CN114357309B - 一种用于二手车跨境贸易的客户智能推荐方法 - Google Patents

一种用于二手车跨境贸易的客户智能推荐方法 Download PDF

Info

Publication number
CN114357309B
CN114357309B CN202210217648.9A CN202210217648A CN114357309B CN 114357309 B CN114357309 B CN 114357309B CN 202210217648 A CN202210217648 A CN 202210217648A CN 114357309 B CN114357309 B CN 114357309B
Authority
CN
China
Prior art keywords
priority
feature
similar
characteristic
vehicle
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
CN202210217648.9A
Other languages
English (en)
Other versions
CN114357309A (zh
Inventor
何兆广
郑元旺
张晓龙
何明朋
薛庆庆
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.)
Snail Truck Network Shandong E Commerce Co ltd
Original Assignee
Snail Truck Network Shandong E Commerce 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 Snail Truck Network Shandong E Commerce Co ltd filed Critical Snail Truck Network Shandong E Commerce Co ltd
Priority to CN202210217648.9A priority Critical patent/CN114357309B/zh
Publication of CN114357309A publication Critical patent/CN114357309A/zh
Application granted granted Critical
Publication of CN114357309B publication Critical patent/CN114357309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及产品推荐技术领域，具体涉及一种用于二手车跨境贸易的客户智能推荐方法，通过分类网络获取二手车不同的分类，对车库里所有二手车特征组成的样本集进行基于半径的分簇处理得到每组簇的正优先特征和负优先特征，根据正优先特征和负优先特征得到每个二手车特征的优先度及优先级，获取客户浏览过的二手车的特征计算出客户对二手车的不同特征的相似度并分为相似特征和区别特征，获取客户对二手车的每个相似特征的优先级，根据每个优先级下车库里的二手车和客户浏览过的二手车具有的相似特征和区别特征计算出每个优先级下车库里的二手车对客户的理想程度，根据理想程度给当前客户推荐二手车，方法精准且计算量小。

