CN112749343B - 资源推荐方法、装置及计算机存储介质 - Google Patents

资源推荐方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN112749343B
CN112749343B CN202110091288.8A CN202110091288A CN112749343B CN 112749343 B CN112749343 B CN 112749343B CN 202110091288 A CN202110091288 A CN 202110091288A CN 112749343 B CN112749343 B CN 112749343B
Authority
CN
China
Prior art keywords
resource
user
information
recommended
preference
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
Application number
CN202110091288.8A
Other languages
English (en)
Other versions
CN112749343A (zh
Inventor
王彬
后士浩
吴毅成
赵梦娜
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.)
Wuhan Weilai Energy Co ltd
Original Assignee
Wuhan Weilai Energy 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 Wuhan Weilai Energy Co ltd filed Critical Wuhan Weilai Energy Co ltd
Priority to CN202110091288.8A priority Critical patent/CN112749343B/zh
Publication of CN112749343A publication Critical patent/CN112749343A/zh
Application granted granted Critical
Publication of CN112749343B publication Critical patent/CN112749343B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供一种资源推荐方法、装置及计算机存储介质，主要包括根据用户的历史交易订单，获得用户对应于各应用场景的各场景偏好信息；根据用户的资源推荐请求和用户对应的各应用场景，确定用户当前的应用场景；再根据资源推荐请求、用户当前的应用场景对应的场景偏好信息和各资源的资源特征，确定至少一个资源作为推荐资源。据此，本申请可根据用户的不同应用场景，为用户提供不同的资源推荐策略，以提升用户的资源推荐使用体验。

Description

资源推荐方法、装置及计算机存储介质
技术领域
本申请实施例涉及数据处理技术领域，尤其涉及一种资源推荐方法、装置及计算机存储介质。
背景技术
目前，虽然针对新能源汽车的充换电资源已经比较普及，但是，在实际车辆充换电作业中，用户往往很难找到符合其实际需求的充换电资源进行使用。
具体而言，现有市面的产品在资源推荐方面采用的是“用户协同/物品协同/简单线性加权”等比较传统的推荐算法，这些传统算法在处理充换电资源搜索时都存在或多或少的不足。例如，用户协同/物品协同过滤算法存在冷启动以及无法融入用户的上下文信息等问题，导致了系统所推荐的充换电资源往往无法满足用户基于不同应用场景的不同服务需求。
发明内容
鉴于上述问题，本申请提供一种资源推荐方法、装置及计算机存储介质，可以克服上述问题或者至少部分地解决上述问题。
本申请的第一方面提供一种资源推荐方法，其包括：根据用户的历史交易订单，获得所述用户的各应用场景以及各所述应用场景对应的各场景偏好信息；根据所述用户的资源推荐请求和所述用户对应的各所述应用场景，确定所述用户当前的所述应用场景；以及根据所述用户的资源推荐请求、所述用户当前的所述应用场景对应的所述场景偏好信息、各资源的各资源特征，确定至少一个所述资源以作为推荐资源。
可选地，所述资源包括充换电资源，所述充换电资源的资源类型至少包括换电站、充电桩中的一个。
可选地，所述根据用户的历史交易订单，获得所述用户的各应用场景以及各所述应用场景对应的各场景偏好信息包括：利用神经网络以基于所述用户的各所述历史交易订单进行学习，获得所述用户对应于各所述应用场景的各所述场景偏好信息；其中，所述历史交易订单包括交易时间、交易资源、交易评分中的至少一个；所述场景偏好信息包括偏好距离信息、偏好价格信息、偏好资源类型信息中的至少一个。
可选地，所述用户的所述资源推荐请求包括用户当前位置信息、当前请求时间信息、当前车辆续航信息中的至少一个；所述资源的所述资源特征包括资源位置信息、资源价格信息、资源类型信息中的至少一个。
可选地，所述根据所述资源推荐请求、所述用户当前的所述应用场景对应的所述场景偏好信息、各资源的各资源特征，确定至少一个所述资源以作为推荐资源包括：根据所述用户当前位置信息、所述偏好距离信息和各所述资源位置信息执行资源搜索，确定满足所述偏好距离信息的多个所述资源以作为备选资源；根据各所述备选资源对应的各所述资源位置信息、所述用户当前位置信息、所述当前车辆续航信息执行资源筛选，确定所述用户的车辆可达的至少一个所述备选资源以作为所述推荐资源。
可选地，根据所述用户当前位置信息、所述偏好距离信息和各所述资源位置信息执行资源搜索，确定满足所述偏好距离信息的多个所述资源以作为备选资源还包括：根据所述用户当前位置信息，确定以所述用户当前位置信息为中心的预设半径范围内的资源分布密度；根据所述资源分布密度和所述偏好距离信息，确定资源推荐搜索半径；以及根据所述资源推荐搜索半径、所述用户当前位置信息和各所述资源位置信息执行所述资源搜索，确定所述资源位置信息满足所述资源推荐搜索半径的所述资源以作为所述备选资源。
可选地，所述方法还包括根据所述用户的所述历史交易订单，确定所述用户的资源最大搜索半径；其中，所述根据所述资源推荐搜索半径、所述用户当前位置信息和各所述资源位置信息执行所述资源搜索还包括若根据所述资源推荐搜索半径、所述用户当前位置信息和各所述资源位置信息执行所述资源搜索未能获得所述备选资源时，或者根据各所述备选资源对应的各所述资源位置信息、所述用户当前位置信息、所述当前车辆续航信息执行资源筛选，不存在所述用户的车辆可达的所述备选资源时，根据所述资源推荐搜索半径和所述资源最大搜索半径，若所述资源推荐搜索半径小于所述资源最大搜索半径，则基于预设半径扩大规则扩大所述资源推荐搜索半径，并重复执行所述资源搜索；若所述资源推荐搜索半径不小于所述资源最大搜索半径，则结束所述资源搜索。
可选地，所述方法还包括将各所述资源的各所述资源价格信息、各所述资源类型信息分别与所述用户的所述偏好价格信息和所述偏好资源类型信息进行对比，确定满足所述偏好价格信息和所述偏好资源类型信息的各所述资源以作为所述备选资源。
可选地，所述方法还包括根据所述推荐资源和所述交易资源各自的所述资源特征，获得各所述推荐资源对应的各推荐分值；以及根据各所述推荐资源对应的各所述推荐分值，按照由大到小的顺序排列各所述推荐资源以获得资源推荐列表。
可选地，所述根据所述推荐资源和所述交易资源各自的所述资源特征，获得各所述推荐资源对应的各推荐分值包括根据预设相似度计算规则、各所述推荐资源和各所述交易资源各自的所述资源特征，计算各所述推荐资源与各所述交易资源之间的相似度，获得各所述推荐资源对应的各推荐分值；所述预设相似度计算规则表示为：
Figure GDA0004032589250000041
其中，所述
Figure GDA0004032589250000042
表示第i个所述推荐资源的所述推荐分值；所述∝，
Figure GDA0004032589250000043
分别为权重值；所述Ai表示第i个所述推荐资源；所述
Figure GDA0004032589250000044
表示第i个所述推荐资源的所述资源特征向量；所述Bj表示第j个所述交易资源；所述VC表示用户当前的应用场景的场景偏好向量，j∈m，所述m表示交易资源的总数。
本申请第二方面提供一种计算机存储介质，其特征在于，所述计算机存储介质中存储有用于执行上述第一方面所述的资源推荐方法的各所述步骤的指令。
本申请第三方面提供一种资源推荐装置，其包括用户偏好分析模块，用于根据用户的历史交易订单，获得所述用户的各应用场景以及各所述应用场景对应的各场景偏好信息；应用场景分析模块，用于根据所述用户的资源推荐请求和所述用户对应的各所述应用场景，确定所述用户当前的所述应用场景；以及资源推荐模块，用于根据所述资源推荐请求、所述用户当前的所述应用场景对应的所述场景偏好信息、各资源的各资源特征，确定至少一个所述资源以作为推荐资源。
可选地，所述历史交易订单包括交易时间、交易资源、交易评分中的至少一个；所述场景偏好信息包括偏好距离信息、偏好价格信息、偏好资源类型信息中的至少一个；所述用户的所述资源推荐请求包括用户当前位置信息、当前请求时间信息、当前车辆续航信息中的至少一个；所述资源的所述资源特征包括资源位置信息、资源价格信息、资源类型信息中的至少一个。
可选地，所述资源推荐模块还包括根据所述用户当前位置信息、所述偏好距离信息和各所述资源位置信息执行资源搜索，确定满足所述偏好距离信息的多个所述资源以作为备选资源；根据各所述备选资源对应的各所述资源位置信息、所述用户当前位置信息、所述当前车辆续航信息执行资源筛选，确定所述用户的车辆可达的至少一个所述备选资源以作为所述推荐资源。
可选地，所述资源推荐模块还包括：根据所述用户当前位置信息，确定以所述用户当前位置信息为中心的预设半径范围内的资源分布密度；根据所述资源分布密度和所述偏好距离信息，确定资源推荐搜索半径；并根据所述资源推荐搜索半径、所述用户当前位置信息和各所述资源位置信息执行所述资源搜索，确定满足所述资源推荐搜索半径的所述资源以作为所述备选资源。
可选地，所述资源推荐模块还包括根据所述推荐资源和所述交易资源各自的所述资源特征，获得各所述推荐资源对应的各推荐分值；并根据各所述推荐资源对应的各所述推荐分值，按照由大到小的顺序排列各所述推荐资源以获得资源推荐列表。
由以上技术方案可见，本申请实施例提供的资源推荐方法、装置及计算机存储介质，通过分析用户的历史交易订单，以学习用户基于不同应用场景的不同场景偏好，再根据用户当前的资源推荐请求分析用户当前的应用场景，据以根据当前应用场景的场景偏好信息为用户执行相应的资源推荐，据此，本申请可为用户在不同应用场景下采取不同的资源推荐策略，以提高用户的资源推荐使用体验。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请第一实施例的资源推荐方法的流程示意图。
图2为本申请第二实施例的资源推荐方法的流程示意图。
图3为本申请第三实施例的资源推荐方法的流程示意图。
图4为本申请第五实施例的资源推荐装置的基本架构图。
元件标号
400：资源推荐装置；401：用户偏好分析模块；402：应用场景分析模块；403：资源推荐模块。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案，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，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请实施例保护的范围。
承上如背景技术部分所述，现有的资源推荐方法无法根据用户当前的应用场景提供不同的资源推荐策略，导致资源推荐结果无法满足用户的实际应用场景的使用需求。有鉴于此，本申请提供一种资源推荐方法、装置及计算机存储介质，以改善现有技术中存在的种种技术问题。
下面结合本申请实施例附图进一步说明本申请实施例的具体实现。
第一实施例
图1示出了本申请第一实施例的资源推荐方法的处理流程。
本实施例提供的资源推荐方法可为新能源汽车的车主用户提供充换电资源的推荐。但并不以此为限，本实施例亦可适用于其他领域的资源推荐。
可选地，上述充换电资源的资源类型可包括有充电桩、换电站。
如图所示，本实施例的资源推荐方法主要包括以下：
步骤S11，根据用户的历史交易订单，获得用户的各应用场景以及各应用场景对应的各场景偏好信息。
可选地，历史交易订单中可包括有交易时间、交易资源、交易评分等。
具体而言，交易时间是指各历史订单对应的充换电服务时间(例如可参考订单付费时间)。较佳地，还可将交易时间进一步细分为工作日、节假日等，以利于进一步细分用户的各应用场景(例如工作日场景、节假日场景等)；交易资源是指各历史订单所达成交易的资源，可供分析用户更偏好于使用哪种资源类型(例如充电桩类型抑或换电站类型)；交易评分用于标识用户针对各交易资源的服务评价，以利于分析用户针对不同交易资源的偏好程度。
可选地，用户的各应用场景包括但不限于普通应用场景、低电量应用场景、假日应用场景等。
可选地，场景偏好信息可包括偏好距离信息、偏好价格信息、偏好资源类型信息等。
需说明的是，上述历史交易订单、应用场景、场景偏好信息的组成并不以上述示例为限，可根据实际需求进行任意增减，本申请对此不作限制。
于本实施例中，可利用神经网络以基于用户的各历史交易订单进行学习，获得用户对应于各应用场景的各场景偏好信息，具体如下表所示：
Figure GDA0004032589250000081
其中，Di，Pi，PSi，CSi分别表示应用场景i下的偏好距离，偏好价格，偏好资源类型(即换电站或充电桩群)各自的占比权重。
于本实施例中，可利用特征向量来表示用户对应于各应用场景的各场景偏好信息，例如Vc＝(Dj，Pj，PSj，CSj)为应用场景j所对应的场景偏好向量。
步骤S12，根据用户的资源推荐请求和用户对应的各应用场景，确定用户当前的应用场景。
可选地，用户可利用各种类型的客户端上传资源推荐请求，所述客户端例如为智能手机、平板、笔记本、台式电脑等。
可选地，用户的资源推荐请求可包括用户当前位置信息、当前请求时间信息、当前车辆续航信息等用户所处的当前上下文信息。
可选地，可根据资源推荐请求中的各当前上下文信息，用户的各应用场景，以及预设场景转换公式，分析用户当前所处的应用场景，其中，预设场景转换公式可表示为：
Cu＝F(x)
其中，Cu表示用户当前的应用场景，x为资源推荐请求中某一当前上下文信息(即当前位置信息、当前请求时间信息、当前车辆续航信息等)，F为转换函数，利用上述预设场景转换公式，可根据用户的资源推荐请求，确定用户当前的应用场景。
步骤S13，根据用户的资源推荐请求、用户当前的应用场景对应的场景偏好信息、各资源的各资源特征，确定至少一个资源以作为推荐资源。
可选地，资源的资源特征包括资源位置信息、资源价格信息、资源类型信息中的至少一个。
较佳地，在用户的资源推荐请求中还可包括用户过滤参数，例如，用户增加的资源筛选过滤条件，并结合参考用户过滤参数执行资源推荐。
于本实施例中，资源位置信息用于标识各资源的地理位置，以利于计算各资源相对于用户当前所处位置的距离，资源价格信息用于标识各资源对应的充换电服务的价格信息，例如单位电费等，其中，当资源为充电桩时，资源价格信息亦可包含充电过程中所产生的停车费用。资源类型信息用于标识各资源的资源类型(例如充电桩、换电站等)。
具体而言，本步骤可根据步骤S12所分析出的用户当前所处的应用场景，而调取用户当前所处应用场景的场景偏好信息，并通过结合场景偏好信息、用户的资源推荐请求、以及各资源的资源特征来为用户执行资源推荐，以使资源推荐结果符合用户当前的实际需求。
例如，当分析用户当前处于普通场景时，根据场景偏好信息可以得知在此应用场景下，用户更注重于充电价格的高低或偏好于换电站类型的资源，则可以各资源的资源价格信息为主，并以资源位置信息为辅，以资源价格较低的资源为优先执行资源推荐，或者以换电站类型的资源为优先执行资源推荐。
又如，当分析用户当前处于低电量场景时，则可以各资源的资源位置为主，并以资源价格信息为辅，以距离用户较近的资源为优先执行资源推荐。
综上所述，本申请实施例根据用户的历史交易订单，分析用户对应于不同应用场景的不同场景偏好信息，且根据用户的资源推荐请求，分析用户当前的应用场景，并通过结合用户当前的应用场景的场景偏好信息为用户执行资源推荐，据以，本申请的资源推荐方法可基于不同的应用场景执行不同的资源推荐策略(资源召回策略)，以使资源推荐结果更为符合用户当前的使用需求，进而提升用户的资源推荐使用体验。
第二实施例
图2示出了本申请第二实施例的资源推荐方法的流程示意图，如图所示，本实施例的资源推荐方法主要包括以下：
步骤S21，根据用户当前位置信息，确定以用户当前位置信息为中心的预设半径范围内的资源分布密度。
具体而言，可基于用户当前位置为中心，确认预设半径范围内资源的分布密度，即换电站和充电桩的设置数量。
步骤S22，根据资源分布密度和偏好距离信息，确定资源推荐搜索半径。
于本实施例中，可根据预设半径范围内的资源分布密度以及用户当前所处的应用场景所对应的偏好距离，确定资源推荐搜索半径。
例如，当资源分布密度较大时(即换电站/充电桩的布设数量较多时)，可以适当缩小资源推荐搜索半径；反之，当资源分布密度较小时(即换电站/充电桩的布设数量较少时)，可以适当扩大资源推荐搜索半径。
步骤S23，根据资源推荐搜索半径、用户当前位置信息和各资源位置信息执行资源搜索。
具体而言，可将用户当前位置作为搜索中心，并基于资源推荐搜索半径确定资源搜索范围，搜索资源位置包含在所述资源搜索范围内的各个资源。
步骤24，判断是否存在备选资源，若存在则进行步骤S25，若不存在，则进行步骤S26。
具体而言，判断是否存在资源位置信息满足资源推荐搜索半径的资源，若存在，则将搜索到的资源确定为备选资源。
较佳地，本实施例还进一步根据各资源的各资源价格信息、各资源类型信息分别与用户的偏好价格信息和偏好资源类型信息进行对比，确定满足偏好价格信息和偏好资源类型信息的各资源以作为备选资源。
步骤S25，判断备选资源是否可达，若判断为是，则进行步骤S28，若判断为否，则进行步骤S26。
于本实施例中，可根据各备选资源对应的各资源位置信息、用户当前位置信息、当前车辆续航信息执行资源筛选，以确定所查找到的备选资源是否为用户的车辆可达的资源，若为可达，则进行步骤S28。
具体而言，可根据用户的当前车辆续航信息换算出用户车辆的续航里程，并根据各备选资源的资源位置信息，计算各备选资源与用户当前位置之间的距离，若备选资源与用户当前位置之间的距离小于用户车辆的续航里程，则可判断备选资源为用户车辆可达的资源，反之，若备选资源与用户当前位置之间的距离大于用户车辆的续航里程，则可判断备选资源为用户车辆不可达的资源。
步骤S26，判断资源推荐搜索半径是否小于资源最大搜索半径，若是，则进行步骤S27，若否，则结束资源搜索操作。
于本实施例中，可根据用户的各历史交易订单，确定用户可接受的资源最大搜索半径，例如，可根据用户的各历史交易订单，获取各历史交易订单对应的各交易资源中的最远距离，并将其确定为用户可接受的资源最大搜索半径。
较佳地，也可根据不同区域来确定用户不同的资源最大搜索半径。
步骤S27，扩大资源推荐搜索半径，并重新执行步骤S23，以基于新的资源推荐搜索半径重复执行资源搜索操作。
于本实施例中，若当前的资源推荐搜索半径小于用户可接受的资源最大搜索半径时，可则基于预设半径扩大规则扩大资源推荐搜索半径，以基于更大的资源搜索范围重新执行资源搜索操作。
步骤S28，将备选资源作为推荐资源。
具体而言，可将判断为用户车辆可达的备选资源确定为推荐资源，据以对用户执行资源推荐。
于本实施例中，当推荐资源为多个时，可利用资源列表的形式输出各推荐资源。
综上所述，本实施例的资源推荐方法通过融入用户的偏好距离、用户当前所处应用环境的的最大资源搜索半径、以及资源分布密度动态调整资源搜索范围，例如，在资源充足的区域适当缩小搜索范围，而在资源贫瘠的区域，则适当扩大搜索范围，借此，本申请的资源推荐方法可除了根据用户当前所处的应用环境为用户提供符合其场景偏好的资源推荐策略之外，更可根据不同的地理位置，动态调整资源搜索范围，以提升资源推荐的作业效率以及推荐效果。
第三实施例
图3示出了本申请第三实施例的资源推荐方法的流程示意图。如图所示，本实施例的资源推荐方法除包括上述第一实施例所述的各处理步骤之外，还包括以下步骤：
步骤S31，根据推荐资源和交易资源各自的资源特征，获得各推荐资源对应的各推荐分值。
于本实施例中，可根据预设相似度计算规则、各推荐资源和各交易资源各自的资源特征，计算各推荐资源与各交易资源之间的相似度，获得各所荐资源对应的各推荐分值。
可选地，各推荐资源和各交易资源各自的资源特征可包括资源位置信息、资源价格信息、资源类型信息中的至少一个。
可选地，预设相似度计算规则可表示为：
Figure GDA0004032589250000131
其中，
Figure GDA0004032589250000132
表示第i个推荐资源的推荐分值；∝，
Figure GDA0004032589250000133
分别为权重值，于本实施例中，∝，
Figure GDA0004032589250000134
各自的取值介于0至1之间；Ai表示第i个推荐资源；
Figure GDA0004032589250000135
表示第i个推荐资源的资源特征向量；Bj表示第j个交易资源；VC表示用户当前的应用场景的场景偏好向量，j∈m，所述m表示交易资源的总数。
需说明的是，本实施例中，各推荐资源与各交易资源之间的相似度除可利用上述余弦相似性计算方法来获得之外，还可利用协同相似性计算方式获得，抑或通过整合余弦相似性算法和协同相似性算法来获得。
步骤S32，根据各推荐资源对应的各推荐分值，按照由大到小的顺序排列各推荐资源以执行资源推荐。
具体而言，可根据各推荐资源与各交易资源之间的相似度得分，针对各推荐资源进行排序，并以推荐列表的形式予以呈现，其中，当推荐分值越高时，代表了用户针对此推荐资源的兴趣度越高，则可将其排在推荐列表的前端。
综上所述，本申请实施例通过分析各推荐资源与各交易资源之间的相似性针对各推荐资源进行排序，以将用户最感兴趣的资源排在推荐列表的前端，从而进一步提升用户的使用体验。
第四实施例
本申请第四实施例提供一种计算机存储介质，其中，计算机存储介质中存储有用于执行上述第一至三实施例中任一实施例所述的资源推荐方法的各步骤的指令。
第五实施例
本申请第五实施例提供一种资源推荐装置，其可为新能源汽车的车主用户提供充换电资源的推荐。但并不以此为限，本实施例亦可适用于其他领域的资源推荐。
可选地，上述充换电资源的资源类型可包括有充电桩、换电站。
如图所示，本实施例的资源推荐装置400主要包括用户偏好分析模块401、应用场景分析模块402、资源推荐模块403。
用户偏好分析模块401用于根据用户的历史交易订单，获得所述用户的各应用场景以及各所述应用场景对应的各场景偏好信息。
可选地，用户偏好分析模块401还包括利用神经网络以基于所述用户的各所述历史交易订单进行学习，获得所述用户对应于各所述应用场景的各所述场景偏好信息。
可选地，所述历史交易订单包括交易时间、交易资源、交易评分中的至少一个；所述场景偏好信息包括偏好距离信息、偏好价格信息、偏好资源类型信息中的至少一个。
应用场景分析模块402用于根据所述用户的资源推荐请求和所述用户对应的各所述应用场景，确定所述用户当前的所述应用场景。
可选地，所述用户的所述资源推荐请求包括用户当前位置信息、当前请求时间信息、当前车辆续航信息中的至少一个。
资源推荐模块403用于根据所述资源推荐请求、所述用户当前的所述应用场景对应的所述场景偏好信息、各资源的各资源特征，确定至少一个所述资源以作为推荐资源。
可选地，所述资源的所述资源特征包括资源位置信息、资源价格信息、资源类型信息中的至少一个。
可选地，资源推荐模块403还包括根据所述用户当前位置信息和各所述资源位置信息执行资源搜索，确定满足所述偏好距离信息的多个所述资源以作为备选资源；根据各所述备选资源对应的各所述资源位置信息、所述用户当前位置信息、所述当前车辆续航信息执行资源筛选，确定所述用户的车辆可达的至少一个所述备选资源以作为所述推荐资源。
可选地，资源推荐模块403还包括根据所述用户当前位置信息，确定以所述用户当前位置信息为中心的预设半径范围内的资源分布密度；根据所述资源分布密度和所述偏好距离信息，确定资源推荐搜索半径；根据所述资源推荐搜索半径、所述用户当前位置信息和各所述资源位置信息执行所述资源搜索，确定所述资源位置信息满足所述资源推荐搜索半径的所述资源以作为所述备选资源。
可选地，资源推荐模块403还包括根据所述用户的所述历史交易订单，确定所述用户的资源最大搜索半径；若根据所述资源推荐搜索半径、所述用户当前位置信息和各所述资源位置信息执行所述资源搜索未能获得所述备选资源时，或者根据各所述备选资源对应的各所述资源位置信息、所述用户当前位置信息、所述当前车辆续航信息执行资源筛选，不存在所述用户的车辆可达的所述备选资源时，根据所述资源推荐搜索半径和所述资源最大搜索半径，若所述资源推荐搜索半径小于所述资源最大搜索半径，则基于预设半径扩大规则扩大所述资源推荐搜索半径，并重复执行所述资源搜索；若所述资源推荐搜索半径不小于所述资源最大搜索半径，则结束所述资源搜索。
可选地，资源推荐模块403还包括将各所述资源的各所述资源价格信息、各所述资源类型信息分别与所述用户的所述偏好价格信息和所述偏好资源类型信息进行对比，确定满足所述偏好价格信息和所述偏好资源类型信息的各所述资源以作为所述备选资源。
可选地，资源推荐模块403还包括根据所述推荐资源和所述交易资源各自的所述资源特征，获得各所述推荐资源对应的各推荐分值；并根据各所述推荐资源对应的各所述推荐分值，按照由大到小的顺序排列各所述推荐资源以执行资源推荐。
可选地，资源推荐模块403还包括根据预设相似度计算规则、各所述推荐资源和各所述交易资源各自的所述资源特征，计算各所述推荐资源与各所述交易资源之间的相似度，获得各所述推荐资源对应的各推荐分值。
此外，本申请实施例的资源推荐装置400还可用于实现前述各资源推荐方法实施例中的其他步骤，并具有相应的方法步骤实施例的有益效果，在此不再赘述。
综上所述，本申请各实施例提供的资源推荐方法、装置及计算机存储介质，通过学习用户的历史交易订单，以分析用户对应于各应用场景的各场景偏好信息，据以根据用户的资源推荐请求，分析用户当前的应用场景，并结合其当前应用场景的场景偏好为用户执行资源推荐，据此，本申请可根据不同的应用场景执行不同的资源推荐策略，以提高用户的资源推荐使用体验。
再者，本申请可基于不同的地理位置以及资源分布密度，动态调整资源搜索范围，借以提升资源搜索效率。
另外，本申请还可根据推荐资源与交易资源之间的相似性，针对推荐资源进行排序，以将用户最感兴趣的推荐资源排在前端，进而进一步提升用户的资源推荐使用体验。
最后应说明的是：以上实施例仅用以说明本申请实施例的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (6)

1.一种资源推荐方法，其特征在于，包括：
根据用户的历史交易订单，获得所述用户的各应用场景以及各所述应用场景对应的各场景偏好信息；其中，所述场景偏好信息包括偏好距离信息、偏好价格信息、偏好资源类型信息，所述历史交易订单包括交易时间、交易资源、交易评分；
根据所述用户的资源推荐请求和所述用户对应的各所述应用场景，确定所述用户当前的所述应用场景；以及
根据所述用户的资源推荐请求、所述用户当前的所述应用场景对应的所述场景偏好信息、各资源的各资源特征，确定至少一个所述资源以作为推荐资源；其中，所述资源的所述资源特征包括资源位置信息、资源价格信息、资源类型信息；
所述根据所述用户的资源推荐请求、所述用户当前的所述应用场景对应的所述场景偏好信息、各资源的各资源特征，确定至少一个所述资源以作为推荐资源包括：
根据用户当前位置信息，确定以用户当前位置信息为中心的预设半径范围内的资源分布密度；
根据资源分布密度和偏好距离信息，确定资源推荐搜索半径；
根据用户的历史交易订单或根据不同区域，确定用户的资源最大搜索半径；
根据资源推荐搜索半径、用户当前位置信息和各资源位置信息执行资源搜索，判断是否存在资源位置信息满足资源推荐搜索半径的资源，若存在，根据各资源的各资源价格信息、各资源类型信息分别与用户的偏好价格信息和偏好资源类型信息进行对比，确定满足偏好价格信息和偏好资源类型信息的各资源以作为备选资源；
判断备选资源是否可达，若是，则将备选资源作为推荐资源；若否，则判断资源推荐搜索半径是否小于资源最大搜索半径，若是，则扩大资源推荐搜索半径，并基于新的资源推荐搜索半径重复执行资源搜索操作，若否，则结束资源搜索操作，其中所述判断备选资源是否可达具体包括根据各备选资源对应的各资源位置信息、用户当前位置信息、当前车辆续航信息执行资源筛选，以确定所查找到的备选资源是否为用户的车辆可达的资源；
所述方法还包括：
根据预设相似度计算规则、各所述推荐资源和各所述交易资源各自的所述资源特征，计算各所述推荐资源与各所述交易资源之间的相似度，获得各所述推荐资源对应的各推荐分值；所述预设相似度计算规则表示为：
Figure FDA0004038139310000021
其中，所述
Figure FDA0004038139310000022
表示第i个所述推荐资源的所述推荐分值；所述∝，
Figure FDA0004038139310000023
分别为权重值；所述Ai表示第i个所述推荐资源；所述
Figure FDA0004038139310000024
表示第i个所述推荐资源的所述资源特征向量；所述Bj表示第j个所述交易资源；所述VC表示用户当前的应用场景的场景偏好向量，j∈m，所述m表示交易资源的总数；以及
根据各所述推荐资源对应的各所述推荐分值，按照由大到小的顺序排列各所述推荐资源以获得资源推荐列表。
2.根据权利要求1所述的资源推荐方法，其特征在于，所述资源包括充换电资源，所述充换电资源的资源类型至少包括换电站、充电桩中的一个。
3.根据权利要求1所述的资源推荐方法，其特征在于，所述根据用户的历史交易订单，获得所述用户的各应用场景以及各所述应用场景对应的各场景偏好信息包括：
利用神经网络以基于所述用户的各所述历史交易订单进行学习，获得所述用户对应于各所述应用场景的各所述场景偏好信息；
其中，所述场景偏好信息包括偏好距离信息、偏好价格信息、偏好资源类型信息中的至少一个。
4.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有用于执行根据权利要求1至3中任一项所述的资源推荐方法的各所述步骤的指令。
5.一种资源推荐装置，其特征在于，包括：
用户偏好分析模块，用于根据用户的历史交易订单，获得所述用户的各应用场景以及各所述应用场景对应的各场景偏好信息；其中，所述场景偏好信息包括偏好距离信息、偏好价格信息、偏好资源类型信息，所述历史交易订单包括交易时间、交易资源、交易评分；
应用场景分析模块，用于根据所述用户的资源推荐请求和所述用户对应的各所述应用场景，确定所述用户当前的所述应用场景；以及
资源推荐模块，用于根据所述资源推荐请求、所述用户当前的所述应用场景对应的所述场景偏好信息、各资源的各资源特征，确定至少一个所述资源以作为推荐资源；其中，所述资源的所述资源特征包括资源位置信息、资源价格信息、资源类型信息；
所述资源推荐模块具体用于：
根据用户当前位置信息，确定以用户当前位置信息为中心的预设半径范围内的资源分布密度；
根据资源分布密度和偏好距离信息，确定资源推荐搜索半径；
根据用户的历史交易订单或根据不同区域，确定用户的资源最大搜索半径；
根据资源推荐搜索半径、用户当前位置信息和各资源位置信息执行资源搜索，判断是否存在资源位置信息满足资源推荐搜索半径的资源，若存在，根据各资源的各资源价格信息、各资源类型信息分别与用户的偏好价格信息和偏好资源类型信息进行对比，确定满足偏好价格信息和偏好资源类型信息的各资源以作为备选资源；
判断备选资源是否可达，若是，则将备选资源作为推荐资源；若否，则判断资源推荐搜索半径是否小于资源最大搜索半径，若是，则扩大资源推荐搜索半径，并基于新的资源推荐搜索半径重复执行资源搜索操作，若否，则结束资源搜索操作，其中所述判断备选资源是否可达具体包括根据各备选资源对应的各资源位置信息、用户当前位置信息、当前车辆续航信息执行资源筛选，以确定所查找到的备选资源是否为用户的车辆可达的资源；
根据预设相似度计算规则、各所述推荐资源和各所述交易资源各自的所述资源特征，计算各所述推荐资源与各所述交易资源之间的相似度，获得各所述推荐资源对应的各推荐分值；所述预设相似度计算规则表示为：
Figure FDA0004038139310000051
其中，所述
Figure FDA0004038139310000052
表示第i个所述推荐资源的所述推荐分值；所述∝，
Figure FDA0004038139310000053
分别为权重值；所述Ai表示第i个所述推荐资源；所述
Figure FDA0004038139310000054
表示第i个所述推荐资源的所述资源特征向量；所述Bj表示第j个所述交易资源；所述VC表示用户当前的应用场景的场景偏好向量，j∈m，所述m表示交易资源的总数；以及
根据各所述推荐资源对应的各所述推荐分值，按照由大到小的顺序排列各所述推荐资源以获得资源推荐列表。
6.根据权利要求5所述的资源推荐装置，其特征在于，所述用户的所述资源推荐请求包括用户当前位置信息、当前请求时间信息、当前车辆续航信息中的至少一个。
CN202110091288.8A 2021-01-22 2021-01-22 资源推荐方法、装置及计算机存储介质 Active CN112749343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110091288.8A CN112749343B (zh) 2021-01-22 2021-01-22 资源推荐方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110091288.8A CN112749343B (zh) 2021-01-22 2021-01-22 资源推荐方法、装置及计算机存储介质

Publications (2)

Publication Number Publication Date
CN112749343A CN112749343A (zh) 2021-05-04
CN112749343B true CN112749343B (zh) 2023-04-07

Family

ID=75652896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110091288.8A Active CN112749343B (zh) 2021-01-22 2021-01-22 资源推荐方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN112749343B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505150B (zh) * 2021-07-21 2024-07-26 浙江安吉智电控股有限公司 一种充电站信息的推送方法、服务器、介质及计算机设备
CN113886695B (zh) * 2021-09-30 2024-09-17 杭州网易云音乐科技有限公司 一种资源推荐方法及装置
CN114528485A (zh) * 2022-01-27 2022-05-24 北京三快在线科技有限公司 基于位置信息的社群链接获取方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160275400A1 (en) * 2015-03-19 2016-09-22 Microsoft Technology Licensing, Llc Device Charging Discovery Service
CN106980924A (zh) * 2017-03-08 2017-07-25 蔚来汽车有限公司 基于需求预测的电动车充换电资源推荐方法及装置
CN107133841A (zh) * 2017-04-20 2017-09-05 深圳充电网科技有限公司 一种充电桩站点推荐方法和装置
CN109858659A (zh) * 2017-11-30 2019-06-07 北京嘀嘀无限科技发展有限公司 充电桩站点推荐方法、装置、服务器和可读存储介质
CN109299994B (zh) * 2018-07-27 2021-09-24 北京三快在线科技有限公司 推荐方法、装置、设备及可读存储介质
CN109747461A (zh) * 2019-01-22 2019-05-14 成都昆朋新能科技有限公司 一种智能化电动汽车充电桩推荐方法
CN111209493B (zh) * 2020-01-09 2023-12-12 杭州中恒电气股份有限公司 充电场站推荐方法、装置、设备及介质
CN112132608B (zh) * 2020-09-15 2024-03-19 北京慧辰资道资讯股份有限公司 基于电力物联网大数据的充电服务智能推荐方法及装置

Also Published As

Publication number Publication date
CN112749343A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN112749343B (zh) 资源推荐方法、装置及计算机存储介质
Niyato et al. Market model and optimal pricing scheme of big data and Internet of Things (IoT)
Jahanshahloo et al. Extension of the TOPSIS method for decision-making problems with fuzzy data
CN103077220B (zh) 一种基于用户群关联度的个性化推荐方法及系统
Ghazanfar et al. A scalable, accurate hybrid recommender system
Jahanshahloo et al. An algorithmic method to extend TOPSIS for decision-making problems with interval data
EP2336905A1 (en) A searching method and system
US20070239554A1 (en) Cluster-based scalable collaborative filtering
CN111428137B (zh) 一种电动汽车充电设施的推荐方法及推荐装置
WO2016155493A1 (zh) 数据处理方法及装置
CN102999588A (zh) 一种多媒体应用的推荐方法和系统
CN102063433A (zh) 相关项推荐方法和装置
CN109902713A (zh) 基于数据分析的楼盘推荐方法、设备、存储介质及装置
WO2007069663A1 (ja) 技術文書属性の関連性分析支援装置
CN115829683A (zh) 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统
CN103902549A (zh) 搜索数据排序的方法和装置，数据搜索的方法和装置
CN114781717A (zh) 网点设备推荐方法、装置、设备和存储介质
CN106294788A (zh) 安卓应用的推荐方法
Rohilla et al. Recommendation System Using Location-Based Services
JP2013140579A (ja) 証券取引情報を用いた証券コレクションランキングの算出方法、検索サーバ及びコンピュータ読み取り可能な記録媒体
KR20110031760A (ko) 대용량 데이터를 위한 하이브리드 추천 방법 및 시스템
US11861912B2 (en) Methods and internet of things systems for counting and regulating pedestrian volume in public places of smart cities
CN111159576A (zh) 一种用户分类方法、装置及系统
CN105208033A (zh) 一种基于智能终端情景的群体辅助推荐方法及系统
CN116049362A (zh) 应用于数字云服务的大数据优化方法及服务器

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