度对应的所述各第二配件生成与所述第一配件对应的第二配件推荐表。
具体地，根据所述标准历史订单数据表，分别统计出所有品牌中所述各第二配件的总订单次数，根据所述总订单次数及所述相似度，计算所有品牌中所述第一配件与所述各第二配件之间的兴趣度，得到所述品牌中所述第一配件与所述各第二配件之间的第二兴趣度，并将所述第二兴趣度从大到小进行排序，并根据排序后的第二兴趣度以及与所述第二兴趣度对应的所述各第二配件生成与所述第一配件对应的第二配件推荐表。
示例性的，假设计算配件B、配件C以及配件D对于配件A的兴趣度，则先统计出所有品牌中配件A、配件B、配件C以及配件D对应配件的总订单次数，假设结果分别为S2_A、S2_B、S2_C以及S2_D，然后根据所述相似度same_AB、same_AC以及same_AD，计算配件B、配件C以及配件D对于配件A的兴趣度，假设计算结果分别为Interest2_AB、Interest2_AC以及Interest2_AD，对最终计算出来的配件B、配件C以及配件D对于配件A的兴趣度从大到小进行排序，并根据排序后的第二兴趣度生成与所述第一配件对应的第二配件推荐表，假设生成配件A的第二配件推荐表为(Interest2_AD，Interest2_AB、Interest2_AC)。
本发明实施例通过根据所有品牌中所述第一配件、各第二配件的总订单次数以及所述相似度，计算出所有品牌中所述第一配件与所述各第二配件之间的兴趣度，得到配件推荐表，使得配件交易在目标品牌的历史订单数量较少的情况下，及时对其他品牌的配件进行推荐补充，大大提高了配件推荐的准确性。
步骤S600，响应用户的第一配件查询或选择指令，显示所述第一配件推荐表或所述第二配件推荐表中的配件。
具体地，当用户查询或选择了某一个配件，则平台会响应用户输入的查询指令或者选择指令，显示与所述配件信息对应的配件推荐表中的配件。
在示例性的实施例中，如图5所示，为所述步骤S600的一种细化流程图，所述步骤S600可以包括：
步骤S601，响应所述用户输入的查询指令或者选择指令，获取所述第一配件的信息；
步骤S602，统计在所述目标品牌中与所述第一配件出现在同一订单的配件的种类数并统计所述目标品牌中所有配件的总购买次数；
步骤S603，根据所述总购买次数及所述种类数，显示所述第一配件推荐表或所述第二配件推荐表中的配件。
具体地，当用户查询或选择了某一个配件，则平台会响应所述用户输入的查询指令或者选择指令，获取所述第一配件的信息，根据所述配件信息，统计在目标品牌中与所述配件出现在同一订单的配件的种类数，然后根据所述总购买次数及所述种类数，显示所述第一配件推荐表或所述第二配件推荐表中的配件。
示例性的，假设用户查询或选择了配件A，则平台会响应用户输入的查询指令或者选择指令，获取配件A的配件信息，根据所述标准历史订单数据表，假设统计出目标品牌中配件A的总购买次数为m，统计在目标品牌中与所述配件出现在同一订单的配件的种类数假设为n，然后根据m和n的情况，显示配件A对应的配件推荐表中的配件。
本发明实施例通过将配件推荐表中兴趣度排名靠前的配件推荐给用户，使用户的购买体验在很大程度上得到了提高，进一步缩短了用户挑选配件的时间成本。
在示例性的实施例中，如图6所示，为所述步骤S600的另一种细化流程图，所述步骤S600可以包括：
步骤S611，将所述总购买次数与第一预设值进行比较，且将所述种类数与第二预设值进行比较；
步骤S612，当所述总购买次数大于或等于所述第一预设值，且所述种类数大于或等于所述第二预设值时，显示与所述配件信息对应的所述第一配件推荐表中的配件；
步骤S613，当所述总购买次数小于所述第一预设值，或所述种类数小于所述第二预设值时，显示与所述配件信息对应的所述第二配件推荐表中的配件。
具体地，当用户查询或选择了某一个配件，则平台会响应用户输入的查询指令或者选择指令，获取对应的配件信息，根据所述配件信息，统计在目标品牌中与所述配件出现在同一订单的配件的种类数，然后将所述总购买次数及所述种类数分别与第一预设值和第二预设值进行比较，当所述总购买次数大于或等于所述第一预设值，且所述种类数大于或等于所述第二预设值时，显示与所述配件信息对应的所述第一配件推荐表中的配件，反之，显示所述第一配件推荐表中预设数量的配件。
示例性的，假设用户查询或选择了配件A，则平台会响应用户输入的查询指令或者选择指令，获取配件A的配件信息，根据所述标准历史订单数据表，假设统计出目标品牌中配件A的总购买次数为m，与所述配件在目标品牌中出现在同一订单中的其他配件的种类数为n，假设第一预设值为p，第二预设值为q，当m大于或等于p，且n大于或等于q时，显示配件A对应的第一配件推荐表中的前q个配件，反之，显示配件A对应的第二配件推荐表中的前q个配件。
进一步地，在示例性的实施例中，所述配件推荐方法还包括：
将所述第一配件推荐表及所述第二配件推荐表上传至区块链中。
