The invention discloses a business product service commodity recommendation and distribution solutions, according to the post, service skills, service personnel identity, where to order the service address distance, idle condition and other factors, combined with the attribute of service commodity classification, membership type, whether the specified service personnel, whether need a number of service personnel, whether the missed information through single timeout, the order data and service data of OIT intelligent algorithm analysis, automatic completion of one to one or one to many mode distribution. By this method, a more accurate and efficient for customers to provide services; on the other hand, is more reasonable and effective, intelligent coordination and allocation of service time, improve the service team ability and service level.
【技术实现步骤摘要】
一种电商产品中服务类商品的智能推荐和分配解决方法
本专利技术提供了一种电商产品中服务类商品的智能推荐和分配解决方法,涉及商品分类、服务人员分工、LBS定位和计算、智能订单匹配等核心技术与算法,高效地进行订单分配调度。
技术介绍
随着互联网技术的发展,海量信息时代已经来临。从另一层面上看,现如今,O2O作为电子商务中重要的一种模式,早已渗透了我们生活的方方面面。从最早的初级应用团购业务到近年最活跃的打车和餐饮等业务,越来越多的消费者都认可这一类型的电子商务,在线上选择心仪的服务再到线下享受服务。对于O2O市场,生活服务类O2O市场需要较高的渗入度、本土化程度和关系网,是对于资金雄厚的巨头们相对薄弱的领域,为广大中小创业者提供了具有较低的进入门槛、较高的投资价值和黄金发展空间。
技术实现思路
本专利技术的目的在于针对电商产品中服务类商品,为中小创业企业或者个体服务提供者提供一种O2O智能推荐和分配解决方法。本专利技术的目的是通过以下技术方案来实现的:一种电商产品中服务类商品的智能推荐和分配解决方法,包括以下步骤:(1)数据清洗。从数据库中提取用户、服务人员的属性信息以及历史的用户对于服务人员的评价信息;(2)特征提取。根据用户对于服务人员的历史评价信息构建评分矩阵;对用户和物品分别构建用户和服务人员的隐式特征矩阵。其中,用户的隐式特征矩阵代表着用户对于服务的偏好,而服务人员的隐式特征矩阵表示服务人员包含这些偏好的程度。用户隐式特征向量Ui和服务人员隐式特征向量Vj的形式如下:Ui=αPi+εiVj=βQj+εj其中,Pi代表用户i的属性特征向量,Qj代表服务人员j ...
【技术保护点】
一种电商产品中服务类商品的智能推荐和分配解决方法,其特征在于,包括以下步骤:(1)数据清洗。从数据库中提取用户、服务人员的属性信息以及历史的用户对于服务人员的评价信息;(2)特征提取。根据用户对于服务人员的历史评价信息构建评分矩阵;对用户和物品分别构建用户和服务人员的隐式特征矩阵。其中,用户的隐式特征矩阵代表着用户对于服务的偏好,而服务人员的隐式特征矩阵表示服务人员包含这些偏好的程度。用户隐式特征向量U
【技术特征摘要】
1.一种电商产品中服务类商品的智能推荐和分配解决方法,其特征在于,包括以下步骤:(1)数据清洗。从数据库中提取用户、服务人员的属性信息以及历史的用户对于服务人员的评价信息;(2)特征提取。根据用户对于服务人员的历史评价信息构建评分矩阵;对用户和物品分别构建用户和服务人员的隐式特征矩阵。其中,用户的隐式特征矩阵代表着用户对于服务的偏好,而服务人员的隐式特征矩阵表示服务人员包含这些偏好的程度。用户隐式特征向量Ui和服务人员隐式特征向量Vj的形式如下:Ui=αPi+εiVj=βQj+εj其中,Pi代表用户i的属性特征向量,Qj代表服务人员j的属性特征向量,α代表Pi对Ui的影响程度,β代表Qj对Vj的影响程度;εi、εj为方差。(3)模型训练。随机初始化隐式特征矩阵;基于CAT算法考虑属性特征向量的特性,使用随机梯度下降算法(SGD)求出用户和服务人员对应的隐式特征矩阵U、V;(4)集成学习。使用B...
【专利技术属性】
技术研发人员:张腾,王健,陈韬,缪诚敏,
申请(专利权)人:浙江网新恒天软件有限公司,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。