CN114547446A - 一种订单推送方法及系统 - Google Patents
一种订单推送方法及系统 Download PDFInfo
- Publication number
- CN114547446A CN114547446A CN202210139055.5A CN202210139055A CN114547446A CN 114547446 A CN114547446 A CN 114547446A CN 202210139055 A CN202210139055 A CN 202210139055A CN 114547446 A CN114547446 A CN 114547446A
- Authority
- CN
- China
- Prior art keywords
- electronic product
- data
- order
- user
- cto
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 66
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 80
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 238000003754 machining Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 210000000349 chromosome Anatomy 0.000 description 11
- 230000002068 genetic effect Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 241000289581 Macropus sp. Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种订单推送方法,通过获取用户对电子产品的个性化需求,确定电子产品CTO订单推荐的指标,建立电子产品功能定位目标贴近度函数,建立电子产品CTO订单推荐的单目标优化模型,将单目标优化模型中的条件设为优化目标,建立电子产品CTO订单推荐的多目标优化模型,从公开的互联网电商平台集电子产品BOM相关数据集,并对数据集进行预处理以得到有效数据,根据多目标优化模型使用NSGA算法的快速非支配排序法获得Pareto最优前沿点集,根据用户偏好对Pareto最优前沿点集进行排序,择优向用户推荐电子产品CTO订单。降低了算法陷入局部最优的可能性,一定程度上提升了订单推荐的精确度和用户体验。
Description
技术领域
本发明属于订单处理技术领域,尤其涉及一种订单推送方法及系统。
背景技术
随着科技和经济的发展,商品市场的不确定性和复杂性急剧增加,目前国内大规模定制企业市场环境面临着巨大的变化,使得大规模定制企业间的竞争日益激烈,因此企业要在激烈的市场竞争中获取有利地位需要改变传统的制造方式,有面向产品转变为面向客户。按订单配置模式(Configure To Order,CTO)也称为客制化生产模式,CTO模式起源于用户需求与偏好,目标是快速、有效地满足用户的个性化需求,根据客户需求从产品构件集中选择一组满足客户个性化需求的产品BOM。
目前,用户对电子产品需求逐渐呈现多样化趋势,电子产品的BOM往往包含数十项核心配件,每个配件拥有诸多不同品牌与型号的产品可供选择,且产品更新较快,由于采用过程式产品配置方式,需要用户对这些配置非常熟悉,且在BOM选择过程中,难以满足全局性需求,也容易忽略企业库存等影响因素,从而延长电子产品的生产周期,增加企业生产成本,使得最终的产品也难以满足客户实际需求,现有关于CTO产品配置多是考虑如何在用户个性化需求和生产成本的基础上,将大量的CTO订单进行整合获取BOM,但忽略了CTO订单本身如何根据用户的个性化需求而明确化。
发明内容
有鉴于此,本发明提供了一种订单推送方法及系统,在分析用户对电子产品的个性化需求的基础上,提出了电子产品功能定位目标贴近度等评价指标,分别建立了电子产品CTO订单推荐的单目标与多目标优化模型,以提高订单推荐的精确度和用户体验,具体采用以下技术方案来实现。
第一方面,本发明提供了一种订单推送方法,包括以下步骤:
获取用户对电子产品的个性化需求,确定电子产品CTO订单推荐的指标,建立电子产品功能定位目标贴近度函数,并将电子产品价格、电子产品功耗设为约束条件,建立电子产品CTO订单推荐的单目标优化模型;
将单目标优化模型中的条件设为优化目标,建立电子产品CTO订单推荐的多目标优化模型;
从公开的互联网电商平台使用网络爬虫采集电子产品BOM相关数据集,并对数据集进行预处理以得到有效数据;
根据建立的电子产品CTO订单推荐的多目标优化模型,使用NSGA算法的快速非支配排序法获得Pareto最优前沿点集,根据用户偏好对Pareto最优前沿点集进行排序,择优向用户推荐电子产品CTO订单。
作为上述技术方案的进一步改进,从公开的互联网电商平台使用网络爬虫采集电子产品BOM相关数据集,包括:
从初始数据的多个维度中提取用户ID、消费金额、消费时间、商品ID四个维度并计算出相应的各个用户的五个指标形成初始数据;
根据初始数据使用熵值法得到个指标权重,将个指标与其对应权重相乘进行赋权,得到聚类所用赋权后的数据集;
导出四类用户群体的标准数据,并计算出每类用户五个指标的平均值,以及每一类用户的用户数量,将各用户类个指标价值加和得到该类用户总价值量。
作为上述技术方案的进一步改进,从初始数据的多个维度中提取用户ID、消费金额、消费时间、商品ID四个维度并计算出相应的各个用户的五个指标形成初始数据,包括:
数据缺失,对于某条数据缺数字段少的数据查阅相关资料或通过其他或联网平台采集数据,对数据的缺失字段进行填补,对于数据字段缺失多的数据进行删除,若非必要字段缺失多则直接剔除该字段,其中,非必要字段包括该字段对实验结果不产生影响,也不影响用户的个性化选择;
数据冗余,数据冗余即数据重复,重复数据会使得数据暂用内存空间,以删除冗余数据;
数据异常,数据的字段值超出认知的范围或超出正常的字段值范围,若该条数据缺失字段值多或字段数据异常数据多,则直接提出该条数据,若该条数据缺失或异常字段少则通过其他互联网平台手机或查阅资料进行填充。
作为上述技术方案的进一步改进,使用NSGA算法的快速非支配排序法获得Pareto最优前沿点集,包括:
在快速非支配排序中引入两个参数sq与sq将时间复杂度由原来的O(rN3)降低到O(rN2),先比较个体间的支配关系,采用二重循环计算确定所有个体的这两个参数sq与nq,其计算量达到O(rN2),根据这两个参数确定个体的分层,设最先确定个体分至0层,剩余的个体按序排列下去,其中sq为个体所支配的个体组成的集合,nq为支配个体q的数量;
每次迭代比较O(N)次,最坏的情况下存在N个分层,所有最坏情况下的时间复杂度为O(rN2),则总时间复杂度为O(rN2)+O(N2),快速非支配排序最终的时间复杂度为O(rN2),若在最坏的情况下,存储空间的复杂度可由原先的O(N)增长到O(N2)。
作为上述技术方案的进一步改进,当前Pareto等级下的某个确定个体与周围个体的远近程度,在位于同一支配等级的拥挤度的计算过程如下:
计算开始,初始化该等级下的所有个体的拥挤为0,若当前支配等级下的个体数为np,拥挤度id=0,d∈[1,2,...,np];
对每个目标函数计算拥挤度,位于当前非支配等级两端的个体的拥挤度为无限大,其余中间个体的拥挤度计算方式为:累积每个目标下当前个体的前后个体的目标函数值之差;
精英策略为种群进行交叉变异之后,将子父代同时比较,使得下一代种群保持父代中优秀的个体,同时加入子代中产生的优秀的个体,对于精英保留策略可描述为:对一个规模为N的种群,经过交叉变异生成N的新种群,合并成种群规模为2N的种群,对这个合并种群中个体进行非支配排序,计算拥挤度,根据优胜劣汰选择前N个优秀个体组成新种群。
作为上述技术方案的进一步改进,根据用户偏好对Pareto最优前沿点集进行排序,包括:
将得到的Pareto最优前沿点集记录在新种群pn中,它们的获取与用户偏好无关,根据用户的偏好对新种群pn进行非支配排序,选择非支配等级最低的非支配集;
将非支配集中个体的所有目标函数值进行归一化处理,根据用户偏好设置目标函数权重,按大小依次排序,得到基于权重的非支配排序,即基于用户的电子产品CTO订单推荐,其表达式为Norw=α+(1-α)*Testw,其中Testw是第w个目标函数的测试函数,Norw为当前第w个目标函数的归一化函数,为当前第w个目标函数的第i个函数值,为当前第w个目标函数在当前数据库中或当前电子产品市场的最大值和最小值,α为可调参数,该值是根据测试函数Testw的值所确定。
作为上述技术方案的进一步改进,建立电子产品CTO订单推荐的单目标优化模型,包括:
电子产品的选配清单涉及的n个配件中,第i个配件有pi种选择,xij(i=1,2...n,j=1,2...pi)为一个0-1变量,xij=1表示为第i个配件作出第j种选择,其中,pi种选择为每种选择对应某个品牌下的某个型号,第j种选择为已经对用户的个性化需求的局部约束进行了筛选;