具体地，为了保证所述第一配件推荐表及所述第二配件推荐表的安全性和对用户的公正透明性，可以将得到的所述第一配件推荐表及所述第二配件推荐表上传至区块链中，然后用户设备可以从区块链中下载得到所述第一配件推荐表及所述第二配件推荐表，以便查证所述第一配件推荐表及所述第二配件推荐表是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本发明实施例提供的配件推荐方法，通过获取所有配件的历史订单数据，得到历史订单数据表，然后将所述历史订单数据表中的配件名称进行标准化处理，得到标准历史订单数据表，再根据所述标准历史订单数据表分别计算所述第一配件与所述各第二配件之间的相似度；根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，计算所述第一配件与各第二配件之间的兴趣度，得到所述第一配件对应的配件推荐表，最后响应用户的第一配件查询或选择指令，显示所述第一配件推荐表或所述第二配件推荐表中的配件。本发明实施例能够在极短的时间内实现配件的精准、专业推荐，极大地缩短用户挑选配件的时间成本，实现用户的个性化智能推荐，从而提高用户的购买体验以及4S店的销售效率。
实施例二
参阅图7，示出了本发明实施例之一种配件推荐系统700的程序模块示意图。所述配件推荐系统700可以应用于计算机设备中，所述计算机设备可以是手机、平板个人计算机(tablet personal computer)、膝上型计算机(laptop computer)、等具有数据传输功能的设备。在本发明实施例中，所述配件推荐系统700可以包括或被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本发明实施例，并可实现上述配件推荐系统700。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序本身更适合于描述所述配件推荐系统700在存储介质中的执行过程。在示例性的实施例中，该配件推荐系统700包括获取模块701、处理模块702、第一计算模块703、第二计算模块704、第三计算模块705及显示模块706。以下描述将具体介绍本发明实施例各程序模块的功能：
获取模块701，用于获取所有配件的历史订单数据，得到历史订单数据表。
具体地，所述获取模块701根据预设的更新时间，定时获取所有配件的历史订单数据，得到定时更新的历史订单数据表。其中，所述历史订单数据包括：订单号、车辆品牌、车型、配件名称、车辆识别号码(Vehicle Identification Number，VIN)以及地区等。
本发明实施例通过预设的更新时间，定时获取所有配件的历史订单数据，得到定时更新的历史订单数据表，对数据表及时更新，使历史订单数据具有实时性。
处理模块702，用于将所述历史订单数据表中的配件名称进行标准化处理，得到标准历史订单数据表，所述标准历史订单数据表包括多个品牌的第一配件和多个品牌的各第二配件在各个历史订单中的订购情况。
具体地，所述处理模块702由于获取的历史订单数据表中的配件名称不是标准的格式，因此要先将历史订单数据中的非标准配件名称进行标准化处理，得到标准历史订单数据表。具体处理方法如下：每辆车都有对应的VIN，VIN由17位字符组成，它包含了车的生产厂家、年代、车型、车身型式及代码、发动机代码及组装地点等信息，根据VIN得到对应的车型，根据车型及预设的配件别称表，得到对应历史订单数据中的对应的标准配件名称。
本发明实施例根据VIN得到对应的车型，根据车型及预设的配件别称表，对获取的历史订单数据表中的配件名称做标准化处理，得到对应的标准配件名称，大大提高数据结果的准确性。
第一计算模块703，用于根据所述标准历史订单数据表分别计算所述第一配件与所述各第二配件之间的相似度。
具体地，所述第一计算模块703根据所述标准历史订单数据表，统计在所有品牌中各个配件对应的订单数情况以及各个订单中第一配件与各第二配件同时出现的情况，然后根据所述情况计算所述第一配件与所述各第二配件之间的相似度。需要说明的是，所述第二配件为所有品牌中除所述第一配件之外的其他任何一种配件。
示例性的，假设计算配件B、配件C以及配件D对于配件A的相似度，则遍历所述标准历史订单数据表，统计出所有品牌中配件A、配件B、配件C以及配件D的总订单次数，然后统计所有品牌中配件A分别与配件B、配件C以及配件D出现在同一个订单中的总订单次数，最后计算配件A分别与配件B、配件C以及配件D之间的相似度。
在示例性的实施例中，所述第一计算模块703具体用于：
根据所述标准历史订单数据表，分别统计所有品牌中所述第一配件的第一总订单次数、各第二配件的第二总订单次数以及所有品牌中所述第一配件与所述各第二配件同时出现在同一订单的第三总订单次数；
根据所述第一总订单次数、所述第二总订单次数及所述第三总订单次数，计算所述第一配件与所述各第二配件之间的相似度，所述相似度的计算公式如下：
Figure BDA0002866082810000131
其中，same(part1,part2)表示配件part2对于配件part1的相似度，common_cnt(part1,part2)表示统计出所有品牌中的配件part1和配件part2出现在同一个订单中的总订单次数，cnt_part1表示所有品牌中配件part1的总订单次数，cnt_part2表示所有品牌中配件part2的总订单次数。
具体地，所述第一计算模块703通过遍历所述标准历史订单数据表，分别统计所有品牌中所述第一配件的第一总订单次数、各第二配件的第二总订单次数，再分别统计所有品牌中所述第一配件与所述各第二配件同时出现在同一订单的第三总订单次数，然后根据所述第一总订单次数、所述第二总订单次数及所述第三总订单次数，计算所述第一配件与所述各第二配件之间的相似度。
