CN111127149A - 大宗商品供应信息推荐方法、装置和计算机设备 - Google Patents
大宗商品供应信息推荐方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111127149A CN111127149A CN201911335709.6A CN201911335709A CN111127149A CN 111127149 A CN111127149 A CN 111127149A CN 201911335709 A CN201911335709 A CN 201911335709A CN 111127149 A CN111127149 A CN 111127149A
- Authority
- CN
- China
- Prior art keywords
- user
- transaction
- bulk
- commodity
- target
- 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.)
- Granted
Links
Images
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]
- G06Q30/0605—Supply or demand aggregation
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- 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)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种大宗商品供应信息推荐方法、装置、计算机设备和存储介质,从大宗商品交易主要考虑单价和数量的特点出发,根据需求方的大宗商品供应信息推荐请求,获取包含供应数量和单价的大宗商品供应信息集以及用户历史交易记录,然后,对用户历史交易记录进行分析,得到大宗商品需求量预测值,并识别出用户交易偏好数量优先还是价格优先,进而能够根据大宗商品需求量预测值以及识别出的用户交易偏好,从包含供应数量和单价的大宗商品供应信息集有针对性的推荐符合需求方要求的供应信息至需求方,减少交易障碍和交易风险,提高交易的成功率。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及大宗商品供应信息推荐方法、装置、计算机设备和存储介质。
背景技术
随着科学技术的不断进步,人机在线交互进行商品交易越来越受到大家的欢迎。
其中,大宗商品的交易方式也逐渐从线下交易转变为线上的电子交易。大宗商品电子交易采用计算机网络组织的同货异地、同步集中竞价、统一撮合、统一结算、价格行情实时显示的交易方式,给人们生活带来便利。
但是,基于大宗商品交易对象多层多元的特性,仅从商品本身的特性进行交易匹配无法满足采购商的多种需求。而且,大宗商品交易的达成受到市场行为规范性、商誉、交易风险等因素的限制,使得从采购方需求和商品信息,促成大宗商品交易越来越困难。
因此,需要提供一种能够快速促成大宗商品交易达成的大宗商品供应信息推荐方案。
发明内容
基于此,有必要针对大宗商品交易达成越来越困难的问题,提供一种能够快速促成大宗商品交易达成的大宗商品供应信息推荐方法、装置、计算机设备和存储介质。
一种大宗商品供应信息推荐方法,方法包括:
获取大宗商品供应信息推荐请求,大宗商品供应信息推荐请求携带目标大宗商品标识信息和用户标识信息;
根据目标大宗商品标识信息和用户标识信息,于预设交易平台数据库中分别获取大宗商品供应信息集以及用户历史交易记录,大宗商品供应信息集包括大宗商品供应数量和大宗商品单价;
对用户历史交易记录进行分析,得到大宗商品需求量预测值以及用户交易偏好,用户交易偏好包括数量优先的交易偏好以及单价优先的交易偏好;
根据大宗商品需求量预测值和交易偏好,生成、并推送目标大宗商品供应集。
在其中一个实施例中,根据大宗商品需求量预测值和交易偏好,生成、并推送目标大宗商品供应集包括:
当用户交易偏好为数量优先的交易偏好时,则筛选出大宗商品供应数量与大宗商品需求量预测值的差值满足第一预设范围的初始大宗商品供应信息集、并根据大宗商品单价对初始大宗商品供应信息集进行排序,生成、并推送第一目标大宗商品供应集;
当用户交易偏好为价格优先的交易偏好时,则按照大宗商品单价对大宗商品供应信息集进行排序,得到初始大宗商品供应集、并从初始大宗商品供应集筛选出大宗商品需求量预测值与大宗商品数量的差值满足第二预设范围的大宗商品供应集,生成、并推送第二目标大宗商品供应集。
在其中一个实施例中,对用户历史交易记录进行分析,得到大宗商品需求量预测值包括:
提取用户历史交易记录中的历次购买目标大宗商品的交易数据;
基于历次购买目标大宗商品的交易数据,获取目标大宗商品的平均交易数量、并提取预设时间段内目标大宗商品的交易数量;
采用加权移动平均法,对平均交易数量以及预设时间段内目标大宗商品的交易数量进行分析,得到大宗商品需求量预测值。
在其中一个实施例中,对用户历史交易记录进行分析,得到用户交易偏好包括:
提取用户历史交易记录中的大宗商品信息,大宗商品信息包括已交易的目标大宗商品标识以及对应的大宗商品交易单价;
根据已交易的目标大宗商品标识,于第三方数据平台获取对应的市场均价;
