一种基于货主偏好性学习的车辆在线推荐排序方法

摘要

本发明提供了一种基于货主偏好性学习的车辆在线推荐排序方法，所述方法包括：首先根据所有车辆的相关属性信息建立全连接图；然后根据货主已经浏览的和感兴趣的车辆计算概率矩阵和被浏览车辆的期望矩阵；从而计算未被浏览车辆与货主期望车辆的匹配度向量，所述匹配度向量的每个分量表征对应车辆与货主期望车辆的匹配程度，最后根据匹配程度对未被浏览的车辆进行排序，反复进行上述过程，直至货主选中期望的车辆。本发明的方法通过在线学习用户的偏好信息，为用户对后续选择的车辆进行更新排序，提高了车辆排序结果与用户期望之间的匹配程度，改善了用户体验，提高了车辆搜索效率。

说明书

技术领域

本发明涉及信息技术和自动控制领域，特别涉及一种基于货主偏好性学习的车 辆在线推荐排序方法。

背景技术

物流平台建立了车主和货主之间的信息桥梁，车主可以进行车辆信息的发布和 货物的查找，货主也可进行货物信息的发布与车辆查找。在货主进行车辆查找时， 货主会综合考虑安全、司机诚信度、车辆行驶状况、维修保养状况等多方面因素影 响，即使在同样满足要求的条件下，货主对车辆的选择也具有明显的偏好性。但现 在的物流平台大多不提供查询选项或只提供几个简单的查询选项，查询后车辆排序 结果与货主的期望很难一致，排序结果难以令人满意；目前还没有根据货主对车辆 选择的偏好性，进行车辆池中其他车辆自动排序方面的研究。如何提高车辆池中车 辆排序和用户期望之间匹配程度，实现用户偏好的在线学习，提高货主对查询结果 的满意度，是亟待解决的一个技术难点。

发明内容

本发明的目的在于克服现有物流平台上货主在查找车辆时，存在的车辆池中车 辆排序和用户期望之间匹配程度不高的问题，提出了一种基于货主偏好性学习的车 辆在线推荐排序方法，该方法基于货主的偏好性，能够对车辆池中车辆进行自动排 序，提高了货主查询车辆的速度和满意度。

为了实现上述目的，本发明提供了一种基于货主偏好性学习的车辆在线推荐排 序方法，所述方法包括：首先根据所有车辆的相关属性信息建立全连接图；然后根 据货主已经浏览的和感兴趣的车辆计算概率矩阵和被浏览车辆的期望矩阵；从而计 算未被浏览车辆与货主期望车辆的匹配度向量，所述匹配度向量的每个分量表征对 应车辆与货主期望车辆的匹配程度，最后根据匹配程度对未被浏览的车辆进行排序， 反复进行上述过程，直至货主选中期望的车辆。

上述技术方案中，所述方法具体包括以下步骤：

步骤1)获取待查询的n台车辆的相关属性信息；并建立车辆的全连接图；

步骤2)当货主已经浏览了m台车辆，并点击查看了m台车辆中的k台感兴趣的 车辆时，计算概率矩阵和货主对已浏览的m台车辆的期望值矩阵；

步骤3)计算未被浏览的n-m台车辆与货主期望车辆的匹配度向量；

步骤4)对步骤3)得到的匹配度向量中的n-m个分量从大到小进行排序，并 按照对应的顺序对未被浏览的n-m台车辆进行排序；

步骤5)如果货主未完成车辆的选择，令m＝m+1，转入步骤3)，直至货主 选中期望的车辆。

上述技术方案中，所述步骤1)中的相关属性信息包括：车辆与货主的距离、车 辆载重、吨位、总体积、当前可用空间体积、长、宽、高、使用年限和保养时间。

上述技术方案中，所述步骤1)中的建立车辆的全连接图的具体过程为：

计算车辆节点i至车辆节点j的连接权重：

w_ij＝exp(-α_i||x_i-x_j||)，i＝1…n,j＝1…n

其中i，j表示结点编号，每个结点即为一台车辆，x_i、x_j表示车辆节点i，j的 属性矢量，x_i＝(x_i1,x_i2,…x_ir)，x_j＝(x_j1,x_j2,…,x_jr)，矢量中共有r个属性，分别表 示：车辆与货主的距离、车辆载重、吨位、总体积、当前可用空间体积、长、宽、 高、使用年限和保养时间；α_i＝(α_i1,α_i2,…,α_ir)为给定的参数矢量，表示每个属性 的权重，α_i1(i＝1…r)取值范围为(0,1)；

根据车辆节点i至车辆节点j的连接权重，计算车辆节点i至车辆节点j的传播概 率为：

$p_{\mathrm{ij}}=\frac{w_{\mathrm{ij}}}{\underset{l=1}{\overset{n}{\Sigma }}{w}_{\mathrm{il}}}.$

上述技术方案中，所述步骤2)的具体过程为：

概率矩阵为：

$P=\left(\begin{array}{cc}{P}_{m,m}& P_{m,n-m}\\ P_{n-m,m}& p_{n-m,n-m}\end{array}\right)$

