CN109064265A - 基于网络平台的购车推荐方法及*** - Google Patents
基于网络平台的购车推荐方法及*** Download PDFInfo
- Publication number
- CN109064265A CN109064265A CN201810776728.1A CN201810776728A CN109064265A CN 109064265 A CN109064265 A CN 109064265A CN 201810776728 A CN201810776728 A CN 201810776728A CN 109064265 A CN109064265 A CN 109064265A
- Authority
- CN
- China
- Prior art keywords
- type
- information
- preferences
- client
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于网络平台的购车推荐方法及***,所述方法包括:接收客户输入的购车描述信息;从所述购车描述信息中提取偏好识别特征;利用所述偏好识别特征及预先构建的偏好识别模型,确定所述客户的偏好类型;获取与所述客户的偏好类型对应的车辆信息;将获取的车辆信息作为推荐信息推送给所述客户。利用本发明,可以向购车客户更好地提供与其需求相匹配的车辆信息。
Description
技术领域
本发明涉及信息推荐领域,具体涉及一种基于网络平台的购车推荐方法及***。
背景技术
随着互联网技术的发展,借助互联网进行电子交易已经成为必然,而针对大宗商品比如汽车的销售,业界也在不断探索新的销售模式,为此,汽车电商平台也应运而生。目前,汽车电商平台的发展还处于初级阶段,大都只是简单地向客户提供销售车辆的信息,比如,品牌、型号、性能,而且只能根据客户的查询信息(比如价格、车型等)向客户提供相关车辆的信息,这种方式对于有明确购买意向的客户来说没有太大问题,但对于没有明确购买意向的客户来说,由于市场上汽车品牌众多、用途各异、汽车本身的性能参数和功能,客户无法全面了解,对如何选择一款适合自己的汽车常常会束手无策。
因此,如何通过“互联网+”的手段获取用户数据信息,准确分析客户的需求,向客户提供有效的车辆信息,是现有电商平台都面临的一个问题。
发明内容
本发明提供一种基于网络平台的购车推荐方法及***,以向购车客户提供与其需求相匹配的信息,为客户选到满意的车辆提供有效的帮助。
为此,本发明实施例提供如下技术方案:
一种基于网络平台的购车推荐方法,所述方法包括:
接收客户输入的购车描述信息;
从所述购车描述信息中提取偏好识别特征;
利用所述偏好识别特征及预先构建的偏好识别模型,确定所述客户的偏好类型;
获取与所述客户的偏好类型对应的车辆信息;
将获取的车辆信息作为推荐信息推送给所述客户。
优选地,所述方法还包括:按照以下方式构建偏好识别模型:
确定偏好识别模型的拓扑结构;
收集大量历史购车数据作为训练数据,并对所述训练数据进行偏好类型标注;
从所述训练数据中提取偏好识别特征;
利用所述偏好识别特征及标注信息训练得到模型参数。
优选地,所述偏好识别特征包括:用户特征和车辆特征;所述用户特征包括以下任意一项或多项:年龄、性别、职业、爱好、地域;所述车辆特征包括以下任意一项或多项:用途、品牌系列、功率、排量、变速箱类型、油耗、价格。
优选地,所述方法还包括:
根据历史购车数据聚类得到各偏好类型对应的车辆参数,建立偏好类型与车辆参数的对应关系;
所述获取与所述客户的偏好类型对应的车辆信息包括:
根据所述对应关系获取所述客户的偏好类型对应的车辆参数;
将所述客户的偏好类型对应的车辆参数作为关键词,从车辆数据库中检索得到与所述客户的偏好类型对应的车辆信息。
优选地,所述根据历史购车数据聚类得到各偏好类型对应的车辆参数包括:
获取历史购车数据;
从所述历史购车数据中提取偏好识别特征;
根据所述偏好识别特征对所述历史购车数据进行聚类,得到聚类信息,所述聚类信息为偏好类型;
获取偏好类型相同的历史购车数据中的车辆参数,得到各偏好类型对应的车辆参数。
优选地,所述将获取的车辆信息包括以下任意一项或多项:链接地址、文本描述信息、图片信息、视频信息。
一种基于网络平台的购车推荐***,所述***包括:
接收模块,用于接收客户输入的购车描述信息;
特征提取模块,用于从所述购车描述信息中提取偏好识别特征;
偏好确定模块,用于利用所述偏好识别特征及预先构建的偏好识别模型,确定所述客户的偏好类型;
信息获取模块,用于获取与所述客户的偏好类型对应的车辆信息;