若超过预设比例的已交易大宗商品的市场均价低于大宗商品交易单价,则确定用户交易偏好为数量优先的交易偏好;
若超过预设比例的交易大宗商品的市场均价高于大宗商品交易单价,则确定用户交易偏好为价格优先的交易偏好。
在其中一个实施例中,还包括:
若根据用户标识信息未获取到历史交易记录时,则获取存量用户的属性数据、并根据用户标识信息,获取目标用户的属性数据;
基于存量用户的属性数据以及目标用户的属性数据,计算目标用户与存量用户之间的相似度,得到与目标用户的相似度最高的相似存量用户;
获取相似存量用户的历史交易记录;
对相似存量用户的历史交易记录进行分析,得到大宗商品需求量预测值以及用户交易偏好。
在其中一个实施例中,基于存量用户的属性数据以及目标用户的属性数据,计算目标用户与存量用户之间的相似度,得到与目标用户的相似度最高的相似存量用户包括:
基于存量用户的属性数据以及目标用户的属性数据,分别构建存量用户属性向量以及目标用户属性向量;
采用欧几里得距离算法,得到存量用户属性向量以及目标用户属性向量的欧氏距离;
基于欧氏距离,筛选出与目标用户的相似度最高的相似存量用户。
在其中一个实施例中,目标大宗商品供应集包括大宗商品的供应质量数据;得到目标大宗商品供应集之后,还包括:
当判断大宗商品的供应质量数据为第三方认证机构认证的数据时,推送目标大宗商品供应集。
一种大宗商品供应信息推荐装置,装置包括:
推荐请求获取模块,用于获取大宗商品供应信息推荐请求,大宗商品供应信息推荐请求携带目标大宗商品标识信息和用户标识信息;
关键数据获取模块,用于根据目标大宗商品标识信息和用户标识信息,分别获取大宗商品供应信息集以及用户历史交易记录,大宗商品供应信息集包括大宗商品供应数量和大宗商品单价;
数据分析模块,用于对用户历史交易记录进行分析,得到大宗商品需求量预测值以及用户交易偏好,用户交易偏好包括数量优先的交易偏好以及单价优先的交易偏好;
数据推送模块,用于根据大宗商品需求量预测值和交易偏好,生成、并推送目标大宗商品供应集。
在其中一个实施例中,数据分析模块还用于提取用户历史交易记录中的历次购买目标大宗商品的交易数据,基于历次购买目标大宗商品的交易数据,获取目标大宗商品的平均交易数量、并提取预设时间段内目标大宗商品的交易数量,采用加权移动平均法,对平均交易数量以及预设时间段内目标大宗商品的交易数量进行分析,得到大宗商品需求量预测值。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取大宗商品供应信息推荐请求,大宗商品供应信息推荐请求携带目标大宗商品标识信息和用户标识信息,;
根据目标大宗商品标识信息和用户标识信息,于预设交易平台数据库中分别获取大宗商品供应信息集以及用户历史交易记录,大宗商品供应信息集包括大宗商品供应数量和大宗商品单价;
对用户历史交易记录进行分析,得到大宗商品需求量预测值以及用户交易偏好,用户交易偏好包括数量优先的交易偏好以及单价优先的交易偏好;
根据大宗商品需求量预测值和交易偏好,生成、并推送目标大宗商品供应集。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取大宗商品供应信息推荐请求,大宗商品供应信息推荐请求携带目标大宗商品标识信息和用户标识信息,;
根据目标大宗商品标识信息和用户标识信息,于预设交易平台数据库中分别获取大宗商品供应信息集以及用户历史交易记录,大宗商品供应信息集包括大宗商品供应数量和大宗商品单价;
对用户历史交易记录进行分析,得到大宗商品需求量预测值以及用户交易偏好,用户交易偏好包括数量优先的交易偏好以及单价优先的交易偏好;
根据大宗商品需求量预测值和交易偏好,生成、并推送目标大宗商品供应集。
上述大宗商品供应信息推荐方法、装置、计算机设备和存储介质,从大宗商品交易主要考虑单价和数量的特点出发,根据需求方的大宗商品供应信息推荐请求,获取包含供应数量和单价的大宗商品供应信息集以及用户历史交易记录,然后,对用户历史交易记录进行分析,得到大宗商品需求量预测值,并识别出用户交易偏好数量优先还是价格优先,进而能够根据大宗商品需求量预测值以及识别出的用户交易偏好,从包含供应数量和单价的大宗商品供应信息集中有针对性的推荐符合需求方要求的供应信息至需求方,减少交易障碍和交易风险,提高交易的成功率。
附图说明
图1为一个实施例中大宗商品供应信息推荐方法中的方法的应用环境图;
图2为一个实施例中大宗商品供应信息推荐方法中的方法的流程示意图;
图3为另一个实施例中大宗商品供应信息推荐方法的流程示意图;
图4为一个实施例中大宗商品需求量预测步骤的流程示意图;
图5为一个实施例中大宗商品供应信息推荐装置的结构框图;