作为上述技术方案的进一步改进,单目标电子产品CTO订单推荐优化模型以最大功能定位目标贴近度,电子产品成本率和功耗作为约束条件,将该电子产品的SPCTOR模型构建的多维多选项背包问题,其中SEPCTOR模型的数字描述为:目标函数,Maxμ;约束条件:prcl≤C≤prcu描述价格约束,P≤pcc描述功耗约束;vr=fr(xij),r=r1,r2...rμ描述根据用户的选择计算功能定位中某种指标值的方法,i=1,2...n,xij∈{0,1},i=1,2...n,j=1,2...pi,其中,[prcl,prcu]为用户约定的产品价格区间,pcc为用户约定的产品功耗上限。
作为上述技术方案的进一步改进,建立电子产品CTO订单推荐的多目标优化模型,包括:
以最大化功能定位目标贴近度、最小化产品成本和功耗为优化目标构建多目标电子产品的CTO订单推荐模型,目标函数:Maxμ;Min C;Min P;约束条件:vr=fr(xij),r=r1,r2...rμ;i=1,2...n,xij∈{0,1},i=1,2...n,j=1,2...pi,表明应为每种配件刚好选择一个选项。
第二方面,本发明还提供了一种订单推送系统,包括:
获取单元,用于获取用户对电子产品的个性化需求,确定电子产品CTO订单推荐的指标,建立电子产品功能定位目标贴近度函数,并将电子产品价格、电子产品功耗设为约束条件,建立电子产品CTO订单推荐的单目标优化模型;
构建单元,用于将单目标优化模型中的条件设为优化目标,建立电子产品CTO订单推荐的多目标优化模型;
预处理单元,用于从公开的互联网电商平台使用网络爬虫采集电子产品BOM相关数据集,并对数据集进行预处理以得到有效数据;
推荐单元,用于根据建立的电子产品CTO订单推荐的多目标优化模型,使用NSGA算法的快速非支配排序法获得Pareto最优前沿点集,根据用户偏好对Pareto最优前沿点集进行排序,择优向用户推荐电子产品CTO订单。
本发明提供了一种订单推送方法及系统,具有以下有益效果:
通过获取用户对电子产品的个性化需求,确定电子产品CTO订单推荐的指标,建立电子产品功能定位目标贴近度函数,并将电子产品价格、电子产品功耗设为约束条件,建立电子产品CTO订单推荐的单目标优化模型,将单目标优化模型中的条件设为优化目标,建立电子产品CTO订单推荐的多目标优化模型,从公开的互联网电商平台使用网络爬虫采集电子产品BOM相关数据集,并对数据集进行预处理以得到有效数据,根据建立的电子产品CTO订单推荐的多目标优化模型,使用NSGA算法的快速非支配排序法获得Pareto最优前沿点集,根据用户偏好对Pareto最优前沿点集进行排序,择优向用户推荐电子产品CTO订单。根据用户需求建立电子产品功能定位目标贴近度函数,并结合用户较为关心的电子产品和功耗,对多目标的电子产品CTO订单推荐模型求解,使用遗传算法并提高算法的收敛速度和收敛精度,进一步提升算法的运行效率,同时也降低了算法陷入局部最优的可能性,一定程度上提升了订单推荐的精确度和用户体验。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的订单推送方法的流程图;
图2为本发明的数据采集的流程图;
图3为本发明的遗传算法的过程图;
图4为本发明的订单推送系统的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参阅图1,本发明提供了一种订单推送方法,包括以下步骤:
S10:获取用户对电子产品的个性化需求,确定电子产品CTO订单推荐的指标,建立电子产品功能定位目标贴近度函数,并将电子产品价格、电子产品功耗设为约束条件,建立电子产品CTO订单推荐的单目标优化模型;
S11:将单目标优化模型中的条件设为优化目标,建立电子产品CTO订单推荐的多目标优化模型;
S12:从公开的互联网电商平台使用网络爬虫采集电子产品BOM相关数据集,并对数据集进行预处理以得到有效数据;
S13:根据建立的电子产品CTO订单推荐的多目标优化模型,使用NSGA算法的快速非支配排序法获得Pareto最优前沿点集,根据用户偏好对Pareto最优前沿点集进行排序,择优向用户推荐电子产品CTO订单。
本实施例中,用户的个性化需求包括:功能定位性需求,如定位为商务型;针对配件或可分解为针对配件的局部需求,如内存不小于4G、CPU要求是Intel的,颜色为银色等;针对全部或多个配件的全局约束,如对价格、功耗、重量等的要求。以PC机的个性化订单为例,使用爬虫技术从公开的网络平台采集的数据有显示器、CPU、GPU、主板、内存、硬盘、电源、键盘、鼠标、音箱等配件的包含产品型号、市场价格、功耗、大小、质量等信息,形成一定规模的数据集。对当前电子产品CTO订单推荐存在的难点进行了简要的分析,并结合用户对电子产品的需求进行分析,根据用户对电子产品CTO订单功能定位性需求构造电子产品功能定位目标贴近度函数,建立以电子产品功能定位目标贴近度函数为优化目标,产品功耗和产品价格为约束的电子产品CTO订单推荐的单目标优化模型,将单目标优化模型中的产品功耗和产品价格约束转化为优化目标,建立电子产品CTO订单推荐的多目标优化模型,采集电子产品相关数据,并对数据进行了预处理,来获取到有效数据。
参阅图2,从公开的互联网电商平台使用网络爬虫采集电子产品BOM相关数据集,包括:
S20:从初始数据的多个维度中提取用户ID、消费金额、消费时间、商品ID四个维度并计算出相应的各个用户的五个指标形成初始数据;
S21:根据初始数据使用熵值法得到个指标权重,将个指标与其对应权重相乘进行赋权,得到聚类所用赋权后的数据集;
S22:导出四类用户群体的标准数据,并计算出每类用户五个指标的平均值,以及每一类用户的用户数量,将各用户类个指标价值加和得到该类用户总价值量。
本实施例中,从初始数据的多个维度中提取用户ID、消费金额、消费时间、商品ID四个维度并计算出相应的各个用户的五个指标形成初始数据,数据缺失,对于某条数据缺数字段少的数据查阅相关资料或通过其他或联网平台采集数据,对数据的缺失字段进行填补,对于数据字段缺失多的数据进行删除,若非必要字段缺失多则直接剔除该字段,其中,非必要字段包括该字段对实验结果不产生影响,也不影响用户的个性化选择;数据冗余,数据冗余即数据重复,重复数据会使得数据暂用内存空间,以删除冗余数据;数据异常,数据的字段值超出认知的范围或超出正常的字段值范围,若该条数据缺失字段值多或字段数据异常数据多,则直接提出该条数据,若该条数据缺失或异常字段少则通过其他互联网平台手机或查阅资料进行填充。
参阅图3,使用NSGA算法的快速非支配排序法获得Pareto最优前沿点集,包括:
S30:在快速非支配排序中引入两个参数sq与sq将时间复杂度由原来的O(rN3)降低到O(rN2),先比较个体间的支配关系,采用二重循环计算确定所有个体的这两个参数sq与nq,其计算量达到O(rN2),根据这两个参数确定个体的分层,设最先确定个体分至0层,剩余的个体按序排列下去,其中sq为个体所支配的个体组成的集合,nq为支配个体q的数量;
S31:每次迭代比较O(N)次,最坏的情况下存在N个分层,所有最坏情况下的时间复杂度为O(rN2),则总时间复杂度为O(rN2)+O(N2),快速非支配排序最终的时间复杂度为O(rN2),若在最坏的情况下,存储空间的复杂度可由原先的O(N)增长到O(N2)。
本实施例中,当前Pareto等级下的某个确定个体与周围个体的远近程度,在位于同一支配等级的拥挤度的计算过程如下:计算开始,初始化该等级下的所有个体的拥挤为0,若当前支配等级下的个体数为np,拥挤度id=0,d∈[1,2,...,np];对每个目标函数计算拥挤度,位于当前非支配等级两端的个体的拥挤度为无限大,其余中间个体的拥挤度计算方式为:累积每个目标下当前个体的前后个体的目标函数值之差;精英策略为种群进行交叉变异之后,将子父代同时比较,使得下一代种群保持父代中优秀的个体,同时加入子代中产生的优秀的个体,对于精英保留策略可描述为:对一个规模为N的种群,经过交叉变异生成N的新种群,合并成种群规模为2N的种群,对这个合并种群中个体进行非支配排序,计算拥挤度,根据优胜劣汰选择前N个优秀个体组成新种群。
需要说明的是,根据用户偏好对Pareto最优前沿点集进行排序,将得到的Pareto最优前沿点集记录在新种群pn中,它们的获取与用户偏好无关,根据用户的偏好对新种群pn进行非支配排序,选择非支配等级最低的非支配集;将非支配集中个体的所有目标函数值进行归一化处理,根据用户偏好设置目标函数权重,按大小依次排序,得到基于权重的非支配排序,即基于用户的电子产品CTO订单推荐,其表达式为Norw=α+(1-α)*Testw,其中Testw是第w个目标函数的测试函数,Norw为当前第w个目标函数的归一化函数,为当前第w个目标函数的第i个函数值,为当前第w个目标函数在当前数据库中或当前电子产品市场的最大值和最小值,α为可调参数,该值是根据测试函数Testw的值所确定。
可选地,建立电子产品CTO订单推荐的单目标优化模型,包括:
电子产品的选配清单涉及的n个配件中,第i个配件有pi种选择,xij(i=1,2...n,j=1,2...pi)为一个0-1变量,xij=1表示为第i个配件作出第j种选择,其中,pi种选择为每种选择对应某个品牌下的某个型号,第j种选择为已经对用户的个性化需求的局部约束进行了筛选;
本实施例中,单目标电子产品CTO订单推荐优化模型以最大功能定位目标贴近度,电子产品成本率和功耗作为约束条件,将该电子产品的SPCTOR模型构建的多维多选项背包问题,其中SEPCTOR模型的数字描述为:目标函数,Maxμ;约束条件:prcl≤C≤prcu描述价格约束,P≤pcc描述功耗约束;vr=fr(xij),r=r1,r2...rμ描述根据用户的选择计算功能定位中某种指标值的方法,i=1,2...n,xij∈{0,1},i=1,2...n,j=1,2...pi,其中,[prcl,prcu]为用户约定的产品价格区间,pcc为用户约定的产品功耗上限。
需要说明的是,建立电子产品CTO订单推荐的多目标优化模型,以最大化功能定位目标贴近度、最小化产品成本和功耗为优化目标构建多目标电子产品的CTO订单推荐模型,目标函数:Maxμ;Min C;Min P;约束条件:vr=fr(xij),r=r1,r2...rμ;i=1,2...n,xij∈{0,1},i=1,2...n,j=1,2...pi,表明应为每种配件刚好选择一个选项。
应理解,遗传算法是将问题的操作变量以某种方式进行编码,染色体是通过编码表示后的可行解空间的一个随机解,通过对染色体的遗传操作即选择、交叉和变异在可行解空间中搜索全局最优解。算法进化过程中的遗传操作选择都是随机的,但并不是完全随机的,根据个体适应度的优劣程度在可行解空间中进行全局搜索。遗传算法主要部分包括决策变量编码、适应度函数定义、遗传操作即选择、交叉和变异、遗传操作参数的设定,遗传算法求解过程是一个不断迭代的过程,直至得到满足要求的解或达到算法的终止袋鼠,算法求解的过程为:操作变量编码,根据影响问题的因素,对问题的变量选择与问题相匹配的方式进行编码;设计适应度函数,适应度函数的评价种群和染色体进化程度的重要指标,但是影响种群搜索方向的主要因素,因此适应度函数的定义需要结合实际问题;初始化种群,根据染色体的基因随机生成染色体,将生成的N个染色体组成种群;选择操作,根据优胜劣汰的机制,选取种群中适应度较高的染色体作为父代染色体;交叉操作,将选择得到的父代染色体,以一定的概率交换基因,通过重组诞生新的染色体;变异操作,选取基因座上基因发生突变,会创造出新的染色体;终止,判断是否满足终止条件,若满足则停止算法的迭代,若不满足,则返回选择操作。
参阅图4,本发明还提供了一种订单推送系统,包括:
获取单元,用于获取用户对电子产品的个性化需求,确定电子产品CTO订单推荐的指标,建立电子产品功能定位目标贴近度函数,并将电子产品价格、电子产品功耗设为约束条件,建立电子产品CTO订单推荐的单目标优化模型;
构建单元,用于将单目标优化模型中的条件设为优化目标,建立电子产品CTO订单推荐的多目标优化模型;
预处理单元,用于从公开的互联网电商平台使用网络爬虫采集电子产品BOM相关数据集,并对数据集进行预处理以得到有效数据;
推荐单元,用于根据建立的电子产品CTO订单推荐的多目标优化模型,使用NSGA算法的快速非支配排序法获得Pareto最优前沿点集,根据用户偏好对Pareto最优前沿点集进行排序,择优向用户推荐电子产品CTO订单。
本实施例中,假设在多目标优化问题中,可由一组优化目标函数以及若干个约束条件组成,可描述为:目标优化:Min F(x)=(f1(x),f2(x)...fk(x)),约束条件:h(x)≤0,其中x表示决策变量,X为决策变量x形成的向量空间,约束条件x满足h(x)≤0。可行解X为满足约束条件h(x)≤0的所有决策变量的集合,即若在可行解空间中存在xp,xq∈X,若fl(xp)≤fl(xq),且fl(xp)<fl(xq),则称解xp优越于解xq或xp支配xq。若存在且解xp比集合X中的任何一个解都优秀,即fl(xp)<fl(xq),且l≠1,则称解xp是多目标优化模型的最优解,但存在着较多的约束条件且不同的目标优化函数存在着某种相互关联,一般不存在这样的解。在给定的多目标优化问题中,若存在xp∈X,而不存在xq∈X,使得xq支配xp即不存在解xq优越于解xp,则称解xp为多目标优化问题的Pareto最优解。在给定的一组最优解中,若这个解集中的解是相互非支配的,且解集中任意两个解不存在支配关系,那么称这个解集为Pareto最优解集。在Pareto最优解集中每个解对应的目标向量在目标空间中组成的曲面成为Pareto前沿面。根据建立的电子产品CTO订单推荐的多目标优化模型,使用NSGA算法的快速非支配排序法获得Pareto最优前沿点集,根据用户偏好对Pareto最优前沿点集进行排序所得的推荐指数期望更高,且算法鲁棒性强,推荐指数更具平稳性。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种订单推送方法,其特征在于,包括以下步骤:
获取用户对电子产品的个性化需求,确定电子产品CTO订单推荐的指标,建立电子产品功能定位目标贴近度函数,并将电子产品价格、电子产品功耗设为约束条件,建立电子产品CTO订单推荐的单目标优化模型;
将单目标优化模型中的条件设为优化目标,建立电子产品CTO订单推荐的多目标优化模型;
从公开的互联网电商平台使用网络爬虫采集电子产品BOM相关数据集,并对数据集进行预处理以得到有效数据;
根据建立的电子产品CTO订单推荐的多目标优化模型,使用NSGA算法的快速非支配排序法获得Pareto最优前沿点集,根据用户偏好对Pareto最优前沿点集进行排序,择优向用户推荐电子产品CTO订单。
2.根据权利要求1所述的订单推送方法,其特征在于,从公开的互联网电商平台使用网络爬虫采集电子产品BOM相关数据集,包括:
从初始数据的多个维度中提取用户ID、消费金额、消费时间、商品ID四个维度并计算出相应的各个用户的五个指标形成初始数据;
根据初始数据使用熵值法得到个指标权重,将个指标与其对应权重相乘进行赋权,得到聚类所用赋权后的数据集;
导出四类用户群体的标准数据,并计算出每类用户五个指标的平均值,以及每一类用户的用户数量,将各用户类个指标价值加和得到该类用户总价值量。
3.根据权利要求2所述的订单推送方法,其特征在于,从初始数据的多个维度中提取用户ID、消费金额、消费时间、商品ID四个维度并计算出相应的各个用户的五个指标形成初始数据,包括:
数据缺失,对于某条数据缺数字段少的数据查阅相关资料或通过其他或联网平台采集数据,对数据的缺失字段进行填补,对于数据字段缺失多的数据进行删除,若非必要字段缺失多则直接剔除该字段,其中,非必要字段包括该字段对实验结果不产生影响,也不影响用户的个性化选择;
数据冗余,数据冗余即数据重复,重复数据会使得数据暂用内存空间,以删除冗余数据;
数据异常,数据的字段值超出认知的范围或超出正常的字段值范围,若该条数据缺失字段值多或字段数据异常数据多,则直接提出该条数据,若该条数据缺失或异常字段少则通过其他互联网平台手机或查阅资料进行填充。
4.根据权利要求1所述的订单推送方法,其特征在于,使用NSGA算法的快速非支配排序法获得Pareto最优前沿点集,包括:
在快速非支配排序中引入两个参数sq与sq将时间复杂度由原来的O(rN3)降低到O(rN2),先比较个体间的支配关系,采用二重循环计算确定所有个体的这两个参数sq与nq,其计算量达到O(rN2),根据这两个参数确定个体的分层,设最先确定个体分至0层,剩余的个体按序排列下去,其中sq为个体所支配的个体组成的集合,nq为支配个体q的数量;
每次迭代比较O(N)次,最坏的情况下存在N个分层,所有最坏情况下的时间复杂度为O(rN2),则总时间复杂度为O(rN2)+O(N2),快速非支配排序最终的时间复杂度为O(rN2),若在最坏的情况下,存储空间的复杂度可由原先的O(N)增长到O(N2)。
5.根据权利要求4所述的订单推送方法,其特征在于,当前Pareto等级下的某个确定个体与周围个体的远近程度,在位于同一支配等级的拥挤度的计算过程如下:
计算开始,初始化该等级下的所有个体的拥挤为0,若当前支配等级下的个体数为np,拥挤度id=0,d∈[1,2,...,np];
对每个目标函数计算拥挤度,位于当前非支配等级两端的个体的拥挤度为无限大,其余中间个体的拥挤度计算方式为:累积每个目标下当前个体的前后个体的目标函数值之差;
精英策略为种群进行交叉变异之后,将子父代同时比较,使得下一代种群保持父代中优秀的个体,同时加入子代中产生的优秀的个体,对于精英保留策略可描述为:对一个规模为N的种群,经过交叉变异生成N的新种群,合并成种群规模为2N的种群,对这个合并种群中个体进行非支配排序,计算拥挤度,根据优胜劣汰选择前N个优秀个体组成新种群。
6.根据权利要求1所述的订单推送方法,其特征在于,根据用户偏好对Pareto最优前沿点集进行排序,包括:
将得到的Pareto最优前沿点集记录在新种群pn中,它们的获取与用户偏好无关,根据用户的偏好对新种群pn进行非支配排序,选择非支配等级最低的非支配集;
7.根据权利要求1所述的订单推送方法,其特征在于,建立电子产品CTO订单推荐的单目标优化模型,包括:
电子产品的选配清单涉及的n个配件中,第i个配件有pi种选择,xij(i=1,2...n,j=1,2...pi)为一个0-1变量,xij=1表示为第i个配件作出第j种选择,其中,pi种选择为每种选择对应某个品牌下的某个型号,第j种选择为已经对用户的个性化需求的局部约束进行了筛选;
10.一种根据权利要求1-9任一项所述的订单推送方法的订单推送系统,其特征在于,包括:
获取单元,用于获取用户对电子产品的个性化需求,确定电子产品CTO订单推荐的指标,建立电子产品功能定位目标贴近度函数,并将电子产品价格、电子产品功耗设为约束条件,建立电子产品CTO订单推荐的单目标优化模型;
构建单元,用于将单目标优化模型中的条件设为优化目标,建立电子产品CTO订单推荐的多目标优化模型;
预处理单元,用于从公开的互联网电商平台使用网络爬虫采集电子产品BOM相关数据集,并对数据集进行预处理以得到有效数据;
推荐单元,用于根据建立的电子产品CTO订单推荐的多目标优化模型,使用NSGA算法的快速非支配排序法获得Pareto最优前沿点集,根据用户偏好对Pareto最优前沿点集进行排序,择优向用户推荐电子产品CTO订单。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210139055.5A CN114547446A (zh) | 2022-02-15 | 2022-02-15 | 一种订单推送方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210139055.5A CN114547446A (zh) | 2022-02-15 | 2022-02-15 | 一种订单推送方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114547446A true CN114547446A (zh) | 2022-05-27 |
Family
ID=81676368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210139055.5A Pending CN114547446A (zh) | 2022-02-15 | 2022-02-15 | 一种订单推送方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114547446A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757724A (zh) * | 2022-06-14 | 2022-07-15 | 湖南三湘银行股份有限公司 | 一种基于遗传算法的精准信息推送系统及方法 |
CN117010554A (zh) * | 2023-07-03 | 2023-11-07 | 同济大学 | 应用于电商推荐系统的动态多目标优化方法以及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539793A (zh) * | 2020-04-28 | 2020-08-14 | 桂林理工大学 | 一种面向opm模式的智造业可视化服务平台 |
CN112070418A (zh) * | 2020-09-21 | 2020-12-11 | 大连大学 | 一种多目标鲸鱼优化算法的武器目标分配方法 |
CN112232930A (zh) * | 2020-11-05 | 2021-01-15 | 西安邮电大学 | 一种基于加权rfm模型的电商平台客户细分方法 |
-
2022
- 2022-02-15 CN CN202210139055.5A patent/CN114547446A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539793A (zh) * | 2020-04-28 | 2020-08-14 | 桂林理工大学 | 一种面向opm模式的智造业可视化服务平台 |
CN112070418A (zh) * | 2020-09-21 | 2020-12-11 | 大连大学 | 一种多目标鲸鱼优化算法的武器目标分配方法 |
CN112232930A (zh) * | 2020-11-05 | 2021-01-15 | 西安邮电大学 | 一种基于加权rfm模型的电商平台客户细分方法 |
Non-Patent Citations (1)
Title |
---|
韩海峰: "基于遗传算法的电子产品CTO订单智能推荐", 《中国优秀硕士学位论文全文数据库(电子期刊)》, 15 July 2021 (2021-07-15), pages 5 - 11 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757724A (zh) * | 2022-06-14 | 2022-07-15 | 湖南三湘银行股份有限公司 | 一种基于遗传算法的精准信息推送系统及方法 |