信息推荐模块,用于将获取的车辆信息作为推荐信息推送给所述客户。
优选地,所述***还包括:模型构建模块,用于构建偏好识别模型;
所述模型构建模块包括:
拓扑结构确定单元,用于确定偏好识别模型的拓扑结构;
数据收集单元,用于收集大量历史购车数据作为训练数据,并对所述训练数据进行偏好类型标注;
特征提取单元,用于从所述训练数据中提取偏好识别特征;
训练单元,用于利用所述偏好识别特征及标注信息训练得到模型参数。
优选地,所述***还包括:
聚类模块,用于根据历史购车数据聚类得到各偏好类型对应的车辆参数,
对应关系建立模块,用于建立偏好类型与车辆参数的对应关系;
所述信息获取模块包括:
参数确定单元,用于根据所述对应关系获取所述客户的偏好类型对应的车辆参数;
检索单元,用于将所述客户的偏好类型对应的车辆参数作为关键词,从车辆数据库中检索得到与所述客户的偏好类型对应的车辆信息。
优选地,所述聚类模块包括:
数据获取单元,用于获取历史购车数据;
特征提取单元,用于从所述历史购车数据中提取偏好识别特征;
聚类单元,用于根据所述偏好识别特征对所述历史购车数据进行聚类,得到聚类信息,所述聚类信息为偏好类型;
参数获取单元,用于获取偏好类型相同的历史购车数据中的车辆参数,得到各偏好类型对应的车辆参数。
与现有技术相比,本发明具有以下优点:
本发明提供的基于网络平台的购车推荐方法及***,预先构建偏好识别模型,在接收到客户输入的购车描述信息后,从中提取偏好识别特征,根据该偏好识别特征及预先构建的偏好识别模型确定客户的偏好类型,进而将与所述客户的偏好类型对应的车辆信息推荐给客户。由于所述偏好识别模型是基于大量历史购车数据训练得到的,因此利用该模型可以准确地预知客户对车辆的大致需求,从而可以有针对性地向购车客户提供相关车辆信息,使推荐的车辆信息更有效,使对应的车辆能更好地与用户的购车需求相匹配。
附图说明
图1是本发明基于网络平台的购车推荐方法的流程图;
图2是本发明方法中对历史购车数据进行聚类的流程图;
图3是本发明方法中构建偏好识别模型的流程图;
图4是本发明种基于网络平台的购车推荐***的一种结构示意图;
图5是本发明种基于网络平台的购车推荐***的另一种结构示意图;
图6是本发明***中模型构建模块的结构示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施的限制。
针对目前客户在线上购车时,由于缺乏汽车方面的专业知识与指导,对如何选择适合自已的车辆经常会感到困惑的问题,本发明提供一种基于网络平台的购车推荐方法及***,通过对客户输入的购车描述信息进行分析,准确把握客户的购车需求,为客户提供高匹配度的车辆信息,从而更好地帮助客户选择到自己满意的车辆。
如图1所示,是本发明基于网络平台的购车推荐方法的流程图。
步骤101,接收客户输入的购车描述信息。
所述购车描述信息可以是客户在网络平台上直接输入的,也可以是在客户端通过APP输入的,对此本发明实施例不做限定。
所述购车描述信息的形式可以是一段文字,比如,客户输入为“我想买一辆SUV,白色,价格20-30万元,紧凑型,手动档”。在实际应用中,为了使客户输入的购车描述信息尽可能具有更好的参考性,网络平台也可以同时给出一些对输入内容要求的提示信息,比如需要输入的必要信息等。
所述购车描述信息的形式也可以是由网络平台向客户提供相应的特征选项或特征输入框,客户选择相应的选项或在相应的输入框中输入对应该应该特征的文字。比如,特征选项形式包括以下内容:报价、品牌、车系、车型等。
步骤102,从所述购车描述信息中提取偏好识别特征。
所述偏好识别特征包括:用户特征和车辆特征,其中,所述用户特征包括但不限于以下任意一项或多项:年龄、性别、职业、爱好、地域。所述车辆特征包括但不限于以下任意一项或多项:用途、品牌系列、功率、排量、变速箱类型、油耗、价格。
需要说明的是,如果客户输入的购车描述信息是一段文字,则需要对其进行分词、语义识别、关键词提取等处理,具体可以采用现有的相关技术,对此本发明实施例不做限定。
步骤103,利用所述偏好识别特征及预先构建的偏好识别模型,确定所述客户的偏好类型。
所述偏好识别模型可以是通过收集大量历史购车数据训练得到的,模型的输入为各偏好识别特征,输出为对应该客户的偏好类型。
所述偏好类型可以根据类型粒度的不同有多种划分方式,对此本发明实施例不做限定。
步骤104,获取与所述客户的偏好类型对应的车辆信息。
具体地,可以预先建立偏好类型与车辆参数的对应关系,所述对应关系具体可以由人工统计大量历史购车数据,根据统计结果建立;也可以通过对历史购车数据进行聚类,得到各偏好类型对应的车辆参数,从而建立偏好类型与车辆参数的对应关系。具体聚类过程将在后面详细说明。