示例性的，假设计算配件B、配件C以及配件D对于配件A的相似度，则通过遍历所述标准历史订单数据表，先统计出所有品牌中配件A、配件B、配件C以及配件D的总订单次数，然后统计所有品牌中配件A分别与配件B、配件C以及配件D出现在同一个订单中的第三总订单次数，根据所述总订单次数及所述第三总订单次数，计算配件A分别与配件B、配件C以及配件D之间的相似度，假设得到的配件A的相似度为(same_AB，same_AC，same_AD)。
本发明实施例通过根据标准历史订单数据表，分别统计所有品牌中各个配件对应的订单数情况以及各个订单中所述第一配件与所述各第二配件同时出现的情况，然后计算所述第一配件与所述各第二配件之间的相似度，使得推荐列表具备更高的相似度及准确率。
第二计算模块704，用于根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算目标品牌的所述第一配件与所述各第二配件之间的第一兴趣度，并根据所述第一兴趣度生成与所述第一配件对应的第一配件推荐表。
具体地，所述第二计算模块704根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算目标品牌的所述第一配件与所述各第二配件之间的第一兴趣度，并根据所述第一兴趣度生成与所述第一配件对应的第一配件推荐表。
在示例性的实施例中，所述第二计算模块704具体用于：
从所述标准历史订单数据表中筛选出同属于所述目标品牌的所述第一配件以及所述各第二配件的订单信息，并根据所述订单信息分别统计所述各第二配件对应的第四总订单次数；
根据所述第四总订单次数及所述相似度，分别计算所述目标品牌中所述第一配件与所述各第二配件之间的第一兴趣度，所述第一兴趣度的计算公式如下：
Interest(part1,part2)＝same(part1,part2)*cnt_logo_part(logo_m,part2)
其中，Interest(part1,part2)表示的是目标品牌logo_m中配件part2对于配件part1的兴趣度，same(part1,part2)表示配件part2对于配件part1的相似度，cnt_logo_part(logo_m,part2)表示的是目标品牌logo_m的车中配件part2的总订单次数。
将所述第一兴趣度从大到小进行排序，并根据排序后的第一兴趣度以及与所述第一兴趣度对应的所述各第二配件生成与所述第一配件对应的第一配件推荐表。
具体地，所述第二计算模块704从所述标准历史订单数据表中筛选出同属于所述目标品牌的所述第一配件以及所述各第二配件的订单信息，并根据所述订单信息分别统计所述各第二配件对应的第四总订单次数，然后根据所述第四总订单次数及所述相似度，分别计算所述品牌中所述第一配件与所述各第二配件之间的兴趣度，最终得到所述品牌中各个配件的第一兴趣度，并将所述第一兴趣度从大到小进行排序，并根据排序后的第一兴趣度以及与所述第一兴趣度对应的所述各第二配件生成与所述第一配件对应的第一配件推荐表。
示例性的，假设计算配件B、配件C以及配件D对于配件A的兴趣度，则先统计出目标品牌中配件A、配件B、配件C以及配件D对应配件的总订单次数，假设结果分别为S1_A、S1_B、S1_C以及S1_D，然后根据所述相似度same_AB、same_AC以及same_AD，计算配件B、配件C以及配件D对于配件A的兴趣度，假设计算结果分别为Interest1_AB、Interest1_AC以及Interest1_AD，对最终计算出来的配件B、配件C以及配件D对于配件A的兴趣度从大到小进行排序，假设得到配件A的第一配件推荐表为(Interest1_AD，Interest1_AB、Interest1_AC)。
本发明实施例通过计算目标品牌中各个配件的总订单次数以及所述相似度，计算出所述第一配件与所述各第二配件之间的兴趣度，得到配件推荐表，使推荐结果更精准。
第三计算模块705，用于根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算所有品牌中所述第一配件与所述各第二配件之间的第二兴趣度，并根据所述第二兴趣度生成与所述第一配件对应的第二配件推荐表。
具体地，所述第三计算模块705根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算所有品牌中所述第一配件与所述各第二配件之间的第二兴趣度，并根据所述第二兴趣度生成与所述第一配件对应的第二配件推荐表。
在示例性的实施例中，所述第三计算模块705具体还用于：
根据所述标准历史订单数据表，分别统计出所有品牌中所述各第二配件的总订单次数；
根据所述总订单次数及所述相似度，计算所有品牌中所述第一配件与所述各第二配件之间的第二兴趣度，所述第二兴趣度的计算公式如下：
Interest(part1,part2)＝same(part1,part2)*cnt_part(part2)
