车货匹配模型的训练方法、装置、存储介质及电子设备制造方法及图纸

本发明专利技术提供一种车货匹配模型的训练方法、装置、存储介质及电子设备，所述训练方法包括：获取司机基本信息及与该司机基本信息关联的货物信息；根据所述司机基本信息与货物信息确定司机与货物之间的匹配度；将所述司机基本信息与货物信息作为车货匹配模型的输入，将所述匹配度作为所述车货匹配模型的输出，以构成样本数据；按照预设比例将所述样本数据划分为训练集和测试集；根据所述训练集和测试集对车货匹配模型进行训练。本发明专利技术可以针对不同司机进行不同货物的个性化排序推荐，从而提高司机找货的效率，提升整个系统中的车货匹配效率。

【技术实现步骤摘要】
车货匹配模型的训练方法、装置、存储介质及电子设备
本专利技术涉及计算机
，尤其涉及一种车货匹配模型的训练方法、装置、存储介质及电子设备。
技术介绍
目前，长途货运存在车货匹配困难问题。过去司机需亲自到物流园找待运输的货物，而物流园的信息繁杂且容量有限，不论从货主还是司机角度，都存在有效信息传播过慢问题。互联网的发展使得在线匹配平台成为可能，旨在提升车货匹配效率。然而每日有数百万的司机需从数百万的货物信息中筛选满意的物，且司机需求各不相同，难以使用统一规则描述，因此结合大数据与人工智能为司机提供个性化匹配方案变得极为重要。现有技术中，主要由司机自己筛选找货条件，然而长途货运场景极为复杂，将所有信息抽象为少数筛选条件非常困难，因此常规筛选无法满足司机高效找货的需求。
技术实现思路
针对现有技术中的问题，本专利技术的目的在于提供一种车货匹配模型的训练方法、装置、存储介质及电子设备，以针对不同司机进行不同货物的个性化排序推荐，从而提高司机找货的效率，提升整个系统中的车货匹配效率。根据本专利技术的一方面，提供一种车货匹配模型的训练方法，所述训练方法包括：获取司机基本信息及与该司机基本信息关联的货物信息；根据所述司机基本信息与货物信息确定司机与货物之间的匹配度；将所述司机基本信息与货物信息作为车货匹配模型的输入，将所述匹配度作为所述车货匹配模型的输出，以构成样本数据；按照预设比例将所述样本数据划分为训练集和测试集；根据所述训练集和测试集对车货匹配模型进行训练。在本专利技术的一实施方式中，所述车货匹配模型为决策树模型。在本专利技术的一实施方式中，所述司机基本信息至少包括司机对各货物类别的操作次数，所述货物信息至少包括货物所属的货物类别，所述根据所述司机基本信息与货物信息确定司机与货物之间的匹配度包括：将用户对该货物所属的货物类别的操作次数占该用户对各货物类别的总操作次数的比例作为该用户与该货物的匹配度。在本专利技术的一实施方式中，所述司机基本信息至少包括司机对各货物的操作次数，所述根据所述司机基本信息与货物信息确定司机与货物之间的匹配度包括：若司机对货物信息指示的货物的操作次数大于等于预设阈值，则该司机与该货物的匹配度为最大值；若司机对货物信息指示的货物的操作次数小于预设阈值，则该司机与该货物的匹配度为最小值。在本专利技术的一实施方式中，所述操作次数是指司机在预设时间段内对货物的点击、搜索、浏览次数。在本专利技术的一实施方式中，所述货物信息还包括货主标识，在构成样本数据之前还包括：根据所述货主标识获取货主特征，所述样本数据中，所述车货匹配模型的输入还包括所述货主特征。根据本专利技术的另一方面，提供一种应用上述车货匹配模型的训练方法的货物推荐方法，所述货物推荐方法包括：实时采集司机基本信息及货物信息；将所采集的司机基本信息及货物信息输入车货匹配模型，以得到司机与各货物信息指示的货物的匹配度，所述车货匹配模型经由上述车货匹配模型的训练方法训练；根据所述匹配度对货物进行排序，以向司机推荐货物。根据本专利技术的另一方面，提供一种车货匹配模型的训练装置，所述训练装置包括：获取模块，用于获取司机基本信息及与该司机基本信息关联的货物信息；确定模块，用于根据所述司机基本信息与货物信息确定司机与货物之间的匹配度；样本构建模块，用于将所述司机基本信息与货物信息作为车货匹配模型的输入，将所述匹配度作为所述车货匹配模型的输出，以构成样本数据；数据划分模块，用于按照预设比例将所述样本数据划分为训练集和测试集；训练模块，用于根据所述训练集和测试集对车货匹配模型进行训练。根据本专利技术的又一方面，提供一种货物推荐装置，所述货物推荐装置包括：信息采集模块，用于实时采集司机基本信息及货物信息；匹配模块，用于将所采集的司机基本信息及货物信息输入车货匹配模型，以得到司机与各货物信息指示的货物的匹配度，所述车货匹配模型经如上所述的车货匹配模型的训练方法训练；推荐模块，用于根据所述匹配度对货物进行排序，以向司机推荐货物。根据本专利技术的又一方面，提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行：如上所述车货匹配模型的训练方法中的步骤；或者如上所述的货物推荐方法中的步骤。根据本专利技术的又一方面，提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行：如上所述车货匹配模型的训练方法中的步骤；或者如上所述的货物推荐方法中的步骤。本专利技术中所述车货匹配模型通过对历史数据的处理，计算获得司机和货物之间的匹配度，并可以根据所计算的匹配度作为车货匹配模型的输出，以对车货匹配模型进行训练。由此，本专利技术通过训练获得的车货匹配模型来针对不同司机进行不同货物的个性化排序推荐，从而提高司机找货的效率，提升整个系统中的车货匹配效率。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显。图1是本专利技术一实施例中车货匹配模型的训练方法的流程图。图2是本专利技术一实施例中货物推荐方法的流程图。图3是本专利技术一实施例中车货匹配模型的训练装置的结构示意图。图4是本专利技术一实施例中货物推荐装置的结构示意图。图5是本专利技术一实施例中计算机可读存储介质的结构示意图。以及图6是本专利技术一实施例中电子设备的结构示意图。具体实施方式现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。为了解决现有技术的不足，本专利技术提供一种车货匹配模型的训练方法、应用所述车货匹配模型的训练方法的货物推荐方法、车货匹配模型的训练装置、货物推荐装置、存储介质及电子设备，以针对不同司机进行不同货物的个性化排序推荐，从而提高司机找货的效率，提升整个系统中的车货匹配效率。图1是本专利技术一实施例中车货匹配模型的训练方法的流程图。图2是本专利技术一实施例中货物推荐方法的流程图。图3是本专利技术一实施例中车货匹配模型的训练装置的结构示意图。图4是本专利技术一实施例中货物推荐装置的结构示意图。图5是本专利技术一实施例中计算机可读存储介质的结构示意图。以及图6是本专利技术一实施例中电子设备的结构示意图。根据本专利技术的一方面，提供一种车货匹配模型的训练方法，图1是本专利技术一实施例中车货匹配模型的训练方法的流程图。如图1所示，所述训练方法包括：S110、获取司机基本信息及与该司机基本信息关联的货物信息。具体地，所述司机本信息包括司机的身份信息及其注册的车辆的基本信息，以及司机使用app的行为习惯(包括司机过去各时间段内点击，搜索，电话，浏览货物次数)，以及司机从app主要入口(货源大厅，当天货源)进入次数本文档来自技高网...

【技术保护点】
1.一种车货匹配模型的训练方法，其特征在于，包括：获取司机基本信息及与该司机基本信息关联的货物信息；根据所述司机基本信息与货物信息确定司机与货物之间的匹配度；将所述司机基本信息与货物信息作为车货匹配模型的输入，将所述匹配度作为所述车货匹配模型的输出，以构成样本数据；按照预设比例将所述样本数据划分为训练集和测试集；根据所述训练集和测试集对车货匹配模型进行训练。

【技术特征摘要】
1.一种车货匹配模型的训练方法，其特征在于，包括：获取司机基本信息及与该司机基本信息关联的货物信息；根据所述司机基本信息与货物信息确定司机与货物之间的匹配度；将所述司机基本信息与货物信息作为车货匹配模型的输入，将所述匹配度作为所述车货匹配模型的输出，以构成样本数据；按照预设比例将所述样本数据划分为训练集和测试集；根据所述训练集和测试集对车货匹配模型进行训练。2.根据权利要求1所述的车货匹配模型的训练方法，其特征在于，所述车货匹配模型为决策树模型。3.根据权利要求1所述的车货匹配模型的训练方法，其特征在于，所述司机基本信息至少包括司机对各货物类别的操作次数，所述货物信息至少包括货物所属的货物类别，所述根据所述司机基本信息与货物信息确定司机与货物之间的匹配度包括：将用户对该货物所属的货物类别的操作次数占该用户对各货物类别的总操作次数的比例作为该用户与该货物的匹配度。4.根据权利要求1所述的车货匹配模型的训练方法，其特征在于，所述司机基本信息至少包括司机对各货物的操作次数，所述根据所述司机基本信息与货物信息确定司机与货物之间的匹配度包括：若司机对货物信息指示的货物的操作次数大于等于预设阈值，则该司机与该货物的匹配度为最大值；若司机对货物信息指示的货物的操作次数小于预设阈值，则该司机与该货物的匹配度为最小值。5.根据权利要求3或4所述的车货匹配模型的训练方法，其特征在于，所述操作次数是指司机在预设时间段内对货物的点击、搜索、浏览次数。6.根据权利要求1至4中任一项所述的车货匹配模型的训练方法，其特征在于，所述货物信息还包括货主标识，在构成样本数据之前还包括：根据所述货主标识获取货主特征，所述样本数据中，所述车货匹配模...

【专利技术属性】
技术研发人员：汪昊楠，
申请(专利权)人：江苏满运软件科技有限公司，
类型：发明
国别省市：江苏,32