图6为另一个实施例中大宗商品供应信息推荐装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的大宗商品供应信息推荐方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。具体可以是采购方于终端102的用户图形界面输入欲采购的大宗商品信息,通过系列图形界面操作,发送大宗商品供应信息推荐请求至服务器104,大宗商品供应信息推荐请求携带目标大宗商品标识信息和用户标识信息,服务器104获取该请求,根据目标大宗商品标识信息和用户标识信息,于预设交易平台数据库中分别获取大宗商品供应信息集(大宗商品供应数量和大宗商品单价)以及用户历史交易记录,然后,对用户历史交易记录进行分析,得到大宗商品需求量预测值以及用户交易偏好,进而根据大宗商品需求量预测值和交易偏好,生成、并推送目标大宗商品供应集。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在其中一个实施例中,如图2所示,提供了一种大宗商品供应信息推荐方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤S200,获取大宗商品供应信息推荐请求,所述大宗商品供应信息推荐请求携带目标大宗商品标识信息和用户标识信息。
大宗商品是指可进入流通领域,但非零售环节,具有商品属性并用于工农业生产与消费使用的大批量买卖的物质商品。在金融投资市场,大宗商品指同质化、可交易、被广泛作为工业基础原材料的商品,如原油、有色金属、钢铁、农产品、铁矿石、煤炭等。目标大宗商品标识信息即指用于表明大宗商品信息的各种表述和指示的统称,其可主要表现为大宗商品的名称、类型、编号或标签等数据。用户标识信息可包括用户姓名、身份证号码或账户昵称等信息。本实施例中,目标大宗商品标识信息为采购方本次欲采购的大宗商品(以下简称目标大宗商品)的标识信息。
步骤S400,根据目标大宗商品标识信息和用户标识信息,于预设交易平台数据库中分别获取大宗商品供应信息集以及用户历史交易记录,大宗商品供应信息集包括大宗商品供应数量和大宗商品单价。
大宗商品供应信息集包括各供应商所能供应的大宗商品的数量,质量(可以是经第三方认证的质量文件),单价以及总金额等。用户历史交易记录即为采购方关于目标大宗商品的历史交易数据,可包括交易时间、交易数量、交易单价以及交易金额等数据。具体实施时,预设交易平台数据库存储有各类大宗商品的供应信息和用户历史交易数据,其中,根据目标大宗商品标识信息就能关联查找到相应的供应信息。当获取到目标大宗商品标识信息以及用户标识信息后,可根据目标大宗商品标识信息(编号),于预设交易平台数据库中获取对应的大宗商品供应信息集,根据用户标识信息,于预设交易平台数据库中获取该用户标识信息指向的用户所参与过的所有历史交易记录。
步骤S600,对用户历史交易记录进行分析,得到大宗商品需求量预测值以及用户交易偏好,用户交易偏好包括数量优先的交易偏好以及单价优先的交易偏好。
大宗商品需求量预测值即指预测出该用户本次可能需要购买的目标大宗商品的数量。用户交易偏好为用户在考量商品和服务的时候所做出的理性的具有倾向性的选择,是用户认知、心理感受及理性的经济学权衡的综合结果。在实际应用中,为了能够提升用户体验,可分析得到用户交易偏好,进而结合用户偏好进行进一步的处理。具体的,可以是对用户历史交易行为记录进行分析,提取其中历次购买目标大宗商品的数量,进而预测出大宗商品需求量预测值,并且,对该用户已购商品信息,交易时间,交易单价以及付款方式等数据进行分析,得出用户交易偏好。本实施例中,用户交易偏好可概括为两种类型,即包括价格优先以及数量优先。价格优先即指该用户的交易时间较充足,交易会主要考虑价格因素,数量优先即指该用户的交易时间较为紧迫,以满足货品需求量为优先考虑因素。
步骤S800,根据大宗商品需求量预测值和交易偏好,生成、并推送目标大宗商品供应集。
当获得大宗商品需求量预测值和交易偏好之后,可根据用户具体所属的交易偏好,再结合用户的大宗商品需求量预测值,以满足客户需求为主要原则,有针对性的进行推荐。
上述大宗商品供应信息推荐方法中,从大宗商品交易主要考虑单价和数量的特点出发,根据需求方的大宗商品供应信息推荐请求,获取包含供应数量和单价的大宗商品供应信息集以及用户历史交易记录,然后,对用户历史交易记录进行分析,得到大宗商品需求量预测值,并识别出用户交易偏好数量优先还是价格优先,进而能够根据大宗商品需求量预测值以及识别出的用户交易偏好,从包含供应数量和单价的大宗商品供应信息集有针对性的推荐符合需求方要求的供应信息至需求方,减少交易障碍和交易风险,提高交易的成功率。
在其中一个实施例中,如图3所示,根据大宗商品需求量预测值和交易偏好,生成、并推送目标大宗商品供应集包括:
步骤S820,当用户交易偏好为数量优先的交易偏好时,则筛选出大宗商品供应数量与大宗商品需求量预测值的差值满足第一预设范围的初始大宗商品供应信息集、并根据大宗商品单价对初始大宗商品供应信息集进行排序,生成、并推送第一目标大宗商品供应集;
步骤S840,当用户交易偏好为价格优先的交易偏好时,则按照大宗商品单价对大宗商品供应信息集进行排序,得到初始大宗商品供应集、并从初始大宗商品供应集筛选出大宗商品需求量预测值与大宗商品数量的差值满足第二预设范围的大宗商品供应集,生成、并推送第二目标大宗商品供应集。