其中，Interest(part1,part2)表示的是所有品牌中配件part2对于配件part1的兴趣度，same(part1,part2)表示配件part2对于配件part1的相似度，cnt_part(part2)表示的是所有品牌中配件part2的总订单次数。
将所述第二兴趣度从大到小进行排序，并根据排序后的第二兴趣度以及与所述第二兴趣度对应的所述各第二配件生成与所述第一配件对应的第二配件推荐表。
具体地，所述第三计算模块705根据所述标准历史订单数据表，分别统计出所有品牌中所述各第二配件的总订单次数，根据所述总订单次数及所述相似度，计算所有品牌中所述第一配件与所述各第二配件之间的兴趣度，得到所述品牌中所述第一配件与所述各第二配件之间的第二兴趣度，并将所述第二兴趣度从大到小进行排序，并根据排序后的第二兴趣度以及与所述第二兴趣度对应的所述各第二配件生成与所述第一配件对应的第二配件推荐表。
示例性的，假设计算配件B、配件C以及配件D对于配件A的兴趣度，则先统计出所有品牌中配件A、配件B、配件C以及配件D对应配件的总订单次数，假设结果分别为S2_A、S2_B、S2_C以及S2_D，然后根据所述相似度same_AB、same_AC以及same_AD，计算配件B、配件C以及配件D对于配件A的兴趣度，假设计算结果分别为Interest2_AB、Interest2_AC以及Interest2_AD，对最终计算出来的配件B、配件C以及配件D对于配件A的兴趣度从大到小进行排序，并根据排序后的第二兴趣度生成与所述第一配件对应的第二配件推荐表，假设生成配件A的第二配件推荐表为(Interest2_AD，Interest2_AB、Interest2_AC)。
本发明实施例通过根据所有品牌中所述第一配件、各第二配件的总订单次数以及所述相似度，计算出所有品牌中所述第一配件与所述各第二配件之间的兴趣度，得到配件推荐表，使得配件交易在目标品牌的历史订单数量较少的情况下，及时对其他品牌的配件进行推荐补充，大大提高了配件推荐的准确性。
显示模块706，用于响应用户的第一配件查询或选择指令，显示所述第一配件推荐表或所述第二配件推荐表中的配件。
具体地，当用户查询或选择了某一个配件，则平台会响应用户输入的查询指令或者选择指令，所述显示模块706显示与所述配件信息对应的配件推荐表中的配件。
在示例性的实施例中，所述显示模块706具体用于：
响应所述用户输入的查询指令或者选择指令，获取所述第一配件的信息；
统计在所述目标品牌中与所述第一配件出现在同一订单的配件的种类数并统计所述目标品牌中所有配件的总购买次数；
根据所述总购买次数及所述种类数，显示所述第一配件推荐表或所述第二配件推荐表中的配件。
具体地，当用户查询或选择了某一个配件，则平台会响应所述用户输入的查询指令或者选择指令，获取所述第一配件的信息，根据所述配件信息，统计在目标品牌中与所述配件出现在同一订单的配件的种类数，然后根据所述总购买次数及所述种类数，所述显示模块706显示与所述配件信息对应的配件推荐表中的配件。
示例性的，假设用户查询或选择了配件A，则平台会响应用户输入的查询指令或者选择指令，获取配件A的配件信息，根据所述标准历史订单数据表，假设统计出目标品牌中配件A的总购买次数为m，统计在目标品牌中与所述配件出现在同一订单的配件的种类数假设为n，然后根据m和n的情况，显示配件A对应的配件推荐表中的配件。
本发明实施例通过将配件推荐表中兴趣度排名靠前的配件推荐给用户，使用户的购买体验在很大程度上得到了提高，进一步缩短了用户挑选配件的时间成本。
在示例性的实施例中，所述显示模块706具体还用于：
将所述总购买次数与第一预设值进行比较，且将所述种类数与第二预设值进行比较；
当所述总购买次数大于或等于所述第一预设值，且所述种类数大于或等于所述第二预设值时，显示与所述配件信息对应的所述第一配件推荐表中的配件；
当所述总购买次数小于所述第一预设值，或所述种类数小于所述第二预设值时，显示与所述配件信息对应的所述第二配件推荐表中的配件。
具体地，当用户查询或选择了某一个配件，则平台会响应用户输入的查询指令或者选择指令，获取对应的配件信息，根据所述配件信息，统计在目标品牌中与所述配件出现在同一订单的配件的种类数，然后将所述总购买次数及所述种类数分别与第一预设值和第二预设值进行比较，当所述总购买次数大于或等于所述第一预设值，且所述种类数大于或等于所述第二预设值时，所述显示模块706显示与所述配件信息对应的所述第一配件推荐表中的配件，反之，所述显示模块706显示所述第一配件推荐表中预设数量的配件。
示例性的，假设用户查询或选择了配件A，则平台会响应用户输入的查询指令或者选择指令，获取配件A的配件信息，根据所述标准历史订单数据表，假设统计出目标品牌中配件A的总购买次数为m，与所述配件在目标品牌中出现在同一订单中的其他配件的种类数为n，假设第一预设值为p，第二预设值为q，当m大于或等于p，且n大于或等于q时，显示配件A对应的第一配件推荐表中的前q个配件，反之，显示配件A对应的第二配件推荐表中的前q个配件。
进一步地，在示例性的实施例中，所述配件推荐方法还包括：
将所述第一配件推荐表及所述第二配件推荐表上传至区块链中。