相应地,根据上述对应关系即可获取所述客户的偏好类型对应的车辆参数;然后将所述客户的偏好类型对应的车辆参数作为关键词,从车辆数据库中检索得到与所述客户的偏好类型对应的车辆信息。
需要说明的是,对历史购车数据进行聚类,进而建立偏好类型与车辆参数的对应关系的过程可以在接收到客户输入的购车描述信息之前进行,也可以在接收到客户输入的购车描述信息之后进行,对此本发明实施例不做限定。而且,在有新的购车数据后,可以重新聚类,对所述对应关系进行更新。当然,所述更新可以按时间段进行,也可以按新增购车数据的数量量进行,即新增购车数据累积到一定数量后进行。另外,由于随着市场行情及新款车辆的不断变化,新的购车数据更具参考价值,因此,在重新聚类时,可以只选近期(比如一年内)的购车数据,而将时间较久的购车数据剔除。
步骤105,将获取的车辆信息作为推荐信息推送给所述客户。
所述将获取的车辆信息包括但不限于以下任意一项或多项:链接地址、文本描述信息、图片信息、视频信息。
比如,可以在网络平台上显示上述车辆信息,也可以将上述车辆信息发送到客户手机等终端设备上。
如图2所示,是本发明方法中对历史购车数据进行聚类的流程图,包括以下步骤:
步骤201,获取历史购车数据。
所述历史购车数据包括线上收集的购车数据和/或线下收集的购车数据。
步骤202,从所述历史购车数据中提取偏好识别特征。
所述偏好识别特征包括:用户特征和车辆特征;所述用户特征包括但不限于以下任意一项或多项:年龄、性别、职业、爱好、地域。
所述车辆特征包括但不限于以下任意一项或多项:用途、品牌系列、功率、排量、变速箱类型、油耗、价格。
步骤203,根据所述偏好识别特征对所述历史购车数据进行聚类,得到聚类信息,所述聚类信息为偏好类型。
聚类方法具体可以采用层次法或者模型法,对此本发明实施例不做限定。
步骤204,获取偏好类型相同的历史购车数据中的车辆参数,得到各偏好类型对应的车辆参数。
所述车辆参数比如可以包括以下任意一种或多种:品牌、功率、排量、变速箱类型等。
如图3所示,是本发明方法中构建偏好识别模型的流程图,包括以下步骤:
步骤301,确定偏好识别模型的拓扑结构。
在本发明实施例中,偏好识别模型的拓扑结构可以采用DNN、RNN、CNN、SVM(支持向量机)等,以DNN为例,所述拓扑结构包括输入层、隐层、输出层。
步骤302,收集大量历史购车数据作为训练数据,并对所述训练数据进行偏好类型标注。
所述历史购车数据包括线上和/或线下购车数据。
步骤303,从所述训练数据中提取偏好识别特征。
步骤304,利用所述偏好识别特征及标注信息训练得到模型参数。
本发明提供的基于网络平台的购车推荐方法,预先构建偏好识别模型,在接收到客户输入的购车描述信息后,从中提取偏好识别特征,根据该偏好识别特征及预先构建的偏好识别模型确定客户的偏好类型,进而将与所述客户的偏好类型对应的车辆信息推荐给客户。由于所述偏好识别模型是基于大量历史购车数据训练得到的,因此利用该模型可以准确地预知客户对车辆的大致需求,从而可以有针对性地向购车客户提供相关车辆信息,使推荐的车辆信息更有效,使对应的车辆能更好地与用户的购车需求相匹配。
相应地,本发明还提供一种基于网络平台的购车推荐***,如图4所示,是该***的一种结构示意图。
在该实施例中,所述***包括:
接收模块41,用于接收客户输入的购车描述信息;
特征提取模块42,用于从所述购车描述信息中提取偏好识别特征,具体地,针对不同形式的购车描述信息,特征提取模块42具体处理方式及过程也有适应性的变化;比如,针对一段文字描述信息,特征提取模块42需要对其进行进行分词、语义识别、关键词提取等处理;
偏好确定模块43,用于利用所述偏好识别特征及预先构建的偏好识别模型,确定所述客户的偏好类型;
信息获取模块44,用于获取与所述客户的偏好类型对应的车辆信息;
信息推荐模块45,用于将获取的车辆信息作为推荐信息推送给所述客户。
所述偏好识别模型可以由相应的模型构建模块根据历史购车数据预先构建。
所述偏好识别特征包括:用户特征和车辆特征,其中,所述用户特征包括但不限于以下任意一项或多项:年龄、性别、职业、爱好、地域。所述车辆特征包括但不限于以下任意一项或多项:用途、品牌系列、功率、排量、变速箱类型、油耗、价格。
上述信息获取模块44具体可以根据***预先建立的偏好类型与车辆参数的对应关系得到与所述客户的偏好类型对应的车辆信息。比如,所述信息获取模块44的一种具体结构包括以下各单元:
参数确定单元,用于根据所述对应关系确定所述客户的偏好类型对应的车辆参数;
