[發明專利]基于知識表示學習的汽配件詢報價優化方法

在審

• 申請號: 202010521085.3
• 申請日: 2020-06-10
• 公開（公告）號: CN111666424A
• 公開（公告）日: 2020-09-15
• 發明（設計）人: 方長根;劉松
• 申請（專利權）人: 深圳開思時代科技有限公司
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F16/332;G06F16/335;G06Q10/00;G06F16/9535
• 代理公司: 深圳市中智立信知識產權代理有限公司 44427
• 代理人: 徐銀針

1.一種基于知識表示學習的汽配件詢報價優化方法，其特征在于，包括：

步驟1，獲取數據

在平臺上，獲取供應商錄入的可售賣的汽車配件，包含配件所屬車型、配件品質、配件描述等數據，獲取維修廠錄入所需的配件名稱、期待品質、是否需要發票等數據，獲取同一個維修廠對不同供應商先后進行詢價得到的供應商序列；供應商序列中的前后兩個供應商構成知識圖譜網絡中的點或者實體，對應的前后關系則構成了網絡中的邊，通過構建的知識圖譜網絡產生實體表示向量以表達供應商之間的關系；

步驟2，召回候選供應商

將步驟1中獲取的平臺已有的配件信息與維修廠意向配件進行匹配，從全平臺供應商池中召回出候選供應商；

步驟3，維修廠購買率預估，包括：利用步驟2產生的召回候選集，結合步驟1中的產品行為數據，通過機器學習算法對步驟2中的候選供應商進行購買率預估。

2.根據權利要求1所述的基于知識表示學習的汽配件詢報價優化方法，其特征在于，步驟2中，為了大幅縮小進入下一個步驟進行計算的候選集集合，根據維修廠的偏好信息設置硬性過濾條件對供應商進行過濾，以實現對維修廠一個詢價單的初步過濾得到可進行詢價的候選供應商列表，然后應用配件單品規則進行次級過濾，其被過濾內容作為排序結果的候補推薦項。

3.根據權利要求1所述的基于知識表示學習的汽配件詢報價優化方法，其特征在于，步驟2包括以下步驟：

步驟2-1，初始召回過程：通過詢報價整單過濾規則(包括：黑白名單、車型、品質、地域、是否開啟系統人工報價和開票要求)，過濾得到整單最大可分配供應商候選集。

步驟2-2，多級規則約束過程：在步驟2-1的基礎上，進一步按SKU規則進行約束過濾，并保留被過濾供應商。當排序后候選集過少時，前面提到的被過濾供應商將作為補位資源進行排序結果的補充。

4.根據權利要求1所述的基于知識表示學習的汽配件詢報價優化方法，其特征在于，步驟3包括：

步驟3-1，特征計算：通過步驟2得到的召回結果的N個后續供應商，采用大數據計算引擎Spark中處理結構化數據的SQL+RDD模塊，對維修廠的歷史購買行為和買賣雙方的交互行為數據進行統計、交叉等數據工程計算，從而獲得維修廠偏好特征、供應商環境上下文特征、供應商配件特征和買賣雙方的瀏覽配件的交互行為特征；

步驟3-2，模型訓練：對于歷史詢價單中的候選供應商，根據供應商最后被詢價時間，通過步驟3-1計算維修廠的偏好特征、供應商環境上下文特征、供應商配件特征和買賣雙方交互行為特征，并基于詢價過程中供應商序列構建的知識圖譜網絡產生的供應商實體表示，以歷史候選供應商提供的配件是否在曝光后被“購買”的二元標記作為標簽，訓練WideDeep模型；

步驟3-3，購買率預估：使用步驟3-2中訓練好的WideDeep模型和步驟3-1中維修廠的偏好特征、供應商環境上下文特征、供應商配件特征、供應商實體表示和買賣雙方交互行為特征，將上述特征值輸入模型中，模型的輸出即為該維修廠會在這N個候選供應商進行配件購買的概率，即為購買率)；

步驟3-4，根據步驟3-3中得到的每個候選供應商的購買率對N個候選供應商進行排序，并將降序排序后的候選結果作為詢報價排序結果。