车辆推荐方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种车辆推荐方法、装置、计算机设备和存储介质，其中，该车辆推荐方法包括：获取第一车辆信息和用户对历史流量信息；通过预设的向量表征模型对第一车辆信息和所述历史流量信息进行处理，得到所述第一车辆的第一特征向量；读取存储的第二特征向量，并基于所述第一特征向量和所述第二特征向量对所述第一车辆进行排序，根据所述排序结果确定推荐的车辆。上述车辆推荐方法、装置、计算机设备和存储介质，通过神经网络，将车辆的多个模态的特征转化为表征相似度的向量语句，并与用户的购买车型进行比对，以进行推荐，解决了原先营销过程中只能对用户交互过的车型进行推荐的缺点和不足，提升了整体的营销效果，提高了车辆推荐的准确度。推荐的准确度。推荐的准确度。

【技术实现步骤摘要】
车辆推荐方法、装置、计算机设备和存储介质


[0001]本申请涉及深度学习领域，特别是涉及一种车辆推荐方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着电子商务的蓬勃发展，在整个社会商品零售额中，线上消费的占比越来越高。网络购物给消费者提供的巨大的购物优势主要体现在突破时空限制、购物方便、更多的商品选择、有竞争力的价格、丰富的商品信息、个性化和定制化上。其中，利用用户的行为数据提高电商运营和广告投放效率，被越来越多的电商企业和广告主所关注。
[0003]汽车B2B的营销场景下，DMP(Data Management Platform，数据管理平台)根据用户对车辆的浏览点击，产生用户对车型、品牌的偏好作为车商的画像，帮助平台对车商进行个性化营销。在营销过程中，当进行短信或者推送营销时，为了推销高意向的车型，往往会使用以下标签：近期成交车型，近期浏览车型，近期点击车型。但是这些标签不够灵活，近期的购买浏览，不一定代表未来的偏好，同时这些标签过于简单粗暴，用户的长尾偏好在这个过程中被忽略，比如用户没有交互的车辆并不是没有购买意愿，只是暂时的市场行情所致，最后导致用户的推荐列表越推越窄，同时让B2B平台上的其他车型曝光度不够。
[0004]目前针对相关技术中车辆推荐准确度低的问题，尚未提出有效的解决方案。

技术实现思路

[0005]本申请实施例提供了一种车辆推荐方法、装置、计算机设备和存储介质，以至少解决相关技术中车辆推荐准确度低的问题。
[0006]第一方面，本申请实施例提供了一种车辆推荐方法，包括：
[0007]获取待推荐的第一车辆的第一车辆信息和用户对第二车辆信息进行浏览点击所产生的历史流量信息，其中，所述第一车辆信息包括所述第一车辆的车型信息以及外观信息；
[0008]通过预设的向量表征模型对所述第一车辆信息和所述历史流量信息进行处理，得到所述第一车辆的第一特征向量；
[0009]读取存储的第二特征向量，并基于所述第一特征向量和所述第二特征向量对所述第一车辆进行排序，根据所述排序结果确定推荐的车辆，其中，所述第二特征向量由所述向量表征模型对第二车辆的历史交易信息进行处理生成，并用于表征用户对第二车辆的意向标签。
[0010]在其中一些实施例中，所述获取待推荐的第一车辆的第一车辆信息包括：
[0011]获取所述第一车辆的车型、车系以及品牌中的至少一种信息作为所述车型信息；
[0012]获取所述第一车辆的车辆图像；
[0013]将所述车辆图像输入经训练的神经网络模型，得到所述第一车辆的外观信息，所述外观信息包括表征车辆外观相似度的外观向量。
[0014]在其中一些实施例中，所述通过预设的向量表征模型对所述第一车辆信息和所述历史流量信息进行处理，得到所述第一车辆的第一特征向量包括：
[0015]基于所述历史流量信息生成用户点击行为序列；
[0016]通过预设的向量表征模型对所述第一车辆信息和所述用户点击行为序列进行处理，得到所述第一车辆的第一特征向量。
[0017]在其中一些实施例中，所述基于所述历史流量信息生成用户点击行为序列包括：
[0018]基于所述历史流量信息构建有向无权图，所述有向无权图包括车辆信息以及车辆点击顺序；
[0019]在所述有向无权图中选择任意起始节点，采用随机游走的方式生成用户点击行为序列。
[0020]在其中一些实施例中，所述通过预设的向量表征模型对所述第一车辆信息和所述用户点击行为序列进行处理，得到所述第一车辆的第一特征向量包括：
[0021]将所述第一车辆信息作为输入，将所述用户点击行为序列中第一车辆的相邻车辆作为输出，对所述向量表征模型进行训练，得到隐层向量，将所述隐层向量作为所述第一车辆的第一特征向量。
[0022]在其中一些实施例中，所述读取存储的第二特征向量之前还包括：
[0023]基于所述用户点击行为序列、第二车辆的历史交易信息对所述向量表征模型进行训练，得到第二车辆的隐层向量；
[0024]基于所述第二车辆的隐层向量获取所述第二车辆的隐层向量的平均值，得到所述第二特征向量。
[0025]在其中一些实施例中，所述基于所述第一特征向量和所述第二特征向量对所述第一车辆进行排序，根据所述排序结果确定推荐的车辆包括：
[0026]获取所述第一特征向量与第二特征向量的余弦相似度；
[0027]基于所述余弦相似度对所述第一车辆进行排序；
[0028]基于排序从高到低选取预设数量的第一车辆进行推荐。
[0029]第二方面，本申请实施例提供了一种车辆推荐装置，包括：
[0030]获取模块，用于获取待推荐的第一车辆的第一车辆信息和用户对第二车辆信息进行浏览点击所产生的历史流量信息，其中，所述第一车辆信息包括所述第一车辆的车型信息以及外观信息；
[0031]第一处理模块，用于通过预设的向量表征模型对所述第一车辆信息和所述历史流量信息进行处理，得到所述第一车辆的第一特征向量；
[0032]推荐模块，用于读取存储的第二特征向量，并基于所述第一特征向量和所述第二特征向量对所述第一车辆进行排序，根据所述排序结果确定推荐的车辆，其中，所述第二特征向量由所述向量表征模型对第二车辆的历史交易信息进行处理生成，并用于表征用户对第二车辆的意向标签。
[0033]第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的车辆推荐方法。
[0034]第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程
序，该程序被处理器执行时实现如上述第一方面所述的车辆推荐方法。
[0035]相比于相关技术，本申请实施例提供的车辆推荐方法、装置、计算机设备和存储介质，通过获取待推荐的第一车辆的第一车辆信息和用户对第二车辆信息进行浏览点击所产生的历史流量信息，其中，所述第一车辆信息包括所述第一车辆的车型信息以及外观信息；通过预设的向量表征模型对所述第一车辆信息和所述历史流量信息进行处理，得到所述第一车辆的第一特征向量；读取存储的第二特征向量，并基于所述第一特征向量和所述第二特征向量对所述第一车辆进行排序，根据所述排序结果确定推荐的车辆，其中，所述第二特征向量由所述向量表征模型对第二车辆的历史交易信息进行处理生成，并用于表征用户对第二车辆的意向标签解决了相关技术中车辆推荐准确度低的缺点和不足，提高了车辆推荐的准确度。
[0036]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
[0037]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0038]图1是根据本申请实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆推荐方法，其特征在于，包括：获取待推荐的第一车辆的第一车辆信息和用户对第二车辆信息进行浏览点击所产生的历史流量信息，其中，所述第一车辆信息包括所述第一车辆的车型信息以及外观信息；通过预设的向量表征模型对所述第一车辆信息和所述历史流量信息进行处理，得到所述第一车辆的第一特征向量；读取存储的第二特征向量，并基于所述第一特征向量和所述第二特征向量对所述第一车辆进行排序，根据所述排序结果确定推荐的车辆，其中，所述第二特征向量由所述向量表征模型对第二车辆的历史交易信息进行处理生成，并用于表征用户对第二车辆的意向标签。2.根据权利要求1所述的车辆推荐方法，其特征在于，所述获取待推荐的第一车辆的第一车辆信息包括：获取所述第一车辆的车型、车系以及品牌中的至少一种信息作为所述车型信息；获取所述第一车辆的车辆图像；将所述车辆图像输入经训练的神经网络模型，得到所述第一车辆的外观信息，所述外观信息包括表征车辆外观相似度的外观向量。3.根据权利要求1所述的车辆推荐方法，其特征在于，所述通过预设的向量表征模型对所述第一车辆信息和所述历史流量信息进行处理，得到所述第一车辆的第一特征向量包括：基于所述历史流量信息生成用户点击行为序列；通过预设的向量表征模型对所述第一车辆信息和所述用户点击行为序列进行处理，得到所述第一车辆的第一特征向量。4.根据权利要求3所述的车辆推荐方法，其特征在于，所述基于所述历史流量信息生成用户点击行为序列包括：基于所述历史流量信息构建有向无权图，所述有向无权图包括车辆信息以及车辆点击顺序；在所述有向无权图中选择任意起始节点，采用随机游走的方式生成用户点击行为序列。5.根据权利要求3所述的车辆推荐方法，其特征在于，所述通过预设的向量表征模型对所述第一车辆信息和所述用户点击行为序列进行处理，得到所述第一车辆的第一特征向量包括：将所述第一车辆信息作为输入，将所述用户点击行为...

【专利技术属性】
技术研发人员：毕喆，
申请(专利权)人：杭州搜车数据科技有限公司，
类型：发明
国别省市：