其中，P_m,m＝[p_ij]_m×m是由已被浏览的m台车的传播概率p_ij组成的矩阵， i＝1,2,…,m，j＝1,2,…,m；

P_m,n-m＝[p_ij]_m×(n-m)是由已被浏览的m台车和未被浏览的n-m台车之间的传播 概率p_ij构成的，i＝1,2,…,m，j＝m+1,m+2,…,n；

P_n-m,m是矩阵P_m,n-m的转置矩阵；

P_n-m,n-m＝[p_ij]_(n-m)×(n-m)是由未被浏览的n-m台车的传播概率p_ij组成的矩阵， i＝m+1,m+2,…,n，j＝m+1,m+2,…,n；

货主对浏览的m台车辆的期望值矩阵为：

Y_m＝[y_i]_m×1

其中，当i为点击查看的k台感兴趣的车辆的序号时，y_i＝1，否则，y_i＝0。

上述技术方案中，所述步骤3)的匹配度向量的计算过程为：

F_n-m＝(I_n-m,n-m-P_n-m,n-m)^-1P_n-m,mY_m

其中，I_n-m,n-m为单位矩阵；F_n-m为n-m维的匹配度向量，所述匹配度向量的 每个分量表征对应车辆与货主期望车辆的匹配程度。

本发明的优点在于：通过在线学习用户的偏好信息，为用户对后续选择的车辆 进行更新排序，提高了车辆排序结果与用户期望之间的匹配程度，改善了用户体验， 提高了车辆搜索效率。

附图说明

图1为本发明的基于货主偏好性学习的车辆在线推荐排序方法的流程图。

具体实施方式

下面结合附图和具体实施例对本发明做详细的说明。

步骤1)获取待查询的所有车辆相关属性信息；并建立车辆的全连接图；

待查询的所有车辆的总数为n，每个车辆的相关属性信息包括：车辆与货主的距 离、车辆载重、吨位、总体积、当前可用空间体积、长、宽、高、使用年限和保养 时间；

计算车辆节点i至车辆节点j的连接权重：

w_ij＝exp(-α_i||x_i-x_j||)，i＝1…n,j＝1…n

其中i，j表示结点编号，每个结点即为一台车辆，x_i、x_j表示车辆节点i，j的 属性矢量，x_i＝(x_i1,x_i2,…x_ir)，x_j＝(x_j1,x_j2,…,x_jr)，矢量中共有r个属性，分别表 示：车辆与货主的距离、车辆载重、吨位、总体积、当前可用空间体积、长、宽、 高、使用年限和保养时间；α_i＝(α_i1,α_i2,…,α_ir)为给定的参数矢量，表示每个属性 的权重，α_i1(i＝1…r)取值范围为(0,1)。

根据车辆节点i至车辆节点j的连接权重，计算车辆节点i至车辆节点j的传播概 率为：

$p_{\mathrm{ij}}=\frac{w_{\mathrm{ij}}}{\underset{l=1}{\overset{n}{\Sigma }}{w}_{\mathrm{il}}}.$

步骤2)当货主已经浏览了m台车辆，并点击查看了m台车辆中的k台感兴趣的 车辆时，计算概率矩阵和货主对浏览的m台车辆的期望值矩阵；

概率矩阵为：

$P=\left(\begin{array}{cc}{P}_{m,m}& P_{m,n-m}\\ P_{n-m,m}& p_{n-m,n-m}\end{array}\right)$

其中，P_m,m＝[p_ij]_m×m是由已被浏览的m台车的传播概率p_ij组成的矩阵， i＝1,2,…,m，j＝1,2,…,m；

P_m,n-m＝[p_ij]_m×(n-m)是由已被浏览的m台车和未被浏览的n-m台车之间的传播 概率p_ij构成的，i＝1,2,…,m，j＝m+1,m+2,…,n；

P_n-m,m是矩阵P_m,n-m的转置矩阵；

P_n-m,n-m＝[p_ij]_(n-m)×(n-m)是由未被浏览的n-m台车的传播概率p_ij组成的矩阵， i＝m+1,m+2,…,n，j＝m+1,m+2,…,n；

货主对浏览的m台车辆的期望值矩阵为：

Y_m＝[y_i]_m×1

其中，当i为点击查看的k台感兴趣的车辆的序号时，y_i＝1，否则，y_i＝0。

步骤3)计算未被浏览的车辆与货主期望车辆的匹配度向量：

F_n-m＝(I_n-m,n-m-P_n-m,n-m)^-1P_n-m,mY_m

其中，I_n-m,n-m为单位矩阵；F_n-m为n-m维的匹配度向量，所述匹配度向量的 每个分量表征对应车辆与货主期望车辆的匹配程度；

步骤4)对匹配度向量F_n-m中n-m个分量从大到小进行排序，并按照对应的顺 序对未被浏览的n-m台车的进行排序；

步骤5)如果货主未完成车辆的选择，令m＝m+1，转入步骤3)，直至货主 选中期望的车辆。