CN114757724B (zh) * | 2022-06-14 | 2022-09-20 | 湖南三湘银行股份有限公司 | 一种基于遗传算法的精准信息推送系统及方法 |
CN117010554A (zh) * | 2023-07-03 | 2023-11-07 | 同济大学 | 应用于电商推荐系统的动态多目标优化方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Evolving least squares support vector machines for stock market trend mining | |
CN112070125A (zh) | 一种基于孤立森林学习的不平衡数据集的预测方法 | |
US20060230018A1 (en) | Mahalanobis distance genetic algorithm (MDGA) method and system | |
CN114547446A (zh) | 一种订单推送方法及系统 | |
US20200311581A1 (en) | High quality pattern mining model and method based on improved multi-objective evolutionary algorithm | |
CN109727078B (zh) | 一种基于商品类别树的销量预测修正方法 | |
CN110533484A (zh) | 一种基于pca和改进bp神经网络的产品销量预测方法 | |
CN111179016A (zh) | 一种售电套餐推荐方法、设备及存储介质 | |
CN117035837B (zh) | 一种电力用户购电需求预测及零售合同定制方法 | |
Mortezaei et al. | Multi-objective aggregate production planning model with fuzzy parameters and its solving methods | |
Ahn et al. | Using genetic algorithms to optimize nearest neighbors for data mining | |
Nasios et al. | Blending gradient boosted trees and neural networks for point and probabilistic forecasting of hierarchical time series | |
CN109919688B (zh) | 一种考虑市场因素的电子烟产品线规划方法 | |
Chen et al. | A divide-and-conquer-based approach for diverse group stock portfolio optimization using island-based genetic algorithms | |
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 | |
Dou et al. | System portfolio selection for large-scale complex systems construction | |
CN114330891A (zh) | 一种面向云计算的多目标资源调度方法 | |
CN114997959A (zh) | 一种电子智造产品营销推荐方法 | |
CN112270047B (zh) | 基于数据驱动的群体智能计算的城市车辆路径优化方法 | |
CN117194966A (zh) | 对象分类模型的训练方法和相关装置 | |
CN110297977B (zh) | 一种面向众筹平台的个性化推荐单目标进化方法 | |
Sasaki et al. | Portfolio optimization by fuzzy interactive genetic algorithm | |
CN111310993A (zh) | 一种基于多目标进化算法的项目配置方法、装置及系统 | |
CN110956528A (zh) | 一种电商平台的推荐方法及系统 | |
Chen et al. | Using a hybrid meta-evolutionary rule mining approach as a classification response model |
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 |