Description

一种用于二手车跨境贸易的客户智能推荐方法
技术领域
本申请涉及产品推荐技术领域，具体涉及一种用于二手车跨境贸易的客户智能推荐方法。
背景技术
二手车行业不同于新车，新车都是统一出厂，有着统一的出厂标准，二手车的车况比新车有更复杂的情况，因此在二手车交易的时候，不能单单看品牌、出产地、型号等数据，必须对车况有更全面的了解，这对二手车的销售人员提出了更高的要求，但由于不同车况五花八门，销售人员难以时刻清楚所有车况的信息，从而服务卖家的效率就要被耽误很多。
现有技术向客户推荐二手车的方法是通过分类网络获取当前车库中不同二手车的类别；通过用户浏览过的二手车获得用户感兴趣的类别；根据客户感兴趣的类别向客户推荐二手车。
但是，当进行跨境贸易的时候，信息的获取难度增大，仅能获得客户在本服务器中的历史浏览记录，需要其他辅助条件的筛选规则不能使用；在此基础上，推荐系统的推荐结果往往需要更大的无效计算量才能得出推荐结果，且因为信息的缺失往往推荐结果还不准确。
发明内容
本发明提供一种用于二手车跨境贸易的客户智能推荐方法，解决跨境贸易中向客户推荐二手车时，推荐信息不准确的问题，采用如下技术方案：
利用二手车分类网络获取车库中每辆二手车的特征，得到车库中所有二手车的的特征样本集；
对特征样本集进行分簇处理，获得不同组的特征簇：
使用给定不同半径的DBSCAN算法处理特征样本集，每使用一个半径处理一次获得一组特征簇；
将每一组特征簇中所有密度中心的特征值最大的主成分方向作为每一组特征簇的正优先特征，将每一组特征簇中所有密度中心的特征值最小的主成分方向作为每一组特征簇的负优先特征；
利用特征簇的正优先特征和负优先特征计算每一个特征簇中每一个特征的优先度，获得特征样本集中所有特征的优先度，并对特征样本集中所有特征的优先度进行等级划分，得到所有特征的优先等级；
所述每一个特征的优先度的计算方法如下：
Figure 569361DEST_PATH_IMAGE002
式中，
Figure 202467DEST_PATH_IMAGE004
为第i个特征的优先度，
Figure 647355DEST_PATH_IMAGE006
为簇所在的组的序号，
Figure 125741DEST_PATH_IMAGE008
为簇的总组数，
Figure 972474DEST_PATH_IMAGE010
为第
Figure 510903DEST_PATH_IMAGE006
组簇对应的半径，
Figure 207201DEST_PATH_IMAGE012
为第
Figure 489278DEST_PATH_IMAGE014
个特征在样本空间中对应维度的单位向量，
Figure 924939DEST_PATH_IMAGE016
为第k组簇的正优先特征，
Figure 899848DEST_PATH_IMAGE018
为第k组簇的负优先特征；
获取客户浏览二手车的浏览记录，得到所有的浏览特征，利用客户浏览二手车时观看浏览特征的次数和时间得到浏览特征之间的相似度；
利用均值漂移聚类对得到的所有浏览特征之间的相似度进行聚类得到相似特征和区别特征；
根据客户对二手车的每个相似特征在车库中对应的二手车特征的优先级得到每个相似特征的优先级，获取每个相似特征优先级下具有相似特征的车辆包含的区别特征；
根据每个相似特征优先级下车库里的车包含的相似特征和区别特征与客户浏览过的车辆包含的相似特征和区别特征计算出车库里的每辆二手车对客户的理想程度；
所述车库中每辆二手车对客户的理想程度的计算方法为：
Figure 319328DEST_PATH_IMAGE020
式中，
Figure 906560DEST_PATH_IMAGE022
为在当前相似特征优先级下，车库里每辆二手车对客户的理想程度，
Figure 727886DEST_PATH_IMAGE024
为当前相似特征优先级中的相似特征序号；
Figure 873696DEST_PATH_IMAGE026
为当前相似特征优先级中的相似特征总数，
Figure 780473DEST_PATH_IMAGE028
为当前相似特征优先级中的车辆包含的区别特征序号，
Figure 404352DEST_PATH_IMAGE030