具体地，为了保证所述第一配件推荐表及所述第二配件推荐表的安全性和对用户的公正透明性，可以将得到的所述第一配件推荐表及所述第二配件推荐表上传至区块链中，然后用户设备可以从区块链中下载得到所述第一配件推荐表及所述第二配件推荐表，以便查证所述第一配件推荐表及所述第二配件推荐表是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本发明实施例提供的配件推荐系统700通过获取所有配件的历史订单数据，得到历史订单数据表，然后将所述历史订单数据表中的配件名称进行标准化处理，得到标准历史订单数据表，所述标准历史订单数据表包括多个品牌的第一配件和多个品牌的各第二配件在各个历史订单中的订购情况，再根据所述标准历史订单数据表分别计算所述第一配件与所述各第二配件之间的相似度；根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，计算所述第一配件与各第二配件之间的兴趣度，得到所述第一配件对应的配件推荐表，最后响应用户的第一配件查询或选择指令，显示所述第一配件推荐表或所述第二配件推荐表中的配件。本发明实施例本发明实施例能够在极短的时间内实现配件的精准、专业推荐，极大地缩短用户挑选配件的时间成本，实现用户的个性化智能推荐，从而提高用户的购买体验以及4S店的销售效率。
实施例三
参阅图8，本发明实施例还提供一种计算机设备800的硬件架构示意图。如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。在本发明实施例中，所述计算机设备800是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。如图所示，所述计算机设备800至少包括，但不限于，可通过装置总线相互通信连接存储器801、处理器802、网络接口803。其中：
本发明实施例中，存储器801至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些发明实施例中，存储器801可以是计算机设备800的内部存储单元，例如所述计算机设备800的硬盘或内存。在另一些发明实施例中，存储器801也可以是计算机设备800的外部存储设备，例如所述计算机设备800上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。当然，存储器801还可以既包括计算机设备800的内部存储单元也包括其外部存储设备。本发明实施例中，存储器801通常用于存储安装于计算机设备800的操作装置和各类应用软件，例如所述配件推荐系统700的程序代码等。此外，存储器801还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器802在一些发明实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。所述处理器802通常用于控制计算机设备800的总体操作。本发明实施例中，处理器802用于运行存储器801中存储的程序代码或者处理数据，例如运行所述配件推荐系统700的程序代码，以实现上述各个发明实施例中的所述配件推荐方法。
所述网络接口803可包括无线网络接口或有线网络接口，所述网络接口803通常用于在所述计算机设备800与其他电子装置之间建立通信连接。例如，所述网络接口803用于通过网络将所述计算机设备800与外部终端相连，在所述计算机设备800与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯装置(Global System of Mobile communication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
需要指出的是，图8仅示出了具有部件801-803的计算机设备800，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。
在本发明实施例中，存储于存储器801中的所述配件推荐系统700还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器801中，并由一个或多个处理器(本发明实施例为处理器802)所执行，以完成本发明之配件推荐方法。
实施例四
本发明实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本发明实施例的计算机可读存储介质用于存储所述配件推荐系统700，以被处理器执行时实现本发明之配件推荐方法。
上述本发明实施例序号仅仅为了描述，不代表发明实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述发明实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选发明实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种配件推荐方法，其特征在于，所述方法包括：
获取所有配件的历史订单数据，得到历史订单数据表；
将所述历史订单数据表中的配件名称进行标准化处理，得到标准历史订单数据表，所述标准历史订单数据表包括多个品牌的第一配件和多个品牌的各第二配件在各个历史订单中的订购情况；
根据所述标准历史订单数据表分别计算所述第一配件与所述各第二配件之间的相似度；