检索单元,用于将所述客户的偏好类型对应的车辆参数作为关键词,从车辆数据库中检索得到与所述客户的偏好类型对应的车辆信息。
在实际应用中,所述对应关系可以由人工统计大量历史购车数据,根据统计结果建立;也可以通过对历史购车数据进行聚类,根据聚类结果建立。
如图5所示的本发明***另一实施例中,所述***不仅包括上述:接收模块41、特征提取模块42、偏好确定模块43、信息获取模块44、信息推荐模块45,还包括:聚类模块51和对应关系建立模块52。其中:
聚类模块51用于根据历史购车数据聚类得到各偏好类型对应的车辆参数,
对应关系建立模块52用于建立偏好类型与车辆参数的对应关系。
相应地,在该实施例中,所述信息获取模块44可以根据所述对应关系建立模块52建立的偏好类型与车辆参数的对应关系得到与所述客户的偏好类型对应的车辆信息。
所述聚类模块51的一种具体结构可以包括以下各单元:
数据获取单元,用于获取历史购车数据;
特征提取单元,用于从所述历史购车数据中提取偏好识别特征;
聚类单元,用于根据所述偏好识别特征对所述历史购车数据进行聚类,得到聚类信息,所述聚类信息为偏好类型;比如具体可以采用层次法或者模型法进行聚类,对此本发明实施例不做限定;
参数获取单元,用于获取偏好类型相同的历史购车数据中的车辆参数,得到各偏好类型对应的车辆参数。
在实际应用中,所述偏好识别模型可以由相应的模型构建模块根据收集的历史购车数据训练得到。如图6所示,是本发明***中模型构建模块的一种具体结构,包括以下各单元:
拓扑结构确定单元61,用于确定偏好识别模型的拓扑结构;所述偏好识别模型的拓扑结构可以采用DNN、RNN、CNN、SVM(支持向量机)等;
数据收集单元62,用于收集大量历史购车数据作为训练数据,并对所述训练数据进行偏好类型标注;
特征提取单元63,用于从所述训练数据中提取偏好识别特征;
训练单元64,用于利用所述偏好识别特征及标注信息训练得到模型参数。
模型的具体训练过程与现有技术类似,在此不再赘述。
需要说明的是,上述模型构建模块可以作为本发明***的一部分,也可以独立于本***,对此本发明实施例不做限定。
本发明提供的基于网络平台的购车推荐***,预先构建偏好识别模型,在接收到客户输入的购车描述信息后,从中提取偏好识别特征,根据该偏好识别特征及预先构建的偏好识别模型确定客户的偏好类型,进而将与所述客户的偏好类型对应的车辆信息推荐给客户。由于所述偏好识别模型是基于大量历史购车数据训练得到的,因此利用该模型可以准确地预知客户对车辆的大致需求,从而可以有针对性地向购车客户提供相关车辆信息,使推荐的车辆信息更有效,使对应的车辆能更好地与用户的购车需求相匹配。
本发明虽然以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以做出可能的变动和修改,因此本发明的保护范围应当以本发明权利要求所界定的范围为准。
Claims (10)
1.一种基于网络平台的购车推荐方法,其特征在于,所述方法包括:
接收客户输入的购车描述信息;
从所述购车描述信息中提取偏好识别特征;
利用所述偏好识别特征及预先构建的偏好识别模型,确定所述客户的偏好类型;
获取与所述客户的偏好类型对应的车辆信息;
将获取的车辆信息作为推荐信息推送给所述客户。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:按照以下方式构建偏好识别模型:
确定偏好识别模型的拓扑结构;
收集大量历史购车数据作为训练数据,并对所述训练数据进行偏好类型标注;
从所述训练数据中提取偏好识别特征;
利用所述偏好识别特征及标注信息训练得到模型参数。
3.根据权利要求2所述的方法,其特征在于,所述偏好识别特征包括:用户特征和车辆特征;所述用户特征包括以下任意一项或多项:年龄、性别、职业、爱好、地域;所述车辆特征包括以下任意一项或多项:用途、品牌系列、功率、排量、变速箱类型、油耗、价格。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据历史购车数据聚类得到各偏好类型对应的车辆参数,建立偏好类型与车辆参数的对应关系;
所述获取与所述客户的偏好类型对应的车辆信息包括:
根据所述对应关系确定所述客户的偏好类型对应的车辆参数;
将所述客户的偏好类型对应的车辆参数作为关键词,从车辆数据库中检索得到与所述客户的偏好类型对应的车辆信息。
5.根据权利要求4所述的方法,其特征在于,所述根据历史购车数据聚类得到各偏好类型对应的车辆参数包括:
获取历史购车数据;
从所述历史购车数据中提取偏好识别特征;