为当前相似特征优先级下的车辆包含的区别特征总数，
Figure 80184DEST_PATH_IMAGE032
为车库里的二手车含有的区别特征，
Figure 364272DEST_PATH_IMAGE034
为客户浏览过的第r辆含有区别特征v的二手车，
Figure 443831DEST_PATH_IMAGE036
为车库里的二手车含有的相似特征，
Figure 871401DEST_PATH_IMAGE038
为客户浏览过第r辆含有相似特征u的二手车；
利用车库里的二手车在不同优先级下对客户的理想程度得到向客户推荐的二手车信息。
所述浏览特征之间的相似度的获取方法为：
Figure 136160DEST_PATH_IMAGE040
式中，
Figure 122308DEST_PATH_IMAGE042
为客户浏览过的第i个浏览特征的相似度，
Figure 3677DEST_PATH_IMAGE044
为客户浏览过的二手车的编号，
Figure 234938DEST_PATH_IMAGE046
为客户浏览过的二手车的总数；
Figure 885362DEST_PATH_IMAGE048
为客户浏览第r辆二手车的次数，
Figure 543877DEST_PATH_IMAGE050
为客户浏览第r辆二手车的时间，
Figure 646962DEST_PATH_IMAGE052
为客户浏览的第r辆二手车的第i个特征。
所述相似特征和区别特征的获取方法如下：
将均值漂移聚类后相似度均值最大的一类中的特征作为客户对二手车的相似特征，将相似度均值最小一类中的特征集合作为客户对二手车的区别特征。
所述向客户推荐的二手车信息的获取方法如下：
将车库里理想程度大于阈值的二手车进行标记；
对于标记出来的二手车，提取下一优先级中的区别特征和相似特征，计算理想程度；
重复上述步骤直至所有优先级中满足理想程度的二手车全部标记出来；
将最后一次标记出来的二手车中每辆二手车在所有不同优先级下对应的理想程度相乘，根据每辆二手车的理想程度乘积从大到小作为推荐顺序给客户推荐二手车。
本发明的有益效果是：为了不因为制定出过于复杂的筛选条件而影响服务器的瞬时计算效率，本方案采取分级少量多次推荐的方式确定客户的偏好，计算不同二手车对客户的理想程度，逐步确定对客户的推荐结果，避免在二手车跨境贸易中因为信息的缺失影响推荐结果的准确性。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种用于二手车跨境贸易的客户智能推荐方法的流程示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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实施例，都属于本发明保护的范围。
本发明的一种用于二手车跨境贸易的客户智能推荐方法的实施例，如图1所示，包括：
步骤一：利用二手车分类网络获取车库中每辆二手车的特征，得到车库中所有二手车的的特征样本集；
该步骤的目的是获取车库的二手车的分类，训练分类网络，并得到车库中所有二手车的特征样本集。
其中，训练二手车分类网络为FC结构，即全连接深度神经网络，二手车分类网络的训练具体如下：
（1）数据集为当前车库中的所有二手车编号；
（2）对应标签为各二手车的类别；
（3）损失函数采用交叉熵。
其中，获取所有二手车的特征样本集的方法如下：
将二手车的编号输入二手车分类网络，提取网络中各个神经元的输出值
Figure 681914DEST_PATH_IMAGE054
，将各神经元的输出值作为对应二手车的描述
Figure 705887DEST_PATH_IMAGE056
；
车库中一辆二手车对应一个描述，这个描述就是对应二手车所具有的全部特征；描述中的部分值，就是对应二手车的部分特征，即
Figure 535303DEST_PATH_IMAGE058
为特征的序号；
以车库中所有车的描述组成样本集
Figure 125685DEST_PATH_IMAGE060
。