如上述实施例,当判断用户交易偏好为数量优先的交易偏好时,则可理解为,通常情况下,该用户的交易时间较为紧迫,以满足货品需求量为优先考虑因素。对于这种情况,可先根据预测出的大宗商品需求量预测值,从大宗商品供应信息集中筛选出该目标大宗商品的供应量最接近大宗商品需求量预测值的初始大宗商品供应信息集,本实施例中,可以是筛选出大宗商品供应数量与大宗商品需求量预测值的差值在±10%范围之内的初始大宗商品供应信息集,然后根据大宗商品单价对初始大宗商品供应信息集进行排序,生成、并推送第一目标大宗商品供应集至用户终端。本实施例中,目标大宗商品供应集即为预推荐的包含供应商以及供应商相关数据的集合。当用户交易偏好为价格优先时,可理解为该用户通常情况下,有较充足的交易时间,无需为了满足货品需求量而进行高价交易,会以价格为主要考虑因素。对于这种情况,则按照各大宗商品供应商给出的大宗商品单价,对大宗商品供应信息集进行排序,得到初始大宗商品供应集,同时,按照大宗商品需求量预测值,从初始大宗商品供应集筛选出大宗商品需求量预测值与大宗商品数量的差值满足±20%范围的大宗商品供应集,生成、并推送第二目标大宗商品供应集至用户终端。本实施例中,根据用户交易偏好推送目标大宗商品供应集,能够更快地促成交易的达成。
在其中一个实施例中,如图4所示,对用户历史交易记录进行分析,得到大宗商品需求量预测值包括:
步骤S620,提取用户历史交易记录中的历次购买目标大宗商品的交易数据,;
步骤S640,基于历次购买目标大宗商品的交易数据,获取目标大宗商品的平均交易数量、并提取预设时间段内目标大宗商品的交易数量;
步骤S660,采用加权移动平均法,对平均交易数量以及预设时间段内目标大宗商品的交易数量进行分析,得到大宗商品需求量预测值。
加权移动平均法是根据同一个移动段内不同时间的数据对预测值的影响程度,分别给予不同的权数,然后再进行平均移动以预测未来值。加权移动平均法不像简单移动平均法那样,在计算平均值时对移动期内的数据同等看待,而是根据愈是近期数据对预测值影响愈大这一特点,不同地对待移动期内的各个数据。对近期数据给予较大的权数,对较远的数据给予较小的权数,这样来弥补简单移动平均法的不足。本实施例中,大宗商品需求量预测值可以是提取用户历史交易记录中历次购买目标大宗商品的交易数据,提取出的交易数据包括交易时间、交易数量以及交易金额等,基于历次购买目标大宗商品的交易数据,计算得到目标大宗商品的平均交易数量,同时提取出最近三个月内的交易记录中的交易数量,然后,按照时间远近,对最近三个月的时间段内的交易数量分别赋予权重为0.2,0.3,0.5,然后,按照赋予的权重进行加权计算,得到大宗商品需求量预测值。可以理解的是,在其他实施例中,也可以是提取最近三次的交易记录中的交易数据,或者最近半年内的交易记录中的交易数量,且预测算法还可以是回归分析预测算法或其他算法,具体,可视实际情况而定,在此不做限定。本实施例中,当大宗商品的需求既不快速增长也不快速下降,且不存在季节性因素时,采用加权移动平均法,预测大宗商品需求量,能够有效地消除预测中的随机波动。
在其中一个实施例中,对用户历史交易记录进行分析,得到用户交易偏好包括:提取用户历史交易记录中的大宗商品信息,大宗商品信息包括已交易的目标大宗商品标识以及对应的大宗商品交易单价,根据已交易的目标大宗商品标识,获取对应的市场均价,若超过预设比例的已交易大宗商品的市场均价低于大宗商品交易单价,则确定用户交易偏好为数量优先的交易偏好,若超过预设比例的交易大宗商品的市场均价高于大宗商品交易单价,则确定用户交易偏好为价格优先的交易偏好。
具体实施时,对用户交易偏好的判断可以是,提取该用户历史交易记录中的所有购买过的大宗商品信息,具体的,大宗商品信息包括已交易的目标大宗商品编号以及对应的大宗商品交易单价,然后,根据已交易的目标大宗商品编号,于第三方数据平台获取对应的市场均价,如,该大宗商品的编号表示商品为钢材时,则通过接口调用的方式,访问国际钢材报价平台,根据该大宗商品的编号,获取对应的市场报价,以此方式,获取所有已购买的大宗商品的市场均价。进而,通过比较市场均价和用户购买的交易单价,判断该用户的交易偏好。根据大宗商品交易的特性,若有超过60%的已交易大宗商品的市场均价低于大宗商品交易单价,则可默认为价格不是该用户的主要考虑因素,其可接受价格偏差,且该用户的交易时间通常较紧迫,以满足货量为主要考虑因素,综上,确定用户交易偏好为数量优先的交易偏好即数量优先,若超过60%的交易大宗商品的市场均价高于大宗商品交易单价,则可默认为价格是该用户的交易偏好的主要考虑因素,其不可接受较大价格偏差,且该用户的交易时间通常较充足,以使得有充足的时间来进行挑选,大多数情况下只有大宗商品的单价低于市场均价时,交易才能达成,综上,可确定用户交易偏好为数量优先的交易偏好即价格优先。本实施例中,从大宗商品交易的特点出发,通过比较同一大宗商品的市场均价和历史交易单价,能够较方便的判断出用户的交易偏好。
在其中一个实施例中,还包括:若根据用户标识信息未获取到历史交易记录时,则获取存量用户的属性数据、并根据用户标识信息,获取目标用户的属性数据,基于存量用户的属性数据以及目标用户的属性数据,计算目标用户与存量用户之间的相似度,得到与目标用户的相似度最高的相似存量用户,获取相似存量用户的历史交易记录,对相似存量用户的历史交易记录进行分析,得到大宗商品需求量预测值以及用户交易偏好。
在实际应用中,用户一般多为包括核心企业、有采购大宗商品需求的采购商以及大宗商品供应商等。若该采购方(目标用户)是新注册的用户,交易平台数据库中不存在该用户的交易记录,那么,则获取预设交易平台数据库中的存量用户的属性数据,同时,根据用户标识信息获取该用户的属性数据,属性数据包括但不限于注册地点、公司规模、经营范围以及公司需求等,然后,计算存量用户的属性数据和该用户的属性数据的相似度,查找出与该目标用户公司规模、公司类型以及公司需求最接近的存量用户,然后,对该存量用户的历史交易记录进行分析,得到大宗商品需求量预测值以及用户偏好。在另一个实施例中,可以是基于存量用户的属性数据以及目标用户的属性数据,分别构建第一用户属性向量(存量用户)以及第二用户属性向量,采用欧几里得距离算法,得到第一用户属性向量以及第二用户属性向量的欧氏距离,计算公式可以是:其中,sa为目标用户的属性向量,sb为存量用户的属性向量,若目标用户的属性向量与存量用户的属性向量之间的欧氏距离越近,则表示相似度越高。将计算出的欧氏距离进行升序排列,筛选出与目标用户的距离最近的即相似度最高的相似存量用户。然后,对该筛选出的该存量用户的历史交易记录进行分析,得到大宗商品需求量预测值以及用户偏好。本实施例中,通过欧几里得距离算法,计算目标用户与存量用户的距离,进而查找出与目标用户的规模、经营范围以及需求量等最接近的存量用户,以存量用户的历史交易记录分析得出目标用户的大宗商品需求量预测值以及用户交易偏好,能够更好的提升用户体验度。
在其中一个实施例中,目标大宗商品供应集包括大宗商品的供应质量数据;得到目标大宗商品供应集之后,还包括:当判断大宗商品的供应质量数据为第三方认证机构认证的数据时,推送目标大宗商品供应集。
在实际应用中,筛选出的目标大宗商品供应集包括大宗商品的供应质量数据,为了保证大宗商品交易的安全性,在将目标大宗商品供应集推送给目标用户之前,可以对大宗商品的供应质量数据进行质量验证,质量验证通过后,再将目标大宗商品供应集推送给该用户,以便用户进行挑选。具体的,质量验证可以是检查供应质量数据是否携带经第三方认证机构的认证标志数据,若有,则表明该供应商提供的大宗商品的质量符合要求,可进行推荐。本实施例中,通过对供应商提供的大宗商品的质量进行验证,能够有效的减少交易风险。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在其中一个实施例中,如图5所示,提供了一种大宗商品供应信息推荐装置,包括:推荐请求获取模块510、关键数据获取模块520、数据分析模块530和数据推送模块540,其中:
推荐请求获取模块510,用于获取大宗商品供应信息推荐请求,大宗商品供应信息推荐请求携带目标大宗商品标识信息和用户标识信息;
关键数据获取模块520,用于根据目标大宗商品标识信息和用户标识信息,分别获取大宗商品供应信息集以及用户历史交易记录,大宗商品供应信息集包括大宗商品供应数量和大宗商品单价;
数据分析模块530,用于对用户历史交易记录进行分析,得到大宗商品需求量预测值以及用户交易偏好,用户交易偏好包括数量优先的交易偏好以及单价优先的交易偏好;
数据推送模块540,用于根据大宗商品需求量预测值和交易偏好,生成、并推送目标大宗商品供应集。
在其中一个实施例中,数据推送模块540还用于当用户交易偏好为数量优先的交易偏好时,则筛选出大宗商品供应数量与大宗商品需求量预测值的差值满足第一预设范围的初始大宗商品供应信息集、并根据大宗商品单价对初始大宗商品供应信息集进行排序,生成、并推送第一目标大宗商品供应集;当用户交易偏好为价格优先的交易偏好时,则按照大宗商品单价对大宗商品供应信息集进行排序,得到初始大宗商品供应集、并从初始大宗商品供应集筛选出大宗商品需求量预测值与大宗商品数量的差值满足第二预设范围的大宗商品供应集,生成、并推送目标大宗商品供应集。
在其中一个实施例中,数据分析模块530还用于提取用户历史交易记录中的历次购买目标大宗商品的交易数据,基于历次购买目标大宗商品的交易数据,获取目标大宗商品的平均交易数量、并提取预设时间段内目标大宗商品的交易数量,采用加权移动平均法,对平均交易数量以及预设时间段内目标大宗商品的交易数量进行分析,得到大宗商品需求量预测值。
在其中一个实施例中,数据分析模块530还用于提取用户历史交易记录中的大宗商品信息,大宗商品信息包括已交易的目标大宗商品标识以及对应的大宗商品交易单价,根据已交易的目标大宗商品标识,于第三方数据平台获取对应的市场均价,若超过预设比例的已交易大宗商品的市场均价低于大宗商品交易单价,则确定用户交易偏好为数量优先的交易偏好,若超过预设比例的交易大宗商品的市场均价高于大宗商品交易单价,则确定用户交易偏好为价格优先的交易偏好。
在其中一个实施例中,如图6所示,装置还包括异常处理模块550,用于若根据用户标识信息未获取到历史交易记录时,则获取存量用户的属性数据、并根据用户标识信息,获取目标用户的属性数据,基于存量用户的属性数据以及目标用户的属性数据,计算目标用户与存量用户之间的相似度,得到与目标用户的相似度最高的相似存量用户,获取相似存量用户的历史交易记录,对相似存量用户的历史交易记录进行分析,得到大宗商品需求量预测值以及用户交易偏好。
在其中一个实施例中,异常处理模块550还用于基于存量用户的属性数据以及目标用户的属性数据,分别构建存量用户属性向量以及目标用户属性向量,采用欧几里得距离算法,得到存量用户属性向量以及目标用户属性向量的欧氏距离,基于欧氏距离,筛选出与目标用户的相似度最高的相似存量用户。
关于大宗商品供应信息推荐装置的具体限定可以参见上文中对于大宗商品供应信息推荐方法的限定,在此不再赘述。上述大宗商品供应信息推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在其中一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户历史交易记录以及大宗商品供应信息集等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种大宗商品供应信息推荐方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在其中一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述大宗商品供应信息推荐方法中的步骤。
在其中一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述大宗商品供应信息推荐方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种大宗商品供应信息推荐方法,所述方法包括:
获取大宗商品供应信息推荐请求,所述大宗商品供应信息推荐请求携带目标大宗商品标识信息和用户标识信息;
根据所述目标大宗商品标识信息和所述用户标识信息,于预设交易平台数据库中分别获取大宗商品供应信息集以及用户历史交易记录,所述大宗商品供应信息集包括大宗商品供应数量和大宗商品单价;
对所述用户历史交易记录进行分析,得到大宗商品需求量预测值以及用户交易偏好,所述用户交易偏好包括数量优先的交易偏好以及单价优先的交易偏好;
根据所述大宗商品需求量预测值和所述用户交易偏好,生成、并推送目标大宗商品供应集。
2.根据权利要求1所述的大宗商品供应信息推荐方法,其特征在于,所述根据所述大宗商品需求量预测值和所述用户交易偏好,生成、并推送目标大宗商品供应集包括:
当所述用户交易偏好为数量优先的交易偏好时,则筛选出所述大宗商品供应数量与所述大宗商品需求量预测值的差值满足第一预设范围的初始大宗商品供应信息集、并根据所述大宗商品单价对所述初始大宗商品供应信息集进行排序,生成、并推送第一目标大宗商品供应集;
当所述用户交易偏好为单价优先的交易偏好时,则按照所述大宗商品单价对所述大宗商品供应信息集进行排序,得到初始大宗商品供应集、并从所述初始大宗商品供应集筛选出所述大宗商品需求量预测值与所述大宗商品数量的差值满足第二预设范围的大宗商品供应集,生成、并推送第二目标大宗商品供应集。
3.根据权利要求1所述的大宗商品供应信息推荐方法,其特征在于,对所述用户历史交易记录进行分析,得到大宗商品需求量预测值包括:
提取所述用户历史交易记录中的历次购买所述目标大宗商品的交易数据;
基于所述历次购买所述目标大宗商品的交易数据,获取所述目标大宗商品的平均交易数量、并提取预设时间段内所述目标大宗商品的交易数量;
采用加权移动平均法,对所述平均交易数量以及所述预设时间段内所述目标大宗商品的交易数量进行分析,得到大宗商品需求量预测值。
4.根据权利要求1所述的大宗商品供应信息推荐方法,其特征在于,对所述用户历史交易记录进行分析,得到用户交易偏好包括:
提取所述用户历史交易记录中的大宗商品信息,所述大宗商品信息包括已交易的目标大宗商品标识以及对应的大宗商品交易单价;
根据所述已交易的目标大宗商品标识,于第三方数据平台获取对应的市场均价;
若超过预设比例的已交易大宗商品的市场均价低于大宗商品交易单价,则确定用户交易偏好为数量优先的交易偏好;
若超过预设比例的交易大宗商品的市场均价高于大宗商品交易单价,则确定用户交易偏好为价格优先的交易偏好。
5.根据权利要求1所述的大宗商品供应信息推荐方法,其特征在于,还包括:
若根据所述用户标识信息未获取到历史交易记录时,则获取存量用户的属性数据、并根据所述用户标识信息,获取目标用户的属性数据;
基于所述存量用户的属性数据以及所述目标用户的属性数据,计算所述目标用户与所述存量用户之间的相似度,得到与所述目标用户的相似度最高的相似存量用户;
获取所述相似存量用户的历史交易记录;
对所述相似存量用户的历史交易记录进行分析,得到大宗商品需求量预测值以及用户交易偏好。
6.根据权利要求1所述的大宗商品供应信息推荐方法,其特征在于,所述基于所述存量用户的属性数据以及所述目标用户的属性数据,计算所述目标用户与所述存量用户之间的相似度,得到与所述目标用户的相似度最高的相似存量用户包括:
基于所述存量用户的属性数据以及所述目标用户的属性数据,分别构建存量用户属性向量以及目标用户属性向量;
采用欧几里得距离算法,得到所述存量用户属性向量以及所述目标用户属性向量的欧氏距离;
基于所述欧氏距离,筛选出与所述目标用户的相似度最高的相似存量用户。
7.一种大宗商品供应信息推荐装置,其特征在于,所述装置包括:
推荐请求获取模块,用于获取大宗商品供应信息推荐请求,所述大宗商品供应信息推荐请求携带目标大宗商品标识信息和用户标识信息;
关键数据获取模块,用于根据所述目标大宗商品标识信息和所述用户标识信息,分别获取大宗商品供应信息集以及用户历史交易记录,所述大宗商品供应信息集包括大宗商品供应数量和大宗商品单价;
数据分析模块,用于对所述用户历史交易记录进行分析,得到大宗商品需求量预测值以及用户交易偏好,所述用户交易偏好包括数量优先的交易偏好以及单价优先的交易偏好;
数据推送模块,用于根据所述大宗商品需求量预测值和所述交易偏好,生成、并推送目标大宗商品供应集。
8.根据权利要求7所述的大宗商品供应信息推荐装置,其特征在于,所述数据分析模块还用于提取所述用户历史交易记录中的历次购买所述目标大宗商品的交易数据,基于所述历次购买所述目标大宗商品的交易数据,获取所述目标大宗商品的平均交易数量、并提取预设时间段内所述目标大宗商品的交易数量,采用加权移动平均法,对所述平均交易数量以及所述预设时间段内所述目标大宗商品的交易数量进行分析,得到大宗商品需求量预测值。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335709.6A CN111127149B (zh) | 2019-12-23 | 2019-12-23 | 大宗商品供应信息推荐方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335709.6A CN111127149B (zh) | 2019-12-23 | 2019-12-23 | 大宗商品供应信息推荐方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127149A true CN111127149A (zh) | 2020-05-08 |
CN111127149B CN111127149B (zh) | 2022-12-09 |
Family
ID=70501092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911335709.6A Active CN111127149B (zh) | 2019-12-23 | 2019-12-23 | 大宗商品供应信息推荐方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127149B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348553A (zh) * | 2020-09-27 | 2021-02-09 | 北京淇瑀信息科技有限公司 | 一种基于身份验证的业务任务构建方法、装置和电子设备 |
CN112819541A (zh) * | 2021-02-08 | 2021-05-18 | 杭州唯赞数据科技有限公司 | 商品推荐方法、***、计算机设备及存储介质 |
CN113409124A (zh) * | 2021-07-08 | 2021-09-17 | 山东大学 | 一种基于贝叶斯回归分析的大宗商品推荐方法及*** |
CN114037464A (zh) * | 2021-10-14 | 2022-02-11 | 广州市格利网络技术有限公司 | 基于数字化的大农业食品生产及流通实现方法及服务平台 |
CN114693368A (zh) * | 2022-04-14 | 2022-07-01 | 荃豆数字科技有限公司 | 一种基于行为数据的客户维护方法、装置及存储介质 |
CN117114686A (zh) * | 2023-08-01 | 2023-11-24 | 中资国恒科技有限公司 | 一种基于大宗交易平台的信用监管方法及*** |
CN117422555A (zh) * | 2023-11-22 | 2024-01-19 | 华采科技(北京)有限公司 | 基于大数据的大宗水产品交易的智能决策分析*** |
CN117495508A (zh) * | 2023-11-23 | 2024-02-02 | 网麒科技(北京)有限责任公司 | 多数据协同采购筛选方法、装置、设备及存储介质 |
CN117114686B (zh) * | 2023-08-01 | 2024-07-26 | 中资国恒科技有限公司 | 一种基于大宗交易平台的信用监管方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694658A (zh) * | 2018-07-31 | 2018-10-23 | 深圳春沐源控股有限公司 | 一种商品信息推送方法、相关装置及存储介质 |
CN109064265A (zh) * | 2018-07-13 | 2018-12-21 | 惠龙易通国际物流股份有限公司 | 基于网络平台的购车推荐方法及*** |
CN109214893A (zh) * | 2018-08-31 | 2019-01-15 | 深圳春沐源控股有限公司 | 商品推荐方法、推荐***及计算机装置 |
-
2019
- 2019-12-23 CN CN201911335709.6A patent/CN111127149B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064265A (zh) * | 2018-07-13 | 2018-12-21 | 惠龙易通国际物流股份有限公司 | 基于网络平台的购车推荐方法及*** |
CN108694658A (zh) * | 2018-07-31 | 2018-10-23 | 深圳春沐源控股有限公司 | 一种商品信息推送方法、相关装置及存储介质 |
CN109214893A (zh) * | 2018-08-31 | 2019-01-15 | 深圳春沐源控股有限公司 | 商品推荐方法、推荐***及计算机装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348553A (zh) * | 2020-09-27 | 2021-02-09 | 北京淇瑀信息科技有限公司 | 一种基于身份验证的业务任务构建方法、装置和电子设备 |
