货物推荐方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种货物推荐方法、装置、设备及存储介质。其中方法包括：基于用户的历史行为数据，确定用户在不同时间段的行为特征序列，以及与每个行为特征序列对应的货物特征序列；对行为特征序列和货物特征序列进行融合，得到融合特征序列，将融合特征序列入向量生成模型，以确定用户的用户向量和每个货物的货物向量，向量生成模型基于预设神经网络训练得到的；将用户向量和每个货物向量之间的相似度，以及用户的其他特征数值输入货物推荐模型，以确定推荐货物，向用户推荐所述推荐货物。本发明专利技术实施例能够向用户推荐合适的目标货物，提高了用户获取货物的效率和效果，且为货运平台提高货运成交率提供了条件。

【技术实现步骤摘要】
货物推荐方法、装置、设备及存储介质
本专利技术实施例涉及数据处理技术，尤其涉及一种货物推荐方法、装置、设备及存储介质。
技术介绍
在公路物流行业中，货车司机可通过互联网构建的货运平台寻找合适的货物，以对选择的货物进行装配和运输。目前，货车司机在货运平台上寻找合适的货物时，一般是通过手动在货运平台上填写始发地、目的地、货运量和运输时间等信息，然后根据填写的信息检索获得多个货物，以从多个货物中选择目标货物。但是，这种方式需要货车司机花费大量时间寻找适合自己的货物，甚至有可能无法寻找到满意的货物，导致货物获取效率低下且效果差。
技术实现思路
本专利技术实施例提供一种货物推荐方法、装置、设备及存储介质，能够向用户推荐合适的目标货物，提高了用户获取货物的效率和效果，且为货运平台提高货运成交率提供了条件。第一方面，本专利技术实施例提供了一种货物推荐方法，包括：基于用户的历史行为数据，确定用户在不同时间段的行为特征序列，以及与每个行为特征序列对应的货物特征序列；对所述行为特征序列和所述货物特征序列进行融合，本文档来自技高网...

【技术保护点】
1.一种货物推荐方法，其特征在于，包括：/n基于用户的历史行为数据，确定用户在不同时间段的行为特征序列，以及与每个行为特征序列对应的货物特征序列；/n对所述行为特征序列和所述货物特征序列进行融合，得到融合特征序列，将所述融合特征序列入向量生成模型，以确定所述用户的用户向量和每个所述货物的货物向量，所述向量生成模型基于预设神经网络训练得到的；/n将所述用户向量和每个所述货物向量之间的相似度，以及所述用户的其他特征数值输入货物推荐模型，以确定推荐货物，向所述用户推荐所述推荐货物。/n

【技术特征摘要】
1.一种货物推荐方法，其特征在于，包括：
基于用户的历史行为数据，确定用户在不同时间段的行为特征序列，以及与每个行为特征序列对应的货物特征序列；
对所述行为特征序列和所述货物特征序列进行融合，得到融合特征序列，将所述融合特征序列入向量生成模型，以确定所述用户的用户向量和每个所述货物的货物向量，所述向量生成模型基于预设神经网络训练得到的；
将所述用户向量和每个所述货物向量之间的相似度，以及所述用户的其他特征数值输入货物推荐模型，以确定推荐货物，向所述用户推荐所述推荐货物。


2.根据权利要求1所述的方法，其特征在于，基于用户的历史行为数据，确定用户在不同时间段的行为特征序列，以及与每个行为特征序列对应的货物特征序列，包括：
从所述历史行为数据中，获取所述用户在不同时间段的行为特征，以及与每个行为特征对应的货物特征；
按照行为特征处理规则，对所述用户在不同时间段的行为特征进行处理，得到所述用户在不同时间段的行为特征序列；
按照货物特征处理规则，对与每个行为特征对应的货物特征进行处理，得到所述用户在不同时间段的货物特征序列。


3.根据权利要求1所述的方法，其特征在于，对所述行为特征序列和所述货物特征序列进行融合，得到融合特征序列，包括：
确定属于同一时间段的行为特征序列和货物特征序列；
将属于同一时间段的所述行为特征序列和所述货物特征序列作为一个序列对，按照时间顺序对所有序列对进行排序，得到融合特征序列。


4.根据权利要求1-3任一项所述的方法，其特征在于，融合特征序列中任意位置处的序列对为历史成交序列对。


5.根据权利要求1所述的方法，其特征在于，确定用户在不同时间段的行为特征序列，以及与每个行为特征序列对应的货物特征序列之前，所述方法还包括：

【专利技术属性】
技术研发人员：鹿丽，汪昊楠，
申请(专利权)人：江苏满运物流信息有限公司，
类型：发明
国别省市：江苏;32