CN114708051A - 基于用户信息进行车辆推荐的方法和装置 - Google Patents
基于用户信息进行车辆推荐的方法和装置 Download PDFInfo
- Publication number
- CN114708051A CN114708051A CN202111679576.1A CN202111679576A CN114708051A CN 114708051 A CN114708051 A CN 114708051A CN 202111679576 A CN202111679576 A CN 202111679576A CN 114708051 A CN114708051 A CN 114708051A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- interactive
- login
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000002452 interceptive effect Effects 0.000 claims abstract description 153
- 230000003993 interaction Effects 0.000 claims description 40
- 230000006399 behavior Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 41
- 239000013598 vector Substances 0.000 description 23
- 238000010586 diagram Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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]
- G06Q30/0609—Buyer or seller confidence or verification
-
- 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]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0627—Directed, with specific intent or strategy using item specifications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于用户信息进行车辆推荐的方法和装置。其中,该方法包括:采集当前登录应用平台的登录用户的用户信息,其中,用户信息包括:用户基础信息、用户需要的车辆的车辆信息;确定与登录用户关联的至少一个交互用户,其中,交互用户为应用平台中与登录用户之间存在网络交互行为的注册用户,登录用户与任意一个或多个交互用户之间的网络交互行为构成了应用平台的社交圈信息;将登录用户的用户信息,和/或与登录关联的至少一个交互用户的交互用户信息,输入至构建好的知识图谱模型,生成待推荐给登录用户的推荐信息;将推荐信息发送至登录用户所持有的设备。本发明解决了二手车推荐算法缺乏准确性和可解释性的技术问题。
Description
技术领域
本发明涉及车辆领域,具体而言,涉及一种基于用户信息进行车辆推荐的方法和装置。
背景技术
目前,各大车辆交易网站着重于新车的买卖,二手车市场是个值得挖掘的场景,但是,依据现有的二手车推荐算法,一个用户可能搜索到车型只有几款,用如此少量的数据来推测大量的未知信息,会使得算法出现误差,缺乏准确性和可解释性,
针对上述二手车推荐算法缺乏准确性和可解释性的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于用户信息进行车辆推荐的方法和装置,以至少解决二手车推荐算法缺乏准确性和可解释性的技术问题。
根据本发明实施例的一个方面,提供了一种基于用户信息进行车辆推荐的方法,其特征在于,包括:采集当前登录应用平台的登录用户的用户信息,其中,应用平台为车辆交易平台,用户信息包括:用户基础信息、用户需要的车辆的车辆信息;确定与登录用户关联的至少一个交互用户,其中,交互用户为应用平台中与登录用户之间存在网络交互行为的注册用户,登录用户与任意一个或多个交互用户之间的网络交互行为构成了应用平台的社交圈信息;将登录用户的用户信息,和/或与登录关联的至少一个交互用户的交互用户信息,输入至构建好的知识图谱模型,生成待推荐给登录用户的推荐信息;将推荐信息发送至登录用户所持有的设备。