步骤二：对特征样本集进行分簇处理，获得不同组的特征簇：使用给定不同半径的DBSCAN算法处理特征样本集，每使用一个半径处理一次获得一组特征簇；将每一组特征簇中所有密度中心的特征值最大的主成分方向作为每一组特征簇的正优先特征，将每一组特征簇中所有密度中心的特征值最小的主成分方向作为每一组特征簇的负优先特征；
该步骤的目的是将车库里的二手车的特征进行分簇处理得到正优先特征和负优先特征。
其中，正优先特征和负优先特征的获取方法为：
使用给定不同半径的DBSCAN算法处理步骤一中得到的样本集，每使用一个半径处理一次获得一组簇；每个簇中有数量不定的样本；给定半径
Figure 964328DEST_PATH_IMAGE062
；获取样本空间中每一簇的密度中心；
在样本空间中，对每一组簇中的所有密度中心，使用PCA算法获得当前组所有簇密度中心的主成分方向，每个数据都是
Figure 58186DEST_PATH_IMAGE064
维的，因此可获得
Figure 58503DEST_PATH_IMAGE064
个主成分方向，每个主成分方向都是一个
Figure 369136DEST_PATH_IMAGE064
维的单位向量，每个主成分方向对应一个特征值；本方案获取特征值最大的主成分方向，将其称为正优先特征
Figure 745891DEST_PATH_IMAGE066
，表示数据分布最离散、最容易区别的方向；再获取特征值最小的主成分方向，将其称为负优先特征
Figure 959834DEST_PATH_IMAGE068
，表示数据分布最密集、最难以区别的方向；一组簇的簇中心对应一个正优先特征、一个负优先特征。
步骤三：利用特征簇的正优先特征和负优先特征计算每一个特征簇中每一个特征的优先度，获得特征样本集中所有特征的优先度，并对特征样本集中所有特征的优先度进行等级划分，得到所有特征的优先等级；
该步骤的目的是根据步骤二得到的正、负优先特征计算出每个特征的优先度。
其中，每个特征的优先度的计算公式如下：
Figure 396632DEST_PATH_IMAGE069
其中，
Figure 961605DEST_PATH_IMAGE071
为第i个特征的优先度，
Figure 876472DEST_PATH_IMAGE073
为簇所在的组的序号；
Figure 446387DEST_PATH_IMAGE075
为簇的总组数；
Figure 54086DEST_PATH_IMAGE077
为第
Figure 106355DEST_PATH_IMAGE073
组的簇对应的给定半径；
Figure 559333DEST_PATH_IMAGE079
为第
Figure 13448DEST_PATH_IMAGE058
个特征在样本空间中对应维度的单位向量，例如：
Figure 526469DEST_PATH_IMAGE081
、
Figure 298991DEST_PATH_IMAGE083
；此处，聚类时的半径越大，与最大主成分方向区别越小的特征，优先度越高。
其中，不同特征的优先级是指在区别客户理想二手车的时候，车库中二手车的不同特征，考虑的先后顺序，每个特征的优先级计算方式如下：
（1）根据服务器的性能确定划分的优先级数
Figure 821239DEST_PATH_IMAGE085
（一般是为3～9）；
（2）j=
Figure 598702DEST_PATH_IMAGE087
向下取整，j为第i个特征的优先度
Figure 548204DEST_PATH_IMAGE071
可以划分的优先级数；
（3）
Figure 43907DEST_PATH_IMAGE089
=
Figure 369846DEST_PATH_IMAGE091
向下取整，
Figure 763001DEST_PATH_IMAGE089
第i个特征的优先度
Figure 617824DEST_PATH_IMAGE071
所处的优先级数。
步骤四：获取客户浏览二手车的浏览记录，得到所有的浏览特征，利用客户浏览二手车时观看浏览特征的次数和时间得到浏览特征之间的相似度；
该步骤的目的是获取当前客户在当前服务器中的二手车浏览记录，并计算出客户浏览过的二手车特征的相似度，方便后续分析处理。
