CN112785234A - 货物推荐方法、装置、设备及存储介质 - Google Patents
货物推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112785234A CN112785234A CN202110119520.4A CN202110119520A CN112785234A CN 112785234 A CN112785234 A CN 112785234A CN 202110119520 A CN202110119520 A CN 202110119520A CN 112785234 A CN112785234 A CN 112785234A
- Authority
- CN
- China
- Prior art keywords
- user
- cargo
- sequence
- goods
- behavior
- 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.)
- Withdrawn
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种货物推荐方法、装置、设备及存储介质。其中方法包括:基于用户的历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列;对行为特征序列和货物特征序列进行融合,得到融合特征序列,将融合特征序列入向量生成模型,以确定用户的用户向量和每个货物的货物向量,向量生成模型基于预设神经网络训练得到的;将用户向量和每个货物向量之间的相似度,以及用户的其他特征数值输入货物推荐模型,以确定推荐货物,向用户推荐所述推荐货物。本发明实施例能够向用户推荐合适的目标货物,提高了用户获取货物的效率和效果,且为货运平台提高货运成交率提供了条件。
Description
技术领域
本发明实施例涉及数据处理技术,尤其涉及一种货物推荐方法、装置、设备及存储介质。
背景技术
在公路物流行业中,货车司机可通过互联网构建的货运平台寻找合适的货物,以对选择的货物进行装配和运输。
目前,货车司机在货运平台上寻找合适的货物时,一般是通过手动在货运平台上填写始发地、目的地、货运量和运输时间等信息,然后根据填写的信息检索获得多个货物,以从多个货物中选择目标货物。但是,这种方式需要货车司机花费大量时间寻找适合自己的货物,甚至有可能无法寻找到满意的货物,导致货物获取效率低下且效果差。
发明内容
本发明实施例提供一种货物推荐方法、装置、设备及存储介质,能够向用户推荐合适的目标货物,提高了用户获取货物的效率和效果,且为货运平台提高货运成交率提供了条件。
第一方面,本发明实施例提供了一种货物推荐方法,包括:
基于用户的历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列;
对所述行为特征序列和所述货物特征序列进行融合,得到融合特征序列,将所述融合特征序列入向量生成模型,以确定所述用户的用户向量和每个所述货物的货物向量,所述向量生成模型基于预设神经网络训练得到的;
将所述用户向量和每个所述货物向量之间的相似度,以及所述用户的其他特征数值输入货物推荐模型,以确定推荐货物,向所述用户推荐所述推荐货物。
第二方面,本发明实施例还提供了一种货物推荐装置,包括:
序列确定模块,用于基于用户的历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列;
向量确定模块,用于对所述行为特征序列和所述货物特征序列进行融合,得到融合特征序列,将所述融合特征序列入向量生成模型,以确定所述用户的用户向量和每个所述货物的货物向量,所述向量生成模型基于预设神经网络训练得到的;
货物确定模块,用于将所述用户向量和每个所述货物向量之间的相似度,以及所述用户的其他特征数值输入货物推荐模型,以确定推荐货物,向所述用户推荐所述推荐货物。
第三方面,本发明实施例还提供了一种计算机设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一项所述的货物推荐方法。
第四方面,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,该程序被处理器执行时实现如本发明实施例中任一项所述的货物推荐方法。
本发明实施例公开的技术方案,具有如下有益效果:
通过基于用户的历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列,并对行为特征序列和货物特征序列进行融合,得到融合特征序列,将得到的融合特征序列输入向量生成模型,以确定用户的用户向量和每个货物的货物向量,然后确定用户向量与每个货物向量之间的相似度,将相似度和用户的其他特征数值输入货物推荐模型,以确定推荐货物,并向用户推荐推荐货物。采用本发明实施例的上述技术方案解决了货车司机寻找目标货物时,需要花费大量时间寻找甚至无法寻找到满意的货物,导致货物获取效率低下且效果差的问题,从而实现向用户推荐合适的目标货物,提高了用户获取货物的效率和效果,且为货运平台提高货运成交率提供了条件。