可选地,创建应用平台的知识图谱模型,步骤包括:获取应用平台中已经注册的多个注册用户的用户信息,并采集每个注册用户在历史时间内登录应用平台后产生的历史交易信息,其中,历史交易信息为在应用平台上执行车辆交易操作时所生成的数据;基于任意两个注册用户之间的关联关系,将采集到的每个注册用户在历史时间内产生的历史交易信息进行异构处理,建模生成应用平台的知识图谱模型;其中,知识图谱模型由多个三元图构成,三元图基于用户信息搭建而成。
可选地,在将采集到的每个注册用户在历史时间内产生的历史交易信息进行异构处理的过程中,增加采集与每个注册用户在历史时间内存在网络交互行为的交互用户的历史交易信息,其中,增加的历史交易信息作为辅助信息参与对知识图谱模型的建模过程。
可选地,在获取与登录用户关联的至少一个交互用户之后,该方法还包括:在检测到登录用户与关联的至少一个交互用户存在网络交互行为的情况下,获取产生的交互信息;将登录用户与交互用户进行网络交互行为后产生的交互信息进行存储,以更新社交圈信息。
可选地,将登录用户的用户信息,和/或与登录关联的至少一个交互用户的交互用户信息,输入至构建好的知识图谱模型,生成待推荐给登录用户的推荐信息包括:分析登录用户的用户信息,和与登录关联的至少一个交互用户的交互用户信息,得到登录用户的特征信息、交互用户的特征信息,以及登录用户与交互用户之间的语义关系;将交互用户的特征信息输入至知识图谱模型,获取交互用户的历史交易信息,其中,历史交易信息至少包括:交互用户购买的车辆的车辆信息;基于登录用户的特征信息、交互用户的历史交易信息,以及登录用户与交互用户之间的语义关系,生成推荐信息。
可选地,基于登录用户的特征信息、交互用户的历史交易信息,以及登录用户与交互用户之间的语义关系,生成推荐信息:基于登录用户的特征信息,获取登录用户搜索过的车辆的车辆信息;基于交互用户的历史交易信息,确定交互用户感兴趣的车辆的车辆信息;基于登录用户与交互用户之间的语义关系,将交互用户感兴趣的车辆的车辆信息和登录用户搜索过的车辆的车辆信息进行聚合,生成待推荐的车辆信息;根据待推荐的车辆信息,生成推荐信息。
根据本发明实施例的另一方面,还提供了一种基于用户信息进行车辆推荐的装置,其特征在于,包括:采集模块,用于采集当前登录应用平台的登录用户的用户信息,其中,应用平台为车辆交易平台,用户信息包括:用户基础信息、用户需要的车辆的车辆信息;确定模块,用于确定与登录用户关联的至少一个交互用户,其中,交互用户为应用平台中与登录用户之间存在网络交互行为的注册用户,登录用户与任意一个或多个交互用户之间的网络交互行为构成了应用平台的社交圈信息;处理模块,用于将登录用户的用户信息,和/或与登录关联的至少一个交互用户的交互用户信息,输入至构建好的知识图谱模型,生成待推荐给登录用户的推荐信息;发送模块,用于将推荐信息发送至登录用户所持有的设备。
可选地,创建模块,用于创建应用平台的知识图谱模型,该创建模块包括:子获取模块,用于获取应用平台中已经注册的多个注册用户的用户信息,并采集每个注册用户在历史时间内登录应用平台后产生的历史交易信息,其中,历史交易信息为在应用平台上执行车辆交易操作时所生成的数据;子异构处理模块,用于基于任意两个注册用户之间的关联关系,将采集到的每个注册用户在历史时间内产生的历史交易信息进行异构处理,建模生成应用平台的知识图谱模型。
可选地,处理模块包括:子分析模块,用于分析登录用户的用户信息,和与登录关联的至少一个交互用户的交互用户信息,得到登录用户的特征信息、交互用户的特征信息,以及登录用户与交互用户之间的语义关系;子获取模块,用于将交互用户的特征信息输入至知识图谱模型,获取交互用户的历史交易信息,其中,历史交易信息至少包括:交互用户购买的车辆的车辆信息;子生成模块,用于基于登录用户的特征信息、交互用户的历史交易信息,以及登录用户与交互用户之间的语义关系,生成推荐信息。
在本发明实施例中,通过采集当前登录应用平台的登录用户的用户信息,其中,应用平台为车辆交易平台,用户信息包括:用户基础信息、用户需要的车辆的车辆信息;确定与登录用户关联的至少一个交互用户,其中,交互用户为应用平台中与登录用户之间存在网络交互行为的注册用户,登录用户与任意一个或多个交互用户之间的网络交互行为构成了应用平台的社交圈信息;将登录用户的用户信息,和/或与登录关联的至少一个交互用户的交互用户信息,输入至构建好的知识图谱模型,生成待推荐给登录用户的推荐信息,从而将推荐信息发送至登录用户所持有的设备,以保证为当前登录应用平台的登录用户所推荐的汽车信息的精准性和针对性,进而实现了提高二手车推荐算法的准确性和可解释性的技术效果,解决了二手车推荐算法缺乏准确性和可解释性的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种基于用户信息进行车辆推荐的方法的流程图;
图2是根据本发明实施例的一种基于用户信息进行车辆推荐的推荐算法逻辑架构图;
图3是根据本发明实施例的一种基于用户信息进行车辆推荐的二手车信息知识图谱的样例;
图4是根据本发明实施例的一种基于用户信息进行车辆推荐的社交圈信息图;
图5是根据本发明实施例的一种知识图谱示意图;