需要说明的是，本实施例仅获取当前客户在当前服务器中的二手车浏览记录，浏览时间
Figure 866403DEST_PATH_IMAGE093
在
Figure 730454DEST_PATH_IMAGE095
（一般是15，防止误触）以上才计入记录中，其他不做统计；并且，客户的理想二手车是仅仅根据客户的少量浏览记录推测出来的理想条件的车辆，车库中并不一定有完全符合其条件的车。
其中，计算当前客户浏览过的二手车的浏览特征的相似度的方法如下：
将客户浏览过的二手车编号输入二手车分类网络，提取网络中各个神经元的输出值
Figure 482509DEST_PATH_IMAGE054
，将各神经元的输出值作为对应二手车的描述
Figure 39392DEST_PATH_IMAGE097
；
将客户浏览过的二手车编号对应在样本空间中的分布进行中心化，得到新的二手车描述
Figure 273802DEST_PATH_IMAGE099
；
则当前客户对二手车浏览特征的相似度计算如下：
Figure 675965DEST_PATH_IMAGE040
其中，
Figure 282527DEST_PATH_IMAGE101
为客户浏览过的第i个浏览特征的相似度，
Figure 744732DEST_PATH_IMAGE103
为客户浏览过的二手车的编号，
Figure 702324DEST_PATH_IMAGE105
为客户浏览过的二手车的总数；
Figure 642598DEST_PATH_IMAGE107
为客户浏览第r辆二手车的次数，
Figure 870710DEST_PATH_IMAGE109
为客户浏览第r辆二手车的时间，
Figure 503817DEST_PATH_IMAGE111
为客户浏览过的第r辆车的第i个特征。
此处，客户浏览过的二手车中，哪个特征越相似，认为客户对哪个特征的相似度越大。
步骤五：利用均值漂移聚类对得到的所有浏览特征之间的相似度进行聚类得到相似特征和区别特征；
该步骤的目的是对步骤四中获取的客户对二手车特征的相似度进行细分为相似特征和区别特征。
其中，获得当前客户浏览过的二手车的相似特征和区别特征的方法如下：
（1）对不同浏览特征的相似度，使用均值漂移聚类，将所有浏览特征分为不同的类别；
（2）计算每个类别中的相似度均值，比较不同类别的相似度均值，将相似度均值最大的一类中的所有特征记为相似特征，将相似度均值最小的一类中的所有特征记为区别特征。
步骤六：根据客户对二手车的每个相似特征在车库中对应的二手车特征的优先级得到每个相似特征的优先级，获取每个相似特征优先级下具有相似特征的车辆包含的区别特征；
该步骤的目的是根据客户对每个二手车的相似特征在车库中的二手车的特征进行匹配，并得到该特征在步骤三中计算出来的优先级，基于优先级，分级少量多次挑选特征方便后续确定推荐客户的二手车的理想程度。
其中，获取步骤五中得到的客户对二手车的相似特征的优先级的方法为：
对于每个相似特征，查找其在步骤三中计算出来的车库中对应的特征的优先级；
将所有相似特征中优先级最高的记为第一优先级；除第一优先级外，所有相似特征的最高优先级记为第二优先级；以此类推，直至所有相似特征被挑选出来；
从第一优先级开始，确定当前优先级中的区别特征，即确定具有同一相似特征优先级的车辆的包含的区别特征。
举例说明如下，例如，有10辆车，每辆车的特征包括车型（SUV和轿车）、颜色（白色和黑色）、排量（1.5T和1.8T）,其中SUV有6辆，白色2辆，排量均为1.5T，黑色4辆,包括2辆排量1.8T的和2辆排量1.5T的；轿车有4辆，白色1辆，排量为1.8T，黑色3辆，排量均为1.5T。
若车型特征为SUV优先级最高，则选出6辆SUV，在当前优先级（SUV车型）下，这6辆轿车的区别特征包括颜色和排量，若将排量（1.5T）作为第二优先级，则在当前优先级（排量1.5T下挑选出4辆SUV，黑色、白色各2辆，这4辆车的区别特征为颜色。
步骤七：根据每个相似特征优先级下车库里的车包含的相似特征和区别特征与客户浏览过的车辆包含的相似特征和区别特征计算出车库里的每辆二手车对客户的理想程度；
