一种基于个性化定制的配件订单生成系统技术方案

本发明专利技术提供的一种基于个性化定制的配件订单生成系统，包括获取模块、采集模块、特征模块、初始化模块、查询模块和生成模块；采用获取模块得到用户的个性化需求，并经过采集模块得到数据的关键信息；采用特征模块对各个配件商品进行数字特征表示，进而融合订单中上下配件商品之间的依赖关系，使用查询模块得到配件订单的各个配件相关性、以此减少系统响应时间，提高配件组合合理性，最后得到生成订单；该发明专利技术能够有效地组合出用户的个性化定制配件订单，同时可在各类定制服务行业广泛应用，进而满足用户所提交的个性化定制订单与生产者之间的协调，提高工厂制作效率，可广泛应用于零售业、电脑、汽车配件等领域，满足用户个性化定制业务需求。制业务需求。制业务需求。

【技术实现步骤摘要】
一种基于个性化定制的配件订单生成系统


[0001]本专利技术属于计算机文本分析和数据挖掘领域，特别涉及一种基于个性化定制的配件订单生成系统。

技术介绍

[0002]随着根据用户个性化定制需求配置的订单类型增加，生产者也需针对此类模式在原有模式上增加订单方式。因此个性化定制订单数据得到的大规模增长，其能够获取用户在个性化定制方面不同商品的喜爱程度，而且能够通过数据挖掘获取不同商品的生产需求与用户个性化需求之间的供需关系。其存在灵活配置商品库存，各种各样配件的灵活组合能够满足消费者的个性化定制需求、拉动生产力等优点。个性化定制订单能够应用于各种各样定制服务之中。由于个性化定制的订单相较于其他订单存在特异性，订单中各个配件之间存在相关性，所以能够对个性化订单进行特征表示。个性化定制订单即将输入的个性化定制需求进行即时分析，在确定订单用户身份的基础上对其需求进行数据编码，与指定数据仓库中的各个配件进行分析比对，得到合适用户需求的配件信息，为后续的订单生成与生产提供必要条件。需求信息编码即对用户个性化需求中的数据进行编码，用于数据挖掘以及配件之间相关性的计算，为个性化定制配件订单生成做准备。
[0003]虽然目前常见的基于个性化定制的配件订单生成系统发展迅速，但是这些系统在以下这些方面仍然存在一些不足：
[0004](1)用户信息挖掘不准确，易发生误判；
[0005](2)配件特征生成区分度低，易生成不合适配件组合；
[0006](3)配件订单生成系统响应时间较长，系统针对性低，普及率低。/>[0007]由此可见，目前的基于个性化定制的配件订单生成系统在个性化定制配件订单生成准确度、配件是否为合适组合、系统响应时间及优化流畅度等方面还存在较多的问题，因此开发一种稳定、高效、准确的在线个性化定制配件订单生成系统已经成为个性化定制领域亟需解决的一个热门问题。本专利技术提供的一种基于个性化定制的配件订单生成系统，对各个配件商品进行特征表示，进而融合订单中上下配件商品之间的依赖关系，采取配件订单的各个配件相关性检测算法、减少系统响应时间，提高配件组合合理性。该专利技术能够有效地组合出用户的个性化定制配件订单，同时可在各类定制服务行业广泛应用，进而满足用户所提交的个性化定制订单与生产者之间的协调，提高工厂制作效率，可广泛应用于零售业、电脑、汽车配件等领域，满足用户个性化定制业务需求。

技术实现思路

[0008]本专利技术的目的在于个性化定制配件订单生成系统个性化定制配件订单生成能力不足的缺点，提供一种基于个性化定制配件订单生成系统。系统采用配件订单商品特征匹配相关性算法，实现更高准确度的配件商品排列组合；采用在线/离线个性化定制配件订单生成服务；采用系统优化算法优化系统，减少系统响应时间，提高系统流畅度。
[0009]本专利技术是这样实现的：一种基于个性化定制配件订单生成系统包括：获取模块、采集模块、特征模块、初始化模块、查询模块和生成模块。其中获取模块和采集模块相连，采集模块和特征模块相连，特征模块和初始化模块相连，初始化模块和查询模块相连，查询模块和生成模块相连。
[0010]所述获取模块，用于获取用户个性化定制需求。
[0011]所述采集模块，用于采集已获取的用户个性化定制需求，对采集到的各种各样的个性化定制需求进行归类分析，并且去除一些干扰因子，增加后期生成配件订单组合合理性。
[0012]所述特征模块，对采集模块采集的数据进行处理如特征工程和数据转化等操作，得到个性化定制需求的特征，以及构建不同类别配件商品的数据特征。
[0013]所述初始化模块，用于初始化构建上述数据库中每种商品的数据特征并保存在数据库中，并且对于新加入的商品同样计算其数据特征加入数据库，以便加快订单生成响应时间。
[0014]所述查询模块，用于查询上述适合获取的用户个性化需求的各类配件，并且按照配件一件一件的生成组合合理的配件订单，减少用户自己组合配件时间，增加用户满意度。
[0015]所述生成模块，用于将已获取的查询数据进行订单生成，并且再次判断是否组合成功以及将订单发给用户。
[0016]与现有的配件订单生成系统相比，本专利技术的基于个性化定制的配件订单生成系统有以下优点：
[0017](1)采用特征匹配算法，实现更高准确度的配件商品配对；
[0018](2)采用需求数字化特征，实现文字需求也能转化为数字需求便于系统计算配件相关性；
[0019](3)采用系统优化算法优化系统的空间和时间复杂度，减少系统响应时间，提高系统流畅度。
附图说明
[0020]图1为本专利技术一种基于个性化定制的配件订单生成系统组成框图。
[0021]图2为本专利技术实施例中订单生成模块的模块流程图。
[0022]图中标记：1.获取模块；2.采集模块；3.特征模块；4.初始化模块；5.查询模块；6.生成模块。
具体实施方式
[0023]实施例：如图1所示，本专利技术提供了一种基于个性化定制的配件订单生成系统，包括6个模块，分别是：获取模块1、采集模块2、特征模块3、初始化模块4、查询模块5、生成模块6。其中，获取模块1和采集模块2相连，采集模块2和特征模块3相连，特征模块3和初始化模块4相连，初始化模块4和查询模块5相连，查询模块5和生成模块6相连。
[0024]所述获取模块1用于获取用户输入的个性化定制需求，本实施例获取的用户个性化定制需求是来自不同用户的输入。
[0025]所述采集模块2用于采集已获取的个性化定制需求。
[0026]所述提取模块3，按照采集的个性化定制需求，使用特征工程方法对数据预处理，旨在通过归一化、标准化、正则化等方式改进不完整、不一致、无法直接使用的数据。不同的特征对模型的影响程度不同，本专利技术要自动地选择出对问题重要的一些特征，移除与问题相关性不是很大的特征，这个过程就叫做特征选择。特征的选择在特征工程中十分重要，往往可以直接决定最后模型训练效果的好坏。常用的特征选择方法有：过滤式(filter)、包裹式(wrapper)、嵌入式(embedding)。数据的特征一般是多维的，而且特征数据包含了与问题相关的和不相关的特征，因为这个问题本专利技术采用主成分分析法(PCA)，它是一种最常见的数据降维方法，其主要思想是尽可能在减少信息损失的前提下，将高维空间的数据映射到低维空间中表示，同时在低维空间中要最大程度上的保留原数据的特点。主成分分析法本质上是一种无监督的方法，不用考虑数据的类标，它的基本步骤大致如下：数据中心化(每个特征维度减去相应的均值)、计算协方差矩阵以及它的特征值和特征向量、将特征值从大到小排序并保留最上边的N个特征、将高维数据转换到上述N个特征向量构成的新的空间中。
[0027]所述初始化模块4用于初始化构建用户输入的个性化定制需求数据特征。
[0028]所述查询模块5用于查询用户输入的个性化定制需求转化的数据特征相关性高的配件商品。
[0029]所述生成模块6用于将查询到的配本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于个性化定制的配件订单生成系统，包括：获取模块、采集模块、特征模块、初始化模块、查询模块、生成模块；其中，获取模块和采集模块相连，采集模块和特征模块相连，特征模块和初始化模块相连，初始化模块和查询模块相连，查询模块和生成模块相连。2.根据权利要求1所述的一种基于个性化定制的配件订单生成系统，其特征在于，所述获取模块用于获取用户输入的个性化定制需求，本实施例获取的用户个性化定制需求是来自不同用户的输入。3.根据权利要求1所述的一种基于个性化定制的配件订单生成系统，其特征在于，所述采集模块用于采集已获取的个性化定制需求。4.根据权利要求1所述的一种基于个性化定制的配件订单生成系统，其特征在于，所述特征模块，按照采集的个性化定制需求，使用特征工程方法对数据预处理，旨在通过归一化、标准化、正则化等方式改进不完整、不一致、无法直接使用的数据；不同的特征对模型的影响程度不同，我们要自动地选择出对问题重要的一些特征，移除与问题相关性不是很大的特征，这个过程就叫做特征选择；特征的选择在特征工程中十分重要，往往可以直接决定最后模型训练效果的好坏；常用的特征选择方法有：过滤式(filter)、包裹式(wrapper)、嵌入式(embedding)；数据的特征一般是多维的，而且特征数据包含了与问题相关的和不相关的特征，因为这个问题本发明采用主成分分析法(PCA)，它是一种最常见的数据降维方法，其主要思想是尽可能在减少信息损失的前提下，将高维空间的数据映射到低维空间中表示，同时在低维空间中要最大程度上的保留原数据的特点；主成分分析法本质上是一种无监督的方法，不用考虑数据的类标，它的基本步骤大致如下：数据中心化(每个特征维度减去相应的均值)、计算协方差矩阵以及它的...

【专利技术属性】
技术研发人员：谢晓兰，唐毅刚，刘亚荣，王佳明，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：