一种电商产品中服务类商品的智能推荐和分配解决方法技术

技术编号:15438207 阅读:44 留言:0更新日期:2017-05-26 04:09
本发明专利技术公开一种电商产品中服务类商品的智能推荐和分配解决方法,根据服务人员的在岗情况,技能,身份,服务人员所在地到订单服务地址的距离,空闲情况等因素,结合服务类商品的属性分类,会员类型,是否指定服务人员,是否需要多位服务人员,是否超时未接单等信息,通过OIT智能算法对订单数据和服务人员数据进行分析,自动完成一对一或者一对多模式的分配。通过本方法,一方面更加精准快捷的为客户提供服务;另外一方面,更加合理,有效,智能地协调和分配服务人员的工作时间,提升整个服务团队的服务能力和服务水平。

Intelligent recommendation and distribution solution of service commodity in electricity supplier product

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Bagging集成学习方法,通过样本重采样的方式训练出m个基础模型;将这些模型预测的评分矩阵进行平均,得到最终的评分矩阵;(5)推荐过程。根据m个基础模型,分别计算待推荐用户和所有服务人员的隐式特征向量的内积,得到m组该用户对于所有潜在服务人员的预测评分,求出用户对于每一个服务人员的m个预测评分的平均值,按照这些评分进行排序,过滤掉不满足用户查询条件的服务人员,选取K个评分最高的服务人员推荐给用户,供用户选择。进一步地,所述步骤(5)之后还包括模型在线更新步骤。当一个新的评分记录生成时,更新用户和服务人员对应的隐式特征向量,通过随机梯度算法随机选择m个基础模型中的一个进行更新。进一步地,所述用户查询条件包括技能要求、服务时间、用户与服务人员的距离。本专利技术的有益效果是:(1)随着O2O商业模式的兴起,越来越多的用户选择在网上进行消费。本专利技术针对电商产品中服务类产品这一特殊种类,对于其特殊性进行了研究和分析;当前的服务类产品推荐方法,通常是简单地通过计算用户输入的服务时间以及使用LBS计算相对距离,来推荐服务人员,这种方式虽然简单,但是忽略了用户之间的关联以及系统中很多的附加信息。由于相似的用户可能会对相似的服务人员更偏好,本专利技术采用CAT算法,将用户和服务人员的属性特征加入到协同过滤算法中,引入了用户隐式特征矩阵和服务人员隐式特征矩阵的概念;(2)通过隐式特征矩阵,我们可以很快地得到用户对于所有服务人员的预测评分,这里我们考虑到生产环境的噪音问题,采用Bagging集成学习算法,通过维护m个模型,使得预测结果更加具有鲁棒性;(3)由于电商平台中的用户个数和服务人员个数众多,当一个新的评价生成时,我们通过在线学习算法,使用随机梯度下降法随机更新1个模型,这样既降低了推荐系统的计算负担,也保持了bagging集成学习的鲁棒性。附图说明图1为用户‐服务人员联系图;图2为使用CAT算法和Bagging集成方法训练模型;图3为推荐流程以及模型在线更新。具体实施方式下面结合附图和具体实施例对本专利技术作进一步详细说明。一个典型的服务类商品平台应该包含以下主要特征:(1)用户,包含年龄、性别、所在地区、会员类型等属性;(2)服务人员,包含年龄、性别等属性;(3)订单,包含服务时间、技能要求等属性;(4)评价,用户对于服务人员的评价。本专利技术根据服务人员的在岗情况,技能,身份,服务人员所在地到订单服务地址的距离,空闲情况等因素,结合服务类商品的属性分类,会员类型,订单指定服务时间等信息,通过OIT智能算法对订单数据和服务人员数据进行分析,向用户推荐TopK服务人员供用户选择。具体包括以下步骤:(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。目标函数形式如下:Rij代表用户i对于服务人员j的真实评分;λ代表正则化系数(控制模型复杂度,防止过拟合现象的发生)。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,遍历所有的评分记录,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;对于单条评分记录,SGD的更新公式如下:其中,η表示学习速率。(4)集成学习。由于生产环境上的数据集噪音比较高,为了减少噪音对于模型预测准确性的影响,我们使用Bagging集成学习方法,通过样本重采样的方式训练出m个基础模型。(5)推荐过程。根据m个基础模型,分别计算待推荐用户和所有服务人员的隐式特征向量的内积,得到m组该用户对于所有潜在服务人员的预测评分,求出用户对于每一个服务人员的m个预测评分的平均值,按照这些评分进行排序,过滤掉不满足用户查询条件的服务人员,选取K个评分最高的服务人员推荐给用户,供用户选择。进一步地,所述步骤(5)之后还包括模型在线更新步骤。当一个新的评分记录生成时,更新用户和服务人员对应的隐式特征向量,通过随机梯度算法随机选择m个基础模型中的一个进行更新。进一步地,所述用户查询条件包括技能要求、服务时间、用户与服务人员的距离。下面我们结合一个在线保洁业务的示例来介绍本次专利技术的具体实施步骤。如图1所示,一个在线保洁业务包含用户以及服务人员两种角色,而用户包含性别、年龄、地区、会员类型等固有属性,服务人员也具有年龄、性别、所属单位等属性。当用户有服务需求时,也会给出技能要求、服务时间等限制条件。以下是本专利技术在这一特定场景的运用:(1)从MySQL数据库中提取用户对保洁阿姨的历史评价信息,形成评分矩阵X,评分范围(1‐5),“\”代表用户尚未对阿姨进行评分,Xij表示用户i对保洁阿姨j的评分,如表1所示。表1用户‐保洁阿姨评分矩阵(2)提取用户和保洁阿姨的属性信息,如表2、3所示,其中本文档来自技高网...
一种电商产品中服务类商品的智能推荐和分配解决方法

【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

网友询问留言 已有0条评论
  • 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。

1