根据所述偏好识别特征对所述历史购车数据进行聚类,得到聚类信息,所述聚类信息为偏好类型;
获取偏好类型相同的历史购车数据中的车辆参数,得到各偏好类型对应的车辆参数。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述将获取的车辆信息包括以下任意一项或多项:链接地址、文本描述信息、图片信息、视频信息。
7.一种基于网络平台的购车推荐***,其特征在于,所述***包括:
接收模块,用于接收客户输入的购车描述信息;
特征提取模块,用于从所述购车描述信息中提取偏好识别特征;
偏好确定模块,用于利用所述偏好识别特征及预先构建的偏好识别模型,确定所述客户的偏好类型;
信息获取模块,用于获取与所述客户的偏好类型对应的车辆信息;
信息推荐模块,用于将获取的车辆信息作为推荐信息推送给所述客户。
8.根据权利要求7所述的***,其特征在于,所述***还包括:模型构建模块,用于构建偏好识别模型;
所述模型构建模块包括:
拓扑结构确定单元,用于确定偏好识别模型的拓扑结构;
数据收集单元,用于收集大量历史购车数据作为训练数据,并对所述训练数据进行偏好类型标注;
特征提取单元,用于从所述训练数据中提取偏好识别特征;
训练单元,用于利用所述偏好识别特征及标注信息训练得到模型参数。
9.根据权利要求7所述的***,其特征在于,所述***还包括:
聚类模块,用于根据历史购车数据聚类得到各偏好类型对应的车辆参数,
对应关系建立模块,用于建立偏好类型与车辆参数的对应关系;
所述信息获取模块包括:
参数确定单元,用于根据所述对应关系确定所述客户的偏好类型对应的车辆参数;
检索单元,用于将所述客户的偏好类型对应的车辆参数作为关键词,从车辆数据库中检索得到与所述客户的偏好类型对应的车辆信息。
10.根据权利要求9所述的***,其特征在于,所述聚类模块包括:
数据获取单元,用于获取历史购车数据;
特征提取单元,用于从所述历史购车数据中提取偏好识别特征;
聚类单元,用于根据所述偏好识别特征对所述历史购车数据进行聚类,得到聚类信息,所述聚类信息为偏好类型;
参数获取单元,用于获取偏好类型相同的历史购车数据中的车辆参数,得到各偏好类型对应的车辆参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810776728.1A CN109064265A (zh) | 2018-07-13 | 2018-07-13 | 基于网络平台的购车推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810776728.1A CN109064265A (zh) | 2018-07-13 | 2018-07-13 | 基于网络平台的购车推荐方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109064265A true CN109064265A (zh) | 2018-12-21 |
Family
ID=64816561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810776728.1A Pending CN109064265A (zh) | 2018-07-13 | 2018-07-13 | 基于网络平台的购车推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109064265A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110727840A (zh) * | 2019-09-27 | 2020-01-24 | 浙江大搜车软件技术有限公司 | 车辆问询标签推送方法、装置、计算机设备和存储介质 |
CN111127149A (zh) * | 2019-12-23 | 2020-05-08 | 卓尔智联(武汉)研究院有限公司 | 大宗商品供应信息推荐方法、装置和计算机设备 |
CN111340533A (zh) * | 2020-02-20 | 2020-06-26 | 重庆长安新能源汽车科技有限公司 | 基于机器学习的汽车客户画像分析方法、***及存储介质 |
CN111815352A (zh) * | 2020-07-03 | 2020-10-23 | 斑马网络技术有限公司 | 潜客信息处理方法、装置、电子设备及可读存储介质 |
CN111861666A (zh) * | 2020-07-21 | 2020-10-30 | 上海仙豆智能机器人有限公司 | 车辆信息的交互方法及装置 |
