基于知识表示学习的汽配件询报价优化方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111666424A(43)申请公布日2020.09.15(21)申请号202010521085.3G06F16/9535(2019.01)(22)申请日2020.06.10(71)申请人深圳开思时代科技有限公司地址518000广东省深圳市前海深港合作区前湾一路1号A栋201室（入驻深圳前海商务秘书有限公司）(72)发明人方长根刘松(74)专利代理机构深圳市中智立信知识产权代理有限公司44427代理人徐银针(51)Int.Cl.G06F16/36(2019.01)G06F16/332(2019.01)G06F16/335(2019.01)G06Q10/00(2012.01)权利要求书2页说明书4页附图1页(54)发明名称基于知识表示学习的汽配件询报价优化方法(57)摘要一种基于知识表示学习的汽配件询报价优化方法，包括：获取供应商录入的可售卖的汽车配件数据、维修厂录入所需的配件数据、同一个维修厂对不同供应商先后进行询价得到的供应商序列；通过构建的知识图谱网络产生实体表示向量以表达供应商之间的关系；将获取的平台已有的配件信息与维修厂意向配件进行匹配，从全平台供应商池中召回出候选供应商；利用召回候选集，结合产品行为数据，通过机器学习算法对步骤2中的候选供应商进行购买率预估。本发明通过召回规则流程进行初步供应商召回，并在召回的供应商候选集中通过机器学习算法进行购买率预估，最后使用购买率作进一步排序和筛选的依据，简化了维修厂购买流程。CN111666424ACN111666424A权利要求书1/2页1.一种基于知识表示学习的汽配件询报价优化方法，其特征在于，包括：步骤1，获取数据在平台上，获取供应商录入的可售卖的汽车配件，包含配件所属车型、配件品质、配件描述等数据，获取维修厂录入所需的配件名称、期待品质、是否需要发票等数据，获取同一个维修厂对不同供应商先后进行询价得到的供应商序列；供应商序列中的前后两个供应商构成知识图谱网络中的点或者实体，对应的前后关系则构成了网络中的边，通过构建的知识图谱网络产生实体表示向量以表达供应商之间的关系；步骤2，召回候选供应商将步骤1中获取的平台已有的配件信息与维修厂意向配件进行匹配，从全平台供应商池中召回出候选供应商；步骤3，维修厂购买率预估，包括：利用步骤2产生的召回候选集，结合步骤1中的产品行为数据，通过机器学习算法对步骤2中的候选供应商进行购买率预估。2.根据权利要求1所述的基于知识表示学习的汽配件询报价优化方法，其特征在于，步骤2中，为了大幅缩小进入下一个步骤进行计算的候选集集合，根据维修厂的偏好信息设置硬性过滤条件对供应商进行过滤，以实现对维修厂一个询价单的初步过滤得到可进行询价的候选供应商列表，然后应用配件单品规则进行次级过滤，其被过滤内容作为排序结果的候补推荐项。3.根据权利要求1所述的基于知识表示学习的汽配件询报价优化方法，其特征在于，步骤2包括以下步骤：步骤2-1，初始召回过程：通过询报价整单过滤规则(包括：黑白名单、车型、品质、地域、是否开启系统&人工报价和开票要求)，过滤得到整单最大可分配供应商候选集。步骤2-2，多级规则约束过程：在步骤2-1的基础上，进一步按SKU规则进行约束过滤，并保留被过滤供应商。当排序后候选集过少时，前面提到的被过滤供应商将作为补位资源进行排序结果的补充。4.根据权利要求1所述的基于知识表示学习的汽配件询报价优化方法，其特征在于，步骤3包括：步骤3-1，特征计算：通过步骤2得到的召回结果的N个后续供应商，采用大数据计算引擎Spark中处理结构化数据的SQL+RDD模块，对维修厂的历史购买行为和买卖双方的交互行为数据进行统计、交叉等数据工程计算，从而获得维修厂偏好特征、供应商环境上下文特征、供应商配件特征和买卖双方的浏览配件的交互行为特征；步骤3-2，模型训练：对于历史询价单中的候选供应商，根据供应商最后被询价时间，通过步骤3-1计算维修厂的偏好特征、供应商环境上下文特征、供应商配件特征和买卖双方交互行为特征，并基于询价过程中供应商序列构建的知识图谱网络产生的供应商实体表示，以历史候选供应商提供的配件是否在曝光后被“购买”的二元标记作为标签，训练Wide&Deep模型；步骤3-3，购买率预估：使用步骤3-2中训练好的Wide&Deep模型和步骤3-1中维修厂的偏好特征、供应商环境上下文特征、供应商配件特征、供应商实体表示和买卖双方交互行为特征，将上述特征值输入模型中，模型的输出即为该维修厂会在这N个候选供应商进行配件购买的概率，即为购买率)；2CN111666424A权利要求书2/2页步骤3-4，根据步骤3-3中得到的每个候选供应商的购买率对N个候选供应商进行排序，并将降序排序后的候