根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算目标品牌的所述第一配件与所述各第二配件之间的第一兴趣度，并根据所述第一兴趣度生成与所述第一配件对应的第一配件推荐表；
根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算所有品牌中所述第一配件与所述各第二配件之间的第二兴趣度，并根据所述第二兴趣度生成与所述第一配件对应的第二配件推荐表；及
响应用户的第一配件查询或选择指令，显示所述第一配件推荐表或所述第二配件推荐表中的配件。
2.如权利要求1所述的配件推荐方法，其特征在于，所述根据所述标准历史订单数据表分别计算所述第一配件与所述各第二配件之间的相似度，包括：
根据所述标准历史订单数据表，分别统计所有品牌中所述第一配件的第一总订单次数、各第二配件的第二总订单次数以及所有品牌中所述第一配件与所述各第二配件同时出现在同一订单的第三总订单次数；及
根据所述第一总订单次数、所述第二总订单次数及所述第三总订单次数，计算所述第一配件与所述各第二配件之间的相似度，所述相似度的计算公式如下：
Figure FDA0002866082800000011
其中，same(part1,part2)表示配件part2对于配件part1的相似度，common_cnt(part1,part2)表示统计出所有品牌中的配件part1和配件part2出现在同一个订单中的总订单次数，cnt_part1表示所有品牌中配件part1的总订单次数，cnt_part2表示所有品牌中配件part2的总订单次数。
3.如权利要求1所述的配件推荐方法，其特征在于，所述根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算目标品牌的所述第一配件与所述各第二配件之间的第一兴趣度，并根据所述第一兴趣度生成与所述第一配件对应的第一配件推荐表，包括：
从所述标准历史订单数据表中筛选出同属于所述目标品牌的所述第一配件以及所述各第二配件的订单信息，并根据所述订单信息分别统计所述各第二配件对应的第四总订单次数；
根据所述第四总订单次数及所述相似度，分别计算所述目标品牌中所述第一配件与所述各第二配件之间的第一兴趣度，所述第一兴趣度的计算公式如下：
Interest(part1,part2)＝same(part1,part2)*cnt_logo_part(logo_m,part2)
其中，Interest(part1,part2)表示的是目标品牌logo_m中配件part2对于配件part1的兴趣度，same(part1,part2)表示配件part2对于配件part1的相似度，cnt_logo_part(logo_m,part2)表示的是目标品牌logo_m的车中配件part2的总订单次数；及
将所述第一兴趣度从大到小进行排序，并根据排序后的第一兴趣度以及与所述第一兴趣度对应的所述各第二配件生成与所述第一配件对应的第一配件推荐表。
4.如权利要求1所述的配件推荐方法，其特征在于，所述根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算所有品牌中所述第一配件与所述各第二配件之间的第二兴趣度，并根据所述第二兴趣度生成与所述第一配件对应的第二配件推荐表，包括：
根据所述标准历史订单数据表，分别统计出所有品牌中所述各第二配件的总订单次数；
根据所述总订单次数及所述相似度，计算所有品牌中所述第一配件与所述各第二配件之间的第二兴趣度，所述第二兴趣度的计算公式如下：
Interest(part1,part2)＝same(part1,part2)*cnt_part(part2)
其中，Interest(part1,part2)表示的是所有品牌中配件part2对于配件part1的兴趣度，same(part1,part2)表示配件part2对于配件part1的相似度，cnt_part(part2)表示的是所有品牌中配件part2的总订单次数；及
将所述第二兴趣度从大到小进行排序，并根据排序后的第二兴趣度以及与所述第二兴趣度对应的所述各第二配件生成与所述第一配件对应的第二配件推荐表。
5.如权利要求1所述的配件推荐方法，其特征在于，所述响应用户的第一配件查询或选择指令，显示所述第一配件推荐表或所述第二配件推荐表中的配件，包括：
响应所述用户输入的查询指令或者选择指令，获取所述第一配件的信息；
统计在所述目标品牌中与所述第一配件出现在同一订单的配件的种类数并统计所述目标品牌中所有配件的总购买次数；及
根据所述总购买次数及所述种类数，显示所述第一配件推荐表或所述第二配件推荐表中的配件。
6.如权利要求5所述的配件推荐方法，其特征在于，所述根据所述总购买次数及所述种类数，显示所述第一配件推荐表或所述第二配件推荐表中的配件，包括：
将所述总购买次数与第一预设值进行比较，且将所述种类数与第二预设值进行比较；
当所述总购买次数大于或等于所述第一预设值，且所述种类数大于或等于所述第二预设值时，显示与所述配件信息对应的所述第一配件推荐表中的配件；及
当所述总购买次数小于所述第一预设值，或所述种类数小于所述第二预设值时，显示与所述配件信息对应的所述第二配件推荐表中的配件。