CN112307333A (zh) * | 2020-10-20 | 2021-02-02 | 上海交通大学 | 基于机器视觉与加权knn的智能购车推荐方法 |
CN113240482A (zh) * | 2021-04-23 | 2021-08-10 | 华人运通(上海)云计算科技有限公司 | 一种选配购车方法及*** |
CN113268510A (zh) * | 2021-04-14 | 2021-08-17 | 中寰卫星导航通信有限公司 | 商用车选车方法、***、平台、介质及设备 |
CN113450169A (zh) * | 2020-03-27 | 2021-09-28 | 杭州大搜车汽车服务有限公司 | 车辆推荐信息的处理方法、***、计算机设备和存储介质 |
CN117688137A (zh) * | 2024-01-31 | 2024-03-12 | 成都航空职业技术学院 | 应用于汽车营销管理***软件的数据分析方法及*** |
WO2024058706A1 (en) * | 2022-09-15 | 2024-03-21 | Hitachi, Ltd. | Server and method for facilitating recommending vehicle |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150073933A1 (en) * | 2013-09-11 | 2015-03-12 | Ford Global Technologies, Llc | Vehicle powertrain selector |
CN106296368A (zh) * | 2016-08-19 | 2017-01-04 | 北京好车轰轰电子商务有限公司 | 一种车型推荐***和方法 |
CN108319646A (zh) * | 2017-12-26 | 2018-07-24 | 金瓜子科技发展(北京)有限公司 | 基于用户历史行为的车源搜索方法及装置 |
CN108460651A (zh) * | 2018-01-04 | 2018-08-28 | 金瓜子科技发展(北京)有限公司 | 车辆推荐方法及装置 |
-
2018
- 2018-07-13 CN CN201810776728.1A patent/CN109064265A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150073933A1 (en) * | 2013-09-11 | 2015-03-12 | Ford Global Technologies, Llc | Vehicle powertrain selector |
CN106296368A (zh) * | 2016-08-19 | 2017-01-04 | 北京好车轰轰电子商务有限公司 | 一种车型推荐***和方法 |
CN108319646A (zh) * | 2017-12-26 | 2018-07-24 | 金瓜子科技发展(北京)有限公司 | 基于用户历史行为的车源搜索方法及装置 |
CN108460651A (zh) * | 2018-01-04 | 2018-08-28 | 金瓜子科技发展(北京)有限公司 | 车辆推荐方法及装置 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110727840A (zh) * | 2019-09-27 | 2020-01-24 | 浙江大搜车软件技术有限公司 | 车辆问询标签推送方法、装置、计算机设备和存储介质 |
CN110727840B (zh) * | 2019-09-27 | 2022-07-05 | 浙江大搜车软件技术有限公司 | 车辆问询标签推送方法、装置、计算机设备和存储介质 |
CN111127149A (zh) * | 2019-12-23 | 2020-05-08 | 卓尔智联(武汉)研究院有限公司 | 大宗商品供应信息推荐方法、装置和计算机设备 |
CN111127149B (zh) * | 2019-12-23 | 2022-12-09 | 卓尔智联(武汉)研究院有限公司 | 大宗商品供应信息推荐方法、装置和计算机设备 |
CN111340533A (zh) * | 2020-02-20 | 2020-06-26 | 重庆长安新能源汽车科技有限公司 | 基于机器学习的汽车客户画像分析方法、***及存储介质 |
CN113450169A (zh) * | 2020-03-27 | 2021-09-28 | 杭州大搜车汽车服务有限公司 | 车辆推荐信息的处理方法、***、计算机设备和存储介质 |
CN111815352A (zh) * | 2020-07-03 | 2020-10-23 | 斑马网络技术有限公司 | 潜客信息处理方法、装置、电子设备及可读存储介质 |
CN111861666A (zh) * | 2020-07-21 | 2020-10-30 | 上海仙豆智能机器人有限公司 | 车辆信息的交互方法及装置 |
CN112307333A (zh) * | 2020-10-20 | 2021-02-02 | 上海交通大学 | 基于机器视觉与加权knn的智能购车推荐方法 |
CN113268510A (zh) * | 2021-04-14 | 2021-08-17 | 中寰卫星导航通信有限公司 | 商用车选车方法、***、平台、介质及设备 |
CN113240482A (zh) * | 2021-04-23 | 2021-08-10 | 华人运通(上海)云计算科技有限公司 | 一种选配购车方法及*** |
WO2024058706A1 (en) * | 2022-09-15 | 2024-03-21 | Hitachi, Ltd. | Server and method for facilitating recommending vehicle |
CN117688137A (zh) * | 2024-01-31 | 2024-03-12 | 成都航空职业技术学院 | 应用于汽车营销管理***软件的数据分析方法及*** |
CN117688137B (zh) * | 2024-01-31 | 2024-04-12 | 成都航空职业技术学院 | 应用于汽车营销管理***软件的数据分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109064265A (zh) | 基于网络平台的购车推荐方法及*** | |
CN109359244B (zh) | 一种个性化信息推荐方法和装置 | |
KR101871747B1 (ko) | 유사성향 기반 사용자-관광상품 추천 방법 및 시스템 | |
CN105760400B (zh) | 一种基于搜索行为的推送消息排序方法及装置 | |
CN108805598B (zh) | 相似度信息确定方法、服务器及计算机可读存储介质 | |
CN104572775B (zh) | 广告分类方法、装置及服务器 | |
CN105205188A (zh) | 采购物料供应商的推荐方法及推荐装置 | |
CN110111167A (zh) | 一种确定推荐对象的方法和装置 | |
CN110674391A (zh) | 基于大数据的产品数据推送方法、***和计算机设备 | |
CN112529665A (zh) | 基于组合模型的产品推荐方法、装置及计算机设备 | |
CN114581175A (zh) | 商品推送方法、装置、存储介质及电子设备 | |
CN116127184A (zh) | 产品的推荐方法及装置、非易失性存储介质、电子设备 | |
CN115391669A (zh) | 一种智能推荐方法、装置、电子设备 | |
CN112084242A (zh) | 一种消费信息的展示方法、装置、终端及介质 | |
CN116739836A (zh) | 一种基于知识图谱的餐饮数据分析方法及*** | |
CN110675179A (zh) | 营销信息处理方法、装置、电子设备及可读存储介质 | |
CN111626767A (zh) | 资源数据的发放方法、装置及设备 | |
CN112837108A (zh) | 信息处理方法、装置及电子设备 | |
CN113327132A (zh) | 多媒体推荐方法、装置、设备及存储介质 | |
CN112561636A (zh) | 一种推荐方法、装置、终端设备及介质 | |
CN113297520A (zh) | 页面设计辅助处理方法、装置及电子设备 | |
CN112131477A (zh) | 一种基于用户画像的图书馆图书推荐***及方法 | |
CN111476613A (zh) | 基于客流分析的导购辅助方法及装置、服务器、存储介质 | |
CN104537095B (zh) | 一种基于吸引力模型的信息精准推送方法和*** | |
CN108416611B (zh) | 一种超市路径推荐***及其方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |