CN116308013A - 一种基于评价标签的网络货运平台车辆推荐方法及装置 - Google Patents

Abstract

本发明涉及一种基于评价标签的网络货运平台车辆推荐方法及装置，在货主发起订单时，首先根据货主历史交易记录中已存储的评价标签生成标签集，根据当前符合货种运输要求和车型等硬性的车辆生成待推荐车辆集，然后通过评分判别式分别计算每辆待推荐车辆在货主标签集下的总得分并在推荐集中将所有待推荐车辆按总得分降序排列，最终将推荐集结果返回货主端，实现基于货主历史交易评价行为的个性化车辆推荐。

Description

一种基于评价标签的网络货运平台车辆推荐方法及装置

技术领域

本发明涉及信息系统推荐技术领域，尤其涉及一种基于评价标签的网络货运平台车辆推荐方法及装置，应用于无车承运人运力共享平台。

背景技术

在大数据技术发展背景下，无车承运人平台的出现极大规范并整合了全社会货运资源的分配，有效避免了物流过程中的运力浪费。随着“互联网+”进入下半场，各平台开始将产品重心偏向面向客户的个性化定制服务，注重构建用户的场景体验。在实际车货匹配过程中，货主在货物的运力需求基本满足的基础上，开始对货车到达是否守时、司机在运输过程中的负责态度以及货损控制等服务体验产生了新的需求，而往往不同货主对于这些需求的偏好侧重各有不同。

因此，本发明提出了一种能够充分发掘不同货主的兴趣偏好，同时又能将货主需求与车辆实际信息高度结合的规范的车辆推荐方法及装置。

发明内容

本发明的目的在于提供一种基于评价标签的网络货运平台车辆推荐方法及装置，在货主发起订单时，首先根据货主历史交易记录中已存储的评价标签生成标签集，根据当前符合货种运输要求和车型等硬性的车辆生成待推荐车辆集，然后通过评分判别式分别计算每辆待推荐车辆在货主标签集下的总得分并在推荐集中将所有待推荐车辆按总得分降序排列，最终将推荐集结果返回货主端，实现基于货主历史交易评价行为的个性化车辆推荐。

为实现上述目的，本发明的技术方案如下：

作为本发明公开的一方面，提出了一种基于评价标签的网络货运平台的车辆推荐方法，其特征在于，包括如下步骤：

步骤一，货主在网络货运平台发布订单，网络货运平台根据订单信息对车辆进行初筛，具备推荐资格的车辆选入初始推荐集；

步骤二，根据货主的历史交易评价内容，基于语法规则进行切割，生成正语义标签和负语义标签；

步骤三，货主和待推荐车辆基于历史交易生成由正标签和负标签组成的全量标签集，基于全量标签集的标签去重生成约简标签集；

步骤四，正、负标签根据匹配策略正向匹配并分别计算正标签对总得分和负标签对总得分；

其中匹配策略流程包括基于约简标签集对货主和待推荐车辆双方的标签求交集，得到最大标签对，并分别统计货主和推荐车辆全量标签集中拥有标签对的数量以及网络货运平台所有约简标签集中拥有该标签对的货主数量和车辆数量，计算本次标签对的得分；计算完本次标签对得分后，将已统计标签对数量从货主和待推荐车辆的全量标签集中删除，并基于更新后的货主和待推荐车辆的约简标签集再次标签正向匹配求最大标签对，并计算每次标签对的得分；重复上述流程直到没有标签可匹配；

步骤五，将待推荐车辆的标签得分存入初始推荐集并向货主推送，其中待推荐车辆的标签总得分为正标签对总得分与负标签对总得分的差值。

作为本发明公开的另一方面，提出了一种基于评价标签的网络货运平台的车辆推荐装置，包括：

初始推荐集模块，适用于货主在网络货运平台发布订单，网络货运平台根据订单信息对车辆进行初筛，具备推荐资格的车辆选入初始推荐集；

语义标签生成模块，适用于根据货主的历史交易评价内容，基于语法规则进行切割，生成正语义标签和负语义标签；

标签集模块，适用于货主和待推荐车辆基于历史交易生成由正标签和负标签组成的全量标签集，基于全量标签集的标签去重生成约简标签集；

匹配策略模块，适用于正标签、负标签和逆标签根据匹配策略分别计算正标签对总得分、负标签对总得分和逆标签对总得分；所述匹配策略为基于评价标签的网络货运平台的车辆推荐方法中的匹配策略；

车辆推送模块，适用于将待推荐车辆的标签得分存入初始推荐集并向货主推送，其中待推荐车辆的标签总得分为正标签对总得分与逆标签对总得分之和与负标签对总得分的差值。

与现有技术相比，本发明的有益效果包括：

本发明通过对货主行为标签中的运输服务数据挖掘和统计分析，基于匹配策略进行正向和逆向匹配，推荐最契合货主偏好的货运车辆集，以此提升货主用户使用货运服务时的产品体验，实现基于货主用户画像的个性化车辆推荐；

本发明基于历史交易数据，结合系统推荐领域TF-IDF的思想，对用户的行为标签提取、存储和利用设立了完整的方法体系，并提出了有效的推荐评分判别式。

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。其中：

图1是本发明实施例基于评价标签的网络货运平台车辆推荐方法的流程图；

图2是本发明实施例基于评价标签的网络货运平台车辆推荐装置的结构示意图。

具体实施方式

下面结合附图和实施例对本发明的技术方案做进一步的详细说明。

图1示出了本发明一实施例提出了一种基于评价标签的网络货运平台的车辆推荐方法的流程图，包括如下步骤：

步骤一，货主在网络货运平台发布订单，网络货运平台根据订单信息对车辆进行初筛，具备推荐资格的车辆选入初始推荐集。

具体地，推荐资格主要考察车辆是否具备货物运载能力和摘单能力。货物运载能力包括车辆的车型、载重、容积、长宽高等是否符合货物运输要求；摘单能力包括车辆在指定时间范围内是否闲置，前往货运地点的距离和耗时是否在系统判定的合理范围。

步骤二，根据货主的历史交易评价内容，基于标点符号和语法规则将整段文字切割为多份语料，以具有实际描述意义，且语义正负性明显的修饰词为标准筛选出有价值的语料，并按语义正负性归类，生成正语义标签和负语义标签。

例如，某次交易完成后货主评价“司机非常仔细和负责，虽然下大雨货物未能按时送达，但货物没有一丁点儿损坏”，预处理后的语料为“司机”、“非常”、“仔细”、“负责”、“下大雨”、“虽然”、“货物”、“未能按时送达”、“但”、“货物”、“没有一丁点儿损坏”。

其中，语料中只有“仔细”、“负责”、“未能按时送达”、“没有一丁点儿损坏”这四份语料具有实际意义，同时“仔细”、“负责”、“没有一丁点儿损坏”属于正语义语料，归入正语义标签类型，“未能按时送达”属于负语义语料，归入负语义标签类型。

进一步地，生成的正语义标签和负语义标签通过标准词库的同义词和/或近义词替换后作为正语义标签和负语义的初始标签保存；对于属于标准词库词汇或暂无可校准词的标签，直接作为正语义标签或负语义标签的初始标签保存。

标准词库是网络货运平台预先设计的标准词汇库，其中每个正语义词均有唯一对应的负语义词，并由平台业务人员定期维护。例如，在标准词库中录入“运费便宜”时，需要录入“运费昂贵”作为相反语义词汇。

如，正语义标签类型中，“负责”属于标准词库词汇，可以直接生成正标签；“仔细”在标准词库中存在同义词“细心”，“没有一丁点儿损坏”在标准词库中存在同义词“无破损”，可以替换成标准词汇的正标签；在负语义语料中，“未能按时送达”在标准词库中存在近义词“不准时”，可以替换成标准词汇的负标签。

步骤三，经过前述步骤，货主和待推荐车辆基于历史交易生成由正标签和负标签组成的全量标签集，格式如下：

货主:{(正标签),(负标签)}

待推荐车辆1:{(正标签),(负标签)}

待推荐车辆2:{(正标签),(负标签)}

…

为进一步提升车主和待推荐车辆双方匹配精确度，在匹配前还将对标签按通用程度划分为主流标签和个性标签，当标签集中存在主流标签时归入主流标签集，否则归入个性标签集。

例如，主流标签是网络货运平台近半年内统计标准词库中使用次数最多词汇。初始主流标签由业务人员手动录入，如包括“细心”、“准时”、“负责”、“无破损”、“运费便宜”五个正语义词和“不细心”“不准时”、“不负责”、“破损”、“运费昂贵”对应的五个负语义词，后期随着业务发展和用户使用情况不断更新。

主流标签以外的词汇均属于个性标签，按标签类型划分后得到车货双方的全量标签集，格式如下：

货主:{[主流正标签]，[个性正标签],[主流负标签]，[个性负标签]}

待推荐车辆1:{[主流正标签]，[个性正标签],[主流负标签]，[个性负标签]}

待推荐车辆2:{[主流正标签]，[个性正标签],[主流负标签]，[个性负标签]}

…

需要注意的是，由于货主评价内容不一，允许同一词汇在全量标签集内多次出现的情况，也允许出现某类标签空缺的情况，不影响后续得分计算。

基于全量标签集的标签去重生成约简标签集，例如货主历史交易汇总的全量标签集：

{[准时,负责,运费便宜,准时],[热心],[运费昂贵,破损],[违约]}

其中“准时”在主流正标签中出现两次，去重处理后得到货主约简标签集：

{[准时,负责,运费便宜],[热心],[运费昂贵,破损],[违约]}

待推荐车辆的标签集处理方法和货主标签集相同，如待推荐车辆1的全量标签集：

{[负责，细心，细心，无破损，运费便宜],[熟练，守信],[运费昂贵],[]}

其中，“细心”在主流正标签中出现两次，去重处理后得到待推荐车辆1的约简标签集：

{[负责，细心，无破损，运费便宜],[熟练，守信],[运费昂贵],[]}。

步骤四，正、负标签根据匹配策略正向匹配并分别计算正标签对总得分和负标签对总得分。

其中，匹配策略流程包括基于约简标签集对货主和待推荐车辆双方的标签求交集，得到最大标签对，并分别统计货主和推荐车辆全量标签集中拥有标签对的数量以及网络货运平台所有约简标签集中拥有该标签对的货主数量和车辆数量，计算本次标签对的得分；计算完本次标签对得分后，将已统计标签对数量从货主和待推荐车辆的全量标签集中删除，并基于更新后的货主和待推荐车辆的约简标签集再次标签正向匹配求最大标签对，并计算每次标签对的得分；重复上述流程直到没有标签可匹配。

具体的正标签对正向匹配，计算正标签对得分的具体流程包括如下步骤：

S41，正标签正向匹配。基于约简标签集对车主和待推荐车辆双方的正标签求交集，得到能够匹配成功的最大正标签对tag_1_i_p_q，其中1表示匹配类型为正标签正向匹配，i表示正标签对序号，p表示标签对中的主流标签个数，q表示标签对中的个性标签个数。

以上述货主和待推荐车辆1为例，货主和待推荐车辆只有两个可匹配的主流正标签，没有可匹配的个性正标签，因此得到最大正标签对tag_1_1_2_0:

{[负责,运费便宜],[]}

统计货主全量标签集中拥有{[负责,运费便宜],[]}标签对的数量：

user_tags[u,t]＝∑tag_1_1_2_0＝1

统计待推荐车辆全量标签集中拥有{[负责,运费便宜],[]}标签对的数量：

vehicles_tags[v,t]＝∑tag_1_1_2_0＝1

其中，u表示货主序号，v表示车辆序号，t表示标签序号。

S42，统计网络货运平台所有约简标签集中拥有该标签对的货主数量：

tag_users[t]＝∑{1 if ∑tag_1_1_2_0＞0 else 0}

统计网络货运平台所有约简标签集中拥有该标签对的车辆数量：

tag_vehicles[t]＝∑{1 if ∑tag_1_1_2_0＞0 else 0}

其中u表示货主序号，v表示车辆序号，t表示标签序号。

假设平台有10000辆车和2000名货主的约简标签集中拥有标签[负责,运费便宜]，那么tag_users[1]＝2000，tag_vehicles[1]＝10000。

S43，正标签对得分计算：

其中，u表示货主序号，v表示车辆序号，1表示匹配类型为正标签对正向匹配，i表示正标签对序号，p表示标签对中的主流标签个数，q表示标签对中的个性标签个数，

和

是得分计算过程引入的绝对权重调节系数，正标签对数量越多，说明车主和车辆双方匹配相似度越高，标签对得分的权重系数也应该越高。

为了确保匹配策略的有效性和精确性，规定δ₂＞δ₁＞1，即对个性标签的匹配结果赋予更高权重。

和/>

是得分计算过程引入的相对权重调节系数，其目的在于避免普遍度较高的标签带来的推荐结果同质化，同时放大普遍度较低的标签对货主和车辆双方匹配的推荐作用，从而确保匹配策略的个性化。当标签对只出现过一次时该判别式仍具有数学意义。

例如δ₁＝1.1，δ₂＝1.5时，步骤S42中tag_1_2_0的得分：

S44，标签集更新。计算完当前标签对得分后，为了避免已统计标签对未统计标签的影响，需要将标签对中含有的标签从货主全量标签集中删减user_tags[u,t]次，从待推荐车辆的全量签集中删减vehicles_tags[v,t]次，然后再对双方全量标签集和约简标签集进行跟新。

例如，在完成S43步骤后，货主的全量标签集为：

{[准时],[准时],[热心],[运费昂贵,破损],[违约]}

货主的约简标签集为：

{[准时],[热心],[运费昂贵,破损],[违约]}

待推荐车辆1的全量标签集为：

{[细心，细心，无破损],[熟练，守信],[运费昂贵],[]}

待推荐车辆1的约简标签集为：

{[细心，无破损],[熟练，守信],[运费昂贵],[]}

此时，在由于货主的约简标签集和待推荐车辆1的约简标签集没有正标签可匹配，因此正标签匹配结束。

需要说明的是，若还存在可匹配的正标签，则重复S41-S44，直到没有其它正标签能够匹配。

在实际应用中例如，当货主全量标签集为{[负责,负责,负责],[热心]}，待推荐车辆2全量标签集为{[负责,负责,负责],[热心，热心]}，双方约简标签集第一次求交集匹配的最大正标签对tag_1_1_1_1为{[负责],[热心]}，货主全量标签集中含有1个该标签对，待推荐车辆2全量标签集中含有2个该标签对，第一次得分计算后货主全量标签集剩余标签为{[负责,负责]}，车辆全量标签集剩余标签为{[负责]}。

货主和待推荐车辆2双方约简标签集第二次求交集匹配到的最大正标签对tag_1_2_1_0为{[负责]}，车货双方都只有1个标签对，货主全量标签集中含有2个该标签对，待推荐车辆2全量标签集中含有1个该标签对，货主和待推荐车辆2均没有剩余的可用标签，循环结束。

在完成正标签正向匹配后，则根据匹配策略进行负标签正向匹配。基于约简标签集对货主和待推荐车辆双方负标签进行正向匹配，寻找能够匹配成功的最大负标签对tag_2_j_p_q，其中2表示负标签正向匹配，j表示负标签序号，p表示标签对中的主流标签个数，q表示标签对中的个性标签个数。score(u,v)_2_j_p_q得分计算和标签集更新过程同正标签正向匹配，此处不再赘述。

为提升匹配精准度，如步骤二所述，标准词库中所有词汇均存在唯一对应的相反语义词汇，通过相反语义词汇进行标签的逆向匹配可以对正向匹配效果进行补充。寻找约简标签集中能够匹配成功的最大逆标签对tag_k_p_q，其中k表示逆标签对序号，p表示标签对中的主流标签个数，q表示标签对中的个性标签个数。

例如，车货双方标签集在完成正向匹配后，货主的全量标签集和约简标签集均为：

{[准时],[热心],[破损],[违约]}

待推荐车辆1的全量标签集为：

{[细心，细心，无破损],[熟练，守信],[],[]}

待推荐车辆1的约简标签集为：

{[细心，无破损],[熟练，守信],[],[]}

由于“违约”和“守信”在标准词库中是一对相反语义的个性标签词，因此最大逆标签对tag_1_0_1用正语义词汇展示为{[守信]}，其余计算过程同正向匹配此处不再赘述，得到逆标签对得分score(u,v)_1_p_q。

最后，计算待推荐车辆的标签总得分。

其中，u表示货主序号，v表示车辆序号，i表示正标签对序号，j表示负标签对序号，k表示逆标签对序号，p表示标签对中的主流标签个数，q表示标签对中的个性标签个数。

重复步骤四的流程，直到所有待推荐车辆均完成评分。对于在网络货运平台没有过历史交易标签全部为空的车辆，系统默认推荐分数为0。

步骤五，将待推荐车辆的标签得分存入初始推荐集并向货主推送。

图2示出了本发明另一实施例提供的一种基于评价标签的网络货运平台的车辆推荐装置，包括：

初始推荐集模块，适用于货主在网络货运平台发布订单，网络货运平台根据订单信息对车辆进行初筛，具备推荐资格的车辆选入初始推荐集；

语义标签生成模块，适用于根据货主的历史交易评价内容，基于语法规则进行切割，生成正语义标签和负语义标签；

标签集模块，适用于货主和待推荐车辆基于历史交易生成由正标签和负标签组成的全量标签集，基于全量标签集的标签去重生成约简标签集；

匹配策略模块，适用于正标签、负标签和逆标签根据匹配策略分别计算正标签对总得分、负标签对总得分和逆标签对总得分；

具体匹配策略流程包括基于约简标签集对货主和待推荐车辆双方的标签求交集，得到最大标签对，并分别统计货主和推荐车辆全量标签集中拥有标签对的数量以及网络货运平台所有约简标签集中拥有该标签对的货主数量和车辆数量，计算本次标签对的得分；计算完本次标签对得分后，将已统计数量的标签从货主和待推荐车辆的全量标签集中删除，并基于更新后的货主和待推荐车辆的约简标签集再次标签正向匹配求标签对，并计算每次标签对的得分；重复上述流程直到没有标签可匹配。

车辆推送模块，适用于将待推荐车辆的标签得分存入初始推荐集并向货主推送，其中待推荐车辆的标签总得分为正标签对总得分与逆标签对总得分之和与负标签对总得分的差值。

本实施例的装置对应地可用于执行图1所示方法实施例中的步骤，其实现原理和技术效果类似，此处不再赘述。

本发明另一实施例提供的一种基于评价标签的网络货运平台的车辆推荐设备的硬件结构示意图，该设备包括处理器、存储器和计算机程序；其中存储器，用于存储所述计算机程序，该存储器还可以是闪存(flash)。所述计算机程序例如是实现上述方法的应用程序、功能模块等。

处理器，用于执行所述存储器存储的计算机程序，以实现上述方法中设备执行的各个步骤。具体可以参见前面方法实施例中的相关描述。

可选地，存储器既可以是独立的，也可以跟处理器集成在一起。

当所述存储器是独立于处理器之外的器件时，所述设备还可以包括总线，用于连接所述存储器和处理器。

本发明还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。

其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。

在上述设备的实施例中，应理解，处理器可以是中央处理单元，还可以是其他通用处理器、数字信号处理器、专用集成电路等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是，以上所述仅为本发明的具体实施方式，并不用于限定本发明保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应含在本发明的保护范围之内。

Claims (9)

1.一种基于评价标签的网络货运平台的车辆推荐方法，其特征在于，包括如下步骤：

步骤一，货主在网络货运平台发布订单，网络货运平台根据订单信息对车辆进行初筛，具备推荐资格的车辆选入初始推荐集；

步骤二，根据货主的历史交易评价内容，基于语法规则进行切割，生成正语义标签和负语义标签；

步骤三，货主和待推荐车辆基于历史交易生成由正标签和负标签组成的全量标签集，基于全量标签集的标签去重生成约简标签集；

步骤四，正、负标签根据匹配策略正向匹配并分别计算正标签对总得分和负标签对总得分；

其中，匹配策略流程包括基于约简标签集对货主和待推荐车辆双方的标签求交集，得到最大标签对，并分别统计货主和推荐车辆全量标签集中拥有标签对的数量以及网络货运平台所有约简标签集中拥有该标签对的货主数量和车辆数量，计算本次标签对的得分；计算完本次标签对得分后，将已统计标签对数量从货主和待推荐车辆的全量标签集中删除，并基于更新后的货主和待推荐车辆的约简标签集再次标签正向匹配求最大标签对，并计算每次标签对的得分；重复上述流程直到没有标签可匹配；

步骤五，将待推荐车辆的标签得分存入初始推荐集并向货主推送，其中待推荐车辆的标签总得分为正标签对总得分与负标签对总得分的差值。

2.根据权利要求1所述的车辆推荐方法，其特征在于，步骤二生成的正语义标签和负语义标签通过标准词库的同义词和/或近义词替换后作为正语义标签和负语义的初始标签保存；对于属于标准词库词汇或暂无可校准词的标签，直接作为正语义标签或负语义标签的初始标签保存。

3.根据权利要求1所述的车辆推荐方法，其特征在于，步骤三中，根据标签的通用程度划分为主流标签和个性标签，主流标签外的词汇均属于个性标签。

4.根据权利要求1所述的车辆推荐方法，其特征在于，所述正标签对标记为tag_1_i_p_q，负标签对标记为tag_2_j_p_q，其中1表示正标签正向匹配，2表示负标签正向匹配，i表示正标签对序号，j表示负标签对序号，p表示标签对中的主流标签个数，q表示标签对中的个性标签个数。

5.根据权利要求1或4所述的车辆推荐方法，其特征在于，步骤四中，计算标签对得分公式为：

其中，u表示货主序号，v表示车辆序号，

表示主流标签绝对权重调节系数，/>

表示个性标签绝对权重调节系数，user_tags[u，t]为货主全量标签集中拥有的可匹配标签对数量，vehicles_tags[v，t]为待推荐车辆全量标签集中拥有可匹配标签对数量，tag_users[t]为网络货运平台所有约简标签集中拥有可匹配标签对的货主数量，tag_vehicles[t]为网络货运平台所有约简标签集中拥有可匹配标签对的车辆数量，/>

和

是相对权重调节系数。

6.根据权利要求5所述的车辆推荐方法，其特征在于，所述个性标签的匹配权重δ₂大于主流标签的匹配权重δ₁。

7.根据权利要求1所述的车辆推荐方法，其特征在于，步骤四还包括通过相反语义词对正标签进行补充的逆标签，所述逆标签根据匹配策略进行逆向匹配并计算逆标签对的总得分。

8.根据权利要求7所述的车辆推荐方法，其特征在于，待推荐车辆的标签总得分为正标签对总得分与逆标签对总得分之和与负标签对总得分的差值。

9.一种根据权利要求1-8任一所述的车辆推荐方法的装置，其特征在于，包括：

初始推荐集模块，适用于货主在网络货运平台发布订单，网络货运平台根据订单信息对车辆进行初筛，具备推荐资格的车辆选入初始推荐集；

语义标签生成模块，适用于根据货主的历史交易评价内容，基于语法规则进行切割，生成正语义标签和负语义标签；

标签集模块，适用于货主和待推荐车辆基于历史交易生成由正标签和负标签组成的全量标签集，基于全量标签集的标签去重生成约简标签集；

匹配策略模块，适用于正标签、负标签和逆标签根据匹配策略分别计算正标签对总得分、负标签对总得分和逆标签对总得分；

车辆推送模块，适用于将待推荐车辆的标签得分存入初始推荐集并向货主推送，其中待推荐车辆的标签总得分为正标签对总得分与逆标签对总得分之和与负标签对总得分的差值。

Images