图6是根据本发明实施例的一种知识图谱征学习示意图;
图7是根据本发明实施例的一种基于知识图谱进行车辆推荐的方法的流程图;
图8是根据本发明实施例的另一种知识图谱征学习示意图;
图9是根据本发明实施例的一种基于用户信息进行车辆推荐的装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种基于用户信息进行车辆推荐的方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种基于用户信息进行车辆推荐的方法的流程图,如图1所示,该方法可以包括如下步骤:
步骤S102,采集当前登录应用平台的登录用户的用户信息,其中,应用平台为车辆交易平台,用户信息包括:用户基础信息、用户需要的车辆的车辆信息。
在本发明上述步骤S102提供的技术方案中,应用平台为应用平台为车辆交易平台,其可以包括:手机应用(Application,简称为APP)和相关网站,用户基础信息用于表示用户的相关信息,可以包括性别、年龄、手机号等,用户需要的车辆的车辆信息可以包括价格区间、车辆类型、喜好车辆品牌、变速箱、车辆排量、车辆国别、驱动、燃料类型、颜色、座位、车辆年龄等信息,还可以包括用户历史搜索车辆、车辆颜色、车辆类型、车辆国别等车辆信息,此处不做具体限制。
举例而言,当系统检测到用户登录车辆相关手机APP或者网站,就会对用户的个人信息以及所需要的车辆信息进行提取。
步骤S104,确定与登录用户关联的至少一个交互用户,其中,交互用户为应用平台中与登录用户之间存在网络交互行为的注册用户,登录用户与任意一个或多个交互用户之间的网络交互行为构成了应用平台的社交圈信息。
在本发明上述步骤S104提供的技术方案中,用户的社交圈信息数据主要来自于手机APP或者相关网站,应用平台的社交圈信息通过构建用户社交网络实现,构建用户社交网络是做推荐算法的一个核心信息来源。
举例而言,对于新加入的用户或者物品,可能由于系统没有历史的交互信息,因此无法做到准确地建模和推荐,此时可通过引入额外的辅助信息作为输入帮助建模。
可选地,当新用户进入系统时,就会获取到新用户朋友已经搭建好的知识网络,新用户和老用户有了信息之间的交互,若一个用户对某个车感兴趣,那么可推测他的朋友也可能会对该车型感兴趣,从而可有效的解决新用户与系统交互信息稀缺的问题。
步骤S106,将登录用户的用户信息,和/或与登录关联的至少一个交互用户的交互用户信息,输入至构建好的知识图谱模型,生成待推荐给登录用户的推荐信息。
在本发明上述步骤S106的技术方案中,知识图谱的本体是一个大型的语义网络,知识图谱中每一个节点用于表示一个实体,知识图谱中每一条边用于表示着实体之间的语义关系。
举例而言,图5是根据本发明实施例的一种知识图谱示意图,如图5所示,A和 C是两个实体,B为两个实体之间的语义关系,图5所述知识图谱的语义网络可以为 A因为B,得到了C,即,A与C之间的语义关系为因果关系。
可选地,该实施例可根据构建好的知识图谱模型,自动为用户生成推荐信息。
步骤S108,将推荐信息发送至登录用户所持有的设备。
在本发明上述步骤S108的技术方案中,推荐信息为系统根据构建好的知识图谱模型,自动为用户生成的信息,用户所持有的设备可以包括手机APP和相关网站。
该实施例中,系统将根据知识图谱所生成的推荐信息发送给用户的手机APP或者相关网站。
本申请上述步骤S102至步骤S108,通过采集当前登录应用平台的登录用户的用户信息,其中,应用平台为车辆交易平台,用户信息包括:用户基础信息、用户需要的车辆的车辆信息;确定与登录用户关联的至少一个交互用户,其中,交互用户为应用平台中与登录用户之间存在网络交互行为的注册用户,登录用户与任意一个或多个交互用户之间的网络交互行为构成了应用平台的社交圈信息;将登录用户的用户信息,和/或与登录关联的至少一个交互用户的交互用户信息,输入至构建好的知识图谱模型,生成待推荐给登录用户的推荐信息,从而将推荐信息发送至登录用户所持有的设备,以保证为当前登录应用平台的登录用户推荐的汽车信息的精准性和针对性,进而实现了提高二手车推荐算法的准确性和可解释性的技术效果,解决了二手车推荐算法缺乏准确性和可解释性的技术问题。
下面对该实施例的上述方法进行进一步介绍。
作为一种可选地实施例方式,步骤S102,创建应用平台的知识图谱模型,包括:获取应用平台中已经注册的多个注册用户的用户信息,并采集每个注册用户在历史时间内登录应用平台后产生的历史交易信息,其中,历史交易信息为在应用平台上执行车辆交易操作时所生成的数据;基于任意两个注册用户之间的关联关系,将采集到的每个注册用户在历史时间内产生的历史交易信息进行异构处理,建模生成应用平台的知识图谱模型;其中,知识图谱模型由多个三元图构成,三元图基于用户信息搭建而成。
在该实施例中,一个三元组可以表示出头实体+关系=尾实体,也就是说一个正确的三元组头实体加上关系可以表示成一个尾实体,一个错误的三元组是无法表示成这样的向量。
