[發(fā)明專利]一種智能訂單推薦方法、裝置、計算機設備及存儲介質

有效

• 申請?zhí)枺?/td>: 202110800180.1
• 申請日: 2021-07-15
• 公開（公告）號: CN113674052B
• 公開（公告）日: 2023-10-17
• 發(fā)明（設計）人: 韓天奇;黃鳴夏;柳翼;李永東;王屹
• 申請（專利權）人: 百威投資（中國）有限公司
• 主分類號: G06Q30/0601
• 分類號: G06Q30/0601;G06F18/23213;G06F18/243;G06F16/215;G06N3/04;G06N3/08
• 代理公司: 北京正理專利代理有限公司 11257
• 代理人: 戴元毅

1.一種智能訂單推薦方法，其特征在于，包括：

S10、判斷用戶的各品牌家族預設周期內的KPI是否存在達成風險，若是，對存在達成風險的品牌家族制定建議補充量，其中，每一個品牌家族包含多款產品，所述KPI為預設周期內用戶需要購買的百升數；

S20、根據所述建議補充量，生成多個智能訂單供用戶選取；

S30、根據用戶選取的智能訂單，生成智能裝車方案，以實現(xiàn)智能訂單的裝車處理。

2.根據權利要求1所述的方法，其特征在于，所述S10包括：

S100、建立用戶各品牌家族與KPI的第一映射表、每款產品與品牌家族的第二映射表及每天每款產品與下單百升數的第三映射表；

S102、根據所述第三映射表求解所述用戶每款產品當前下單的總百升數，根據所述第二映射表和所述每款產品當前下單的總百升數求解各品牌家族當前實際下單的百升數、各品牌家族當前的KPI達成率；

S104、根據所述各品牌家族當前的KPI達成率，判斷用戶的各品牌家族預設周期內的KPI是否存在達成風險，若是，求解存在達成風險的品牌家族當前應下單的百升數，并結合當前時間與預設周期的時間差，對存在達成風險的品牌家族制定建議補充量。

3.根據權利要求1所述的方法，其特征在于，還包括：獲取產品和用戶的Embedding編碼，其中，

統(tǒng)計所有用戶的歷史下單數據，對所述歷史下單數據進行數據清洗過濾，其中，設共有用戶N_WS個，共有產品N_SKU款；

根據經數據清洗過濾后的歷史下單數據，建立帶權重的圖模型σ，其中，N＝N_SKU+N_WS；

搭建Embedding神經網絡y，其中，

y＝f_e(x,θ)

式中，為用戶或產品的獨熱編碼，為Embedding后的詞向量，θ為要學習的模型參數；

利用所述Embedding神經網絡y和隨機游走算法進行模型訓練；

根據訓練好的模型y＝f_e(x,θ)，得到用戶與產品的Embedding編碼。

4.根據權利要求3所述的方法，其特征在于，所述S20包括：

S200、從多路召回候選SKU，其中SKU為產品；

S202、求解候選SKU的購買概率，根據所述購買概率對召回的SKU重排序，將購買概率高的SKU放到前面；

S204、根據S202得到的SKU排序以及分配算法，生成多個智能訂單。

5.根據權利要求4所述的方法，其特征在于，所述求解候選SKU的購買概率包括：

S2020、分別對用戶和SKU使用Embedding編碼得到戶和SKU的嵌入特征，根據用戶歷史下單數據，以是否購買SKU作為標簽訓練購買SKU的概率模型；

S2022、使用訓練好的概率模型預測用戶對所有候選SKU的購買概率，記為初始曝光分值；

S2024、基于隨機的在線學習，設計隨機策略，調整所述初始曝光分值，以使得購買概率低于預設概率的SKU曝光給用戶；

S2026、基于用戶反饋的在線學習，根據用戶對推薦訂單結果的歷史操作記錄，調整SKU的曝光分值，以得到優(yōu)化后的所有候選SKU的購買概率。

6.根據權利要求4所述的方法，其特征在于，所述分配算法包括：

根據所述建議補充量判斷當前候選SKU的總百升數是否滿足訂單總數要求，若是，分配百升數加入訂單，生成多組推薦訂單；若否，根據訂單總數要求再次召回SKU，直至所有召回的SKU的總百升數滿足訂單總數要求。