CN112819541A (zh) * | 2021-02-08 | 2021-05-18 | 杭州唯赞数据科技有限公司 | 商品推荐方法、***、计算机设备及存储介质 |
CN113409124A (zh) * | 2021-07-08 | 2021-09-17 | 山东大学 | 一种基于贝叶斯回归分析的大宗商品推荐方法及*** |
CN114037464A (zh) * | 2021-10-14 | 2022-02-11 | 广州市格利网络技术有限公司 | 基于数字化的大农业食品生产及流通实现方法及服务平台 |
CN114693368A (zh) * | 2022-04-14 | 2022-07-01 | 荃豆数字科技有限公司 | 一种基于行为数据的客户维护方法、装置及存储介质 |
CN117114686A (zh) * | 2023-08-01 | 2023-11-24 | 中资国恒科技有限公司 | 一种基于大宗交易平台的信用监管方法及*** |
CN117114686B (zh) * | 2023-08-01 | 2024-07-26 | 中资国恒科技有限公司 | 一种基于大宗交易平台的信用监管方法及*** |
CN117422555A (zh) * | 2023-11-22 | 2024-01-19 | 华采科技(北京)有限公司 | 基于大数据的大宗水产品交易的智能决策分析*** |
CN117422555B (zh) * | 2023-11-22 | 2024-05-28 | 华采科技(北京)有限公司 | 基于大数据的大宗水产品交易的智能决策分析*** |
CN117495508A (zh) * | 2023-11-23 | 2024-02-02 | 网麒科技(北京)有限责任公司 | 多数据协同采购筛选方法、装置、设备及存储介质 |
CN117495508B (zh) * | 2023-11-23 | 2024-04-30 | 网麒科技(北京)有限责任公司 | 多数据协同采购筛选方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111127149B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127149B (zh) | 大宗商品供应信息推荐方法、装置和计算机设备 | |
CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN108564386B (zh) | 商户识别方法及装置、计算机设备及存储介质 | |
CN109711955B (zh) | 基于当前订单的差评预警方法、***、黑名单库建立方法 | |
CN111861174B (zh) | 一种针对用户画像的信用评估方法 | |
US20110238550A1 (en) | Systems and methods for predicting financial behaviors | |
CN107169806B (zh) | 用于确定商品属性对于购买决策的影响度的方法及装置 | |
KR102363582B1 (ko) | 재고 및 판매량 분석을 통한 단기 신용 대출 방법 및 서버 | |
JPWO2006004132A1 (ja) | 企業評価寄与因子及び/又は指標特定装置、特定プログラム並びに特定方法 | |
JP2005530232A (ja) | 取引コストの評価および最適化のためのシステム並びに方法 | |
CN113646795A (zh) | 信用分析支援方法、信用分析支援***以及节点 | |
TW201642200A (zh) | 導購系統及使用該系統的購物方法 | |
CN111951051A (zh) | 一种为客户推荐产品的方法、装置和*** | |
CN115311042A (zh) | 商品推荐方法、装置、计算机设备和存储介质 | |
Feng et al. | Posted pricing vs. bargaining in sequential selling process | |
CN112232556B (zh) | 产品的推荐方法、装置、计算机设备和存储介质 | |
KR102341416B1 (ko) | 무형 자산 거래 중개 시스템 | |
CN117114901A (zh) | 基于人工智能的投保数据处理方法、装置、设备及介质 | |
JP6682585B2 (ja) | 情報処理装置及び情報処理方法 | |
KR102484378B1 (ko) | 신뢰도 기반의 기계 견적 의뢰 처리 시스템 및 그 방법 | |
CN112819541A (zh) | 商品推荐方法、***、计算机设备及存储介质 | |
CN111833093A (zh) | 钢铁智能促销*** | |
TWM557882U (zh) | 權證商品價值評估系統 | |
CN115525832A (zh) | 业务对象的推荐方法、装置、线上业务***、计算机设备 | |
CN111199412A (zh) | 信息处理方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |