CN116777530B - 一种基于智能推荐的汽车服务系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于智能推荐的汽车服务系统，包括：获得每个待推荐保险单的参保信息矩阵和每辆车的维修等维矩阵；得到每个待推荐保险单之于每辆车的匹配度矩阵；根据每个待推荐保险单之于每辆车的匹配度矩阵进行降维运算得到每个主成分方向的降维数据；得到每辆车的最大匹配度在降维数据中的重要性；根据每辆车的最大匹配度在降维数据中的重要性实现基于智能推荐的汽车服务。本发明构建车辆维修记录和汽车保险服务之间的匹配度，并对匹配度进行降维聚类，根据聚类结果进行汽车服务推荐，完成了基于智能推荐的汽车服务。

Description

一种基于智能推荐的汽车服务系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于智能推荐的汽车服务系统。

背景技术

在现有的汽车保险服务推荐中，可以依据车辆的维修保养信息进行汽车保险服务推荐，以实现对车辆进行准确且个性化的保险服务推荐，帮助车辆降低保险成本，提高客户满意度。但是现有的依据车辆的维修保养信息进行保险推荐的技术方案，往往考虑的都是车辆常见的损坏维修项目的信息，以及在确定合适的保险保单的过程中，都是将各个待对比维修项目离散化地依次与保单对应维保项目进行一一对比，该种保险保单确定过程对车辆维修保养信息的考虑不够全面，且并未对数据进行内部比对融合分析，从而导致所确定的推荐保单的准确度不足。

发明内容

为了解决上述问题，本发明提供一种基于智能推荐的汽车服务系统。

本发明的一种基于智能推荐的汽车服务系统采用如下技术方案：

本发明一个实施例提供了一种基于智能推荐的汽车服务系统，该系统包括：

矩阵获取模块，用于采集车辆维修保养数据和待推荐保险单的保险保单数据，根据车辆维修保养数据和待推荐保险单的保险保单数据获得每个待推荐保险单的参保信息矩阵和每辆车的维修等维矩阵；

分析匹配模块，用于根据每个待推荐保险单的参保信息矩阵和每辆车的维修等维矩阵得到每个待推荐保险单之于每辆车的匹配度矩阵；

数据降维模块，用于根据每个待推荐保险单之于每辆车的匹配度矩阵进行降维运算得到每个主成分方向的降维数据；

智能推荐模块，用于根据每个主成分方向的降维数据进行聚类，得到每辆车的最大匹配度在降维数据中的重要性，根据每辆车的最大匹配度在降维数据中的重要性对汽车服务进行智能推荐，实现基于智能推荐的汽车服务。

优选的，所述每个待推荐保险单的参保信息矩阵的具体获取方法如下：

通过保险平台读取每个待推荐保险单中不同参保车部件的多维参保数据，对保险平台数据中不同参保车部件进行随机标号得到不同参保车部件序列，对多维参保数据进行随机标号得到多维参保数据序列，以不同参保车部件序列为行、多维参保数据序列为列将多维参保数据表示为矩阵形式得到每个待推荐保险单的参保信息矩阵。

优选的，所述每辆车的维修等维矩阵的具体获取方法如下：

通过维修平台数据读取每辆车不同维修车部件的多维维修数据，对维修平台数据中不同维修车部件进行随机标号得到不同维修车部件序列，对多维维修数据进行随机标号得到多维维修数据序列，以不同维修车部件序列为行、多维维修数据序列为列将多维维修数据表示为矩阵形式得到每辆车的维修信息矩阵；将每辆车的维修信息矩阵转变为与每个待推荐保险单的参保信息矩阵的维度相同的矩阵，记为每辆车的维修等维矩阵。

优选的，所述根据每个待推荐保险单的参保信息矩阵和每辆车的维修等维矩阵得到每个待推荐保险单之于每辆车的匹配度矩阵，包括的具体步骤如下：

预设一个大小与每个待推荐保险单的参保信息矩阵相等的空矩阵，将该矩阵记为每个待推荐保险单之于每辆车的匹配度矩阵，获取每个待推荐保险单的参保信息矩阵中的元素及其位置以及每辆车的维修等维矩阵中的元素及其位置，根据每个待推荐保险单的参保信息矩阵中的元素及其位置以及每辆车的维修等维矩阵中的元素及其位置计算得到每个待推荐保险单之于每辆车的匹配度矩阵中的每个元素及其位置，将每个待推荐保险单之于每辆车的匹配度矩阵中的每个元素按照其位置放入到每个待推荐保险单之于每辆车的匹配度矩阵中。

优选的，所述每个待推荐保险单之于每辆车的匹配度矩阵中的每个元素的具体计算公式如下：

其中，表示第/>个待推荐保险单之于第/>辆车的匹配度矩阵中位置为的元素，/>表示矩阵中第/>行第/>列，/>表示在第/>个待推荐保险单的参保信息矩阵中位置为/>的元素，/>表示第/>辆车的维修等维矩阵中位置为/>的元素，/>表示以自然指数为底数的指数函数，/>表示/>函数。

优选的，所述根据每个待推荐保险单之于每辆车的匹配度矩阵进行降维运算得到每个主成分方向的降维数据，包括的具体步骤如下：

对每个待推荐保险单之于每辆车的匹配度矩阵进行降维运算，得到若干个主成分方向，其中主成分个数为汽车保险服务个数，计算每个主成分方向的特征值，将所有主成分方向中特征值最大的主成分方向作为第一主成分方向，进而将每个待推荐保险单之于每辆车的匹配度矩阵中的每个主成分方向在第一主成分方向上进行投影，得到每个主成分方向的降维数据，其中每个主成分方向的降维数据为一维数据。

优选的，所述根据每个主成分方向的降维数据进行聚类，得到每辆车的最大匹配度在降维数据中的重要性，包括的具体步骤如下：

对所有降维数据进行聚类得到密度最高类别；根据密度最高类别得到每个降维数据的偏移量；获取所有待推荐保险单之于每辆车的匹配度矩阵中的最大值，记为每辆车的最大匹配度，将每辆车的最大匹配度作为主成分方向时对应的降维数据的偏移量取相反数，将相反数作为以自然常数为底的指数函数的指数，将得到的结果记为距离负相关映射值，将每辆车的最大匹配度和距离负相关映射值相乘，得到每辆车的最大匹配度在降维数据中的重要性。

优选的，所述对所有降维数据进行聚类得到密度最高类别，包括的具体步骤如下：

对所有降维数据进行聚类，获取聚类结果中降维数据的个数最多的类别，记为密度最高类别。

优选的，所述根据密度最高类别得到每个降维数据的偏移量，包括的具体步骤如下：

获取密度最高类别的密度中心，计算每个降维数据到密度最高类别对应的密度中心的欧式距离值，记为每个降维数据的偏移量。

优选的，所述根据每辆车的最大匹配度在降维数据中的重要性对汽车服务进行智能推荐，实现基于智能推荐的汽车服务，包括的具体步骤如下：

比较每辆车的最大匹配度在降维数据中的重要性与预设的重要性阈值的大小，若预设的重要性阈值小于等于每辆车的最大匹配度在降维数据中的重要性，则将每辆车的最大匹配度对应的待推荐保险单作为参考意见发送给车主，若预设的重要性阈值大于每辆车的最大匹配度在降维数据中的重要性，则将所有车的最大匹配度对应的待推荐保险单和所有待推荐保险单之于每辆车的匹配度矩阵中的次大值对应的待推荐保险单全部作为参考意见并一起发送给车主，实现基于智能推荐的汽车服务。

本发明的技术方案的有益效果是：通过构建车辆维修记录和汽车保险服务之间的匹配度，准确衡量车辆维修记录和汽车保险服务之间是否匹配。进而对匹配度进行降维聚类，根据聚类结果中得到车辆维修记录参考，进而得到车辆的最佳汽车保险服务，使得汽车保险服务更加的适用于车辆。

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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于智能推荐的汽车服务系统的系统结构图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于智能推荐的汽车服务系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于智能推荐的汽车服务系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于智能推荐的汽车服务系统的系统结构图，该系统包括：

矩阵获取模块，用于采集车辆维修保养数据和待推荐保险单的保险保单数据，根据车辆维修保养数据和待推荐保险单的保险保单数据获得每个待推荐保险单的参保信息矩阵和每辆车的维修等维矩阵。

需要说明的是，在基于大数据对汽车服务的智能推荐情境中，车辆的大部分保险保单数据中往往存在着维度上多于车辆维修保养的数据，例如当某车辆仅对其车窗进行维修时，其维修保养单中仅有关于车窗的维修记录（包含维修时间、维修地点和维修成本等数据），但是其保险保单中却可能包含有关于包含车窗在内的很多不同车部件的参保记录（包含参保时限、参保地点和参保金额等与维修时间、维修地点和维修成本等数据在情景上对应的数据），为了在处理时方便对两者的数据进行结合，故需要将其进行对齐补齐操作使得处理的数据的维度是统一的。

具体的，通过维修平台数据读取每辆车不同维修车部件的维修时间、维修地点和维修成本等多维维修数据，对维修平台数据中不同维修车部件进行随机标号（从1到，/>表示不同车部件的种类）得到不同维修车部件序列，对多维维修数据进行随机标号（从1到/>，表示多维维修数据的维度）得到多维维修数据序列，以车辆不同维修车部件序列为行、多维维修数据序列为列将多维维修数据表示为矩阵形式得到每辆车的维修信息矩阵，矩阵大小为/>；通过保险平台数据读取每个待推荐保险单中不同参保车部件的参保时限、参保地点和参保金额等多维参保数据，对保险平台数据中不同参保车部件进行随机标号（从1到/>，/>表示不同参保车部件的种类）得到不同参保车部件序列，对多维参保数据进行随机标号（从1到/>，/>表示多维参保数据的维度）得到多维参保数据序列，以车辆不同参保车部件序列为行、多维参保数据序列为列将多维参保数据表示为矩阵形式得到每个待推荐保险单的参保信息矩阵，矩阵大小为/>。

进一步，对每辆车的维修信息矩阵与每个待推荐保险单的参保信息矩阵进行比较，获取每个待推荐保险单的参保信息矩阵多出的维度，在每辆车的维修信息矩阵中增加待推荐保险单的参保信息矩阵多出的维度，并将每辆车的维修信息矩阵增加的维度中的值赋为0，将每辆车的维修信息矩阵转变为与每个待推荐保险单的参保信息矩阵的维度相同的矩阵，记为每辆车的维修等维矩阵，矩阵大小为。

至此，得到了每个待推荐保险单的参保信息矩阵和每辆车的维修等维矩阵。

分析匹配模块，用于根据每个待推荐保险单的参保信息矩阵和每辆车的维修等维矩阵得到每个待推荐保险单之于每辆车的匹配度矩阵。

需要说明的是，由于对车辆进行保险服务推荐时，会优先考虑选择保险服务种类中参保车部件与维修车部件相同的保险服务种类进行智能推荐，且要满足参保保额要比维修费低而保额要比维修费高、参保期间要跟维修时间相匹配等要求，因此可以在维修等维矩阵和参保信息矩阵中对应的位置处进行加减操作，用数据的值进行比对得到车辆的维修情况与待推荐保险单之间的匹配度。

具体的，对在参保信息矩阵和维修等维矩阵中的数据进行匹配度计算，得到每个待推荐保险单之于每辆车的匹配度矩阵中的每个元素，具体的计算公式如下：

其中，表示第/>个待推荐保险单之于第/>辆车的匹配度矩阵中位置为的元素，/>表示矩阵中第/>行第/>列，且有/>，/>表示在第/>个待推荐保险单的参保信息矩阵中位置为/>的元素，/>表示第/>辆车的维修等维矩阵中位置为/>的元素，/>表示以自然指数为底数的指数函数，/>表示/>函数。其中如果/>为正值，则表示当前汽车部件的维修等维矩阵中的数据值大于参保信息矩阵中的数据值，则可能表征当前保险与当前汽车部件维修情况不匹配的情况，例如维修金额超出保额和维修周期超过参保时限不匹配等情况；如果为0，则表示当前汽车部件的维修等维矩阵中的数据值等于参保信息矩阵中的数据值，则表示当前保险与当前汽车部件维修情况最匹配；如果/>为负值，则表示当前汽车部件的维修等维矩阵中的数据值小于参保信息矩阵中的数据值，则表示当前保险可用但是可能会有较多冗余，造成保险开销上的浪费。为了使得在越接近于0时，匹配度的值越大，故对差值序列进行负相关映射，当/>的值为正且越大时，则对应的匹配度应当越低，且为了使得/>的值为负值时对应的匹配度值为0，且满足当/>增大时对应的匹配度下降的技术效果，本实施例选用/>函数进行数据映射，使得/>的值为负时对应的匹配度为0。

进一步，用每个待推荐保险单之于每辆车的匹配度矩阵中的每个元素按照其位置进行排列得到矩阵，将该矩阵记为每个待推荐保险单之于每辆车的匹配度矩阵。

至此，得到了每个待推荐保险单之于每辆车的匹配度矩阵。

数据降维模块，用于根据每个待推荐保险单之于每辆车的匹配度矩阵进行降维运算得到每个主成分方向的降维数据。

需要说明的是，由于在每个待推荐保险单之于每辆车的匹配度矩阵中，每一行的数据表示其单一维修记录表与不同的汽车保险服务之间的匹配度。进而为了获取单车辆当前最佳的汽车保险服务，则应当的最终需要从单车辆的匹配度矩阵中得到最具有特征的列进行后续的分析，即在得到单一车辆对应的所有维修数据与所有车辆保险服务表之间的准确匹配度值后，根据每一次维修保养数据记录表对应的最佳车辆保险服务进行统计，进而根据统计结果完成最终的保险服务推荐。

具体的，利用算法对每个待推荐保险单之于每辆车的匹配度矩阵进行降维运算，得到若干个主成分方向，其中主成分个数为汽车保险服务个数，计算每个主成分方向的特征值，将所有主成分方向中特征值最大的主成分方向作为第一主成分方向，进而将每个待推荐保险单之于每辆车的匹配度矩阵中的每个主成分方向在第一主成分方向上进行投影，得到每个主成分方向的降维数据，其中每个主成分方向的降维数据为一维数据。每一个降维数据表征参保信息矩阵和维修等维矩阵中的数据的匹配度的综合降维结果。其中如果在降维数据中所有元素较为集中，则表示每一个维修保养数据记录表对不同汽车保险服务之间匹配度差异不大，如果降维数据中所有元素比较分散，则每一个维修保养数据记录表对不同汽车保险服务之间匹配度差异较大。

至此，得到了每个主成分方向的降维数据。

智能推荐模块，用于根据每个主成分方向的降维数据进行聚类，获取聚类中心，计算每个主成分方向的降维数据距离聚类中心的距离并得到每辆车的最大匹配度在降维数据中的重要性，根据每辆车的最大匹配度在降维数据中的重要性对汽车服务进行智能推荐，实现基于智能推荐的汽车服务。

需要说明的是，可通过对数据进行密度聚类，找到更具有代表性的一些维修保养记录，进而通过从所有待推荐保险单中对应的汽车保险服务中选择出最佳的汽车保险服务。

具体的，本实施例采用密度半径为3的均值偏移算法对所有降维数据进行密度聚类，其中密度聚类的具体方法以及参数可由实施者根据具体实施场景进行调整，本实施例不对其进行限定，将降维数据中分布密度较相近的数据分为一类得到若干聚类结果，进而在所有聚类结果中，获取聚类结果中降维数据的个数最多的类别，记为密度最高类别。在密度最高类别中降维数据对应的维修保养记录与其所对应的不同汽车保险服务之间匹配度较小。则应当从密度最高类别中的对应的降维数据对应的维修保养记录所对应的不同汽车保险服务之间选取最佳的汽车保险服务。

进一步，获取密度最高类别的密度中心，计算每个降维数据到密度最高类别对应的密度中心的欧式距离值，记为每个降维数据的偏移量。其中越靠近密度中心的数据，则表示越符合匹配度要求，在密度越高的位置，则表示与所有保险具有该匹配度的维修保养记录出现次数较多，进而在选择最佳汽车保险服务时，应当更加依靠当前降维数据对应的维修保养记录。

需要进一步说明的是，之所以不仅仅通过统计每个待推荐保险单的参保信息矩阵和每辆车具体的维修等维矩阵之间的元素的匹配度的方法来表征每个待推荐保险单之于每辆车的适配度，是因为在计算匹配度时存在一定差异，无法保证每个元素与实际情况中一模一样，导致统计结果可能存在比较离散的情况，因此通过计算每个降维数据到密度最高类别对应的密度中心的欧式距离值，对聚类的结果进行进一步优化。

进一步，获取所有待推荐保险单之于每辆车的匹配度的最大值，记为每辆车的最大匹配度，将每辆车的最大匹配度作为主成分方向时对应的降维数据的偏移量取相反数，将相反数作为以自然常数为底的指数函数的指数，记为距离负相关映射值，将每辆车的最大匹配度和距离负相关映射值相乘，得到每辆车的最大匹配度在降维数据中的重要性。重要性越大则有可能表征每辆车的最大匹配度对应降维数据距离密度最高类别对应的密度中心的距离值越小，且对应的匹配度越高，说明此时待推荐保险单之于车的适配度达到了最佳效果。

预设一个重要性阈值，其中本实施例以重要性阈值为0.7为例进行叙述，本实施例不进行具体限定，其中重要性阈值可根据具体实施情况而定。

进一步，对于每辆车，比较其最大匹配度在降维数据中的重要性与重要性阈值的大小，若重要性阈值小于等于每辆车的最大匹配度在降维数据中的重要性，则将所有待推荐保险单之于每辆车的匹配度的最大值对应的待推荐保险单作为参考意见发送给车主，若重要性阈值大于每辆车的最大匹配度在降维数据中的重要性，则将所有待推荐保险单之于每辆车的匹配度的最大值对应的待推荐保险单和次大值对应的待推荐保险单进行合并作为参考意见发送给车主，实现基于智能推荐的汽车服务。

至此，实现了基于智能推荐的汽车服务。

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 (5)

1.一种基于智能推荐的汽车服务系统，其特征在于，该系统包括：

矩阵获取模块，用于采集车辆维修保养数据和待推荐保险单的保险保单数据，根据车辆维修保养数据和待推荐保险单的保险保单数据获得每个待推荐保险单的参保信息矩阵和每辆车的维修等维矩阵；

分析匹配模块，用于根据每个待推荐保险单的参保信息矩阵和每辆车的维修等维矩阵得到每个待推荐保险单之于每辆车的匹配度矩阵；

数据降维模块，用于根据每个待推荐保险单之于每辆车的匹配度矩阵进行降维运算得到每个主成分方向的降维数据；

智能推荐模块，用于根据每个主成分方向的降维数据进行聚类，得到每辆车的最大匹配度在降维数据中的重要性，根据每辆车的最大匹配度在降维数据中的重要性对汽车服务进行智能推荐，实现基于智能推荐的汽车服务；

所述每个待推荐保险单的参保信息矩阵的具体获取方法如下：

通过保险平台读取每个待推荐保险单中不同参保车部件的多维参保数据，对保险平台数据中不同参保车部件进行随机标号得到不同参保车部件序列，对多维参保数据进行随机标号得到多维参保数据序列，以不同参保车部件序列为行、多维参保数据序列为列将多维参保数据表示为矩阵形式得到每个待推荐保险单的参保信息矩阵；

所述每辆车的维修等维矩阵的具体获取方法如下：

通过维修平台数据读取每辆车不同维修车部件的多维维修数据，对维修平台数据中不同维修车部件进行随机标号得到不同维修车部件序列，对多维维修数据进行随机标号得到多维维修数据序列，以不同维修车部件序列为行、多维维修数据序列为列将多维维修数据表示为矩阵形式得到每辆车的维修信息矩阵；将每辆车的维修信息矩阵转变为与每个待推荐保险单的参保信息矩阵的维度相同的矩阵，记为每辆车的维修等维矩阵；

所述根据每个待推荐保险单的参保信息矩阵和每辆车的维修等维矩阵得到每个待推荐保险单之于每辆车的匹配度矩阵，包括的具体步骤如下：

预设一个大小与每个待推荐保险单的参保信息矩阵相等的空矩阵，将该矩阵记为每个待推荐保险单之于每辆车的匹配度矩阵，获取每个待推荐保险单的参保信息矩阵中的元素及其位置以及每辆车的维修等维矩阵中的元素及其位置，根据每个待推荐保险单的参保信息矩阵中的元素及其位置以及每辆车的维修等维矩阵中的元素及其位置计算得到每个待推荐保险单之于每辆车的匹配度矩阵中的每个元素及其位置，将每个待推荐保险单之于每辆车的匹配度矩阵中的每个元素按照其位置放入到每个待推荐保险单之于每辆车的匹配度矩阵中；

所述每个待推荐保险单之于每辆车的匹配度矩阵中的每个元素的具体计算公式如下：

其中，表示第/>个待推荐保险单之于第/>辆车的匹配度矩阵中位置为/>的元素，/>表示矩阵中第/>行第/>列，/>表示在第/>个待推荐保险单的参保信息矩阵中位置为/>的元素，/>表示第/>辆车的维修等维矩阵中位置为/>的元素，表示以自然指数为底数的指数函数，/>表示/>函数；

所述根据每个主成分方向的降维数据进行聚类，得到每辆车的最大匹配度在降维数据中的重要性，包括的具体步骤如下：

对所有降维数据进行聚类得到密度最高类别；根据密度最高类别得到每个降维数据的偏移量；获取所有待推荐保险单之于每辆车的匹配度矩阵中的最大值，记为每辆车的最大匹配度，将每辆车的最大匹配度作为主成分方向时对应的降维数据的偏移量取相反数，将相反数作为以自然常数为底的指数函数的指数，将得到的结果记为距离负相关映射值，将每辆车的最大匹配度和距离负相关映射值相乘，得到每辆车的最大匹配度在降维数据中的重要性。

2.根据权利要求1所述一种基于智能推荐的汽车服务系统，其特征在于，所述根据每个待推荐保险单之于每辆车的匹配度矩阵进行降维运算得到每个主成分方向的降维数据，包括的具体步骤如下：

对每个待推荐保险单之于每辆车的匹配度矩阵进行降维运算，得到若干个主成分方向，其中主成分个数为汽车保险服务个数，计算每个主成分方向的特征值，将所有主成分方向中特征值最大的主成分方向作为第一主成分方向，进而将每个待推荐保险单之于每辆车的匹配度矩阵中的每个主成分方向在第一主成分方向上进行投影，得到每个主成分方向的降维数据，其中每个主成分方向的降维数据为一维数据。

3.根据权利要求1所述一种基于智能推荐的汽车服务系统，其特征在于，所述对所有降维数据进行聚类得到密度最高类别，包括的具体步骤如下：

对所有降维数据进行聚类，获取聚类结果中降维数据的个数最多的类别，记为密度最高类别。

4.根据权利要求1所述一种基于智能推荐的汽车服务系统，其特征在于，所述根据密度最高类别得到每个降维数据的偏移量，包括的具体步骤如下：

获取密度最高类别的密度中心，计算每个降维数据到密度最高类别对应的密度中心的欧式距离值，记为每个降维数据的偏移量。

5.根据权利要求1所述一种基于智能推荐的汽车服务系统，其特征在于，所述根据每辆车的最大匹配度在降维数据中的重要性对汽车服务进行智能推荐，实现基于智能推荐的汽车服务，包括的具体步骤如下：

比较每辆车的最大匹配度在降维数据中的重要性与预设的重要性阈值的大小，若预设的重要性阈值小于等于每辆车的最大匹配度在降维数据中的重要性，则将每辆车的最大匹配度对应的待推荐保险单作为参考意见发送给车主，若预设的重要性阈值大于每辆车的最大匹配度在降维数据中的重要性，则将所有车的最大匹配度对应的待推荐保险单和所有待推荐保险单之于每辆车的匹配度矩阵中的次大值对应的待推荐保险单全部作为参考意见并一起发送给车主，实现基于智能推荐的汽车服务。