该步骤的目的是，结合步骤三计算出车库里面二手车特征的优先级和步骤六中客户浏览过的二手车特征的优先级综合分析得到车库里的车在不同优先级下，对客户的理想程度。
计算车库中车对当前客户的理想程度：
车库中的某一辆二手车，对当前客户，在当前优先级下，理想程度计算如下：
Figure 948705DEST_PATH_IMAGE112
式中，
Figure 958249DEST_PATH_IMAGE114
为在当前相似特征优先级下，车库里每辆二手车对客户的理想程度，
Figure 804982DEST_PATH_IMAGE116
为当前相似特征优先级中的相似特征序号；
Figure 608990DEST_PATH_IMAGE118
为当前相似特征优先级中的相似特征总数，
Figure 39709DEST_PATH_IMAGE120
为当前相似特征优先级中的车辆包含的区别特征序号，
Figure 587365DEST_PATH_IMAGE122
为当前相似特征优先级下的车辆包含的区别特征总数，
Figure 288605DEST_PATH_IMAGE124
为车库里的二手车含有的区别特征，
Figure 263514DEST_PATH_IMAGE126
为客户浏览过的第r辆含有区别特征v的二手车，
Figure 682994DEST_PATH_IMAGE128
为车库里的二手车含有的相似特征，
Figure 34341DEST_PATH_IMAGE130
为客户浏览过第r辆含有相似特征u的的二手车。
步骤八：利用车库里的二手车在不同优先级下对客户的理想程度得到向客户推荐的二手车信息。
该步骤的目的是基于步骤七中计算出的理想程度得到向客户推荐的车辆顺序。
具体方法为：
（1）计算出第一优先级下的理想程度阈值，设置阈值
Figure 85693DEST_PATH_IMAGE132
（一般是1.2），将理想程度大于阈值的二手车标记出来；
（2）对标记出来的二手车，提取下一优先级中的区别特征和相似特征；再次计算理想程度
Figure 497083DEST_PATH_IMAGE114
；
（3）重复上述步骤直至所有标记出来的的优先级（第一优先级、第二优先级、第三优先级等）都过一遍；
（4）将最后一次标记出来的二手车中每辆二手车在所有不同优先级下对应的理想程度相乘，根据每辆二手车的理想程度乘积，按照每辆二手车的理想程度乘积从大到小作为推荐顺序给客户推荐二手车。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种用于二手车跨境贸易的客户智能推荐方法，其特征在于，包括：
利用二手车分类网络获取车库中每辆二手车的特征，得到车库中所有二手车的特征样本集；
对特征样本集进行分簇处理，获得不同组的特征簇：
使用给定不同半径的DBSCAN算法处理特征样本集，每使用一个半径处理一次获得一组特征簇；
将每一组特征簇中所有密度中心的特征值最大的主成分方向作为每一组特征簇的正优先特征，将每一组特征簇中所有密度中心的特征值最小的主成分方向作为每一组特征簇的负优先特征；
利用特征簇的正优先特征和负优先特征计算每一个特征的优先度，获得特征样本集中所有特征的优先度，并对特征样本集中所有特征的优先度进行等级划分，得到所有特征的优先等级；
所述每一个特征的优先度的计算方法如下：
Figure DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE004
为第i个特征的优先度，
Figure DEST_PATH_IMAGE006
为簇所在的组的序号，
Figure DEST_PATH_IMAGE008
为簇的总组数，
Figure DEST_PATH_IMAGE010
为第
Figure 959271DEST_PATH_IMAGE006
组簇对应的半径，
Figure DEST_PATH_IMAGE012
为第
Figure DEST_PATH_IMAGE014
个特征在样本空间中对应维度的单位向量，
Figure DEST_PATH_IMAGE016
为第k组簇的正优先特征，
Figure DEST_PATH_IMAGE018
为第k组簇的负优先特征；