可选地,系统所创建的知识图谱模型包括根据所获取到的用户社交信息建立的历史数据知识图谱,还包括根据用户的实时信息和同步的社交信息所构建的实时数据知识图谱模型。
举例而言,可将红旗HS5、车型、SUV作为一个三元组例子进行解释,如图6所示,图6是根据本发明实施例的一种知识图谱征学习示意图,TransE算法就是要将这个三元组映射成一个低维向量,这样红旗HS5就不只是一个名称,而是变成了一个低维向量,例如,[0.2,1.5,0.4,1,8]。
作为一种可选地实施例方式,步骤S102,在将采集到的每个注册用户在历史时间内产生的历史交易信息进行异构处理的过程中,增加采集与每个注册用户在历史时间内存在网络交互行为的交互用户的历史交易信息,其中,增加的历史交易信息作为辅助信息参与对知识图谱模型的建模过程。
在该实施例中,在将用户的历史交易信息进行异构处理时,除了对每个用户的基础信息数据进行采集,还对其交互用户的历史交易信息也进行采集,从而建立新的知识图谱模型。
作为一种可选地实施例方式,步骤S104,在获取与登录用户关联的至少一个交互用户之后,还包括:在检测到登录用户与关联的至少一个交互用户存在网络交互行为的情况下,获取产生的交互信息;将登录用户与交互用户进行网络交互行为后产生的交互信息进行存储,以更新社交圈信息。
在该实施例中,当系统检测到登录用户与交互用户产生新的交互信息,系统会自动将该交互信息进行存储,从而对数据库中的社交圈信息进行实时更新。
作为一种可选地实施例方式,步骤S106,将登录用户的用户信息,和/或与登录关联的至少一个交互用户的交互用户信息,输入至构建好的知识图谱模型,生成待推荐给登录用户的推荐信息包括:分析登录用户的用户信息,和与登录关联的至少一个交互用户的交互用户信息,得到登录用户的特征信息、交互用户的特征信息,以及登录用户与交互用户之间的语义关系;将交互用户的特征信息输入至知识图谱模型,获取交互用户的历史交易信息,其中,历史交易信息至少包括:交互用户购买的车辆的车辆信息;基于登录用户的特征信息、交互用户的历史交易信息,以及登录用户与交互用户之间的语义关系,生成推荐信息。
在该实施例中,将登录用户的用户信息,和/或与登录关联的至少一个交互用户的交互用户信息作为输入,构建知识图谱模型,系统根据所构建的知识图谱模型自动生成给登录用户的推荐信息。
作为一种可选地实施例方式,步骤S106,基于登录用户的特征信息、交互用户的历史交易信息,以及登录用户与交互用户之间的语义关系,生成推荐信息;基于登录用户的特征信息,获取登录用户搜索过的车辆的车辆信息;基于交互用户的历史交易信息,确定交互用户感兴趣的车辆的车辆信息;基于登录用户与交互用户之间的语义关系,将交互用户感兴趣的车辆的车辆信息和登录用户搜索过的车辆的车辆信息进行聚合,生成待推荐的车辆信息;根据待推荐的车辆信息,生成推荐信息。
在该实施例中,系统将生成的推荐信息发送至登录用户所持有的装备,其中,生成的推荐信息为根据知识图谱所生成的推荐车辆信息,登录用户所持有的装备可以包括手机APP和网站等。
该实施例通过采集当前登录应用平台的登录用户的用户信息,其中,应用平台为车辆交易平台,用户信息包括:用户基础信息、用户需要的车辆的车辆信息;确定与登录用户关联的至少一个交互用户,其中,交互用户为应用平台中与登录用户之间存在网络交互行为的注册用户,登录用户与任意一个或多个交互用户之间的网络交互行为构成了应用平台的社交圈信息;将登录用户的用户信息,和/或与登录关联的至少一个交互用户的交互用户信息,输入至构建好的知识图谱模型,生成待推荐给登录用户的推荐信息,从而将推荐信息发送至登录用户所持有的设备,以保证为当前登录应用平台的登录用户所推荐的汽车信息的精准性和针对性,进而实现了提高二手车推荐算法的准确性和可解释性的技术效果,解决了二手车推荐算法缺乏准确性和可解释性的技术问题。
实施例2
下面结合优选的实施方式对本发明实施例的技术方案进行举例说明。
传统的推荐算法大部分属于协调过滤推荐,该算法是最早的推荐算法之一,一般采用最近邻技术,先利用用户历史的喜好计算出用户之间的距离,然后找到最近的邻居用户,根据邻居用户对商品的评价和喜好的加权值来判断用户对该商品的喜好程度,后台系统根据喜好程度的高低对用户进行推荐,对用户进行推荐的前提是找到和用户具有相似兴趣的其他用户,根据其他用户的兴趣来进行推荐,这种推荐可以对简单的关系进行梳理,从而可以轻松处理简单的非结构化对象,但是当遇到内容比较复杂、用户不断增加以及节点繁杂等现象,就会存在稀疏性和冷开始问题,用户和物品之间交互十分稀疏,一个用户可能搜索的车型只有几款,用如此少量的数据来推测大量的未知信息,会使得算法出现误差,从而导致依据该算法所推荐的推荐结果不准确,且不具备可解释性。
因此,为了克服以上问题,在一种相关技术中,提出了一种面向汽车领域知识图谱的构建方法及系统,通过根据预设分类算法对所采集的大量汽车领域相关数据进行分类,根据依存分析法抽取三元组数据,对所抽取的三元组数据进行可视化处理,从而构建汽车领域知识图谱的技术方案,解决了现有技术所构建的知识图谱所存在局限性大的技术问题,达到了降低知识图谱构建的局限性的技术效果。
然而,本申请提出了一种基于用户信息进行车辆推荐的方法,该方法是通过知识图谱模型将用户基础信息和搜索信息形成大型知识图谱网络,也就是说,将用户和获取的信息内容绑定,使得用户和物品之间的交互变得紧密,将用户和用户以及用户和物品连接起来,形成一种社交网络,使得算法所做出的推荐具备准确性和可解释性。
在该实施例中,提出一种基于用户信息进行车辆推荐的推荐算法逻辑架构图,如图2所示,图2是根据本发明实施例的一种基于用户信息进行车辆推荐的推荐算法逻辑架构图。
S201,获取用户基础信息数据。
可选地,对用户的基础信息数据进行采集,其中,用户的基础信息数据包括用户的性别、年龄、手机号、价格区间、汽车类型、喜好品牌、购车需求等。
举例而言,通过手机APP注册或网站注册形式获取用户的基础信息,进行所需信息抽取储存,包括性别、年龄、手机号、所需车辆信息(价格区间、车辆类型、喜好车辆品牌、变速箱、车辆排量、车辆国别、驱动、燃料类型、颜色、座位、车辆年龄);用户历史搜索车辆、车辆颜色、车辆类型、车辆国别等车辆信息。
S202,获取用户社交圈信息数据。
对用户的社交圈信息数据进行采集,其中,用户的社交圈信息数据主要来自于手机APP或者网站。
用户社交网络是做推荐算法的一个核心信息来源,对于新加入的用户或者物品,可能由于系统没有历史的交互信息,因此无法做到准确的建模和推荐,这就需要引入额外的辅助信息来作为输入帮助建模,一个用户对某个车感兴趣,他的朋友也可能会对该车型感兴趣。如图4所示,图4是根据本发明实施例的一种基于用户信息进行车辆推荐的社交圈信息图,图中实线为已有关系,虚线为可能存在关系,当新用户进入系统时,会获取到新用户朋友已经搭建好的知识网络,新用户和老用户有了信息之间的交互,从而有效的解决新用户与系统交互信息稀缺的问题。
S203,搭建历史数据知识图谱模型。
根据用户之前的社交圈信息数据,建立知识图谱模型。
可选地,知识图谱是一个很有效的深度学习算法模型,它的本体是一个大型的语义网络,每一个节点代表着一个实体,边代表着实体之间的语义关系,它由一个个小 的(实体,关系,实体)三元组组成。图5是根据本发明实施例的一种知识图谱示意 图,如图5所示,该图可以表示为A因为B,得到了C,其中A和C是两个实体,B 为语义关系,即,B可以表示为因果关系。
知识图谱为二手车推荐算法提供了丰富的语义,将知识图谱应用到二手车推荐算法可以为算法提供包真性、可解释性、深入性。
可选地,将知识图谱和二手车推荐算法相结合,需要用到知识图谱的特征学习,知识图谱特征学习在不破坏原有的关系情况下将每一个实体和关系学习到一个低维向量空间,特征学习可以用到欧式空间,其主要将关系映射到向量或者矩阵空间或者捕获关系的交互。
可选地,如图3所示,在接入新用户信息之前,需要对原始数据进行知识图谱搭建,利用知识图谱进行推荐需要有原始的数据来承接,数据样式为(实体,关系,实体)。
举例而言,运用TransE算法实现知识图谱特征学习,比如,可将(红旗HS5,车型,SUV)作为一个三元组例子进行解释,如图6所示,图6是根据本发明实施例的一种知识图谱征学习示例图,TransE算法就是要将这个三元组映射成一个低维向量,这样红旗HS5就不只是一个名称,而是变成了一个低维向量,例如,[0.2,1.5,0.4,1,8]。
TransE算法认为一个三元组可以表示出头实体+关系=尾实体,也就是说一个正确的三元组头实体加上关系可以表示成一个尾实体,一个错误的三元组是无法表示成这样的向量。
利用知识图谱特征学习将一个三元组映射成一个低维向量,但是三元组无法运用到计算中,而向量可以作为一个计算的符号,将其作为算法的一个重要输入,进行计算,从而降低了知识图谱的异构型和复杂性,也减少了知识图谱带来的计算负担。
举例而言,如图7所示,通过将二手车三元组作为输入得到二手车知识图谱,进行知识图谱特征学习,得到物品向量和关系向量,然后将这些低维向量引入到推荐算法,得到所需的二手车向量和用户向量。
举例而言,知识图谱模型对每一个向量进行打标签加权重,用于接下来的距离计算。如图8所示,三个不同的向量分别对应不同的标签值,具体地,实体1的标签值为0.2,实体2的标签值为1.6,实体3的标签值为2。
标签值越大则代表对用户喜好的影响更小,对向量进行打标签可以根据此向量的实体关系多少来定义:
其中,a为定义的标签总值,b为关系数,x为相关系数。
由于传统的欧式距离计算向量距离会与实际情况有误差,因此通过引入标签来优化算法,优化后的距离为:
S204,搭建实时数据知识图谱模型。
根据所获取到的实时流数据,建立相应的知识图谱模型,其中,实时流数据包括:所获取的用户基础信息数据和实时同步的用户社交圈信息数据。
S205,模型部署开发。
将原始知识图谱网络和新加入的小型知识图谱形成关联,搭建出一个更大的知识图谱,为下一模块提供模型算法,为下一个模块输出向量特征。
S206,依据模型算法推荐结果。
建立的知识图谱模型根据所得到的低维向量,可以通过公式计算用户对二手车的偏好度,数值越小,两者距离越近,用户更有可能喜好这俩二手车,基于社交圈和用户基础信息搭建起的知识图谱来建模,是将用户曾搜索的历史信息和社交信息聚合成的低维向量空间。
S207,可解释性推荐算法结果。
将用户与物品之间形成一个大的知识图谱网络,用户和物品之间存在确切的关系,从而进行推荐,使得推荐结果具有准确性,也带有可解释性。
在该实施例中,通过采集用户的用户信息与用户的社交圈信息数据,将登录用户的用户信息,和/或与登录关联的至少一个交互用户的交互用户信息,将其相应的输入至构建好的知识图谱模型,生成待推荐给登录用户的推荐信息,从而将推荐信息发送至登录用户所持有的设备,以保证为当前登录应用平台的登录用户所推荐的汽车信息的精准性和针对性,进而实现了提高二手车推荐算法的准确性和可解释性的技术效果,解决了二手车推荐算法缺乏准确性和可解释性的技术问题。
实施例3
根据本发明实施例,还提供了一种基于用户信息进行车辆推荐的装置。需要说明的是,该基于用户信息进行车辆推荐的装置可以用于执行实施例1中的基于用户信息进行车辆推荐的方法。
图9是根据本发明实施例的一种基于用户信息进行车辆推荐的装置的示意图。如图9所示,检测车辆行驶区域上的边界装置900可以包括:采集模块901、确定模块 902、处理模块903,发送模块904。
采集模块901,用于采集当前登录应用平台的登录用户的用户信息,其中,应用平台为车辆交易平台,用户信息包括:用户基础信息、用户需要的车辆的车辆信息。
确定模块902,用于确定与登录用户关联的至少一个交互用户,其中,交互用户为应用平台中与登录用户之间存在网络交互行为的注册用户,登录用户与任意一个或多个交互用户之间的网络交互行为构成了应用平台的社交圈信息。
处理模块903,用于将登录用户的用户信息,和/或与登录关联的至少一个交互用户的交互用户信息,输入至构建好的知识图谱模型,生成待推荐给登录用户的推荐信息。
发送模块904,用于将推荐信息发送至登录用户所持有的设备。
可选地,该装置还包括:子创建模块,用于创建应用平台的知识图谱模型,该创建模块包括:获取模块,用于获取应用平台中已经注册的多个注册用户的用户信息,并采集每个注册用户在历史时间内登录应用平台后产生的历史交易信息,其中,历史交易信息为在应用平台上执行车辆交易操作时所生成的数据;子异构处理模块,用于基于任意两个注册用户之间的关联关系,将采集到的每个注册用户在历史时间内产生的历史交易信息进行异构处理,建模生成应用平台的知识图谱模型。
可选地,处理模块包括:子分析模块,用于分析登录用户的用户信息,和与登录关联的至少一个交互用户的交互用户信息,得到登录用户的特征信息、交互用户的特征信息,以及登录用户与交互用户之间的语义关系;子获取模块,用于将交互用户的特征信息输入至知识图谱模型,获取交互用户的历史交易信息,其中,历史交易信息至少包括:交互用户购买的车辆的车辆信息;子生成模块,用于基于登录用户的特征信息、交互用户的历史交易信息,以及登录用户与交互用户之间的语义关系,生成推荐信息。
在该实施例中,通过采集模块对当前登录应用平台的登录用户的用户信息进行采集,确定模块确定与登录用户关联的至少一个交互用户,然后将登录用户与任意一个或多个交互用户之间的网络交互行为构成应用平台的社交圈信息,处理模块生成待推荐给登录用户的推荐信息,最终发送模块将推荐信息发送至登录用户所持有的设备,实现了提高二手车推荐算法的准确性和可解释性的技术效果,解决了二手车推荐算法缺乏准确性和可解释性的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于用户信息进行车辆推荐的方法,其特征在于,包括:
采集当前登录应用平台的登录用户的用户信息,其中,所述应用平台为车辆交易平台,所述用户信息包括:用户基础信息、用户需要的车辆的车辆信息;
确定与所述登录用户关联的至少一个交互用户,其中,所述交互用户为所述应用平台中与所述登录用户之间存在网络交互行为的注册用户,所述登录用户与任意一个或多个所述交互用户之间的所述网络交互行为构成了所述应用平台的社交圈信息;
将所述登录用户的用户信息,和/或与所述登录关联的至少一个交互用户的交互用户信息,输入至构建好的知识图谱模型,生成待推荐给所述登录用户的推荐信息;
将所述推荐信息发送至所述登录用户所持有的设备。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:创建所述应用平台的所述知识图谱模型,该步骤包括:
获取所述应用平台中已经注册的多个注册用户的用户信息,并采集每个注册用户在历史时间内登录所述应用平台后产生的历史交易信息,其中,所述历史交易信息为在所述应用平台上执行车辆交易操作时所生成的数据;
基于任意两个注册用户之间的关联关系,将采集到的每个注册用户在历史时间内产生的所述历史交易信息进行异构处理,建模生成所述应用平台的所述知识图谱模型;
其中,所述知识图谱模型由多个三元图构成,所述三元图基于用户信息搭建而成。
3.根据权利要求2所述的方法,其特征在于,在将采集到的每个注册用户在历史时间内产生的所述历史交易信息进行异构处理的过程中,增加采集与每个注册用户在历史时间内存在所述网络交互行为的交互用户的历史交易信息,其中,所述增加的历史交易信息作为辅助信息参与对所述知识图谱模型的建模过程。
4.根据权利要求1所述的方法,其特征在于,在获取与所述登录用户关联的至少一个交互用户之后,所述方法还包括:
在检测到所述登录用户与所述关联的至少一个交互用户存在所述网络交互行为的情况下,获取产生的交互信息;
将所述登录用户与所述交互用户进行所述网络交互行为后产生的交互信息进行存储,以更新所述社交圈信息。
5.根据权利要求1所述的方法,其特征在于,将所述登录用户的用户信息,和/或与所述登录关联的至少一个交互用户的交互用户信息,输入至构建好的知识图谱模型,生成待推荐给所述登录用户的推荐信息包括:
分析所述登录用户的用户信息,和与所述登录关联的至少一个交互用户的交互用户信息,得到所述登录用户的特征信息、所述交互用户的特征信息,以及所述登录用户与所述交互用户之间的语义关系;
将所述交互用户的特征信息输入至所述知识图谱模型,获取所述交互用户的历史交易信息,其中,所述历史交易信息至少包括:所述交互用户购买的车辆的车辆信息;
基于所述登录用户的特征信息、所述交互用户的历史交易信息,以及所述登录用户与所述交互用户之间的语义关系,生成所述推荐信息。
6.根据权利要求5所述的方法,其特征在于,基于所述登录用户的特征信息、所述交互用户的历史交易信息,以及所述登录用户与所述交互用户之间的语义关系,生成所述推荐信息:
基于所述登录用户的特征信息,获取所述登录用户搜索过的车辆的车辆信息;
基于所述交互用户的历史交易信息,确定所述交互用户感兴趣的车辆的车辆信息;
基于所述登录用户与所述交互用户之间的语义关系,将所述交互用户感兴趣的车辆的车辆信息和所述登录用户搜索过的车辆的车辆信息进行聚合,生成待推荐的车辆信息;
根据所述待推荐的车辆信息,生成所述推荐信息。
7.一种基于用户信息进行车辆推荐的装置,其特征在于,包括:
采集模块,用于采集当前登录应用平台的登录用户的用户信息,其中,所述应用平台为车辆交易平台,所述用户信息包括:用户基础信息、用户需要的车辆的车辆信息;
确定模块,用于确定与所述登录用户关联的至少一个交互用户,其中,所述交互用户为所述应用平台中与所述登录用户之间存在网络交互行为的注册用户,所述登录用户与任意一个或多个所述交互用户之间的所述网络交互行为构成了所述应用平台的社交圈信息;
处理模块,用于将所述登录用户的用户信息,和/或与所述登录关联的至少一个交互用户的交互用户信息,输入至构建好的知识图谱模型,生成待推荐给所述登录用户的推荐信息;
发送模块,用于将所述推荐信息发送至所述登录用户所持有的设备。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:创建模块,用于创建所述应用平台的所述知识图谱模型,该创建模块包括:
子获取模块,用于获取所述应用平台中已经注册的多个注册用户的用户信息,并采集每个注册用户在历史时间内登录所述应用平台后产生的历史交易信息,其中,所述历史交易信息为在所述应用平台上执行车辆交易操作时所生成的数据;
子异构处理模块,用于基于任意两个注册用户之间的关联关系,将采集到的每个注册用户在历史时间内产生的所述历史交易信息进行异构处理,建模生成所述应用平台的所述知识图谱模型。
9.根据权利要求7所述的装置,其特征在于,所述处理模块包括:
子分析模块,用于分析所述登录用户的用户信息,和与所述登录关联的至少一个交互用户的交互用户信息,得到所述登录用户的特征信息、所述交互用户的特征信息,以及所述登录用户与所述交互用户之间的语义关系;
子获取模块,用于将所述交互用户的特征信息输入至所述知识图谱模型,获取所述交互用户的历史交易信息,其中,所述历史交易信息至少包括:所述交互用户购买的车辆的车辆信息;
子生成模块,用于基于所述登录用户的特征信息、所述交互用户的历史交易信息,以及所述登录用户与所述交互用户之间的语义关系,生成所述推荐信息。
10.一种车辆,其特征在于,用于执行权利要求1-6中任意一项所述的基于用户信息进行车辆推荐的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111679576.1A CN114708051A (zh) | 2021-12-31 | 2021-12-31 | 基于用户信息进行车辆推荐的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111679576.1A CN114708051A (zh) | 2021-12-31 | 2021-12-31 | 基于用户信息进行车辆推荐的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114708051A true CN114708051A (zh) | 2022-07-05 |
Family
ID=82167367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111679576.1A Pending CN114708051A (zh) | 2021-12-31 | 2021-12-31 | 基于用户信息进行车辆推荐的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708051A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992960A (zh) * | 2023-09-25 | 2023-11-03 | 成都市智慧蓉城研究院有限公司 | 一种知识图谱可视化交互方法及系统 |
-
2021
- 2021-12-31 CN CN202111679576.1A patent/CN114708051A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992960A (zh) * | 2023-09-25 | 2023-11-03 | 成都市智慧蓉城研究院有限公司 | 一种知识图谱可视化交互方法及系统 |
CN116992960B (zh) * | 2023-09-25 | 2023-12-05 | 成都市智慧蓉城研究院有限公司 | 一种知识图谱可视化交互方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110633373B (zh) | 一种基于知识图谱和深度学习的汽车舆情分析方法 | |
Yang et al. | Friend or frenemy? Predicting signed ties in social networks | |
CN111444395B (zh) | 获取实体间关系表达的方法、系统和设备、广告召回系统 | |
CN111898031B (zh) | 一种获得用户画像的方法及装置 | |
CN111859160B (zh) | 一种基于图神经网络会话序列推荐方法及系统 | |
CN111061946A (zh) | 场景化内容推荐方法、装置、电子设备及存储介质 | |
CN111353091A (zh) | 信息处理方法、装置、电子设备及可读存储介质 | |
KR20140026932A (ko) | 사용자 성향 분석을 통한 맞춤형 쇼핑 정보 제공 시스템 및 방법 | |
CN112149352B (zh) | 一种结合gbdt自动特征工程对营销活动点击的预测方法 | |
CN109584006B (zh) | 一种基于深度匹配模型的跨平台商品匹配方法 | |
CN112269805A (zh) | 数据处理方法、装置、设备及介质 | |
CN108305181B (zh) | 社交影响力确定、信息投放方法及装置、设备及存储介质 | |
CN112288554A (zh) | 商品推荐方法和装置、存储介质及电子装置 | |
CN117216362A (zh) | 内容推荐方法、装置、设备、介质和程序产品 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN113157871B (zh) | 应用人工智能的新闻舆情文本处理方法、服务器及介质 | |
CN116764236A (zh) | 游戏道具推荐方法、装置、计算机设备和存储介质 | |
CN110851694B (zh) | 基于用户记忆网络和树形结构的深度模型的个性化推荐系统 | |
CN110968780B (zh) | 页面内容推荐方法、装置、计算机设备和存储介质 | |
CN114708051A (zh) | 基于用户信息进行车辆推荐的方法和装置 | |
CN118071400A (zh) | 基于图计算技术在信息消费领域的应用方法及系统 | |
Wang et al. | A collaborative filtering algorithm fusing user-based, item-based and social networks | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN114880572B (zh) | 新闻客户端智能推荐系统 | |
CN116401450A (zh) | 一种基于知识图谱的推荐方法、装置及计算机设备 |
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 |