一种智能车服务推荐方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种智能车服务推荐方法、装置、计算机设备及存储介质。所述方法包括：采集用户属性数据以及车辆属性数据，根据所述用户属性数据以及车辆属性数据构建用户

【技术实现步骤摘要】
一种智能车服务推荐方法、装置、计算机设备及存储介质


[0001]本专利技术涉及车服务推荐
，特别是涉及一种智能车服务推荐方法、装置、计算机设备及存储介质。

技术介绍

[0002]随着保有量的不断增加，汽车逐渐成为人们工作、生活中的重要工具。针对机动车相关的服务推荐的重要性也日益凸现。
[0003]目前，传统的车服务推荐大多是对于服务的罗列和展示，或根据广告排名在指定位置展示服务内容，不能根据用户需求生成最优的服务推荐，而用户只能被动接受，导致用户的体验感较差，在很大程度上造成了客户的流失。同时，现有的车服务推荐都是基于单一的位置推荐，一旦受环境因素影响而无法获取到准确位置时，则会容易出现错误的推荐结果，给用户带来更加糟糕的体验。因此，如何让用户从繁杂的广告信息中解放出来，并在短时间内得到最优的车服务推荐结果是亟待解决的问题。

技术实现思路

[0004]本专利技术提供了一种智能车服务推荐方法、装置、计算机设备及存储介质，旨在解决现有的智能车服务推荐方式不能根据用户需求生成最优的服务推荐且无法实时获取到准确位置导致推荐错误等技术问题。
[0005]为解决上述技术问题，本专利技术采用的技术方案为：
[0006]一种智能车服务推荐方法，包括：
[0007]采集用户属性数据以及车辆属性数据，根据所述用户属性数据以及车辆属性数据构建用户
‑
车辆属性标签；
[0008]获取车服务数据集，采用Aprioris算法对所述用户属性数据与所述车服务数据集进行关联规则分析，得到用户的偏好车服务集合；
[0009]根据所述用户
‑
车辆属性标签与所述偏好车服务集合构建用户画像；
[0010]获取用户的位置坐标，根据所述位置坐标以及用户画像生成距离用户设定范围内的车服务推荐方案。
[0011]本专利技术实施例采取的技术方案还包括：所述采集用户属性数据以及车辆属性数据包括；
[0012]分别获取用户的静态属性数据和动态属性数据，所述静态属性数据包括年龄、性别、受教育程度、职业、收入、家庭成员以及性格数据，所述动态属性数据包括爱好、消费习惯、消费周期；
[0013]根据所述用户属性信息获取用户所属车辆，并获取所述用户所属车辆的车辆属性数据，所述车辆属性数据包括用户所属车辆的品牌、价格、车况、投保历史以及理赔历史数据。
[0014]本专利技术实施例采取的技术方案还包括：所述根据所述用户属性数据以及车辆属性
数据构建用户
‑
车辆属性标签具体为：
[0015]将所述用户的静态属性数据、动态属性数据以及车辆属性数据进行绑定，生成一一对应的用户
‑
车辆属性标签。
[0016]本专利技术实施例采取的技术方案还包括：所述采用Aprioris算法对所述用户属性数据与所述车服务数据集进行关联规则分析，得到用户的偏好车服务集合包括：
[0017]对所述用户属性数据与所述车服务数据集进行关联规则分析，将关联规则中支持度高于第一设定阈值的项集作为用户的频繁项集；
[0018]根据所述频繁项集生成由用户属性数据与车服务组成的关联规则，并分别计算每条关联规则的置信度和提升度；
[0019]将所述置信度和提升度均高于第二设定阈值的关联规则作为强关联规则，并根据所述用户属性数据对所述强关联规则进行合并，生成用户的偏好车服务集合。
[0020]本专利技术实施例采取的技术方案还包括：所述根据所述频繁项集生成由用户属性数据与车服务组成的关联规则，并分别计算每条关联规则的置信度和提升度具体为：
[0021]所述关联规则{A}
→
{B}由一个用户属性数据与一个车服务组成，所述置信度用于表示一条关联规则中用户属性数据与车服务之间的对应关系，所述关联规则{A}
→
{B}的置信度计算方式为：项集{A,B}的支持度除以项集{A}的支持度，所述支持度是指项集{A,B}和项集{A}分别在车服务数据集中所占的比例；
[0022]根据每条关联规则的置信度以及对应车服务的支持度计算每条关联规则的提升度；所述关联规则{A}
→
{B}的提升度计算方式为：关联规则{A}
→
{B}的置信度除以{B}的支持度。
[0023]本专利技术实施例采取的技术方案还包括：所述获取用户的位置坐标，根据所述位置坐标以及用户画像生成距离用户设定范围内的车服务推荐方案包括：
[0024]通过定位系统获取用户的位置坐标，根据所述位置坐标对用户当前的地理位置以及所处环境进行分析，在所述用户画像的基础上，结合所述地理位置以及所处环境生成车服务推荐方案。
[0025]本专利技术实施例采取的技术方案还包括：所述根据所述位置坐标以及用户画像生成距离用户设定范围内的车服务推荐方案还包括：
[0026]分配不同推荐策略的权重指数，所述推荐策略包括运营推荐策略、智能推荐策略或环境推荐策略；
[0027]在生成所述车服务推荐方案时，优先按照权重指数最大的推荐策略生成最优车服务推荐结果。
[0028]本专利技术实施例采取的另一技术方案为：一种智能车服务推荐装置，包括：
[0029]数据采集模块：用于采集用户属性数据以及车辆属性数据，根据所述用户属性数据以及车辆属性数据构建用户
‑
车辆属性标签；
[0030]关联规则分析模块：用于获取车服务数据集，采用Aprioris算法对所述用户属性数据与所述车服务数据集进行关联规则分析，得到用户的偏好车服务集合；
[0031]用户画像构建模块：用于根据所述用户
‑
车辆属性标签与所述偏好车服务集合构建用户画像；
[0032]服务推荐模块：用于获取用户的位置坐标，根据所述位置坐标以及用户画像生成
距离用户设定范围内的车服务推荐方案。
[0033]本专利技术实施例采取的又一技术方案为：一种计算机设备，所述计算机设备包括：
[0034]存储有可执行程序指令的存储器；
[0035]与所述存储器连接的处理器；
[0036]所述处理器调用所述存储器中存储的所述可执行程序指令，执行如上所述的智能车服务推荐方法。
[0037]本专利技术实施例采取的又一技术方案为：一种存储介质，存储有处理器可执行的程序指令，所述程序指令用于执行上述的智能车服务推荐方法。
[0038]本专利技术实施例的智能车服务推荐方法、装置、计算机设备及存储介质通过对用户属性数据和车服务数据集进行关联规则分析，获取用户的偏好车服务集合，将用户属性数据、车辆属性数据以及偏好车服务集合相结合构建用户的用户画像，并根据用户的用户画像以及所处环境推荐适合的车服务。本专利技术可以提升车服务推荐的准确度，能够在合适的时间、空间内为客户提供最佳的车服务推荐方案，以减少无用推荐对用户造成的干扰，大大提升用户的使用体验。
附图说明
[0039]图1是本专利技术第一实施例的智能车本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能车服务推荐方法，其特征在于，包括：采集用户属性数据以及车辆属性数据，根据所述用户属性数据以及车辆属性数据构建用户
‑
车辆属性标签；获取车服务数据集，采用Aprioris算法对所述用户属性数据与所述车服务数据集进行关联规则分析，得到用户的偏好车服务集合；根据所述用户
‑
车辆属性标签与所述偏好车服务集合构建用户画像；获取用户的位置坐标，根据所述位置坐标以及用户画像生成距离用户设定范围内的车服务推荐方案。2.根据权利要求1所述的智能车服务推荐方法，其特征在于，所述采集用户属性数据以及车辆属性数据包括；分别获取用户的静态属性数据和动态属性数据，所述静态属性数据包括年龄、性别、受教育程度、职业、收入、家庭成员以及性格数据，所述动态属性数据包括爱好、消费习惯、消费周期；根据所述用户属性信息获取用户所属车辆，并获取所述用户所属车辆的车辆属性数据，所述车辆属性数据包括用户所属车辆的品牌、价格、车况、投保历史以及理赔历史数据。3.根据权利要求2所述的智能车服务推荐方法，其特征在于，所述根据所述用户属性数据以及车辆属性数据构建用户
‑
车辆属性标签具体为：将所述用户的静态属性数据、动态属性数据以及车辆属性数据进行绑定，生成一一对应的用户
‑
车辆属性标签。4.根据权利要求1至3任一项所述的智能车服务推荐方法，其特征在于，所述采用Aprioris算法对所述用户属性数据与所述车服务数据集进行关联规则分析，得到用户的偏好车服务集合包括：对所述用户属性数据与所述车服务数据集进行关联规则分析，将关联规则中支持度高于第一设定阈值的项集作为用户的频繁项集；根据所述频繁项集生成由用户属性数据与车服务组成的关联规则，并分别计算每条关联规则的置信度和提升度；将所述置信度和提升度均高于第二设定阈值的关联规则作为强关联规则，并根据所述用户属性数据对所述强关联规则进行合并，生成用户的偏好车服务集合。5.根据权利要求4所述的智能车服务推荐方法，其特征在于，所述根据所述频繁项集生成由用户属性数据与车服务组成的关联规则，并分别计算每条关联规则的置信度和提升度具体为：所述关联规则{A}
→
{B}由一个用户属性数据与一个车服务组成，所述置信度用于表示一条关联规则中用户属性数据与车服务之...

【专利技术属性】
技术研发人员：侯中涛，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：