7.如权利要求1至6任一项所述的配件推荐方法，其特征在于，所述配件推荐方法还包括：
将所述第一配件推荐表及所述第二配件推荐表上传至区块链中。
8.一种配件推荐系统，其特征在于，包括：
获取模块，用于获取所有配件的历史订单数据，得到历史订单数据表；
处理模块，用于将所述历史订单数据表中的配件名称进行标准化处理，得到标准历史订单数据表，所述标准历史订单数据表包括多个品牌的第一配件和多个品牌的各第二配件在各个历史订单中的订购情况；
第一计算模块，用于根据所述标准历史订单数据表分别计算所述第一配件与所述各第二配件之间的相似度；
第二计算模块，用于根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算目标品牌的所述第一配件与所述各第二配件之间的第一兴趣度，并根据所述第一兴趣度生成与所述第一配件对应的第一配件推荐表；
第三计算模块，用于根据所述标准历史订单数据表中各第二配件的总订单次数及所述相似度，分别计算所有品牌中所述第一配件与所述各第二配件之间的第二兴趣度，并根据所述第二兴趣度生成与所述第一配件对应的第二配件推荐表；
显示模块，用于响应用户的第一配件查询或选择指令，显示所述第一配件推荐表或所述第二配件推荐表中的配件。
9.一种计算机设备，所述计算机设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，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7中任一项的所述配件推荐方法的步骤。
10.一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7中任一项的所述配件推荐方法的步骤。
CN202011581893.5A 2020-12-28 2020-12-28 配件推荐方法、系统、设备及存储介质 Pending CN112598475A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011581893.5A CN112598475A (zh) 2020-12-28 2020-12-28 配件推荐方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011581893.5A CN112598475A (zh) 2020-12-28 2020-12-28 配件推荐方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112598475A true CN112598475A (zh) 2021-04-02

Family

ID=75203652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011581893.5A Pending CN112598475A (zh) 2020-12-28 2020-12-28 配件推荐方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112598475A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416613A (zh) * 2018-01-31 2018-08-17 北京长城华冠汽车技术开发有限公司 基于关联性分析算法的汽车配件推荐系统及推荐方法
CN108874769A (zh) * 2018-05-16 2018-11-23 深圳开思时代科技有限公司 配件名称标准化方法及装置、电子设备和介质
CN109299316A (zh) * 2018-11-09 2019-02-01 平安科技（深圳）有限公司 音乐推荐方法、装置和计算机设备
WO2019232822A1 (zh) * 2018-06-06 2019-12-12 平安科技（深圳）有限公司 产品推荐方法、装置、计算机设备及存储介质
KR20200045294A (ko) * 2018-10-22 2020-05-04 주식회사 제이그레이슬렛 액세서리 수요예측 장치 및 방법
US20200151762A1 (en) * 2018-11-13 2020-05-14 Walmart Apollo, Llc Method and apparatus for automatically identifying digital advertisements
CN112001509A (zh) * 2020-08-31 2020-11-27 南京爱福路汽车科技有限公司 一种汽车维修保养的智能开单推荐系统及开单方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416613A (zh) * 2018-01-31 2018-08-17 北京长城华冠汽车技术开发有限公司 基于关联性分析算法的汽车配件推荐系统及推荐方法
CN108874769A (zh) * 2018-05-16 2018-11-23 深圳开思时代科技有限公司 配件名称标准化方法及装置、电子设备和介质