附图说明
图1是本发明实施例一提供的一种货物推荐方法的流程示意图;
图2是本发明实施例二提供的一种货物推荐方法的流程示意图;
图3是本发明实施例三提供的一种生成向量生成模型的流程示意图;
图4是本发明实施例三提供的另一种生成向量生成模型的流程示意图;
图5是本发明实施例四提供的一种货物推荐装置的结构示意图;
图6是本发明实施例五提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明实施例,而非对本发明实施例的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明实施例相关的部分而非全部结构。
下面结合附图对本发明实施例提供的货物推荐方法、装置、设备及存储介质进行描述。
实施例一
图1是本发明实施例一提供的一种货物推荐方法的流程示意图。本实施例可适用于向用户(货车司机)推荐合适货物的场景,该方法可以由货物推荐装置来执行,该装置可由硬件和/或软件组成,并可集成于计算机设备中。本发明实施例中,计算机设备可选为任意安装有货运平台应用程序的设备。例如智能手机等。如图1所示,该方法具体包括如下:
S101,基于用户的历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列。
其中,时间段可根据实际应用需要进行设置,此处对其不做具体限定。例如,时间段可选为5分钟(min)、10min或15min等。
在本实施例中,货物特征序列中包括至少一个货物的货物特征,即本实施例通过确定一类对象的特征数据,以增加对象的出现数量,使得后续确定对象向量更为准确。
通常,用户通过货运平台应用寻找合适的货物时,需要在货运平台上注册用户账号,然后根据注册成功的用户账号登录货运平台,进而点击浏览该货运平台提供的所有货物的信息来选择目标货物,或者在该货运平台上检索框内填写货物搜索信息,以检索满足该货物搜索信息的所有货物,并从检索到的所有货物中选择目标货物等。然而,这种方式需要用户花费大量时间从多个货物中挑选合适的货物,造成货物寻找耗时长效率低等问题。鉴于上述问题,本发明实施例通过利用货运平台记录的历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个时间段行为特征序列对应的货物特征序列,从而根据特征序列和货物特征序列,为向用户推荐合适的货物奠定基础。
在本实施例中,货运平台记录的历史行为数据可通过建立用户账号与该账号对应行为数据的映射关系,并记录该映射关系,从而确定用户在不同时间段的行为特征序列和与每个行为特征序列对应的货物特征序列时,可以根据用户账号查询映射关系快速获取到该用户账号对应的历史行为数据,进而提高信息确定速度。
可选的,当确定任一用户的用户账号处于登录状态时,本发明设备可基于该用户账号从行为数据库中,获取与该用户账号对应的所有历史行为数据。然后按照预设的时间段,从该历史行为数据中获取每个时间段对应的多个行为特征,以及与每个行为特征对应的多个货物特征。进而,按照时间顺序,将每个时间段的多个行为特征和多个货物特征进行排序,得到该用户在不同时间段的行为特征序列和货物特征序列。
由于用户使用货运平台应用的时间可能比较久,或者用户使用货运平台应用虽然时间比较短,但操作频率比较高时,会使得行为数据库中记录的该用户的历史行为数据量比较大。此时,如果采用前述方式根据用户账号,获取与该用户账号对应的所有历史行为数据,并基于获取的所有历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列时,可能需要花费较长时间,使得特征序列确定速度较慢。
鉴于此,本实施例可通过从获取的所有历史行为数据中,选取一目标时间长度的部分历史行为数据。然后,基于选取的部分历史行为数据,确定用户在该目标时间长度内的不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列。其中,目标时间长度可根据实际应用需要进行灵活设置,例如目标时间长度为30min或者1小时(h)等,此处对其不做具体限定。从而实现通过基于用户的部分历史行为数据,可提高特征序列确定速度,以节约时间。
需要说明的是,本实施例从获取的所有历史行为数据中,选取一目标时间长度的部分历史行为数据时,优选的选取与用户最近一次登录货运平台应用之间的时间间隔为目标时间长度的这一部分历史行为数据。从而不仅提高了特征序列确定速度,并且还保证确定的特征序列更符合用户实际需求,从而为后续准确预测出用户感兴趣货物提供条件。
S102,对所述行为特征序列和所述货物特征序列进行融合,得到融合特征序列,将所述融合特征序列入向量生成模型,以确定所述用户的用户向量和每个所述货物的货物向量,所述向量生成模型基于预设神经网络训练得到的。
由于传统的货物推荐方式确定用户向量和货物向量时,一般是基于确定的与每个行为特征序列对应的货物特征序列,先确定每个货物的货物向量,然后对所有货物的货物向量求平均,并将得到的平均值确定为用户向量。但因为公路物流行业的货运平台成交订单数量远小于普通电商平台,并且货运平台上货物只能成交一次,即成交后即下架,而普通电商上商品可被多次购买,导致基于所有货物的货物向量确定用户向量存在较大误差。
为此,本实施例可通过对行为特征序列和货物特征序列进行融合,并将融合后的特征序列,输入至向量生成模型,以通过该向量生成模型同时确定用户的用户向量和每个货物的货物向量。也就是说,本实施例通过训练一向量生成模型,以通过该向量生成模型对融合特征序列进行处理,实现在同一维度空间中同时确定用户向量和每个货物的货物向量,从而避免基于货物向量确定用户向量时存在的误差,提高用户向量和货物向量的确定准确度。
上述向量生成模型,可基于包括行为特征序列和货物特征序列这两类序列样本进行训练生成,具体生成过程将在下面实施例中进行详细说明,此处对其不做过多赘述。
在本实施例中,对行为特征序列和货物特征序列进行融合,得到融合特征序列,具体可按照预设规则进行融合。其中,预设规则可根据实际应用需要进行灵活设置,此处对其不做具体限定。例如,可选的本实施例对行为特征序列和货物特征序列进行融合,得到融合特征序列,可通过如下步骤S11-S12实现:
S11、确定属于同一时间段的行为特征序列和货物特征序列。
可选的,可通过不同方式,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列。例如可选的,可为每个行为特征序列,以及与每个行为特征序列对应的货物特征序列分别设置时间信息。那么,可根据每个行为特征序列设置的时间信息,以及每个货物特征序列设置的时间信息,确定时间信息相同的行为特征序列和货物特征序列属于同一时间段的行为特征序列和货物特征序列。
S12、将属于同一时间段的所述行为特征序列和所述货物特征序列作为一个序列对,按照时间顺序对所有序列对进行排序,得到融合特征序列。
也就是说,本实施例通过将行为特征序列和货物特征序列进行穿插排序,以得到具有行为特征和货物特征的融合特征序列,为同时确定出用户向量和货物向量奠定基础。
例如,若确定用户A在5个时间段的行为特征序列分别为:d1、d2、d3、d4和d5;其中,与d1属于同一时间段的货物特征序列为c1,与d2属于同一时间段的货物特征序列为c2,与d3属于同一时间段的货物特征序列为c3,与d4属于同一时间段的货物特征序列为c4,与d5属于同一时间段的货物特征序列为c5。那么确定用户A具有5个序列对,具体为:{(d1,c1),(d2,c2),(d3,c3),(d4,c4),(d5,c5)}。如果序列对(d1,c1)的时间排在第一,(d2,c2)的时间排在第三,(d3,c3)的时间排在第四,(d4,c4)的时间排在第二,(d5,c5)的时间排在第五,则对该5个序列对进行排序,得到融合特征序列为{(d1,c1),(d4,c4),(d2,c2),(d3,c3),(d5,c5)}。
需要说明的是,用户在登录货运平台寻找合适货物的历史行为数据中,可能存在非成交行为数据和成交行为数据,其中成交行为数据为用户寻找到合适的货物,并运输该货物;而非成交行为数据,为用户未寻找到合适的货物,仅点击或浏览等操作。基于此,本实施例的融合特征序列中可能存在至少一个历史成交序列对。也就是说,融合特征序列中任意位置处的序列对可为历史成交序列对。
S103,将所述用户向量和每个所述货物向量之间的相似度,以及所述用户的其他特征数值输入货物推荐模型,以确定推荐货物,向所述用户推荐所述推荐货物。
其中,货物推荐模型为梯度提升树(extreme gradient boosting,简称为xgboost)模型。当然本实施例还可采用其他模型,此处对其不做具体限定。
用户的其他特征数值包括下述至少一项:用户的当前活跃度值、历史活跃度值、对当前路线偏好度值和货物类型偏好度值。本实施例中,用户的其他特征数据值可通过对用户在货运平台的行为数据进行分析处理得到。
可选的,利用向量生成模型,对输入的融合特征序列进行处理,确定出用户的用户向量和每个货物的货物向量后,计算机设备还可计算用户向量与每个货物的货物向量之间的相似度。具体的,可采用不同方式,计算用户向量与每个货物的货物向量之间的相似度。例如可选的可通过余弦相似度,计算用户向量与每个货物的货物向量之间的相似度等。
进而,将用户向量和每个货物的货物向量之间的相似度,以及用户的其他特征数值输入货物推荐模型中,以通过货物推荐模型对相似度及其他特征数值进行分析处理,预测出适合该用户的推荐货物。然后,将预测出的推荐货物推荐给用户,使得用户从推荐货物选择目标货物。其中,向用户推荐的推荐货物数量为至少一个。
本实施例中,货物推荐模型通过将预测适合用户的货物问题,转换为二分类问题,其中第一类为适合,第二类为不适合。具体的,通过将适合的标签设为1,不适合的标签设为0,那当货物推荐模型确定任意货物的概率大于适合阈值时,确定该货物属于第一类,即适合,此时可为该货物设置标签1;当任意货物的概率小于或等于适合阈值时,确定该货物属于第二类,即不适合,此时可为该货物设置标签0,然后将标签为1的所有货物确定为推荐货物,并将推荐货物推荐给用户。
本发明实施例提供的技术方案,通过基于用户的历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列,并对行为特征序列和货物特征序列进行融合,得到融合特征序列,将得到的融合特征序列输入向量生成模型,以确定用户的用户向量和每个货物的货物向量,然后确定用户向量与每个货物向量之间的相似度,将相似度和用户的其他特征数值输入货物推荐模型,以确定推荐货物,并向用户推荐推荐货物。采用本发明实施例的上述技术方案解决了货车司机寻找目标货物时,需要花费大量时间寻找甚至无法寻找到满意的货物,导致货物获取效率低下且效果差的问题,从而实现向用户推荐合适的目标货物,提高了用户获取货物的效率和效果,且为货运平台提高货运成交率提供了条件。
实施例二
图2是本发明实施例二中提供的一种货物推荐方法的流程示意图,本实施例在上述实施例的基础上进行优化。如图2所示,该货物推荐方法可以包括:
S201,从所述历史行为数据中,获取所述用户在不同时间段的行为特征,以及与每个行为特征对应的货物特征。
其中,行为特征包括下述至少一项:点击的车型、点击不同车型的次数、点击运输路线数量、点击货物的重量信息和点击货物的运输距离信息等;
货物特征包括下述至少一项:车长信息、车型信息、货物重量信息和货物运输距离信息等。
具体的,基于处于登录状态的用户账号从行为数据库中,获取到与该用户账号对应的历史行为数据后,本实施例可从历史行为数据中获取该用户在不同时间段的行为特征,以及与每个行为特征对应的货物特征。
S202,按照行为特征处理规则,对所述用户在不同时间段的行为特征进行处理,得到所述用户在不同时间段的行为特征序列。
其中,行为特征处理规则,是指将不同时间段的行为特征进行分桶,并组合分桶后的行为特征值,得到用户在不同时间段的行为特征序列。在本实施例中,行为特征处理规则可选的为如下表1:
表1
例如,若第一时间段用户的行为特征包括:点击时刻的时间间隔,货物对应车长,货物对应车型和平均货重和平均距离。其中,点击时刻间隔为:第11次前的10次点击时刻与第11次点击时刻的时间间隔为50秒;货物对应车长为最近10次点击货物包含4.2米车长次数为2次和最近10次点击货物包含6.8米车长次数为8次;货物对应车型为:最近10次点击货物包含高栏车型次数为5次,和最近10次点击货物包含厢式车厢次数为2次;货重为8.2吨;平均距离为600Km,那么根据表1描述的行为特征处理规则,可得到用户在该时间段的行为特征序列为:1_0_0_0_1_2_0_0_0_0_1_1_0_2_2。
S203,按照货物特征处理规则,对与每个行为特征对应的货物特征进行处理,得到所述用户在不同时间段的货物特征序列。
其中,货物特征处理规则,是指将与不同时间段的行为特征对应的货物特征进行分桶,并组合分桶后的货物特征值,得到用户在不同时间段的货物特征序列。在本实施例中,货物特征处理规则可通过如下表2:
表2
例如,若第一时间段用户的行为特征包括:车长、车型、货重和距离。其中,车长为4.2米和6.8米;车型为平板和高栏;货重为2.8吨;运输距离为500Km,那么根据表2描述的货物特征处理规则,可得到在该时间段的货物特征序列为:0_1_1_0_0_0_1_1_0_0_1_2。
需要说明的是,本实施例S202和S203的执行顺序,可以是先执行S202,再执行S203;或者,还可以是先执行S203,再执行S202;或者,也可以是同时执行S202和S203,此处对其不做限制。
S204,对所述行为特征序列和所述货物特征序列进行融合,得到融合特征序列,将所述融合特征序列入向量生成模型,以确定所述用户的用户向量和每个所述货物的货物向量,所述向量生成模型基于预设神经网络训练得到的。
S205,将所述用户向量和每个所述货物向量之间的相似度,以及所述用户的其他特征数值输入货物推荐模型,以确定推荐货物,向所述用户推荐所述推荐货物。
本发明实施例提供的技术方案,通过基于用户的历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列,并对行为特征序列和货物特征序列进行融合,得到融合特征序列,将得到的融合特征序列输入向量生成模型,以确定用户的用户向量和每个货物的货物向量,然后确定用户向量与每个货物向量之间的相似度,将相似度和用户的其他特征数值输入货物推荐模型,以确定推荐货物,并向用户推荐推荐货物。采用本发明实施例的上述技术方案解决了货车司机寻找目标货物时,需要花费大量时间寻找甚至无法寻找到满意的货物,导致货物获取效率低下且效果差的问题,从而实现向用户推荐合适的目标货物,提高了用户获取货物的效率和效果,且为货运平台提高货运成交率提供了条件。此外,通过获取行为特征序列和货物特征序列,可实现对一类对象(用户和货物)进行处理,使得用户和货物出现次数增多,进而得到更准确的用户向量和货物向量,从而确保向用户推荐的推荐货物更符合用户需求,提升用户体验。
实施例三
下面结合图3和图4,对本发明实施例货物推荐方法中向量生成模型的生成过程进行说明。具体实现时,可通过不同方式生成向量生成模型。下面首先结合图3,对本发明实施例提供的第一种生成向量生成模型的生成过程进行说明。如图3所示,该方法具体包括:
S301,获取样本集,所述样本集包括:正样本子集和负样本子集,且所述正样本子集和所述负样本子集中分别包括多个不同的融合特征序列样本。
可选的,本实施例可采用不同方式获取包括正样本和负样本的样本集,例如可选的通过实验货物包括正样本和负样本的样本集等。
S302,基于所述样本集,对预设神经网络模型进行训练,以生成向量生成模型。
其中,预设神经网络模型可选为卷积神经网络模型、循环神经网络模型和长短期记忆网络模型等,此处对其不做限制。
具体的,可将包括正样本和负样本的样本集作为输入数据,输入至预设神经网络模型,以使预设神经网络模型利用构造的目标函数,对输入数据进行初始化并不断进行参数调整,直至该神经网络模型的目标函数取得最大值为止。然后,将取得最大值对应的目标函数的神经网络模型,确定为向量生成模型。
其中,本实施例构造的目标函数可选的如下公式(1):
其中,maxθ表示取最大值,l表示用户特征序列和货物特征序列;c代表其他对象的特征序列;Dp表示正样本;νc表示其他对象向量;νl表示用户向量和货物向量;Dn表示负样本;νb表示与用户特征序列和货物特征序列对应的最终成交货物向量;α和β为权重值,可根据实际应用需要进行灵活设置,此处对其不做具体限定。值得注意的是,本实施例中νc、νl和νb分别在每次迭代一次之后会自动更新一次,即除了在第一次迭代时,νc、νl和νb分别为初始值外,之后的其他次迭代时,νc、νl和νb均为更新后的向量。即,更新后的其他对象向量、更新后的用户向量和货物向量以及更新后的成交货物向量。
需要说明的是,当对象为用户,且该用户为成交用户,即货物特征序列中存在用户成交的货物时,可将β设置成远大于α,以使成交用户和成交货物的相似度达到最高,以对损失函数的贡献页达到最大。例如,可选的可将β设置成12,α设置成1。
当对象为用户,且该用户为非成交用户,即货物特征序列中不存在用户成交的货物时,可将β设置成大于α,以保证成交货物对损失函数的贡献大于未成交货物。例如,可选的可将β设置成4,α设置成1。
其次,结合图4对本发明实施例提供的第二种生成向量生成模型的生成过程进行说明。如图4所示,该方法具体包括:
S401,获取样本集,所述样本集包括:正样本子集和负样本子集,且所述正样本子集和所述负样本子集中分别包括多个不同的融合特征序列样本。
S402,对所述样本集进行样本划分,得到训练样本集和测试样本集。
S403,基于所述训练样本集,对所述预设神经网络进行训练,得到向量生成模型。
S404,基于所述测试样本集,对所述向量生成模型进行测试,以确定所述向量生成模型的准确度。
本实施例中,可采用等分或非等分的方式,将样本集划分成训练样本集和测试样本集。
具体的,将训练样本集作为输入数据,输入至预设神经网络模型,以使预设神经网络模型利用构造的目标函数,对输入数据进行初始化并不断进行参数调整,直至该神经网络模型的目标函数取得最大值为止。然后,将取得最大值对应的目标函数的神经网络模型确定为向量生成模型。
进而,利用测试样本集对生成的向量生成模型进行测试,以验证向量生成模型的准确度是否达到准确度阈值。本实施例中准确度阈值可根据实际应用需要进行设置,此处对其不做限制。
其中,如果达到准确度阈值,则确定该向量生成模型为最终的向量生成模型。如果未达到准确度阈值,则再次利用训练样本集对该向量生成模型进行训练,直到新生成的向量生成模型的准确度达到准确度阈值为止,将该新生成的向量生成模型确定为最终的向量生成模型。
可以理解的是,本实施例通过采用上述不同方式生成向量生成模型,可以实现向量生成模型的定制化,以满足不同用户的个性化需求,提高用户使用体验。
实施例四
图5是本发明实施例四提供的一种货物推荐装置的结构示意图。本发明实施例货物推荐装置配置于计算机设备。如图5所示,本发明实施例提供的货物推荐装置500包括:序列确定模块510、向量确定模块520和货物确定模块530。
其中,序列确定模块510,用于基于用户的历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列;
向量确定模块520,用于对所述行为特征序列和所述货物特征序列进行融合,得到融合特征序列,将所述融合特征序列入向量生成模型,以确定所述用户的用户向量和每个所述货物的货物向量,所述向量生成模型基于预设神经网络训练得到的;
货物确定模块530,用于将所述用户向量和每个所述货物向量之间的相似度,以及所述用户的其他特征数值输入货物推荐模型,以确定推荐货物,向所述用户推荐所述推荐货物。
作为本发明实施例的一种可选的实现方式,序列确定模块,具体用于:
从所述历史行为数据中,获取所述用户在不同时间段的行为特征,以及与每个行为特征对应的货物特征;
按照行为特征处理规则,对所述用户在不同时间段的行为特征进行处理,得到所述用户在不同时间段的行为特征序列;
按照货物特征处理规则,对与每个行为特征对应的货物特征进行处理,得到所述用户在不同时间段的货物特征序列。
作为本发明实施例的一种可选的实现方式,向量确定模块520,具体用于:
确定属于同一时间段的行为特征序列和货物特征序列;
将属于同一时间段的所述行为特征序列和所述货物特征序列作为一个序列对,按照时间顺序对所有序列对进行排序,得到融合特征序列。
作为本发明实施例的一种可选的实现方式,融合特征序列中任意位置处的序列对为历史成交序列对。
作为本发明实施例的一种可选的实现方式,货物推荐装置还包括:获取模块,划分模块、训练模块和测试模块;
其中,获取模块,用于获取样本集,所述样本集包括:正样本子集和负样本子集,且所述正样本子集和所述负样本子集中分别包括多个不同的融合特征序列样本;
划分模块,用于对所述样本集进行样本划分,得到训练样本集和测试样本集;
训练模块,用于基于所述训练样本集,对所述预设神经网络进行训练,得到向量生成模型;
测试模块,用于基于所述测试样本集,对所述向量生成模型进行测试,以确定所述向量生成模型的准确度。
作为本发明实施例的一种可选的实现方式,货物推荐模型为梯度提升树模型。
作为本发明实施例的一种可选的实现方式,用户的其他特征数值包括下述至少一项:所述用户的当前活跃度值、历史活跃度值、对当前路线偏好度值和货物类型偏好度值。
需要说明的是,前述对货物推荐方法实施例的解释说明也适用于该实施例的货物推荐装置,其实现原理类似,此处不再赘述。
本发明实施例提供的技术方案,通过基于用户的历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列,并对行为特征序列和货物特征序列进行融合,得到融合特征序列,将得到的融合特征序列输入向量生成模型,以确定用户的用户向量和每个货物的货物向量,然后确定用户向量与每个货物向量之间的相似度,将相似度和用户的其他特征数值输入货物推荐模型,以确定推荐货物,并向用户推荐推荐货物。采用本发明实施例的上述技术方案解决了货车司机寻找目标货物时,需要花费大量时间寻找甚至无法寻找到满意的货物,导致货物获取效率低下且效果差的问题,从而实现向用户推荐合适的目标货物,提高了用户获取货物的效率和效果,且为货运平台提高货运成交率提供了条件。
实施例五
图6是本发明实施例五提供的一种计算机设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性计算机设备600的框图。图6显示的计算机设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机设备600以通用计算设备的形式表现。计算机设备600的组件可以包括但不限于:一个或者多个处理器或者处理单元610,系统存储器620,连接不同系统组件(包括系统存储器620和处理单元610)的总线630。
总线630表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备600典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备600访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器620可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)621和/或高速缓存存储器622。计算机设备600可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统623可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线630相连。系统存储器620可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块625的程序/实用工具624,可以存储在例如系统存储器620中,这样的程序模块625包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块625通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备600也可以与一个或多个外部设备640(例如键盘、指向设备、显示器641等)通信,还可与一个或者多个使得用户能与该计算机设备600交互的设备通信,和/或与使得该计算机设备600能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,计算机设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与计算机设备600的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元610通过运行存储在系统存储器620中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例提供的货物推荐方法,包括:
基于用户的历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列;
对所述行为特征序列和所述货物特征序列进行融合,得到融合特征序列,将所述融合特征序列入向量生成模型,以确定所述用户的用户向量和每个所述货物的货物向量,所述向量生成模型基于预设神经网络训练得到的;
将所述用户向量和每个所述货物向量之间的相似度,以及所述用户的其他特征数值输入货物推荐模型,以确定推荐货物,向所述用户推荐所述推荐货物。
需要说明的是,前述对货物推荐方法实施例的解释说明也适用于该实施例的计算机设备,其实现原理类似,此处不再赘述。
实施例六
为了实现上述目的,本发明还提出了一种计算机可读存储介质。
本发明实施例提供的计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所述的货物推荐方法,包括:
基于用户的历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列;
对所述行为特征序列和所述货物特征序列进行融合,得到融合特征序列,将所述融合特征序列入向量生成模型,以确定所述用户的用户向量和每个所述货物的货物向量,所述向量生成模型基于预设神经网络训练得到的;
将所述用户向量和每个所述货物向量之间的相似度,以及所述用户的其他特征数值输入货物推荐模型,以确定推荐货物,向所述用户推荐所述推荐货物。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种货物推荐方法,其特征在于,包括:
基于用户的历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列;
对所述行为特征序列和所述货物特征序列进行融合,得到融合特征序列,将所述融合特征序列入向量生成模型,以确定所述用户的用户向量和每个所述货物的货物向量,所述向量生成模型基于预设神经网络训练得到的;
将所述用户向量和每个所述货物向量之间的相似度,以及所述用户的其他特征数值输入货物推荐模型,以确定推荐货物,向所述用户推荐所述推荐货物。
2.根据权利要求1所述的方法,其特征在于,基于用户的历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列,包括:
从所述历史行为数据中,获取所述用户在不同时间段的行为特征,以及与每个行为特征对应的货物特征;
按照行为特征处理规则,对所述用户在不同时间段的行为特征进行处理,得到所述用户在不同时间段的行为特征序列;
按照货物特征处理规则,对与每个行为特征对应的货物特征进行处理,得到所述用户在不同时间段的货物特征序列。
3.根据权利要求1所述的方法,其特征在于,对所述行为特征序列和所述货物特征序列进行融合,得到融合特征序列,包括:
确定属于同一时间段的行为特征序列和货物特征序列;
将属于同一时间段的所述行为特征序列和所述货物特征序列作为一个序列对,按照时间顺序对所有序列对进行排序,得到融合特征序列。
4.根据权利要求1-3任一项所述的方法,其特征在于,融合特征序列中任意位置处的序列对为历史成交序列对。
5.根据权利要求1所述的方法,其特征在于,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列之前,所述方法还包括:
获取样本集,所述样本集包括:正样本子集和负样本子集,且所述正样本子集和所述负样本子集中分别包括多个不同的融合特征序列样本;
对所述样本集进行样本划分,得到训练样本集和测试样本集;
基于所述训练样本集,对所述预设神经网络进行训练,得到向量生成模型;
基于所述测试样本集,对所述向量生成模型进行测试,以确定所述向量生成模型的准确度。
6.根据权利要求1所述的方法,其特征在于,货物推荐模型为梯度提升树模型。
7.根据权利要求1所述的方法,其特征在于,用户的其他特征数值包括下述至少一项:所述用户的当前活跃度值、历史活跃度值、对当前路线偏好度值和货物类型偏好度值。
8.一种货物推荐装置,其特征在于,包括:
序列确定模块,用于基于用户的历史行为数据,确定用户在不同时间段的行为特征序列,以及与每个行为特征序列对应的货物特征序列;
向量确定模块,用于对所述行为特征序列和所述货物特征序列进行融合,得到融合特征序列,将所述融合特征序列入向量生成模型,以确定所述用户的用户向量和每个所述货物的货物向量,所述向量生成模型基于预设神经网络训练得到的;
货物确定模块,用于将所述用户向量和每个所述货物向量之间的相似度,以及所述用户的其他特征数值输入货物推荐模型,以确定推荐货物,向所述用户推荐所述推荐货物。
9.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一项所述的货物推荐方法。
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,该程序被处理器执行时实现如权利要求1-7中任一项所述的货物推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110119520.4A CN112785234A (zh) | 2021-01-28 | 2021-01-28 | 货物推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110119520.4A CN112785234A (zh) | 2021-01-28 | 2021-01-28 | 货物推荐方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112785234A true CN112785234A (zh) | 2021-05-11 |
Family
ID=75759487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110119520.4A Withdrawn CN112785234A (zh) | 2021-01-28 | 2021-01-28 | 货物推荐方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785234A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113742599A (zh) * | 2021-11-05 | 2021-12-03 | 太平金融科技服务(上海)有限公司深圳分公司 | 内容推荐方法、装置、设备及计算机可读存储介质 |
-
2021
- 2021-01-28 CN CN202110119520.4A patent/CN112785234A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113742599A (zh) * | 2021-11-05 | 2021-12-03 | 太平金融科技服务(上海)有限公司深圳分公司 | 内容推荐方法、装置、设备及计算机可读存储介质 |
CN113742599B (zh) * | 2021-11-05 | 2022-03-18 | 太平金融科技服务(上海)有限公司深圳分公司 | 内容推荐方法、装置、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908740B (zh) | 信息输出方法和装置 | |
CN107122866B (zh) | 预估乘客取消订单行为的方法、设备及存储介质 | |
US11238058B2 (en) | Search and retrieval of structured information cards | |
CN109064278B (zh) | 目标对象推荐方法及装置、电子设备、存储介质 | |
CN110390054B (zh) | 兴趣点召回方法、装置、服务器和存储介质 | |
CN109658033B (zh) | 货源路线相似度计算方法、系统、设备及存储介质 | |
CN107292365B (zh) | 商品标签的绑定方法、装置、设备及计算机可读存储介质 | |
CN107301248B (zh) | 文本的词向量构建方法和装置、计算机设备、存储介质 | |
CN110503528B (zh) | 一种线路推荐方法、装置、设备和存储介质 | |
CN112612957A (zh) | 兴趣点的推荐方法、兴趣点推荐模型的训练方法、装置 | |
CN113393306A (zh) | 产品推荐方法、装置、电子设备及计算机可读介质 | |
CN111612581A (zh) | 一种物品推荐的方法、装置、设备及存储介质 | |
CN111966766A (zh) | 地址信息的检测方法、系统、电子设备和存储介质 | |
CN111754278A (zh) | 物品推荐方法、装置、计算机存储介质和电子设备 | |
CN111967808B (zh) | 确定物流对象收货方式的方法、装置、电子设备及存储介质 | |
CN110598183A (zh) | 一种流量分配方法、装置、设备及存储介质 | |
CN111310065A (zh) | 一种社交推荐方法、装置、服务器及存储介质 | |
CN110598989B (zh) | 一种货源质量评估方法、装置、设备和存储介质 | |
CN112785234A (zh) | 货物推荐方法、装置、设备及存储介质 | |
CN113177154A (zh) | 搜索词推荐方法、装置、电子设备及存储介质 | |
CN112784157A (zh) | 行为预测模型的训练方法、行为预测方法及装置、设备 | |
CN111339448B (zh) | 查询改写方法、系统、设备及存储介质 | |
CN115017385A (zh) | 一种物品搜索方法、装置、设备和存储介质 | |
CN110516024B (zh) | 地图搜索结果展现方法、装置、设备和存储介质 | |
CN108984680B (zh) | 一种信息推荐方法、装置、服务器及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210511 |