获取客户浏览二手车的浏览记录，得到所有的浏览特征，利用客户浏览二手车时观看浏览特征的次数和时间得到浏览特征之间的相似度；
利用均值漂移聚类对得到的所有浏览特征之间的相似度进行聚类得到相似特征和区别特征；
根据客户对二手车的每个相似特征在车库中对应的二手车特征的优先级得到每个相似特征的优先级，获取每个相似特征优先级下具有相似特征的车辆包含的区别特征；
根据每个相似特征优先级下车库里的车包含的相似特征和区别特征与客户浏览过的车辆包含的相似特征和区别特征计算出车库里的每辆二手车对客户的理想程度；
所述车库中每辆二手车对客户的理想程度的计算方法为：
Figure DEST_PATH_IMAGE020
式中，
Figure DEST_PATH_IMAGE022
为在当前相似特征优先级下，车库里每辆二手车对客户的理想程度，
Figure DEST_PATH_IMAGE024
为当前相似特征优先级中的相似特征序号；
Figure DEST_PATH_IMAGE026
为当前相似特征优先级中的相似特征总数，
Figure DEST_PATH_IMAGE028
为当前相似特征优先级中的车辆包含的区别特征序号，
Figure DEST_PATH_IMAGE030
为当前相似特征优先级下的车辆包含的区别特征总数，
Figure DEST_PATH_IMAGE032
为车库里的二手车含有的区别特征，
Figure DEST_PATH_IMAGE034
为客户浏览过的第r辆含有区别特征v的二手车，
Figure DEST_PATH_IMAGE036
为车库里的二手车含有的相似特征，
Figure DEST_PATH_IMAGE038
为客户浏览过第r辆含有相似特征u的二手车；
利用车库里的二手车在不同优先级下对客户的理想程度得到向客户推荐的二手车信息。
2.根据权利要求1所述的一种用于二手车跨境贸易的客户智能推荐方法，其特征在于，所述浏览特征之间的相似度的获取方法为：
Figure DEST_PATH_IMAGE040
式中，
Figure DEST_PATH_IMAGE042
为客户浏览过的第i个浏览特征的相似度，
Figure DEST_PATH_IMAGE044
为客户浏览过的二手车的编号，
Figure DEST_PATH_IMAGE046
为客户浏览过的二手车的总数；
Figure DEST_PATH_IMAGE048
为客户浏览第r辆二手车的次数，
Figure DEST_PATH_IMAGE050
为客户浏览第r辆二手车的时间，
Figure DEST_PATH_IMAGE052
为客户浏览的第r辆二手车的第i个特征。
3.根据权利要求1所述的一种用于二手车跨境贸易的客户智能推荐方法，其特征在于，所述相似特征和区别特征的获取方法如下：
将均值漂移聚类后相似度均值最大的一类中的特征作为客户对二手车的相似特征，将相似度均值最小一类中的特征集合作为客户对二手车的区别特征。
4.根据权利要求1所述的一种用于二手车跨境贸易的客户智能推荐方法，其特征在于，所述向客户推荐的二手车信息的获取方法如下：
将车库里理想程度大于阈值的二手车进行标记；
对于标记出来的二手车，提取下一优先级中的区别特征和相似特征，计算理想程度；
重复上述步骤直至所有优先级中满足理想程度的二手车全部标记出来；
将最后一次标记出来的二手车中每辆二手车在所有不同优先级下对应的理想程度相乘，根据每辆二手车的理想程度乘积从大到小作为推荐顺序给客户推荐二手车。
CN202210217648.9A 2022-03-08 2022-03-08 一种用于二手车跨境贸易的客户智能推荐方法 Active CN114357309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210217648.9A CN114357309B (zh) 2022-03-08 2022-03-08 一种用于二手车跨境贸易的客户智能推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210217648.9A CN114357309B (zh) 2022-03-08 2022-03-08 一种用于二手车跨境贸易的客户智能推荐方法

Publications (2)

Publication Number Publication Date
CN114357309A CN114357309A (zh) 2022-04-15
CN114357309B true CN114357309B (zh) 2022-06-24

Family

ID=81094849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210217648.9A Active CN114357309B (zh) 2022-03-08 2022-03-08 一种用于二手车跨境贸易的客户智能推荐方法

Country Status (1)

Country Link
CN (1) CN114357309B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885778A (zh) * 2017-10-12 2018-04-06 浙江工业大学 一种基于动态临近点谱聚类的个性化推荐方法
CN108763496A (zh) * 2018-05-30 2018-11-06 南京讯高科技有限公司 一种基于网格和密度的动静态数据融合客户分类算法
CN109408562A (zh) * 2018-11-07 2019-03-01 广东工业大学 一种基于客户特征的分组推荐方法及其装置
CN110458292A (zh) * 2019-07-04 2019-11-15 西安工程大学 一种基于专家知识的服装推荐方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6356879B2 (en) * 1998-10-09 2002-03-12 International Business Machines Corporation Content based method for product-peer filtering
US7779406B2 (en) * 1999-04-16 2010-08-17 Microsoft Corporation Method and system for managing lifecycles of deployed applications
US20030097196A1 (en) * 2001-11-13 2003-05-22 Koninklijke Philips Electronics N.V. Method and apparatus for generating a stereotypical profile for recommending items of interest using item-based clustering
US7966225B2 (en) * 2007-03-30 2011-06-21 Amazon Technologies, Inc. Method, system, and medium for cluster-based categorization and presentation of item recommendations
CN104967679B (zh) * 2015-06-09 2017-07-21 深圳市腾讯计算机系统有限公司 信息推荐系统、方法及装置
CA3051263A1 (en) * 2018-09-24 2020-03-24 Cars.Com, Llc Personalized vehicle matching based upon user preferences
CN112395487B (zh) * 2019-08-14 2024-04-26 腾讯科技（深圳）有限公司 信息推荐方法、装置、计算机可读存储介质及电子设备
CN112579900B (zh) * 2020-12-22 2024-03-12 优必爱信息技术（北京）有限公司 二手车置换信息推荐方法、系统及设备
CN113344676A (zh) * 2021-06-29 2021-09-03 郑州铁路职业技术学院 一种电子商务大数据信息管理系统
CN113609409B (zh) * 2021-07-21 2024-06-14 深圳供电局有限公司 一种推荐浏览信息的方法及其系统、电子设备、存储介质
CN113724042A (zh) * 2021-08-23 2021-11-30 中国建设银行股份有限公司 一种商品推荐方法、装置、介质和设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107885778A (zh) * 2017-10-12 2018-04-06 浙江工业大学 一种基于动态临近点谱聚类的个性化推荐方法
CN108763496A (zh) * 2018-05-30 2018-11-06 南京讯高科技有限公司 一种基于网格和密度的动静态数据融合客户分类算法
CN109408562A (zh) * 2018-11-07 2019-03-01 广东工业大学 一种基于客户特征的分组推荐方法及其装置
CN110458292A (zh) * 2019-07-04 2019-11-15 西安工程大学 一种基于专家知识的服装推荐方法

Also Published As

Publication number Publication date
CN114357309A (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN110443281B (zh) 基于hdbscan聚类的文本分类自适应过采样方法
US10657686B2 (en) Gragnostics rendering
US6012058A (en) Scalable system for K-means clustering of large databases
CN112070125A (zh) 一种基于孤立森林学习的不平衡数据集的预测方法
WO2019015246A1 (zh) 图像特征获取
Pope et al. Learning object recognition models from images
CN112364937B (zh) 用户类别确定方法及装置、推荐内容确定方法、电子设备
CN113850281B (zh) 一种基于meanshift优化的数据处理方法和装置
CN113298230A (zh) 一种基于生成对抗网络的不平衡数据集的预测方法
CN110942091A (zh) 寻找可靠的异常数据中心的半监督少样本图像分类方法
CN108876509B (zh) 利用poi分析用户标签的方法及系统
CN108846261B (zh) 基于可视图算法的基因表达时序数据分类方法
CN110532429B (zh) 一种基于聚类和关联规则的线上用户群体分类方法及装置
CN110348516B (zh) 数据处理方法、装置、存储介质及电子设备
CN112101574B (zh) 一种机器学习有监督模型解释方法、系统及设备
CN111291822A (zh) 基于模糊聚类最优k值选择算法的设备运行状态判断方法
CN117478390A (zh) 一种基于改进密度峰值聚类算法的网络入侵检测方法
CN114004271A (zh) 一种基于树状基学习器的混合特征数据聚类方法及系统
CN111047406B (zh) 一种电信套餐推荐方法、装置、存储介质和设备
CN112288465A (zh) 一种基于半监督聚类集成学习的客户细分方法
CN114357309B (zh) 一种用于二手车跨境贸易的客户智能推荐方法
CN114997327A (zh) 目标对象的分类方法、装置、存储介质以及电子设备
CN114676928A (zh) 一种基于生成对抗网络的不平衡数据集的预测方法
CN108268898A (zh) 一种基于K-Means的电子发票用户聚类方法
CN110119465B (zh) 融合lfm潜在因子与svd的手机应用用户喜好检索方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A customer intelligent recommendation method for used car cross-border trade

Effective date of registration: 20220725

Granted publication date: 20220624

Pledgee: Bank of China Limited Liangshan sub branch

Pledgor: Snail truck network (Shandong) e-commerce Co.,Ltd.

Registration number: Y2022980011029