WO2019232822A1 (zh) * 2018-06-06 2019-12-12 平安科技（深圳）有限公司 产品推荐方法、装置、计算机设备及存储介质
KR20200045294A (ko) * 2018-10-22 2020-05-04 주식회사 제이그레이슬렛 액세서리 수요예측 장치 및 방법
CN109299316A (zh) * 2018-11-09 2019-02-01 平安科技（深圳）有限公司 音乐推荐方法、装置和计算机设备
US20200151762A1 (en) * 2018-11-13 2020-05-14 Walmart Apollo, Llc Method and apparatus for automatically identifying digital advertisements
CN112001509A (zh) * 2020-08-31 2020-11-27 南京爱福路汽车科技有限公司 一种汽车维修保养的智能开单推荐系统及开单方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JESSICA LOURENCO ET AL.: "Item-Based Collaborative Filtering and Association Rules for a Baseline Recommender in E-Commerce", 《2020 IEEE INTERNATIONAL CONFERENCE ON BIG DATA》, pages 4636 - 4645 *
张卫等: "面向汽车摩托车配件行业的智能化商务系统研究", 《汽车工程》, vol. 32, no. 9, pages 829 - 832 *

Similar Documents

Publication Publication Date Title
US10853876B2 (en) Image analysis and identification using machine learning with output estimation
US20150310466A1 (en) Sales analyzer systems and methods
US20150363865A1 (en) Systems and methods for vehicle purchase recommendations
US10748195B2 (en) Database image matching using machine learning with output estimation
US10783580B2 (en) Image analysis and identification using machine learning with output personalization
CN110674391B (zh) 基于大数据的产品数据推送方法、系统和计算机设备
US20130226945A1 (en) Natural language processing system, method and computer program product useful for automotive data mapping
CN112102031A (zh) 一种推荐方法、推荐装置及终端设备
CN110852785B (zh) 用户分级方法、装置及计算机可读存储介质
US10762562B2 (en) Database image matching using machine learning with output personalization
CN113178071B (zh) 驾驶风险等级识别方法、装置、电子设备及可读存储介质
CN111881158A (zh) 一种管理报表数据处理方法、装置、计算机系统及可读存储介质
CN112529665A (zh) 基于组合模型的产品推荐方法、装置及计算机设备
CN111582932A (zh) 场景间信息推送方法、装置、计算机设备及存储介质
CN114820123A (zh) 团购商品推荐方法、装置、设备及存储介质
CN111311381A (zh) 一种商品推荐方法及系统
CN110362702B (zh) 图片管理方法及设备
CN110851737A (zh) 推荐方法、装置、电子设备及计算机存储介质
US7593855B1 (en) Consumptible identification system and method
CN112598475A (zh) 配件推荐方法、系统、设备及存储介质
KR102104783B1 (ko) 주가간 움직임 패턴 분석을 통한 정보 제공 장치 및 제공 방법
CN113283766B (zh) 合同管理方法、装置、电子设备及存储介质
CN112598446A (zh) 配件定价方法、系统、设备及存储介质
CN110110222B (zh) 一种目标对象确定方法、装置及计算机存储介质
CN113781180A (zh) 一种物品推荐方法、装置、电子设备及存储介质

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